DPD - искусственный интеллект в логистике: от проверки гипотез к реальному бизнес-эффекту, Немченко
Виталий Немченко, начальник отдела разработки искусственного интеллекта, DPD в России. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser.
основе современного подхода к разработке инструментов искусственного интеллекта в компании DPD лежит жесткая прагматика и ориентация на измеримый бизнес-результат. Вместо хаотичного внедрения новых технологий используется структурированная методология фильтрации задач, где приоритетом является поиск конкретного экономического эффекта. Ключевой особенностью стратегии является концепция «контролируемой автономии»: ИИ не заменяет процесс принятия решений, а интегрируется в существующие бизнес-процессы (BPMN) как высокоэффективный исполнительный узел. Это позволяет DPD автоматизировать обработку огромных массивов данных (более 20 тысяч писем в день), сохраняя при этом полный контроль над критическими операциями и обеспечивая безопасность корпоративных данных через гибридную инфраструктуру.
Методология отбора задач и поиск бизнес-эффекта
Разработка инструментов ИИ часто сталкивается с проблемой избыточного спроса: когда компания объявляет о готовности внедрять нейросети, поток запросов от заказчиков становится лавинообразным. Опасность здесь заключается в «подходе сурикатов» — попытке хвататься за все задачи сразу без анализа их ценности. В DPD выстроена система фильтрации, где ключевой фигурой является специалист, способный оценить потенциальный бизнес-эффект каждой конкретной задачи.
Логика взаимодействия с заказчиком пересмотрена: вопрос «сколько стоит внедрить ИИ» считается некорректным. Правильный подход подразумевает, что заказчик приходит с уже описанным бизнес-эффектом и видением того, как именно автоматизация решит проблему. Только после этого определяется стоимость реализации.
Для минимизации рисков потерь ресурсов применяется метод быстрой проверки гипотез. На создание минимально жизнеспособного продукта (MVP) выделяется максимум две недели. Если по итогам этого срока заказчик не подтверждает реальную пользу от использования инструмента, дальнейшая разработка прекращается. Такой подход позволяет DPD не тратить время на «красивые», но бесполезные функции, фокусируясь исключительно на тех решениях, которые приносят прибыль или существенно сокращают издержки.
Концепция корпоративной автономии и интеграция в бизнес-процессы
Один из главных вызовов при внедрении ИИ в крупной корпорации — определение степени доверия к системе. В DPD принята стратегия, согласно которой искусственный интеллект снимает с человека рутинную нагрузку, но не получает права окончательного принятия решений. Это критически важно для сохранения стабильности бизнес-процессов и минимизации рисков.
Вместо того чтобы создавать автономных агентов, которым делегируется решение проблемы пользователя «от и до», DPD интегрирует узлы ИИ в уже существующие BPMN-схемы (бизнес-процессы). Таким образом, ИИ становится мощным инструментом внутри строго определенного алгоритма. Он выполняет конкретные функции на определенных этапах, но общая логика процесса остается неизменной и контролируемой.
Такой подход позволяет гибко управлять уровнем автономии в зависимости от степени ответственности за результат. Если задача имеет низкий риск (например, информирование о местонахождении заказа), система работает полностью автономно. Однако если действие влечет за собой изменение условий договора или отмену заказа, ИИ подготавливает все необходимые данные, но финальное решение остается за человеком.
Эволюция анализа намерений: от ML к LLM в клиентском сервисе
Практическим примером реализации данной стратегии является автоматизация обработки корпоративной почты DPD. При объеме более 20 тысяч писем в день ручная сортировка невозможна, а традиционные методы машинного обучения (ML) начинают демонстрировать свою ограниченность.
Классический ML эффективен для определения простых намерений, но пасует перед сложным контекстом и человеческой иронией или противоречивыми формулировками. Например, фраза «Курьер отменил заказ, хотя я этого не хотел» может быть ошибочно распознана обычным ML-алгоритмом как запрос на отмену заказа. Здесь в игру вступают большие языковые модели (LLM), которые обладают глубоким пониманием контекста и способны точно определить истинное намерение клиента, выделив проблему с работой курьера, а не желание отменить услугу.
Аналитическая ценность LLM в процессах DPD заключается в их способности работать как «умный фильтр» и сборщик данных. Даже в тех случаях, когда решение принимает человек, ИИ берет на себя всю подготовительную работу: он заходит в ERP-системы, CRM, собирает адреса, телефоны и историю взаимодействий, предоставляя оператору готовую карточку с данными. Это радикально сокращает время обработки одного обращения, превращая сотрудника из «поисковика информации» в «принимающего решение».
Безопасность, Guardrails и защита от инъекций
С ростом сложности моделей возникает проблема безопасности, в частности — промпт-инъекции. Это ситуации, когда внешние пользователи пытаются обмануть модель, внедряя в текст письма специальные инструкции, чтобы заставить ИИ действовать вопреки корпоративным правилам или раскрыть конфиденциальную информацию.
Для защиты систем DPD применяет многоуровневую архитектуру проверки. В процесс встраиваются специализированные «проверяющие» модели — Guardrails и Decision-модели. Они работают как внешние цензоры, которые анализируют входящий текст на предмет попыток манипуляции до того, как запрос попадет в основную модель. Если система обнаруживает признаки инъекции или подозрительный паттерн, запрос блокируется или перенаправляется на ручную проверку. Это создает необходимый барьер безопасности, позволяя использовать мощь LLM без риска для инфраструктуры компании.
Оптимизация ресурсов: гибридная модель облаков и GPU
Вопрос выбора между собственными вычислительными мощностями (GPU) и облачными решениями в DPD решается через анализ чувствительности данных. Это позволяет оптимизировать затраты, не жертвуя безопасностью.
Задачи разделяются на две категории:
- Нечувствительные данные. Информация общего характера (например, тот факт, что компания обслуживает грузовые фуры) не является секретной. Такие задачи, требующие больших вычислительных ресурсов, DPD может делегировать облачным моделям (например, ChatGPT), что значительно экономит внутренние ресурсы GPU.
- Конфиденциальные данные. Имена водителей, номера телефонов, точные адреса и детали конкретных заказов никогда не покидают внутренний контур компании. Для обработки такой информации используются собственные модели на локальных серверах.
Такое распределение нагрузки позволяет DPD использовать лучшие мировые разработки в области LLM там, где это безопасно, и сохранять абсолютный контроль над персональными данными клиентов и сотрудников внутри своего периметра.
Техническая архитектура и изоляция агентов
С точки зрения системного администрирования, DPD придерживается принципов микросервисной архитектуры. Все сервисы ИИ запускаются в изолированных Docker-контейнерах. Это снимает любые опасения по поводу «побега» агента или неконтролируемого распространения кода по сети — контейнеризация обеспечивает жесткую изоляцию среды исполнения.
Особое внимание уделяется доступу к критическим системам, таким как ERP. ИИ никогда не получает прямого и неограниченного доступа к базе данных с правом записи «делай что хочешь». Вместо этого используются MCP-серверы (Model Context Protocol) с ограниченным набором доступных действий. Модель может вызвать только определенную функцию (например, «получить статус заказа»), но не может произвольно менять данные в системе без прохождения через установленные бизнес-правила и фильтры безопасности.
Таким образом, архитектура DPD представляет собой сочетание гибкости современных нейросетей и жесткой дисциплины классического корпоративного IT, что позволяет масштабировать инновации без риска для стабильности бизнеса.
