Денис Нагаев
CTO @ Осьминожка
Москва

Как запустить AI агента в коммерцию? Путь от формулировки бизнес-задачи до выхода на продакшн

Описание:

В своём докладе я рассмотрю полный цикл создания AI-агента: от формулировки бизнес-задачи до его внедрения в продакшн и последующей поддержки. Мы начнем с формирования технического задания (ТЗ), подробно разберём, как правильно определять цель и критерии успеха. Особое внимание будет уделено анализу различных больших языковых моделей (LLM): сравним их с точки зрения ключевых метрик и эффективности по результатам смарт-тестов. Я расскажу об этапах разработки AI-агента, включая выбор архитектуры, обучение модели и тестирование. Также мы обсудим актуальную проблему — недостаток компетенций в проектировании микросервисной архитектуры для AI-агентов. Я предложу рекомендации по тому, из каких микросервисов должен состоять AI-агент, чтобы его можно было эффективно эксплуатировать и масштабировать. Завершим доклад вопросами продакшн-развертывания: подключением систем логирования для мониторинга работы модели и организации процесса доставки новых фичей. В результате вы получите чёткое понимание того, как построить и развивать AI-агента, способного решать конкретные бизнес-задачи.

О спикере

Денис Нагаев

CTO @ Осьминожка
Москва

Привет! Меня зовут Денис, я являюсь соучредителем и СТО компании «Осьминожка». Наша команда специализируется на применении технологий машинного обучения и больших генеративных моделей. Мы используем Langhain RAG-системы для расширения возможностей языковых моделей: совмещаем генерацию с поиском релевантной информации. В своих выступлениях я рассказываю про Naive RAG, MAS, MCP DeepResearch и LLaDa — эти решения помогают нам находить новые подходы к решению бизнес-задач и проводить глубокие исследования в области ИИ. Под моим руководством был успешно реализован проект по обнаружению поддельных банковских приложений и фейковых чеков. Изначально компания сталкивалась с потерей до 30% выручки из-за мошенничества и слишком долгим процессом ручной проверки чеков. Наша цель заключалась в том, чтобы создать инструмент, способный с высокой точностью определять подделку и существенно сокращать нагрузку на менеджеров. В итоге мы разработали ML-модель, которая выявляет фальшивые чеки, выявляет характерные признаки подделки и легко интегрируется в CRM-систему. Благодаря этому удалось значительно повысить точность обнаружения мошеннических операций и сократить время проверки. Мне нравится помогать бизнесам решать сложные задачи с помощью современных технологий, а также находить новые применения большим языковым моделям и ML-подходам. Я верю, что сочетание генеративных возможностей и продвинутых методов анализа данных открывает путь к инновационным решениям, которые приносят реальную пользу.

Похожие доклады