Репост из: Цифровизация проектирования и стройки
Игорь Рогачев рассказал
, как системно выстроить корпоративную архитектуру ИИ. Интересный взгляд — с точки зрения управленца, а не просто инженера, который ищет волшебные промты. Главное ниже:
Идея, что всё решает формулировка запроса, давно умерла. Качество достигается не промтом, а подготовкой данных и системной архитектурой. На примере проверки ПД по ПП87 Игорь показал, как слой за слоем убрать человеческий фактор и сделать процесс предсказуемым и масштабируемым — независимо от навыков отдельных инженеров.
🟩 Слой 1. Создаем ИИ-утилиту для сотрудников вместо прямого общения с LLM. Прячем проверенные промты в сервис, добавляем выбор типа объекта. Инженер больше не думает, что загружать и как спрашивать — просто нажимает кнопку.
🟩 Слой 2. Решаем проблему «мусор на входе — мусор на выходе», выстраивая пайплайн нормализации данных: «Правильнее говорить не просто о переводе PDF в Markdown, а о формировании некоторого нормализованного представления ПД, из которого уже можно отдавать модели текст, таблицы, изображения и необходимые метаданные в удобном виде».
🟩 Слой 3. Формализуем нормативы в машинно-читаемую структуру. «Из требования формируется условия применимости, далее, что необходимо найти, где это обычно находится, критерий проверки и финализируем источником требований. ... получаем не огромный промт, а управляемый конвейер проверок».
🟩 Слой 4. Создаем из документации индексируемую базу знаний с гибридным поиском.
🟩 Слой 5. Превращаем ПД из базу знаний в модель проекта с объектами, свойствами и связями между ними. И если слои 1–4 отвечают на вопрос «Где это написано?», то пятый — на вопрос «Что будет, если я это изменю?».
, как системно выстроить корпоративную архитектуру ИИ. Интересный взгляд — с точки зрения управленца, а не просто инженера, который ищет волшебные промты. Главное ниже:
Идея, что всё решает формулировка запроса, давно умерла. Качество достигается не промтом, а подготовкой данных и системной архитектурой. На примере проверки ПД по ПП87 Игорь показал, как слой за слоем убрать человеческий фактор и сделать процесс предсказуемым и масштабируемым — независимо от навыков отдельных инженеров.
🟩 Слой 1. Создаем ИИ-утилиту для сотрудников вместо прямого общения с LLM. Прячем проверенные промты в сервис, добавляем выбор типа объекта. Инженер больше не думает, что загружать и как спрашивать — просто нажимает кнопку.
🟩 Слой 2. Решаем проблему «мусор на входе — мусор на выходе», выстраивая пайплайн нормализации данных: «Правильнее говорить не просто о переводе PDF в Markdown, а о формировании некоторого нормализованного представления ПД, из которого уже можно отдавать модели текст, таблицы, изображения и необходимые метаданные в удобном виде».
🟩 Слой 3. Формализуем нормативы в машинно-читаемую структуру. «Из требования формируется условия применимости, далее, что необходимо найти, где это обычно находится, критерий проверки и финализируем источником требований. ... получаем не огромный промт, а управляемый конвейер проверок».
🟩 Слой 4. Создаем из документации индексируемую базу знаний с гибридным поиском.
🟩 Слой 5. Превращаем ПД из базу знаний в модель проекта с объектами, свойствами и связями между ними. И если слои 1–4 отвечают на вопрос «Где это написано?», то пятый — на вопрос «Что будет, если я это изменю?».
«Вот к такому уровню я бы в итоге и стремился. Потому что здесь ИИ уже перестаёт быть отдельной игрушкой рядом с проектированием. Он становится одним из слоёв самого проектного процесса и поддержки принятия решений».