ИИ как рабочий инструмент, а не эксперимент
Отношусь к языковым моделям как к обычному инженерному инструменту: он должен закрывать конкретную задачу, иметь понятную стоимость и измеримый эффект. В Россельхозбанке довёл эту идею до продуктива – развернул локальные модели (Deepseek 32b, Llama 3) в закрытом контуре, где данные не покидают периметр банка, и построил на них автоматизацию скоринга обращений и анализа отзывов о мобильных приложениях конкурентов. То, на что аналитик тратил дни ручной разметки, стало регулярной процедурой.
В сопровождении ИИ хорошо снимает рутину первой линии: классификация и маршрутизация обращений, извлечение сути из потока однотипных тикетов, первичная суммаризация логов при разборе инцидента, помощь в подготовке постмортемов. Важная часть работы здесь – не промпты, а определение границ доверия к модели: где её вывод принимается автоматически, где требует подтверждения инженера, и как не допустить, чтобы галлюцинация попала в диагностическую карту.
В производственных задачах
- Локальные LLM в закрытом контуре банка – без утечки данных вовне
- Автоматизация скоринга и классификации пользовательских обращений
- Анализ отзывов и конкурентная аналитика по мобильным приложениям
- Суммаризация логов и подготовка материалов для постмортемов
- Внутренние скрипты сбора и сверки данных из разнородных источников
В собственных проектах
- Автор проекта php-max-bot – бот с интеграцией языковых моделей
- Репозиторий инструментов на GitVerse, разработка в свободное время
- AI-ассистенты в разработке: код, ревью, документация, рефакторинг
- Эксперименты с RAG и агентными сценариями на домашнем кластере
- Изучение этичного применения ИИ и управления рисками моделей
Собственные проекты здесь не хобби ради хобби: домашний кластер на Kubernetes – это площадка, где я пробую то, до чего не доходят руки на основной работе, и приношу в команду уже проверенные, а не теоретические решения.