DPD - прагматичный подход к внедрению ИИ-агентов в логистике, Виталий Немченко

Агентные системы, языковые модели, мультимодальные модели, ИИ

Виталий Немченко, начальник отдела разработки искусственного интеллекта, DPD в России. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser.

ПРАГМАТИЧНЫЙ ВЗГЛЯД НА РИСКИ И БЕЗОПАСНОСТЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Современный дискурс вокруг искусственного интеллекта часто перенасыщен апокалиптическими сценариями, где обсуждается техническая возможность «побега» агента из-под контроля человека. Однако в реальном бизнес-контексте подобные рассуждения имеют скорее маркетинговый характер, чем прикладной. Обсуждение опасностей и потенциальной непредсказуемости ИИ парадоксальным образом увеличивает субъективную стоимость технологии в глазах бизнеса, создавая вокруг нее ореол исключительности и сложности.

Существует определенная тенденция, когда компании, пугаясь сложности управления продвинутыми системами, предпочитают делегировать все процессы внешним вендорам. Это приводит к ситуации, когда бизнес говорит: «Давайте вы сами этим занимайтесь, а мы будем просто пользоваться результатом, главное — не навредите нам». Такой подход может быть опасен тем, что компания теряет контроль над своими данными и логикой принятия решений, становясь полностью зависимой от проприетарных алгоритмов сторонних разработчиков.

«Я скептически отношусь к теориям о том, что агент может сбежать и натворить дел», — отмечает Виталий Немченко. По его мнению, подобные страхи лишь разогревают тему ИИ, но не дают реального понимания того, как технология должна работать в промышленном масштабе. Важно разделять теоретические возможности архитектур нейросетей и их фактическое применение в закрытых корпоративных средах, где доступ к ресурсам строго ограничен.

Вместо того чтобы фокусироваться на гипотетических угрозах, компаниям следует сосредоточиться на создании прозрачных механизмов управления ИИ. Это включает в себя четкое определение границ ответственности модели, мониторинг ее действий и создание системы предохранителей, которые исключают возможность несанкционированного изменения бизнес-процессов. Только так можно перейти от эмоционального восприятия технологии к её эффективной эксплуатации.

РАЗГРАНИЧЕНИЕ ПОНЯТИЙ АССИСТЕНТА И АВТОНОМНОГО ИНТЕЛЛЕКТУАЛЬНОГО АГЕНТА

В индустрии часто происходит смешение понятий «ассистент» и «агент», что приводит к завышенным ожиданиям от внедряемых систем. В широком смысле под агентом сегодня понимают сущность, которая способна получить на входе абстрактную задачу и полностью предоставить готовое решение, самостоятельно определяя последовательность шагов. Однако для большинства реальных бизнес-процессов такая степень автономности пока оказывается избыточной или даже рискованной.

В практике DPD в России используется иное, более прикладное понимание агента. Здесь агент рассматривается как специализированная нода искусственного интеллекта, которая выступает в роли интеллектуального диспетчера. Получив задачу, такая система не пытается решить её «в лоб» с помощью генерации текста, а анализирует доступный инструментарий и выбирает наиболее подходящий инструмент для конкретного этапа работы.

«У нас в компании пока что не нашлось работы именно для такого агента, который полностью берет на себя решение задачи от и до», — поясняет. Вместо этого используется архитектура, где ИИ оценивает набор из нескольких подключенных инструментов, выбирает нужный, запускает его, получает структурированный результат и передает его дальше по цепочке бизнес-процесса. Это делает систему предсказуемой и управляемой.

Такой подход позволяет интегрировать ИИ в уже существующие автоматизированные системы, не перестраивая всю архитектуру компании. Агент становится связующим звеном между пользовательским запросом и конкретным программным модулем (API), что значительно снижает вероятность галлюцинаций нейросети и повышает точность выполнения операций в критически важных участках логистической цепи.

ПРИКЛАДНОЕ ИСПОЛЬЗОВАНИЕ АГЕНТОВ ДЛЯ ОЦЕНКИ ТЕХНИЧЕСКИХ ЗАДАНИЙ

Одним из наиболее перспективных направлений применения интеллектуальных агентов в компании стала автоматизация работы с технической документацией. Процесс превращения сырой идеи сотрудника в структурированные бизнес-требования традиционно занимает много времени и требует участия нескольких специалистов разного уровня компетенций, что часто приводит к потере смыслов при передаче информации.

Внедренный агент позволяет оптимизировать этот путь: человек описывает свое видение задачи в свободной форме, а система на выходе формирует полноценные бизнес-требования, технические спецификации и даже дает приблизительные прогнозы по времени реализации. Это существенно ускоряет цикл разработки новых функций и позволяет быстрее переходить от гипотезы к прототипу.

«Там такой агент хорошо себя показывает», — подчеркивает Виталий Немченко, имея в виду способность модели структурировать хаотичный поток информации в строгий формат. Это не просто перефразирование текста, а интеллектуальный анализ, который позволяет выявить пробелы в описании задачи и предложить уточняющие вопросы пользователю до того, как задача попадет к разработчикам.

Результатом работы такого агента становится документ, который может быть сразу взят в работу командой разработки. Это снижает нагрузку на системных аналитиков и минимизирует количество итераций согласования ТЗ. В условиях высокой динамики логистического бизнеса такая скорость обработки внутренних заявок дает значительное конкурентное преимущество.

ПРОБЛЕМА УТЕЧКИ СЕНСИТИВНЫХ ДАННЫХ И КОРПОРАТИВНАЯ ТАЙНА

Одной из главных преград на пути массового внедрения облачных LLM-моделей является риск утечки коммерческой тайны. Даже если данные проходят процедуру деперсонализации, сам объем и структура передаваемой информации могут косвенно раскрыть стратегические планы компании или особенности её операционной деятельности. Это делает использование публичных нейросетей недопустимым для многих внутренних процессов.

Существует серьезная проблема «теневого ИИ», когда сотрудники начинают использовать личные аккаунты в облачных сервисах для ускорения своей работы, несмотря на официальные запреты. Запрещать доступ полностью часто неэффективно, так как люди всё равно найдут способ оптимизировать рутину. Единственным верным решением является предоставление безопасного корпоративного инструмента, который будет удобнее и надежнее личного.

«Наша задача — сначала запретить отправлять вообще что бы то ни было в облачные сервисы», — отмечает. Однако этот запрет должен сопровождаться созданием внутренней инфраструктуры. Компания должна предоставить сотрудникам инструмент анонимизации и маскирования данных, который позволит очистить документ от чувствительной информации перед тем, как он будет обработан моделью.

Создание такого «шлюза» безопасности позволяет сбалансировать потребность в инновациях и требования информационной безопасности. Пользователь загружает PDF-файл или текстовый документ в корпоративный сервис, система автоматически скрывает все конфиденциальные данные, имена и суммы, после чего очищенный текст отправляется на обработку ИИ. Это исключает риск утечки данных за пределы контура компании.

СТРАТЕГИЯ ВЫБОРА МОДЕЛЕЙ МЕЖДУ ОБЛАЧНЫМИ И ЛОКАЛЬНЫМИ РЕШЕНИЯМИ

Многие компании совершают ошибку, пытаясь развернуть внутри своего контура гигантские модели типа DeepSeek или GPT-подобные системы с сотнями миллиардов параметров. Такие решения требуют колоссальных вычислительных ресурсов: стоимость запуска и поддержки может достигать 10–15 миллионов рублей только на начальном этапе, что не всегда оправдано для конкретных бизнес-задач.

Опыт DPD в России показывает, что для большинства точечных задач в бизнес-процессах вовсе не требуются модели огромного размера. Вместо этого стратегия смещается в сторону использования «маленьких» специализированных моделей (sLLM), которые можно эффективно развернуть на собственных серверах без необходимости закупки сверхдорогих GPU-кластеров.

«Мы сейчас не пытаемся играть с моделями типа дипсика, большие такие модели требуют огромного ресурса», — поясняет Виталий Немченко. Вместо этого компания фокусируется на оптимизации процессов под конкретные компактные модели, которые способны решать узкоспециализированные задачи не хуже своих гигантов, но при этом работают значительно быстрее и дешевле.

Переход к малым моделям позволяет компании быть более гибкой: их проще дообучать (fine-tuning) на специфических данных логистики, они занимают меньше памяти и могут быть развернуты в нескольких экземплярах для обеспечения отказоустойчивости. Это делает ИИ-инфраструктуру устойчивой и экономически эффективной в долгосрочной перспективе.

ПРИМЕНЕНИЕ DECISION-МОДЕЛЕЙ ДЛЯ ОПТИМИЗАЦИИ БИЗНЕС-ПРОЦЕССОВ

Особое внимание в разработке уделяется так называемым decision-моделям (моделям принятия решений). В отличие от стандартных генеративных моделей, которые стремятся создать связный текст, decision-модели обучены строгому следованию формату и извлечению конкретных данных. Это критически важно для автоматизации отчетности, комплаенса и первичного анализа документов.

Раньше для достижения нужного результата приходилось использовать сложные промпты, заставляя обычную модель отвечать на десятки вопросов в строго определенном формате. Однако это часто приводило к ошибкам: модель могла пропустить вопрос или ответить в свободной форме там, где требовался четкий маркер «да/нет». Специализированные decision-модели решают эту проблему на уровне архитектуры.

«Сейчас уже появились decision-модели, которые обучены сразу на это, и это прекрасно работает в решении бизнес-процессов», — отмечает. Теперь можно подать на вход текст документа и задать анкету с разными типами полей: где-то ответ должен быть бинарным (да/нет), где-то числовым от 0 до 100, а где-то — выбором одного варианта из пятнадцати предложенных.

Такой подход превращает нейросеть в идеальный инструмент для структурирования неструктурированных данных. Это позволяет автоматизировать заполнение реестров, проверку документов на соответствие регламентам и первичный скоринг заявок, при этом данные остаются внутри компании, а нагрузка на серверы остается минимальной.

ЭКОНОМИЧЕСКАЯ ЭФФЕКТИВНОСТЬ РАЗВЕРТЫВАНИЯ СОБСТВЕННОЙ ИИ-ИНФРАСТРУКТУРЫ

Вопрос стоимости внедрения ИИ часто становится камнем преткновения для бизнеса. Однако при правильном подборе моделей и оборудования инвестиции становятся вполне оправданными. В то время как запуск гигантских LLM требует десятков миллионов, развертывание компактных специализированных решений обходится значительно дешевле.

Для старта работы с локальными моделями, которые способны решать большинство прикладных задач по анализу текстов и принятию простых решений, достаточно инвестировать около двух миллионов рублей в серверное оборудование. Это позволяет создать полноценный внутренний контур обработки данных, который не зависит от внешних API и политики зарубежных провайдеров.

«На старте два миллиона можно в целом вложить в сервер», — говорит Виталий Немченко. Эти затраты окупаются за счет исключения рисков утечки данных и отсутствия ежемесячных платежей за токены в облачных сервисах, которые при больших объемах обработки документов могут стать весьма существенными.

Экономическая модель локального ИИ строится на переходе от операционных расходов (OpEx) к капитальным затратам (CapEx). Один раз создав инфраструктуру и настроив пайплайны обработки данных, компания получает инструмент с практически нулевой стоимостью одного запроса, что позволяет масштабировать использование ИИ на все отделы компании без линейного роста затрат.

ИНТЕГРАЦИЯ ИИ В СУЩЕСТВУЮЩИЕ АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ

Компания DPD в России уже обладает высоким уровнем автоматизации, поэтому внедрение ИИ здесь рассматривается не как замена старым системам, а как надстройка, расширяющая их возможности. Основная цель — добавить «интеллектуальный слой» там, где традиционные алгоритмы с жесткой логикой (if-then) перестают справляться из-за вариативности входных данных.

Интеграция происходит через создание API-шлюзов, которые позволяют существующим программам отправлять запросы к локальным моделям ИИ. Таким образом, пользователь даже не замечает работы нейросети: он просто видит, что система стала лучше понимать его запросы или быстрее обрабатывать входящие документы.

«Я использую агента в другом понимании — это нода искусственного интеллекта», — поясняет. Такая модульная архитектура позволяет легко заменять одну модель на другую более совершенную без остановки всего бизнес-процесса. Если появляется новая, более эффективная компактная модель, она просто внедряется в соответствующую «ноду» системы.

Такой подход минимизирует риски сбоев и позволяет постепенно наращивать функциональность. Сначала ИИ может только подсказывать варианты ответов, затем — предлагать черновики документов, и в конечном итоге — полностью автоматизировать рутинные проверки, оставляя человеку только функцию финального утверждения результата.

ПЕРСПЕКТИВЫ РАЗВИТИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ В ЛОГИСТИКЕ

Будущее ИИ в логистике лежит в плоскости создания сети специализированных микро-агентов, каждый из которых отвечает за свой узкий участок работы. Вместо одной «всезнающей» модели компания будет использовать десятки маленьких экспертных систем, которые взаимодействуют между собой для решения сложных комплексных задач.

Ожидается, что развитие пойдет в сторону еще большего упрощения интерфейсов взаимодействия с ИИ. Сотрудники будут ставить задачи на естественном языке, а система агентов самостоятельно распределит их по соответствующим инструментам, соберет данные из разных баз и сформирует итоговый отчет или действие в системе управления заказами.

«Это прекрасно работает в решении бизнес-процессов», — отмечает Виталий Немченко. Ключом к успеху станет умение компании правильно настроить эти взаимодействия и обеспечить высокое качество данных, на которых дообучаются локальные модели. Чем точнее будут данные для fine-tuning, тем выше будет точность работы decision-моделей.

В долгосрочной перспективе такая стратегия позволит создать «цифровой мозг» компании, который не только автоматизирует рутину, но и помогает в анализе больших массивов данных для принятия стратегических решений, при этом полностью гарантируя конфиденциальность информации внутри корпоративного периметра.

ИТОГИ И РЕКОМЕНДАЦИИ ПО ВНЕДРЕНИЮ КОРПОРАТИВНОГО ИИ

Главный вывод из опыта внедрения ИИ в DPD заключается в том, что прагматизм должен преобладать над хайпом. Погоня за самыми крупными моделями часто ведет к неоправданным затратам и проблемам с безопасностью. Оптимальный путь — поиск баланса между размером модели, её точностью и стоимостью инфраструктуры.

Рекомендуется начинать внедрение с создания инструментов анонимизации данных, чтобы обезопасить компанию от утечек. Параллельно следует выявлять узкие места в бизнес-процессах, где требуется структурирование информации, и применять там специализированные decision-модели вместо универсальных чат-ботов.

«Главное — предоставить инструмент анонимизации, маскирования данных», — подчеркивает. Только создав безопасную среду, можно полноценно раскрыть потенциал нейросетей в корпоративном секторе. Важно помнить, что ИИ должен быть инструментом в руках профессионала, а не автономной сущностью, принимающей решения за человека.

В итоге, переход на локальные малые модели и использование архитектуры интеллектуальных нод позволяет компаниям получать все преимущества современного ИИ, сохраняя при этом полный контроль над своими данными и оптимизируя затраты на вычислительные мощности.

Виталий Немченко и коллеги из DPD в России представили прагматичный подход к внедрению ИИ, основанный на использовании локальных компактных моделей вместо дорогостоящих облачных гигантов. Основной акцент сделан на создании безопасного внутреннего контура с инструментами анонимизации данных и применении специализированных decision-моделей для автоматизации бизнес-процессов.

Ключевым архитектурным решением стало использование ИИ-агентов в качестве интеллектуальных нод, которые выбирают подходящие инструменты для решения конкретных задач, таких как оценка ТЗ. Такой подход позволяет существенно снизить затраты на инфраструктуру (до 2 млн руб. на старте) и избежать рисков утечки коммерческой тайны.

Заказать съёмку видео
у команды JSON.TV
Написать
Реклама услуг съемки видео

Связанное видео

TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
90
0
Ноябрь 2026 г.
CNews
"Информационные технологии завтра" CNews Forum 2026
124
0
Ноябрь 2026 г.
CNews
"Информационные технологии завтра" CNews Forum 2026
112
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
112
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
94
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
99
0
Ноябрь 2026 г.
Агентные системы, языковые модели, мультимодальные модели, ИИ
Смотреть видео
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
89
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
92
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
90
0
Ноябрь 2026 г.
Агентные системы, языковые модели, мультимодальные модели, ИИ
Смотреть видео
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
94
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
102
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
93
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
98
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
109
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
104
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
102
0
Октябрь 2026 г.
Агентные системы, языковые модели, мультимодальные модели, ИИ
Смотреть видео
CNews
Форум "Технологии искусственного интеллекта 2026"
99
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
131
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
104
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
105
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
101
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
108
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
137
0
Октябрь 2026 г.
Смотреть раздел полностью ->