«В крупных компаниях ИИ не продается как технология. Он продается как снижение рисков, экономия времени и помощь человеку.
Но чтобы его купили — нужно дать пользу уже на первом шаге.
Вот как мы сделали это без бюджета, без команды и с одними только идеями»
1. Введение: Не про ИИ. Про то, как заставить бизнес поверить в изменения
Привет, Хабр!
Меня зовут Алексей. Я руковожу направлением искусственного интеллекта в федеральном холдинге.
Моя задача — не «внедрить нейросеть», а сделать так, чтобы люди перестали бояться изменений.
Раньше сотрудникам требовалось 40–60 минут, чтобы создать документ выбраковки:
фото → личная почта → служебная почта → удалённый рабочий стол → внутренняя программа → согласование.
Сегодня — один Telegram-бот. Меньше 5 минут.
Но это не история про бота.
Это история про три этапа внедрения, каждый из которых приносил пользу до того, как был запущен следующий.
Я не ждал, пока «всё будет идеально».
Я сделал так, чтобы каждый этап окупался — прямо сейчас.
2. Этап 1: Каркас — «Что бы ни было дальше — мы будем работать вместе»
🎯 Цель:
Ускорить процесс сбора данных — без ИИ, без сложностей, без согласований.
💡 Что сделали:
Создали простой Telegram-бот, который:
Принимал фото от сотрудника. Автоматически генерировал шаблон документа выбраковки (1C). Отправлял его на согласование через внутренний API. ⚠️ Технический вызов:Никаких прямых подключений к БД-1С. Ни LDAP. Ни SSO.Без авторизации — ничего не работало.
🔧 Решение: Микроархитектура «администраторского моста»
python (псевдокод)
def request_access(telegram_id, user_name): # 1. Бот отправляет запрос админу в системе X send_to_admin_system( target="admin@company", message=f"Пользователь {user_name} (@{telegram_id}) просит доступ к боту." ) # 2. Админ вручную нажимает "Разрешить" в своей системе # 3. Система генерирует временный токен и записывает его в наш сервис token = generate_temp_token(user_id_from_db1c) store_token(telegram_id, token) return "✅ Доступ выдан. Теперь вы можете загружать фото."
✅ Результат:
Время на операцию: 60 мин → 7 мин
Пользователи начали использовать бота — даже без ИИ
Мы получили первые данные: какие фото загружают, где ошибки, какие поля заполняют неверно
💬 Это был не MVP. Это был каркас.
Мы не обещали «автоматизацию». Мы обещали — «будет проще».
И это сработало.
3. Этап 2: Поддержка решения — «Мы не заменяем эксперта. Мы делаем его умнее»
🎯 Цель:
Облегчить работу контролирующих специалистов — тех, кто принимает решение: «Принять» / «Отказать» / «Требуется проверка»
💡 Проблема:
Нам нужно было обучить ИИ распознавать паттерны отказов.
Но собрать 2000+ качественных фото на каждую проблему — оказалось невозможно. Качество не позволяло делать из этого датасет.
Фотографии были размытыми, с плохим освещением, с руками в кадре.
🔧 Решение: Автоэнкодеры для “идеальных примеров”
Мы не пытались научить ИИ «видеть дефекты».
Мы научили его видеть, что не является идеальным.
python (псевдокод)
# Архитектура автоэнкодера (PyTorch)class DefectDetector(nn.Module): def __init__(self): super().__init__() self.encoder = nn.Sequential( nn.Conv2d(3, 16, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(16, 8, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2) ) self.decoder = nn.Sequential( nn.ConvTranspose2d(8, 16, 2, stride=2), nn.ReLU(), nn.ConvTranspose2d(16, 3, 2, stride=2), nn.Sigmoid() ) def forward(self, x): encoded = self.encoder(x) decoded = self.decoder(encoded) return decoded# Обучение: сравниваем входное фото с восстановленнымloss = nn.MSELoss()(decoded_image, original_image)
Как это работает:
Мы собрали 3000 идеальных фотографий — без дефектов, с правильным освещением, углом, фокусом (именно в этом и была вся фишка, что необходимо сделать фотографии таким образом, чтобы сымитировать то, что происходит на местах, но с хорошими деталями...). Обучили автоэнкодер восстанавливать именно эти «идеалы». Когда приходит новое фото — он пытается его «перестроить». Если ошибка реконструкции > порога — система говорит:
«Это фото отличается от идеала. Рекомендуется проверить вручную»
✅ Результат:
Снижение нагрузки на экспертов: на 50% Документы, требующие ручной проверки — снизились с 90% до 40% Эксперты начали говорить: «Бот показывает те же моменты, на которые я смотрю» 💬 Это был этап усиления, а не замены.Мы не искали «идеальный ИИ». Мы искали партнера для человека.
4. Этап 3: Интеллект — «Теперь система не просто говорит “что”, но и “почему”»
🎯 Цель:
Перейти от контроля к предиктивному анализу — помочь эксперту не только принять решение, но и понять, какое решение выбрать.
💡 Что добавили:
Классификатор изделий (на основе YOLOv11) Определяет: это тормозная колодка, это шайба, это корпус насоса Правила бизнес-логики Если изделие — тормозная колодка, и есть трещина — → списание Если изделие — шайба, и есть царапина — → восстановление Подсказки для эксперта «Обнаружено изделие: Тормозная колодка (вероятность 94%). По правилу №12: наличие трещины → обязательное списание. Рекомендация: подтвердите или перефотографируйте»
🔧 Пример логики:
python (псевдокод)
if detected_item == "BrakePad" and defect_type == "Crack": recommendation = "Списание" reason = "Согласно регламенту R-12, трещина на тормозной колодке — критический дефект"elif detected_item == "Washer" and defect_type == "Scratch": recommendation = "Восстановление" reason = "Царапина не влияет на герметичность — допустима"
✅ Результат:
Снижение ошибок в классификации: с 22% до 3% Сокращение времени на принятие решения: с 8 минут до 1,5 минут Эксперты стали просить бота перед тем, как открыть документ 💬 Это был этап доверия.Когда система начинает объяснять — она перестаёт быть инструментом.Она становится коллегой.
5. Почему это работает: Стратегия «Этапы пользы»
1. Каркас
Ускорить сбор данных
Telegram + API + ручная авторизация
✅ Да — время с 60 мин → 7 мин
2. Поддержка
Уменьшить нагрузку на экспертов
Autoencoder + пороговое сравнение
✅ Да — 50% меньше ручных проверок
3. Интеллект
Дать рекомендации
YOLO + правила бизнес-логики
✅ Да — 85% решений принимаются за 2 минуты
🔹 Мы не ждали, пока всё будет готово.
🔹 Мы не просили бюджет на «полный ИИ».
🔹 Мы не говорили: «Ждите, скоро будет чудо».
🔹 Мы говорили: «Сейчас — проще. Через месяц — точнее. Через два — умнее».
Это — стратегическое мышление в условиях ограниченных ресурсов.
6. Заключение: Большие проекты — это маленькие шаги, которые никто не делает
Я не делал «крутой ИИ».
Я сделал систему, которая не давала людям уйти обратно к старым процессам.
Первый этап — показал простоту.
Второй — показал надёжность.
Третий — показал интеллект.
Именно поэтому этот проект стал основой для всей команды ИИ в компании.
Потому что мы доказали: Не нужна большая команда. Не нужен большой бюджет.Нужно — понимание, как сделать так, чтобы каждый шаг приносил пользу.
Если вы тоже работаете в корпорации, где «это невозможно», где «нет бюджета», где «это не наша задача» — начните с каркаса.
Сделайте так, чтобы сегодня стало легче.
И завтра — уже сами будут просить: «А теперь ты сможешь…?»
ссылка на оригинал статьи https://habr.com/ru/articles/947494/