Как меняется работа системного аналитика с развитием ИИ: записи докладов «Кода аналитика»
Как выстраивать требования, находить противоречия ещё до начала разработки и внедрять ИИ-агентов в рабочие процессы? Эти и другие вопросы обсудили на митапе «Код аналитика» от ЮMoney.На встрече выступили спикеры из ЮMoney, Сбера и «Бындюсофт». Они поделились практическим опытом системного анализа: от работы с требованиями и стейкхолдерами до автоматизации задач с помощью ИИ. Мы собрали основные темы докладов, а ниже оставили ссылки на полные записи.О чём говорили на митапе
Как мы тестировали RAG: нашёл документ, но всё равно ошибся
В прошлой статье я рассказывал, как наш трёхнедельный RAG-пилот по технической документации растянулся на три месяца. Мы собирались научить корпоративный AI отвечать на вопросы инженеров и менеджеров, а вместо этого обнаружили, что сначала нужно разобраться в собственных документах.С тех пор мы продвинулись. Собрали базу знаний, настроили поиск, подготовили сотни контрольных вопросов и наконец начали испытывать ассистента на реальных инженерных задачах.Промежуточный результат — 84% правильных ответов на тестовом наборе из 188 вопросов
Как посчитать эффект от внедрения AI?
Привет! Я Ярослав Шмулев, CEO R77 AI.Кто из нас в такой ситуации не бывал? Внедрили AI, закрыли пилот, приходим докладывать об эффектах. Команда говорит, что работать стало быстрее. Руководитель видит результат. А CFO, финансовый директор, смотрит на наши цифры и не верит.И, кстати, правильно делает.Давайте разберём, с чем к нему приходить, как считать эффект и что делать, если экономика проекта сейчас вообще не сходится.Посчитали на коленке? Так не делается
AI‑дайджест #6: Бизнес готов к эпохе цифровых сотрудников. Как это меняет рынок?
Друзья, всем привет! На связи Ольга Попова, ИИ-евангелист Лаборатории искусственного интеллекта Департамента больших данных Россельхозбанка.Октябрь показал: главная тема индустрии не новые LLM, а стремительная эволюция ИИ-агентов. Они уже пишут код, работают с корпоративными системами, ищут уязвимости и становятся автономными цифровыми сотрудниками. Но вместе с этим бизнес начинает жестче считать ROI внедрений, а вопросы безопасности и контроля выходят на первый план.
AI-агент в проде для тех, кто вкатывается: инструменты, RAG, надёжность и проверки
Агент решает задачу за 30 шагов: вызывает модель, ищет, пишет в базу, снова вызывает модель. Пусть каждый шаг падает раз из ста: моргнула сеть, API ответило «перегружено». Тогда задача целиком дойдёт до конца в 74% случаев. Каждая четвёртая упадёт. При 3% сбоев на шаг до конца дойдут только 40%.
Строим свою AI OSINT-систему для обработки контента
Я не знаю как у Вас...у меня новости в основном это телеграм всегда было...подписался на кучу пабликов..потом отписывался...потом снова подписывался...и короче телеграм превращается примерно в это
Рой ИИ‑агентов против настоящих целей: уязвимости в OAuth‑библиотеке и две машины HackTheBox
В прошлой статье я показывал DreamTeam. Это опенсорс‑фреймворк на Python для роя ИИ‑агентов без начальника. Агентам дают цель, общую доску задач, общую git‑папку и право писать себе инструменты и скиллы. Дальше они сами раскладывают работу, разбирают задачи и проверяют друг друга. В той статье рой решал математические задачи и писал инструмент под скрытый бенчмарк.
От предложений LLM к управляемому исполнению: опыт разработки AI‑агента
Подключить AI‑агента к инструментам — лишь часть задачи. Гораздо сложнее организовать его работу там, где недостаточно уверенного ответа модели и необходимо соблюдать ограничения, контролировать действия и проверять последствия.Например, если агент предлагает восстановить деградировавший сервис, кто проверит: выдержит ли инфраструктура переключение трафика? выполнены ли все необходимые условия? действительно ли сервис восстановился?
