Юрий Воеводко (Рексофт): «В практике Рексофт есть яркие проекты с применением ИИ и LLM»

— Юрий, какие новые возможности приносят большие языковые модели (LLM) в прикладных решениях для бизнеса?

— Большие языковые модели (LLM), такие как GPT, серьезно меняют взаимодействие человека с информацией. Они автоматизируют рутинные задачи: от генерации текстов до анализа данных, экономя время и ресурсы. В образовании LLM персонализируют обучение, адаптируя материалы под уровень ученика. В науке ускоряют исследования, обрабатывая гигабайты статей за секунды. Медики используют их для диагностики, сопоставляя симптомы с базами знаний. Бизнес внедряет LLM для клиентской поддержки и прогнозирования трендов. LLM-технологии особенно ценны для решения задачи с «чистого листа», например, когда нужно с нуля разработать концепцию текста или создать структуру мероприятия. Они способны генерировать новый осмысленный контент, выходя за рамки информации, полученной моделью при обучении.

Руководитель центра компетенций по искусственному интеллекту Рексофт Юрий Воеводко
Фото: Рексофт

Однако важно сохранять баланс: технологии дополняют, но не заменяют критическое мышление. Этические вопросы — от авторства до приватности — требуют регулирования. При этом важно понимать, что для корпоративного применения недостаточно просто взять публичный ИИ-сервис типа Яндекс, OpenAI или DeepSeek. Реальные бизнес-задачи требуют интеграции LLM с внутренними данными компании через технологию RAG (Retrieval Augmented Generation), которая выступает «интеллектуальным фильтром» и позволяет моделям работать в контексте конкретной организации. Отмечу, что западные модели пока сильнее российских аналогов, но их прямое использование часто невозможно из-за регуляторных ограничений. Практическое решение – применение специализированных корпоративных платформ, которые выступают своего рода «прослойкой», обеспечивая доступ к передовым ИИ-технологиям при полном соблюдении требований к безопасности и конфиденциальности данных. Это позволяет бизнесу получить все преимущества LLM без рисков.

— Насколько LLM повышают эффективность бизнес-процессов и позволяют их оптимизировать?

— Если говорить цифрами, я бы оценил рост производительности при внедрении LLM от 15 % до 600 % и, возможно, даже выше в зависимости от задачи. Например, риэлторская компания с помощью LLM сократила штат службы поддержки с 12 до 2 сотрудников без потери качества обслуживания. В Рексофт LLM проверяют задания менторской программы, вдвое сократив временные затраты, в создании ПО автоматизируют создание тест-кейсов, ускоряя разработку на 15 % — подобных кейсов множество. При этом нельзя забывать о риске «галлюцинаций» – когда ИИ генерирует ошибочные данные. Для их минимизации необходима точная настройка модели (включая RAG), строгие правила валидации и процесс проверки результатов. Мы прошли этот путь при создании специализированной корпоративной платформы Рексофт. В нее были встроены инструменты для калибровки и контроля качества, и мы готовы адаптировать наш опыт под задачи любой компании. Самостоятельная реализация функциональности тоже возможна, но потребует серьезных затрат на подбор и интеграцию opensource-решений, а также времени на их обучение и тестирование.

— Насколько уже применимы генеративные нейросети и LLM в клиентском обслуживании?

— Клиентский сервис стал ключевым направлением внедрения LLM-технологий в банковском секторе, авиаперевозках, телекоммуникациях, ритейле — отраслях с миллионами ежедневных обращений. Современные решения на базе генеративного ИИ кардинально превосходят традиционные системы: если обычные чат-боты часто работают по ключевым словам, не понимая суть проблемы (например, когда клиент не может снять деньги в банкомате, непонятно — проблема в карте, счете или устройстве), то LLM анализируют полный контекст запроса, историю взаимодействия с клиентом и способны персонализировать общение. Они позволяют оперативно и качественно отвечать на запросы клиентов 24/7, сокращая время обработки запроса с 7-10 минут до секунд. Хотя работающих проектов в этом направлении пока немного (например, Т-Банк), очевидно, что LLM кардинально трансформируют подходы к клиентскому сервису, сделав его более персонализированным и удобным.

Одним из перспективных направлений развития LLM являются «умные суфлеры» для операторов поддержки — например, сервис Яндекса, который анализирует запросы клиентов и мгновенно подсказывает операторам релевантные ответы из базы знаний. Однако полностью заменить человеческий сервис LLM пока не смогут — во-первых, из-за дороговизны вычислений, во-вторых, они не всегда способны проявлять эмпатию.

— Какие интересные проекты — как внутренние, так и для клиентов - были в этом направлении у вашей компании?

— В практике Рексофт есть несколько ярких проектов с применением ИИ и LLM. Начну с интеллектуальной системы подбора персонала на проект — нашей собственной разработки на базе LLM. Она анализирует не только навыки и опыт кандидатов, но и их потенциал развития и психологическую совместимость. Такой подход позволил сократить время подбора на 30 % и повысить качество найма на 15 %. Другой интересный кейс — проект по автоматизации анализа тендерной документации. Мы создали систему, которая не просто извлекает текст из PDF, DOCX и писем, а понимает его в бизнес-контексте. LLM выявляет ключевые параметры — условия NDA, бюджет, технические требования — даже в свободном изложении, а гибридный алгоритм дополнительно проверяет их на соответствие нормативам рентабельности компании. Результат — сокращение времени обработки с 2 часов до 30 минут при повышении качества анализа.

В проекте для крупной страховой компании мы разработали на базе LLM прототип интерфейса на раннем этапе проекта (когда был готов только бэкенд системы). Система генерировала рабочие UI-макеты с автоматической подстановкой данных через выпадающие списки, цветовой индикацией статусов и понятными наименованиями вместо технических кодов. Это позволило получить раннюю обратную связь от бизнеса до начала фронтенд-разработки. Использование LLM для визуализации сложных страховых процессов помогло выявить требования к интерфейсу на старте проекта, избежав дорогостоящих переделок на поздних этапах.

Мы также активно используем не только LLM, но и компьютерное зрение — например, в проекте с «Норникелем» разрабатываем систему автоматического контроля флотационного процесса на основе видеоаналитики. Решение анализирует состояние флотомашин в реальном времени с помощью нейросетей, выявляя отклонения в технологическом процессе и помогая операторам принимать более точные решения.

— Каким вам видится дальнейшее развитие и применение LLM?

— Одной из ключевых перспектив LLM я считаю развитие промышленного слоя генеративного ИИ, который объединит инженерные данные, эксплуатационные параметры и сервисные знания в единую интеллектуальную среду. Такие системы смогут не только генерировать PLC-код и визуализации HMI, но и предоставлять персоналу пошаговые рекомендации на естественном языке, устраняя разрыв между цифровыми «двойниками» и реальным оборудованием.

Следующим логичным этапом станет переход от анализа данных и генерации ответов к автономному принятию решений. Вместо промежуточных решений, которые лишь имитируют ручные операции, появятся комплексные системы, где LLM в сочетании с компьютерным зрением смогут напрямую управлять процессами. Это особенно актуально для таких задач, как контроль технологических процессов или автоматизация рутинных операций.

Стоит выделить особую перспективу в развитии гибридных систем «человек+ИИ», где модели ИИ будут усиливать экспертов, а не заменять их. Такой подход уже доказал свою эффективность в медицине, финансах и образовании, где LLM выступают в роли интеллектуальных ассистентов. В ближайшие годы ключевым прорывом станет повышение способности ИИ к самостоятельному контекстному обучению и адаптация к изменяющимся условиям непосредственно в процессе работы.

— Большое спасибо за беседу!