Прагматичный ИИ: опыт внедрения LLM в МосТрансПроекте, Давид Каграманян
Давид Каграманян, начальник группы инновационных разработок, МосТрансПроект. Форум Cnews "Технологии искусственного интеллекта 2026". Стратегический вектор развития городской среды и роль МосТрансПроекта
Формирование облика будущего Москвы — это сложный процесс, в котором пересекаются государственное планирование и инженерная реализация. В этой экосистеме ключевую роль играет МосТрансПроект, организация, которая фактически определяет траекторию развития городского транспорта. Если профильные департаменты фиксируют общие требования к облику города, то именно здесь решается, куда пойдут новые линии метро или как будут перестроены транспортные узлы. Инновационный подход компании подтверждается и практическими достижениями, такими как развитие беспилотных трамваев в Строгино, что демонстрирует готовность МосТрансПроекта не просто следовать трендам, но и создавать технологические прецеденты.
В условиях стремительного развития генеративного ИИ многие компании стремятся к созданию сложных агентных систем — автономных структур, способных самостоятельно решать многоэтапные задачи. Однако опыт МосТрансПроекта показывает, что для крупной государственной организации более эффективным путем является поиск конкретных «болей» сотрудников. Вместо того чтобы инвестировать огромные ресурсы в создание универсального цифрового разума, компания сосредоточилась на автоматизации рутинных процессов, которые отнимают колоссальное количество времени. Логика проста: максимальный эффект внедрения ИИ достигается не за счет сложности архитектуры, а за счет масштаба применения простых решений в повторяющихся бизнес-процессах.
Технологический фундамент и инфраструктурные решения
Реализация амбициозных задач по автоматизации потребовала создания собственной вычислительной базы. МосТрансПроект отказался от закупки избыточноно дорогого оборудования, предпочтя собрать компактный, но мощный кластер на базе нескольких современных видеокарт. Это позволило развернуть локальные языковые модели, такие как Qwen и GigaChat, а также систему распознавания речи Whisper. Такой подход обеспечивает не только экономию средств, но и критически важную для государственной структуры безопасность данных — корпоративные секреты не покидают периметр организации.
Особое внимание в МосТрансПроекте уделили программному стеку. Чтобы сотрудники не тратили время на изучение сложной технической документации или специфики каждой отдельной модели, все инструменты были объединены единой «программной оберткой». Использование стандартов OpenAI позволило создать стабильный и фиксированный интерфейс взаимодействия с моделями. В результате конечный пользователь получает готовый инструмент, который работает предсказуемо и не требует глубоких технических навыков для эксплуатации.
Автоматизация коммуникаций: от записи встречи к точному мемо
Одним из первых и наиболее востребованных продуктов стала система суммаризации видеоконференцсвязи (VKS). Процесс работы выглядит линейно: запись встречи из любой системы (Zoom, MTS-Link или локальные переговорные) загружается в сервис, где аудио конвертируется в текст, который затем сжимается до краткого и емкого меморандума.
Однако стандартная транскрибация часто пасует перед спецификой профессионального языка. В МосТрансПроекте огромное количество аббревиатур (DIT, АМПП, КПП), которые обычные модели распознают с ошибками. Для решения этой проблемы была разработана «корпоративная гремушка» — специализированный сервис исправления терминов на базе оптимизированной модели GigaChat 3.1.10b. Эта надстройка работает со строго заданным списком сокращений, превращая бессмысленный набор букв в корректные профессиональные термины.
Эффективность этого продукта измеряется очень прагматично: по количеству правок, которые пользователь вносит в итоговый текст вручную. Чем меньше ручных корректировок требуется для финального утверждения мемо, тем выше качество работы ИИ. Такой подход позволяет объективно оценивать точность модели и постоянно дорабатывать её под нужды сотрудников МосТрансПроекта.
Инструменты обработки данных: борьба с «невидимым» текстом
Еще одной серьезной проблемой была работа с коммерческими предложениями и сметами, которые часто приходят в формате PDF без текстового слоя (фактически как набор картинок). Ручной перенос данных из таких документов в таблицы Excel занимал часы рабочего времени и был подвержен человеческим ошибкам.
МосТрансПроект внедрил сервис-парсер, который преобразует такие PDF-файлы в структурированные Excel-таблицы. Главным достижением здесь стало обеспечение корректности типов данных: система гарантирует, что число останется числом, а не превратится в дату или текстовую строку из-за ошибки распознавания. Несмотря на кажущуюся простоту, этот инструмент закрывает одну из самых острых рутинных болей сотрудников, высвобождая время для аналитической работы вместо механического перебивания цифр.
Контроль качества презентаций: цена ошибки в государственном масштабе
Самым сложным и трудоемким проектом в МосТрансПроекте стала разработка сервиса проверки презентаций. Специфика деятельности компании подразумевает создание тысяч слайдов, которые в итоге попадают на столы к высшему руководству города, включая заместителей мэра. В таких документах стоимость ошибки критически высока.
Сервис решает три основные задачи: Первая — это классическая проверка грамотности (орфография, пунктуация, грамматика). Вторая — контроль внутренней согласованности данных. Например, если на одном слайде указана протяженность участка в 10 километров, а на следующем она превращается в 11, система сигнализирует о противоречии. Третья — верификация пассажиропотоков. Данные тянутся из огромных баз метрополитена, и любая неточность в цифрах может привести к неверным управленческим решениям на уровне города.
Разработка этого продукта заняла около семи месяцев и прошла через множество итераций. Изначально система работала на модели Qwen с 27 миллиардами параметров, что создавало серьезную нагрузку на серверы и замедляло работу. В ходе экспериментов в МосТрансПроекте была произведена замена модели на Gemma (4 млрд параметров). Результат оказался неожиданным: точность (метрика F1) выросла с 63% до 75%, а скорость работы увеличилась в два с половиной раза. Это стало важным аналитическим выводом о том, что для конкретных узких задач меньшая, но более оптимизированная модель может оказаться эффективнее гиганта.
Философия внедрения: метрики, доверие и человеческий фактор
Опыт МосТрансПроекта позволяет сформулировать несколько фундаментальных принципов внедрения ИИ в крупную организацию. Во-первых, успех определяется не наличием «космического корабля» в виде сложной агентной системы, а способностью решить одну маленькую задачу, но в огромном масштабе. Эффективность растет именно за счет массовости применения простых инструментов.
Во-вторых, каждый продукт должен иметь четкие и понятные метрики успеха. Нельзя оценивать работу ИИ абстрактно — нужно понимать, сколько времени сэкономил сотрудник или насколько сократилось количество ошибок в финальном документе.
В-третьих, критически важен принцип «доверия через проверку». В МосТрансПроекте сознательно отказались от концепции полной автономности ИИ. Любой результат работы нейросети должен быть проверяем человеком: — Поисковые системы предоставляют ссылки на источники. — Сервис проверки презентаций не просто исправляет ошибку, а объясняет, что именно и почему считается неправильным. — Суммаризатор VKS всегда выводит «сырой» текст транскрибации для возможности сверки с оригиналом.
Главным итогом внедрения этих технологий в МосТрансПроекте стало снижение уровня профессионального выгорания сотрудников. Когда человек, перегруженный работой поздно вечером, перестает совершать досадные ошибки из-за усталости, потому что его «подстраховывает» ИИ, — это и есть реальный показатель успеха цифровой трансформации. Технологии здесь выступают не как замена человеку, а как инструмент снятия рутинного напряжения, позволяя специалистам сосредоточиться на творческих и инженерных задачах.
