Embedika

Что такое единое контентное ядро и зачем оно бизнесу? Когда компания внедряет несколько решений для работы с документами, каждое из них часто требует отдельной настройки. Для регламентов, договоров и закупок создаются собственные справочники, правила доступа, механизмы поиска и проверки документов. В результате одни и те же данные приходится обрабатывать несколько раз, а документы, относящиеся к одному процессу, остаются распределены между разными системами. Это усложняет поддержку решений и увеличивает затраты на их развитие. Единое контентное ядро позволяет использовать общие механизмы работы с документами сразу в нескольких продуктах или модулях. Разберём, как это работает: Единая модель документов. Типы документов, атрибуты, статусы и версии описываются по общим правилам. При подключении нового модуля не нужно создавать эти механизмы заново. Общие права доступа. Подразделения работают с документами в рамках единой ролевой модели. Это упрощает управление доступом и снижает объем повторных настроек. Связи между документами. Регламент может быть связан с закупочной процедурой, а договор — с техническим заданием и спецификацией. Это позволяет отслеживать изменения и проверять согласованность данных между процессами. Единые инструменты поиска и анализа. RAG-поиск, проверка дублей, противоречий и актуальности версий используются в разных модулях. Каждый из них дополняет общие инструменты проверками для своей области. Общая история изменений. Информация о версиях, проверках и действиях пользователей сохраняется по единым правилам. Это помогает отслеживать изменения и основания принятых решений. Например, после внедрения решения для работы с регламентами компания может подключить модуль договоров или закупок, используя уже настроенные права, поиск и связи между документами. При таком подходе каждый следующий модуль требует меньше повторной разработки и настройки. Компания постепенно расширяет возможности системы, сохраняя единые правила работы с контентом и контроль над данными. Вместо нескольких изолированных решений формируется связанное пространство корпоративных документов, которое можно использовать в разных бизнес-процессах.

Почему инженерный документ нельзя рассматривать отдельно от объекта В промышленных проектах документация тесно связана с оборудованием, его характеристиками и этапами жизненного цикла объекта. Один технический параметр может встречаться сразу в нескольких документах, чертежах и моделях. При этом информация часто хранится в разных системах и форматах. Чтобы получить полные сведения об объекте, специалисту приходится искать документы, сверять данные и проверять их актуальность. В прошлый раз мы рассказывали, как граф знаний помогает связывать нормативные документы с бизнес-процессами. В инженерных проектах этот подход можно развить дальше — связать документацию с цифровой моделью самого объекта. Рассмотрим, как это работает на примере одного из промышленных проектов В рамках проекта необходимо было организовать работу с более чем 200 000 инженерных документов. Для этого на основе платформы Cursor создали решение, которое объединило документацию и данные инженерной модели. В системе реализовали несколько возможностей: 1️⃣ Единое пространство инженерных данных. Документы, 3D-модели, теги и иерархию оборудования объединили в одной системе. Это упростило работу с информацией из разных источников. 2️⃣ Интеллектуальный поиск. Семантический поиск позволяет находить информацию по смыслу запроса. При этом пользователь может перейти от документа к инженерной модели, а затем — к параметрам конкретного оборудования. 3️⃣ Контроль версий. Система отслеживает изменения в документации и помогает работать с актуальными данными на разных этапах проекта. 4️⃣ Связь документации с объектом. Специалист может не только найти нужный документ, но и понять, к какому оборудованию он относится и где находятся связанные сведения. В результате время на поиск и обработку технической информации сократилось до 30%, а на выполнение регламентных мероприятий по эксплуатации, ремонту и обслуживанию — на 20%. Главное изменение — инженерная документация перестала быть отдельным архивом файлов. Вместе с моделями и данными об оборудовании она становится цифровым активом, который можно использовать на разных этапах жизненного цикла объекта. #use_кейсы

Почему СЭД не всегда достаточно для проверки содержания документов Системы СЭД и ЕСМ помогают управлять согласованием, подписанием и хранением документов. Но даже если все файлы находятся в одной системе и проходят установленные маршруты, это не гарантирует согласованности их содержания. Один процесс может описываться сразу в нескольких документах: приказе, регламенте, положении и инструкции. При этом каждый из них может быть правильно оформлен и утвержден, но содержать разные требования или условия. Рассмотрим, где чаще всего возникают такие противоречия: ➖ Разные требования. Регламент предусматривает один порядок согласования закупки, а инструкция для сотрудников — другой. Оба документа действуют, но устанавливают разные правила. ➖ Несогласованные изменения. В компании обновили положение, но связанные с ним инструкции остались в прежней редакции. СЭД фиксирует новую версию, но не всегда позволяет определить, какие документы затронули изменения. ➖ Расхождения между документами. Условия договора отличаются от спецификации, а требования технического задания — от коммерческого предложения. Такие ошибки часто обнаруживаются только при ручной сверке. ➖ Неоднозначные формулировки. Разные документы могут по-разному определять полномочия сотрудников, сроки или порядок выполнения одной задачи. Проблема в том, что СЭД контролирует движение документов, но не обязательно проверяет их смысловую согласованность. Система знает, кто согласовал файл и какая версия утверждена, но не всегда может определить, противоречит ли его содержание другим документам. Для таких задач нужен дополнительный интеллектуальный слой поверх существующих систем для анализа содержания, выявления противоречий и дублей, контроля актуальности версий и связей между документами. При таком подходе СЭД продолжает отвечать за документооборот, а интеллектуальные инструменты помогают контролировать качество информации.

Когда интеллектуального поиска недостаточно: как связаны документы и бизнес-процессы Найти нужный документ среди тысяч файлов — только часть задачи. Важно также понимать, к каким процессам он относится, с какими документами связан и какая версия действует сейчас. В крупных компаниях нормативная база часто распределена между подразделениями и информационными системами. Один регламент может дополнять другой, а изменения в документе — затрагивать сразу несколько рабочих процессов. Как организовать работу с базой, чтобы сотрудники видели не только отдельные документы, но и связи между ними? Разберем это на примере проекта для крупной нефтегазовой компании. В её структуре более 150 предприятий, а нормативная документация была распределена между десятью с лишним системами. Сотрудники тратили время на поиск, сталкивались с дублями и противоречивыми версиями документов. Для решения этих проблем использовали несколько инструментов: Единая точка доступа. Документы из разных систем стали доступны через общий портал. Сотрудникам больше не нужно искать информацию в нескольких источниках по отдельности. Граф знаний. Документы связали с бизнес-процессами и другими нормативными материалами. Теперь пользователь может не только найти регламент, но и посмотреть связанные с ним документы и понять, к какой области деятельности он относится. Контроль дублей и противоречий. Инструменты анализа помогают выявлять повторяющиеся документы и несоответствия в нормативной базе. Это упрощает работу с большим количеством материалов и помогает поддерживать их актуальность. Навигация по бизнес-процессам. Искать информацию можно не только через поисковую строку, но и через дерево процессов. Такой формат полезен, когда сотрудник знает свою задачу, но не знает, какой именно регламент ему нужен. В результате среднее время поиска сократилось с 10,5 до 1,2 минуты, а затраты на поиск информации снизились на 52%. Главное отличие такого подхода — документы перестают быть отдельными файлами. Они становятся частью общей структуры, в которой можно проследить связи между нормативными материалами и рабочими процессами. #use_кейсы

Почему семантический поиск — это не просто поиск по ключевым словам Обычный поиск по документам работает достаточно просто: пользователь вводит слово или фразу, а система находит файлы, в которых они встречаются. Но что делать, если сотрудник не знает названия документа или нужная информация сформулирована иначе? Особенно часто эта проблема возникает в компаниях, где хранятся тысячи документов с профессиональной терминологией и сложной структурой. В этом случае эффективным инструментом становится семантический поиск. Он учитывает смысл запроса и позволяет находить информацию, даже если формулировка пользователя не совпадает с текстом документа. Разберем, как эта технология применяется в различных задачах: Поиск по корпоративной документации. Сотруднику может понадобиться информация о порядке согласования закупки, правилах оформления отпуска или возмещения расходов на командировку. Но он не всегда знает, в каком документе искать ответ. К тому же нужные положения могут находиться в разных регламентах, а формулировки в них — отличаться от привычных запросов. Семантический поиск позволяет задать вопрос своими словами и найти документы или отдельные положения, подходящие по смыслу. Так сотруднику не нужно знать точное название регламента или вручную просматривать десятки файлов. Поиск по инженерным данным. В инженерных проектах важно не только найти технический документ, но и понять, к какому оборудованию или объекту относится информация. Например, в одном из проектов нужно было организовать работу с массивом из более чем 200 000 инженерных документов. Здесь информация связана не только с текстами, но и с оборудованием, его параметрами и 3D-моделями. Поэтому недостаточно просто найти документ, в котором встречается нужный термин. Технология помогла выстроить связь технической документации с инженерной моделью, переходить от документа к конкретному оборудованию и его характеристикам. Важное отличие семантического поиска в том, что он учитывает смысл запроса и помогает находить информацию, даже если в документе используются другие формулировки, а обычный поиск ориентируется на совпадение слов и фраз в запросе и документах. В следующих постах продолжим разбирать инструменты работы с корпоративными данными. В частности, поговорим о том, почему найти нужный документ — только часть задачи и как компании управляют его версиями и изменениями. #use_кейсы

Корпоративные агенты, управление моделями и аналитика расходов на ИИ-инструменты: подборка материалов Собрали материалы о том, как устроены корпоративные ИИ-агенты, кто и как управляет моделями и расходами на них. Все посты — из авторского канала Synaptic Garden, где каждый день разбирают новые релизы моделей и агентных инструментов: что вышло, как работает и чем отличается от конкурентов.  О чём пишут на канале: — Корпоративный ИИ-агент с доступом ко всем внутренним системам: три совета тем, кто внедряет ИИ в компании Как устроен внутренний агент с инструментами для всех корпоративных систем, который быстро стал популярен у сотрудников, и что для такого продукта критично: установка за три минуты, внутренний магазин скиллов, доступ к сильным моделям. — Warp Factories: «фабрика» из ИИ-агентов, которая берёт на себя около 30% задач разработки Центральный агент получает задачу из Slack, Jira или GitHub и распределяет её между агентами для анализа, реализации и ревью, а человек подключается на заданных контрольных точках. — Anaconda покупает Kilo Code: как компании берут под контроль ИИ-агентов, модели и расходы на токены Зачем компаниям единый слой управления агентами: контроль доступных моделей и корпоративных политик, прозрачные расходы и маршрутизация запросов, которая, по данным Anaconda, сокращает расход токенов на 30–50%. — North Micro Vision от Cohere: компактная открытая модель для OCR и работы с документами и таблицами Модель на 2,4 млрд параметров читает документы в исходном разрешении — до страницы A4 при 200 dpi — и набирает 0,921 на DocVQA; веса открыты под Apache 2.0. — Теория глобального рабочего пространства: что Anthropic нашла в «мышлении» Claude Разбор исследования Anthropic, которое нашло в Claude структуру, похожую на глобальное рабочее пространство — одну из ведущих теорий сознания в нейронауке. Больше интересных новостей о ИИ-агентах, разборов моделей и аналитики можно найти у автора в канале @synaptic_garden.

Как превратить 8 000 документов в рабочий инструмент, а не корпоративный архив Чем больше документов накапливается в компании, тем сложнее с ними работать. Найти нужный регламент среди тысяч файлов, проверить его актуальность, разобраться в связанных документах — на все это у сотрудников уходит время, которое можно потратить на более важные задачи. В прошлый раз мы рассказывали, с какими проблемами сталкиваются компании, когда документов становится слишком много. Сегодня разберём один из таких use-кейсов — работу с большой базой нормативно-методической документации. В компании накопилось более 8 000 документов, а ее структура включала около 20 организаций. Документы создавались и согласовывались в СЭД. Но для работы с уже утвержденной базой сотрудникам не хватало удобного инструмента. Задача была не просто собрать документы в одном месте, а сделать так, чтобы с ними было легче работать: 1️⃣ Упростить поиск. Раньше документы искали через реестры, а за помощью часто обращались к методологам. В новой системе появился интеллектуальный поиск по содержанию документов. Пользователю не обязательно знать точное название или реквизиты — искать можно по смыслу запроса. 2️⃣ Помочь ориентироваться в большой базе. Документы распределили по областям регламентации. Так сотрудник может выбрать нужное направление и посмотреть связанные с ним материалы. Для документов также формируется краткий обзор, который помогает быстро понять их содержание. 3️⃣ Работать только с актуальными документами. Новую систему интегрировали с действующей СЭД. Там документы по-прежнему создаются и согласовываются, а в базу для сотрудников попадают уже утвержденные версии. Система также учитывает структуру компании и показывает пользователям релевантные для них документы. 4️⃣ Собрать нужные инструменты в одном месте. Сотрудники могут создавать подборки документов, смотреть аналитику и оставлять обратную связь. В итоге вместо обычного архива получается база, которой можно пользоваться в ежедневной работе. В результате поиск нужной информации, который ранее мог занимать десятки минут, сократился до нескольких секунд. Одновременно снизилась нагрузка на методологов: сотрудникам больше не нужно обращаться к ним каждый раз, когда требуется найти нужный документ или разобраться в структуре нормативной базы. Удалось преобразовать систему хранения документации в единую базу знаний, где каждый сотрудник может быстро найти нужное, проверить актуальность и понять, какие документы относятся к его задаче. В следующих постах продолжим разбирать, как меняется работа с корпоративной информацией, когда недостаточно просто найти документ — и нужно учитывать связи между документами, процессами и другими данными. #use_кейсы

Дайджест событий в области искусственного интеллекта ИИ продолжает закрепляться в юридической, финансовой и инженерной практике — от оценки зрелости компаний до контроля строительной документации. В подборке этого месяца собрали новости о ключевых запусках, обновлении моделей и свежие исследования. В России: 📊 «Сбер» представил модель ИИ-зрелости компаний, дополняющую руководство AI-Disrupt PDLC. ⚖️ «Яндекс» перевел ИИ-помощника «Нейроюрист» на новую архитектуру для решения сложных юридических задач. 🏦 ФНС представила новый ИИ-инструмент для оценки финансового состояния бизнеса. 💳 «ЮKassa» запустила MCP-сервер для передачи ИИ-агентам рутинных финансовых задач. 📚 Минцифры рассматривает вопрос субсидий или грантов при формировании датасетов для обучения LLM. 🎓 МФТИ открыл курс для аспирантов по созданию продвинутых ИИ-помощников и выстраиванию персональной ИИ-среды. 🖥 Бизнес обратился к правительству с просьбой рассмотреть лизинг серверов и GPU для обучения и инференса ИИ-моделей. В мире: 🗣 OpenAI перевела голосовой режим ChatGPT Voice на модели GPT-6 и добавила взаимодействие с почтой, календарем и Slack. 🔬 Google проводит постобучение Gemini 4 и планирует выпустить модель до конца 2026 года. 📦 Amazon добавила в ИИ-помощника продавца Seller Assistant агентные возможности для рутинных задач. 💻 SpaceXAI выпустила Grok 4.7 с улучшенными возможностями в программировании. 🧑‍⚖️ OpenAI представила ИИ-сервис для юристов Astra for Law. Аналитика: 📈 Ifop: положительное влияние ИИ на эффективность работы отмечают 72% опрошенных французов, 26% не видят изменений. 🏗 Signal: по данным эксперимента, ИИ выявляет до 93% контрольных дефектов в проектной документации для строительства. ⚖️ Smart Ranking: ИИ-функции используют 48% участников рейтинга российского рынка LegalTech. #дайджест

Пять материалов о том, как строить агентов, почему метрики врут и что меняет ИИ в разработке Недавно познакомились с каналом EasyData. Автор — преподаватель и ML-инженер, занимающийся рекомендательными системами. В канале делятся опытом, инструментами и разбирают рабочие задачи. Выбрали пять публикаций, которые нам показались наиболее интересными: ◾️ Подборка визуализаций, где можно вручную покрутить гиперпараметры и увидеть, как работают алгоритмы, — от градиентного спуска до внутреннего устройства GPT-2. ◾️ Готовые наборы агентов, навигатор по экосистеме (300+ инструментов), курсы от Microsoft и фундаментальные гайды Anthropic. Плюс краткий разбор Claude Opus 4.8 с акцентом на агентные сценарии. ◾️ Обзор исследований: ИИ ускоряет написание кода, но не ускоряет доставку фич; разработчиков скорее трансформируют, чем заменят; 70% компаний используют ИИ, но 89% пока не видят роста производительности. ◾️ Четыре задачи, где оффлайн-метрики радовали, но в проде всё пошло не так. Например, RAG находит нужные документы в 99% случаев, но 25% ответов содержат фактические ошибки. ◾️ Классические ML-задачи: ранжирование, калибровка, прогнозирование Три кейса с неочевидными причинами провалов: высокий ROC-AUC без роста CTR, падение recall после калибровки и проигрыш в A/B-тесте из-за свежих данных. Канал EasyData — про то, с чем действительно сталкиваешься в работе над DS-продуктами. В канале регулярно публикуются разборы, подборки и кейсы. Делимся ссылкой: @data_easy

Как управлять информацией, когда в компании слишком много документов Чем больше компания, тем больше документов появляется в ее работе: нормативные документы, регламенты, инструкции, договоры, проектная и техническая документация. Кажется, что основная задача — просто хранить эту информацию и обеспечить к ней доступ. На практике с ростом объема документов возникают новые проблемы: найти нужные данные становится сложнее, документы оказываются распределены по разным системам, а сотрудники тратят время на проверку актуальности и сопоставление информации. Разберем несколько проблем, с которыми сталкиваются компании: 1️⃣ Сложно быстро найти нужную информацию. В компании могут быть тысячи и десятки тысяч документов, а поиск нужного фрагмента информации требует просмотра нескольких источников. Сотрудник знает, что нужный документ существует, но не всегда знает, где именно его искать и как сформулировать запрос. 2️⃣ Непонятно, какой документ является актуальным. При большом количестве подразделений и информационных систем появляются дубли, разные версии и документы, которые могут противоречить друг другу. В результате актуальность информации приходится проверять дополнительно. 3️⃣ Документы существуют отдельно друг от друга. Один документ может ссылаться на другой, описывать определенный бизнес-процесс, объект или оборудование. Но если эти связи не структурированы, сотруднику приходится самостоятельно находить и сопоставлять информацию из разных источников. 4️⃣ Сложно работать с большими массивами технической информации. В инженерных и промышленных проектах документы связаны не только между собой, но и с конкретными объектами, моделями, оборудованием и его параметрами. При этом изменение одного элемента может затрагивать большое количество связанных данных. 5️⃣ Эксперты тратят время на повторяющиеся проверки. Юристам, методологам и другим специалистам приходится регулярно анализировать документы по одним и тем же правилам, искать риски, проверять соответствие требованиям и формировать результаты проверки. Чем больше документов, тем больше времени занимает такая работа. Все эти проблемы разные, но у них есть общая причина: информация в компании существует в большом объеме, а работать с ней так же просто, как с несколькими десятками документов, уже не получается. Поэтому важно не только хранить документы и обеспечивать к ним доступ, но и сделать так, чтобы информацию можно было быстро находить, сопоставлять, связывать и использовать в рабочих процессах. В следующих постах разберем, как эти задачи решаются в разных сценариях — от работы с нормативной документацией до инженерных данных и договоров. #use_кейсы

Как внедрить ИИ в работу с документами без остановки бизнеса Крупные компании редко решаются на полную замену систем документооборота, ведь пока идет миграция, бизнес-процессы не могут остановиться. Поэтому для внедрения ИИ в работу с документами чаще используют другую модель — Land and Expand. Сначала берут один конкретный документный сценарий и доводят его до результата, а затем расширяют решение на смежные функции за счет уже созданной основы. Попытка сразу построить универсальную систему упирается в абстрактность, отсутствие единого владельца и длинный цикл продажи. У платформы нет конкретной боли, которую можно измерить в первые месяцы. Поэтому основной рекомендацией становится другая логика: ➡️ Land — вход через конкретный документный сценарий и рабочее место.  ➡️ Expand — расширение через единое контентное ядро, повторно используемые AI-навыки и межмодульные связи. Второй сценарий подключается быстрее и дешевле, потому что использует то, что уже создано. Начинать стоит с одного документного сценария, где есть понятная боль и измеримый результат. Не нужно пытаться охватить сразу все процессы, т.к. это распыляет ресурсы и откладывает момент, когда бизнес увидит эффект. При выборе первого контура стоит ориентироваться на несколько критериев: ➖ Процесс регулярно повторяется и содержит большую долю рутины; ➖ Есть цифровой след, документы уже существуют в электронном виде; ➖ Результат можно измерить: например, через время, количество ошибок, стоимость обработки; ➖ Есть владелец процесса, который заинтересован в улучшении. Когда первый контур дошел до промышленной эксплуатации, начинается Expand. Второй сценарий должен использовать те же сущности, права, граф, доказательства, поиск и аудит, что и первый. Механика расширения включает следующие шаги: 1️⃣ На этапе диагностики фиксируются 2-3 смежных контура, но пилотируется один; 2️⃣ Архитектура, права доступа, источники и KPI согласуются сразу как общие, а не локальные для одного сценария; 3️⃣ В пилоте сохраняются повторно используемые активы: типы документов, словари, коннекторы, роли, наборы для оценки качества; 4️⃣ На финальном разборе показываются конкретные документы первого контура, которые уже нужны второму; 5️⃣ Второй сценарий предлагается как сокращение уже измеренной ручной работы, а не как скидка на дополнительный функционал. Увеличение числа документов, пользователей или запросов внутри одного контура — это масштабирование первого этапа, а не полноценное расширение. Чтобы стратегия подтвердилась, нужен второй доменный объект, новая роль и повторное использование ядра. Критерий перехода между этапами — подтверждённая точность, скорость работы куратора, воспроизводимая ценность и отсутствие дублирования логики между сценариями. При таком подходе компания начинает с ограниченного контура, где можно быстро увидеть эффект, посчитать экономику и встроить ИИ в уже существующий процесс, а не перестраивать его с нуля. Если первый контур доказал ценность, второй подключается на той же основе — без повторного создания поиска, прав, связей и AI-аудита.

ИИ в крупном бизнесе: сценарии, которые дошли до продакшена Почти половина ИИ-проектов в крупных компаниях закрывается без ожидаемого экономического эффекта. При этом часть решений все же доходит до промышленной эксплуатации и приносит измеримый результат там, где есть цифровой след, понятный процесс и быстрый эффект.  В совместном исследовании компании «Инфосистемы Джет» и Smart Ranking изучили, какие сценарии уже работают в российских компаниях и какой эффект они дают. В карточках собрали самые распространенные кейсы из отраслевого среза исследования #аналитика

Подборка полезных и интересных материалов Господдержка ИИ-разработчиков, контроль над действиями агентов и экономика внедрения — в новой подборке собрали материалы о том, как отрасль решает вопросы регулирования, инфраструктуры и реальной отдачи от технологий. Статьи: 📎 Материал «Ведомостей» о том, какие условия поддержки отечественных ИИ-разработчиков обсуждают в правительстве. 📎 Статья «Известий» о создании крупнейшими российскими технокомпаниями систем контроля за действиями ИИ-агентов. 📎 Публикация «Коммерсанта» о подорожании серверных комплектующих на фоне растущего спроса на ИИ. 📎 Интервью TAdviser с лидером направления «Сбер2B ИИ» об экономическом эффекте от ИИ-агентов и их практических задачах. 📎 Колонка Forbes о роли MCP и других протоколов для связки ИИ-агентов с сервисами. 📎 Колонка в Forbes о полной стоимости внедрения ИИ в бизнес. Заметки:  ✍️ Презентации докладчиков с конференции «Яндекса» Deep Tech Night. ✍️ AvitoTech — о пути от LLM-портала до фабрики внутренних агентов и корпоративном ассистенте «Виталик». ✍️ Yandex Cloud & Infrastructure — об оптимизации инференса LLM: кешировании, времени ответа и GPU-ресурсах. ✍️ «Инфосистемы Джет» — об опыте передачи бухгалтерских процессов под управление ИИ. Книги: 📚 «Человек + машина», Пол Доэрти, Джеймс Уилсон — о переосмыслении бизнес-процессов и создании новых рабочих мест с опорой на ИИ. 📚 «Искусственный интеллект на службе бизнеса», Аджей Агравал, Джошуа Ганс, Ави Голдфарб — как машинное прогнозирование снижает неопределенность и помогает принимать управленческие решения. Подкасты: 🎤 «По проводам | MWS AI» — выпуск о цифровой трансформации промышленности и о том, где скрывается реальный экономический эффект. 🎤 «Путь ИИ» — выпуск о девяти принципах агентизации бизнеса и причинах провала большинства ИИ-пилотов.