Как я Zabbix с LLM дружил в свободное время. Архитектурный обзор взаимодействия с нейросетью. Часть 4 «Реализация»
У всех лапкиЭто заключительная статья цикла о том, как при четко поставленной задаче, заранее сформированном ТЗ, продуманном HLD и детальном LLD можно получить от нейросети не набор случайных скриптов, а вполне рабочий self-hosted сервис.
Может, нам стоит остановить гонку вооружений и сесть за стол переговоров?
Маленький симптом большой болезни
Как ИИ-помощник работает с данными 1С: семь практических сценариев
Для разового запроса к данным 1С не всегда нужно заранее создавать отдельный отчет или обработку. Задачу можно сформулировать обычным языком: найти документы, проверить ошибки, сопоставить показатели или разобраться в устройстве конфигурации.В статье разберем, как работает Codex для 1С
Нейросетевая архитектура формирования автоматических навыков. Часть 1
ВведениеИдея предлагаемой архитектуры возникла из наблюдения за тем, как человеческий мозг осваивает новые действия и превращает их в привычки.Когда человек впервые сталкивается с незнакомой задачей, её решение требует сознательного внимания. Необходимо сосредоточиться, попробовать один или несколько вариантов, получить обратную связь и скорректировать поведение. Однако после многократного успешного повторения действие постепенно становится автоматическим и выполняется практически без участия сознания.
Я собрал конвейер аналитики банков на LLM-агентах. Показываю, где он остановил 7 из 31
У проекта есть работающий сайт: ortant.net. На нём 24 принятых исследования, десять досье банков, карта покрытия данных и раздел с методикой. Исследование можно не только прочитать, но и заказать: конструктор собирает вопрос из готовых блоков (банк, окно, фокус), система бесплатно показывает паспорт данных с ценой, и после подтверждения идёт прогон. Медиана прогона $0,132 и 12,8 минуты; результат открывается своей страницей.
Ассистент или агент: я делал одну контент-машину тремя способами
Anatoly Klavdienko, Product / CustDevTL;DR
Как мы построили ИИ‑аналитику, которая не галлюцинирует
Я руковожу командой аналитиков. Мы работаем с данными брендов на маркетплейсах. Начну не с технологии, а с проблемы, из которой всё выросло.Каждый день мы разбираем, где у селлера утекают деньги. С данными у нас все было в порядке. Витрины были нормальные, дашборды наглядные, цифры под рукой. Дело было не в данных, а в людях. Дашборд показывает, что произошло, а разобраться, что с этим делать, должен уже аналитик.
Что остаётся аналитику, если AI крепчает?
Привет, меня зовут Юрий Черепов, я технический лидер системной аналитики в Альфа-Банке. Однажды на внутреннем «митапе» для аналитиков, где мы обсуждали, как AI применять в работе аналитика, мне задали вопрос: «Не делает ли AI людей «слабее? Не приведёт ли использование AI к деградации профессиональных навыков? Мы ему всё делегируем и разучимся думать сами».Вопрос хороший. Хочется разобраться, что происходит и в какое будущее всё движется. Но сначала я бы хотел окунуться в прошлое.Аналитик 1.0: «Толмач»

