CodeInside

📌 CodeInside на главной промышленной площадке страны

ИИ, цифровые платформы, промышленная автоматизация, импортонезависимые решения — сегодня эти темы особенно определяют вектор развития российской промышленности. И чтобы создавать востребованные продукты, важно видеть рынок не по отчетам, а изнутри.

Команда CodeInside в составе делегации Пензенского регионального отделения «Деловой России» приняла участие в Международной промышленной выставке ИННОПРОМ в Екатеринбурге.

Для нас это возможность напрямую обсудить с промышленными предприятиями их реальные задачи, увидеть, какие технологии становятся отраслевым стандартом, и найти новые точки для сотрудничества. Такие встречи помогают понимать какие решения будут востребованы завтра.

Мы уже реализуем проекты для промышленных предприятий — от разработки корпоративных информационных систем до внедрения ИИ-платформ для автоматизации бизнес-процессов с помощью агентов:
➡️ Кейсы Docora AI
➡️ Кейсы по заказной разработке в отрасли

Уже доступен официальный фотоотчет мероприятия. Его можно посмотреть тут.

Когда RAG бессилен и нужен Text-to-SQL?

Важно понимать ограничение RAG-подхода, который сейчас так активно используют в бизнесе: он хорошо работает с поиском по текстам и документам, но не умеет работать с данными в таблицах внутри СУБД и выполнять точные агрегирующие запросы.

Из-за этого AI-ассистент может не ответить на, казалось бы, простые вопросы вроде

«Какая выручка по регионам за прошлый месяц?»

или

«Где просели продажи за неделю?»,

даже если эти данные есть в системе. В таких случаях приходиться действовать по старинке и ставить задачу аналитику или делать выгрузку.

AI-ассистент с Text-to-SQL устраняет этот барьер: технология переводит вопрос пользователя в запрос на языке SQL, отправляет его витрине данных и возвращает ответ, понятный человеку.

Это особенно полезно, когда компания хочет, чтобы с данными могли работать не только аналитики, а любой, кому нужна цифра прямо сейчас.

Собрали короткую заметку о том, как это работает и где такой подход уже используется.

Не один AI-ассистент, а целая экосистема

Когда слышат про Docora AI, многие представляют обычного AI-ассистента с чатом. На самом деле чат — это лишь верхушка платформы.

На платформе Docora AI находится набор инструментов, из которых можно собрать практически любое корпоративное AI-решение — от помощника для сотрудников до отраслевого AI-агента, который работает с документами, базами данных и бизнес-процессами.

Что входит в платформу?
➡️ Готовые AI-агенты — их можно использовать сразу или адаптировать под свои задачи.
➡️ Графический конструктор сценариев — позволяет собрать логику работы агента без программирования: поиск информации, работа с БД, вызов API, обработка документов, запуск бизнес-процессов и многое другое.
➡️ Промпт-конструктор и навыки — переиспользуемые инструкции и шаблоны, которые помогают стандартизировать работу агентов и ускоряют разработку новых решений.
➡️ Поиск по корпоративным данным — Docora AI подключается к внутренним базам знаний, файловым хранилищам, CRM, API и другим системам, чтобы отвечать только на основе проверенной информации.
➡️ Поддержка различных LLM — GPT, GigaChat, Qwen, Gemini, DeepSeek, YandexGPT и других моделей. Выбор остается за заказчиком.
➡️ Гибкие варианты развертывания — облако или полностью локальная установка внутри инфраструктуры организации.
➡️ Интеграции — веб-интерфейс, API, мессенджеры, корпоративные порталы и другие каналы взаимодействия.

Именно поэтому на базе одной платформы мы создаем совершенно разные решения:
• корпоративные AI-помощники
• отраслевые AI-агенты
• интеллектуальный поиск по знаниям компании
• автоматизацию бизнес-процессов
• управленческую аналитику
• подготовку документов
• специализированные AI-системы для государства и бизнеса различных отраслей.

По сути, Docora AI — это конструктор корпоративных AI-решений, который позволяет не разрабатывать каждого нового ассистента с нуля, а собирать его из готовых компонентов, адаптируя под конкретные задачи бизнеса или государства.

Мы постепенно будем рассказывать о каждом компоненте Docora AI подробнее и показывать реальные кейсы их применения.

Хотите посмотреть, как Docora AI может работать именно с вашими данными и процессами?
Напишите нам getai@codeinside.ru — покажем на реальном примере.

💭 Генеративный ИИ на объектах КИИ — реально?

Да — если архитектура решения изначально учитывает требования безопасности.

В архитектуре Docora AI большая языковая модель выступает интеллектуальным ядром платформы. Docora AI изначально создавалась как модельно-независимое решение: под капотом может использоваться та LLM, которая лучше всего соответствует требованиям конкретного заказчика, его ИТ-ландшафту, политике информационной безопасности и условиям эксплуатации.

Для российских enterprise-заказчиков одним из ключевых вариантов такого ядра является GigaChat. Особенно в проектах, где требуется российская языковая модель, ориентированная на работу с русскоязычным контекстом и внедрение в защищенные ИТ-контуры.

В связке с нашей платформой GigaChat отвечает за интеллектуальную обработку запроса, понимание контекста и генерацию ответа, а сама Docora AI обеспечивает прикладной корпоративный слой: подключение внутренних источников данных, настройку сценариев работы агентов, разграничение прав доступа, контроль действий, интеграцию с корпоративными системами и возможность развертывания в контуре заказчика.

Такой подход особенно значим для организаций с повышенными требованиями к безопасности, в том числе для компаний, работающих с КИИ (критической информационной инфраструктурой).

💬 Если ваша компания рассматривает внедрение AI-агентов в защищенном контуре, с радостью обсудим возможные сценарии применения — getai@codeinside.ru

👀 Можно ли закрыть большинство обращений участников форума без колл-центра и постоянного участия оргкомитета?

Проверили на практике вместе с организаторами форума «ИИ — будущее сегодня» — конгрессной компанией ООО «Ивент Менеджмент Глобал».

Встроили AI-ассистента на сайт мероприятия и научили его отвечать на вопросы о программе, спикерах, регистрации, логистике и других организационных моментах. В результате до 80% обращений участников обрабатывались автоматически, без участия сотрудников оргкомитета.

Но самое интересное — это не ответы на вопросы. Ассистент помогал пользователям находить релевантные секции, ориентироваться в программе и формировать собственный маршрут по мероприятию. Получился не просто чат на сайте, а персональный цифровой помощник участника.

🖥 Как это работало и какие результаты показало решение — рассказали в кейсе.

💬 Чтобы внедрить корпоративный ИИ, нужны десятки миллионов рублей на инфраструктуру.

— один из самых распространённых мифов, с которым мы сталкиваемся ежедневно.

Качество работы ИИ действительно зависит от инфраструктуры: вычислительные мощности влияют на скорость обработки запросов, стабильность работы системы и возможность использовать современные языковые модели. Поэтому при локальном внедрении важно заранее продумать, на каких ресурсах будет работать решение.

Но! Зависимость между качественным ИИ и многомиллионными вложениями в инфраструктуру сильно преувеличена.

В команде Docora мы изначально проектировали платформу так, чтобы она эффективно работала на доступном оборудовании без ущерба для качества пользовательского опыта. Благодаря оптимизации архитектуры и используемых моделей для локального развёртывания достаточно сервера со следующими характеристиками:
• CPU уровня Intel Core i5-12400F;
• 32 ГБ оперативной памяти;
• SSD от 512 ГБ;
• GPU с 48 ГБ видеопамяти.

Стоимость такой конфигурации начинается от ₽500 тыс.
Для сравнения: бюджеты на внедрение некоторых корпоративных AI-платформ крупных игроков рынка могут начинаться от нескольких десятков миллионов рублей ещё на этапе старта проекта.

Именно поэтому сегодня корпоративный ИИ перестаёт быть инструментом исключительно для крупнейших компаний. С Docora пилотный проект можно запустить всего за 2 недели, проверить гипотезы на реальных бизнес-задачах и оценить эффект до принятия решения о дальнейшем масштабировании.
Корпоративный ИИ должен помогать бизнесу быстрее получать результат, а не становиться отдельным дорогостоящим инфраструктурным проектом.

➡️ Если хотите оценить, какая конфигурация подойдёт для ваших задач, напишите нам — getai@codeinside.ru. Поможем подобрать оптимальный вариант развёртывания и рассчитаем инфраструктуру под вашу нагрузку.

Как сделать так, чтобы опыт одного инженера работал на всю компанию?

С такой задачей столкнулось АО «Пензтяжпромарматура» — один из ведущих российских производителей промышленной трубопроводной арматуры.

Инженеры обладали глубокой экспертизой в своих направлениях, однако лучшие практики и накопленные знания не всегда были доступны коллегам из других подразделений. Дополнительную нагрузку создавали обращения пользователей системы управления жизненным циклом изделий T-FLEX, консультирование по которой требовало времени специалистов поддержки.

❓Удалось ли AI-ассистенту справиться с этой задачей?
Рассказали в свежем кейсе.

Почему многие ИИ-проекты так и остаются пилотами?

Этот вопрос стал одной из обсуждаемых тем III Международного форума «ИИ — будущее сегодня», который прошёл в Санкт-Петербурге и объединил разработчиков, заказчиков и экспертов рынка.

От CodeInside на форуме выступила Кристина Погодина, куратор внедрения ИИ в бизнес. В своём докладе она поделилась опытом применения возможностей ИИ-решений на промышленных предприятиях и рассказала, почему успешный пилот ещё не гарантирует реального эффекта для бизнеса.

На практике проблема возникает не на этапе демонстрации возможностей модели, а тогда, когда ИИ пытаются встроить в рабочие процессы компании. Часто система существует отдельно от сотрудников и их повседневных задач, а результаты внедрения остаются неизмеримыми.

В своём выступлении Кристина представила платформенный подход к внедрению ИИ на примере Docora AI, а также реальные кейсы промышленных предприятий, где ИИ-ассистенты платформы Docora AI помогли сократить время поиска информации, снизить рутинную нагрузку на сотрудников и объединить корпоративные знания в едином контексте.

«Период, когда ИИ внедряли ради демонстрации инновационности, постепенно завершается. Сегодня предприятия ожидают от технологий конкретных показателей: сокращения времени выполнения операций, снижения затрат и повышения производительности. В ходе дискуссии неоднократно звучала тема эффективности ИИ-проектов, и наш опыт показывает, что ключевым фактором успеха становятся не сами модели, а качество работы с корпоративными знаниями и данными. Чтобы приносить реальную пользу бизнесу, ИИ должен понимать специфику предприятия, его процессы, документы и накопленную экспертизу. Чем глубже технология встроена в корпоративный контекст, тем быстрее компания получает измеримые результаты и тем проще масштабировать успешные решения», — Кристина Погодина, CodeInside.

Благодарим организаторов форума за площадку для открытого профессионального диалога о будущем прикладного ИИ и его реальном внедрении в бизнес.