Генеративный ИИ

Generative AI и AI-агенты в производстве: возможности, пошаговое внедрение, ROI и кейсы

В этой статье мы рассмотрим, как Generative AI (GenAI) и AI-агенты могут опптимизировать процессы производства, повысить эффективность и снизить затраты. В условиях цифровой трансформации особенно важно отличать мимолётные тренды от технологий, способных действительно принести пользу. Мы проанализируем варианты использования GenAI в производственном цикле — от плана производства и прогнозирования поставок до оптимизации процессов и повышения эффективности сбыта. Кроме того, статья подробно рассмотрит этапы внедрения AI-технологий, методы оценки ROI и типовые ошибки, которых следует избегать при внедрении AI-решений. Мы также приведём реальные примеры успешного использования GenAI в промышленности, обсудим вопросы безопасности данных и управления изменениями.

Ольга Ведерникова · 
Популярные статьи
Визуализация

No-code и low-code для дата аналитиков: пространственный анализ без написания кода

Ольга Ведерникова · 
Кейсы

Как выбрать место для магазина: 7 шагов по выбору новой торговой локации

Ольга Ведерникова · 
Кейсы

Оптимизация маршрутов: инструменты, примеры и советы по использованию

Ольга Ведерникова · 
Данные

Пространственный анализ: как смотреть на данные и видеть больше

Ольга Ведерникова · 
Визуализация

Сетевой анализ: где ГИСы встречаются с математикой

Ольга Ведерникова · 
Искусственный интеллект

AI для BI: как AI-агенты сделали из обычного BI генеративный

BI-аналитика стремительно развивается с появлением генеративного AI и LLM. AI-агенты автоматизируют обработку и анализ данных, генерацию SQL-запросов, создание отчетов и визуализаций. Однако без продуманной интеграции они могут давать некорректные результаты.
В статье разбёрем, как Epsilon Workspace использует LLM, RAG и AI-агентов для автоматизации BI. Покажем, как встроить AI в конвейеры аналитики данных, развернуть LLM, настроить SQL-агента, AI-агента для визуализации данных и построения диаграмм и другие. Обсудим принципы Agentic Reasoning, влияние бизнес-контекста и преимущества AI-агентов перед традиционными BI-инструментами.

Ольга Ведерникова
Искусственный интеллект

AI-ready данные: 8 шагов к качественной аналитике и машинному обучению

Искусственный интеллект (AI) эффективен настолько, насколько качественными являются данные, на которых он обучен. В этой статье разберём, как подготовить данные для AI: от очистки и стандартизации до автоматизации контроля качества. AI-ready данные становятся основой для точных моделей и надёжной аналитики.

Ольга Ведерникова
Кейсы

AI-агенты и Agentic Reasoning: Не рассуждай, не хлопочи — AI-агенты рассуждают

За последние несколько лет большие языковые модели (LLM) и мультимодальные модели (LMM) стали основой множества ИИ-приложений. Сегодня быстро развивается новая парадигма — AI-агенты и агентное мышление, которые предлагают ещё более эффективные способы создания ИИ-приложений. Неструктурированные данные — текст, изображения, видео и аудио — становятся важнейшим ресурсом, и AI-агенты уже показывают, как с ними работать проще и быстрее. Эти технологии не просто анализируют данные, а позволяют разрабатывать приложения, которые раньше казались невозможными. В статье мы разбираем, как AI-агенты меняют подход к разработке, как они работают с данными и почему растёт их влияние на автоматизацию.

Ольга Ведерникова

Вы уже попробовали Epsilon Metrics?

Попробовать бесплатно
Искусственный интеллект

Graph RAG: как RAG, только c графом знаний

Графы знаний отлично отражают взаимосвязи и контекст данных, что делает их идеальным дополнением к технологиям Retrieval-Augmented Generation (RAG). В этой статье мы разберём, как технология Graph RAG объединяет сильные стороны графов знаний и RAG, улучшает точность ответов и ускоряет разработку AI-приложений. Рассмотрим, где Graph RAG приносит наибольшую пользу и как внедрить эту технологию для улучшения контекста, который вы передаёте большим языковым моделям (LLM).

Ольга Ведерникова
Генеративный ИИ

AI-агенты на основе LLM и мультиагентные системы

Текущие LLM генерируют текст или выполняют задачи только по запросу, но с появлением AI-агентов всё меняется. К 2028 году 33% корпоративного ПО будут использовать AI-агентов. AI-агенты не требуют явных запросов и не выдают предопределённые результаты. Вместо этого они принимают инструкции, самостоятельно строят планы, используют инструменты для их выполнения и адаптируются к изменениям. 

Ольга Ведерникова
Данные

От слов к векторам: как эмбеддинги помогают моделям понимать нас

Эмбеддинги помогают преобразовать текст в векторы, что позволяет большим языковым моделям (LLM) понимать контекст и давать точные ответы. Они служат «языком», на котором модели «общаются» с нами. Разобравшись, как работают эмбеддинги, можно использовать LLM для решения бизнес-задач.

Ольга Ведерникова
Кейсы

Извлечение данных: определение, принцип работы и примеры

Извлечение данных — это первый этап в процессе ETL (Extract, Transform, Load), который помогает превратить разрозненные данные из различных источников в ценный ресурс для анализа и ИИ-приложений. Разберёмся, почему извлечение данных играет ключевую роль, как оно работает для различных типов данных, и какие инструменты помогают его автоматизировать.

Ольга Ведерникова
Кейсы

Мультимодальные RAG и VLM против OCR + LLM: Как откровенно поговорить с вашими PDF?

Представьте, что вы можете просто «поговорить» с документом. Именно это делают ИИ-приложения типа «Talk to your PDF» (или «Chat with your docs») — загружаете PDF или другой документ, задаёте вопросы по его содержимому и получаете ответы. Эта возможность ИИ стала одной из самых востребованных для тех, кто работает с многостраничными документами. Однако есть одно «но»:… Читать далее Мультимодальные RAG и VLM против OCR + LLM: Как откровенно поговорить с вашими PDF?

Ольга Ведерникова
Данные

Что такое консолидация данных и как она работает: 7 советов и примеры

Консолидация данных — это шаг к получению целостного представления о бизнесе. Расскажем, как и зачем консолидировать данные из разных источников, какие методы и инструменты помогут упростить этот процесс, а также поделимся практическими советами и реальными примерами. Покажем, как правильно организовать процессы консолидации, чтобы ускорить аналитику и оптимизировать работу с машинным обучением.

Ольга Ведерникова