ИИ все чаще берется за задачи, которые раньше требовали участия инженера, архитектора или руководителя. Но просто встроить нейросеть в рабочий процесс недостаточно — ее нужно правильно адаптировать и настроить для получения положительного результата.
На одиннадцатом митапе MWS эксперты обсудили применение искусственного интеллекта в разных областях — от обработки голосовых вызовов непосредственно в мобильной сети до автоматизации работы с архитектурной документацией. Отдельное внимание уделили тому, как ИИ может помочь в стратегическом планировании и проверке бизнес-гипотез. В завершение встречи участники предложили собственные идеи сервисов на основе технологий MWS.
В этом посте:
-
Шумоподавление на стороне оператора
-
ИИ-агенты для архитектурной документации
-
«Карта гипотез» и бизнес-цели
-
Идеи новых продуктов
MWS Meetup — это регулярные технические встречи для разработчиков и инженеров, которые проходят онлайн и офлайн. На них специалисты разбирают практические задачи из разработки, инфраструктуры и облачных технологий.
Итоги предыдущего митапа MWS, посвященного тому, как ИИ меняет инженерные процессы и постепенно становится виртуальным сотрудником, — в нашем прошлом материале.
Шумоподавление на стороне оператора
Первый доклад представил Максим Масленников, Cluster lead Architect в MWS. Он рассказал о системе, которая убирает посторонние звуки во время телефонного разговора прямо в сети оператора. В отличие от привычного шумоподавления в смартфонах и наушниках для ее работы не нужны специальные приложения или поддержка со стороны телефона.
Максим Масленников, Cluster lead Architect в MWS. Доклад «ИИ в мобильных звонках»
Идея появилась после случая в метро. Один из руководителей компании не смог поговорить по телефону из-за шума вокруг, тогда команда решила проверить, можно ли очищать голос не на самом устройстве, а до того, как он поступит собеседнику.
Реализация оказалась сложнее, чем сама идея. В сетях 2G и 3G голос передается по выделенному каналу, а в LTE для звонков используется IMS — мультимедийная подсистема, работающая на основе IP. Она позволяет передавать голос в виде цифровых пакетов через сеть передачи данных. Поскольку старые телефоны и сети предыдущих поколений продолжают работать, решение нужно было адаптировать для двух разных способов передачи голоса.
Для сетей 2G и 3G команда рассматривала вариант с маршрутизацией звонка через специальный префикс. В LTE пошли другим путем: встроили в сеть оператора собственный медиасервис. Через него проходит голосовой поток, при этом абоненту не нужно менять номер или устанавливать дополнительное программное обеспечение.
Максим Масленников, Cluster lead Architect в MWS. Доклад «ИИ в мобильных звонках»
Главное ограничение такой системы — время обработки. Голос передается небольшими пакетами, и каждый из них нужно принять, преобразовать в удобный для нейросети формат, очистить от шума, а затем отправить дальше. На весь процесс отводится около 20 мс. Если задержка будет больше, то собеседники начнут слышать щелчки, появятся обрывы или другие искажения связи.
При этом нейросеть должна работать не с отдельной записью, а с непрерывным разговором. Модель учитывает предыдущие фрагменты речи, поэтому ее нельзя просто запускать заново для каждого нового пакета. Разработчикам пришлось адаптировать обработку так, чтобы она сохраняла состояние между фрагментами и не нарушала ход разговора.
Готовые модели тоже не подошли без доработки. Команда взяла несколько открытых решений для улучшения речи и стала обучать их на записях реальных шумов. В итоге систему проверяли в разных условиях, в том числе при сильном фоновом шуме и рядом с работающим компрессором.
Максим Масленников, Cluster lead Architect в MWS. Доклад «ИИ в мобильных звонках»
Еще одна задача заключалась в том, чтобы не расходовать ресурсы видеокарт на обработку каждого разговора с одинаковой интенсивностью. Для этого разработчики добавили небольшую модель, которая постоянно анализирует голосовой поток и определяет, когда требуется более серьезное шумоподавление. Если условия улучшаются, основную модель можно отключить и снова оставить только легкий алгоритм. При масштабировании важно также учитывать расположение оборудования: чем дальше узел обработки от абонента, тем сложнее уложиться в допустимую задержку.
Однако у метода есть и минусы: после обработки голос немного менялся, но оставался понятным. По словам Максима Масленникова, решение уже используется в промышленной эксплуатации. MWS рассматривает возможность предлагать его другим операторам, но сами модели и их веса компания раскрывать не будет. В числе следующих задач спикер назвал восстановление голосовых данных, потерянных при передаче по сети.
ИИ-агенты для архитектурной документации
Второй доклад представил Евгений Артемьев, Stream lead Architect в MWS. Он показал инструмент на основе ИИ-агентов и подхода Architecture-as-a-Code, который помогает поддерживать архитектурную документацию в актуальном состоянии.
Проблема возникает, когда реальная разработка отходит от первоначального проекта. Команды меняют API, добавляют микросервисы и новые интеграции, но не всегда успевают вносить эти изменения в архитектурные документы. Со временем описание системы перестает соответствовать ее реальному устройству.
Инструмент MWS собирает сведения из репозиториев разработки и DevOps, задач в Jira и архитектурных материалов в Confluence. Один агент анализирует изменения и подбирает необходимую информацию, другой сводит ее воедино и готовит предложения по обновлению документации. За распределение задач отвечает оркестратор, а перед отправкой данных модели отдельный слой удаляет конфиденциальные сведения.
Евгений Артемьев, Stream lead Architect в MWS. Доклад «ИИ на службе архитектора»
Евгений Артемьев сравнил два подхода к организации такой работы. В первом случае разработчики заранее задают порядок действий (детерминированный подход) и доступные инструменты, а поведение системы остается предсказуемым на каждом шаге. При недетерминированном она сама решает, какие шаги предпринять. В эксперименте с Claude этот вариант оказался менее предсказуемым: модель тратила больше токенов, выполняла лишние действия и хуже соблюдала заданную структуру.
Евгений Артемьев, Stream lead Architect в MWS. Доклад «ИИ на службе архитектора»
Для управления процессом используется LangGraph. Он задает последовательность этапов и разрешенные переходы между ними. При этом несколько агентов могут работать параллельно, сокращая время выполнения задачи. Обратная сторона такого подхода — более сложная отладка: разработчикам приходится следить за состоянием каждого агента и сохранять промежуточные результаты.
Не менее важно контролировать объем информации, с которой работает модель. Это можно делать с помощью регулярных выражений или отдельной модели-классификатора. Последний вариант требует дополнительных вычислений. В одном из проектов проверка на CPU занимала три-четыре секунды, хотя на нее отводили не более 500 мс.
Евгений Артемьев, Stream lead Architect в MWS. Доклад «ИИ на службе архитектора»
В результате работы формируются файлы YAML и Markdown. Они позволяют искать устаревшие технологии, анализировать связи между системами и оценивать риски. Архитектору остается проверить предложенные изменения и принять решение об их внесении. Сбор сведений из разных источников и подготовку обновлений инструмент берет на себя.
«Карта гипотез» и бизнес-цели
Третью часть встречи провел Александр Бындю, предприниматель, методолог и писатель. Он рассказывал о «Карте гипотез» — методологии, которая помогает связать цели компании, ее внутренние возможности и внешние условия с конкретными стратегическими ставками.
Александр подчеркнул, что само по себе ускорение рабочих процессов еще не гарантирует роста эффективности бизнеса. Например, если сотрудник начинает тратить на подготовку письма пять минут вместо двух часов, это экономит время, но необязательно увеличивает доход компании. По его мнению, заметный экономический эффект появляется тогда, когда технологии меняют не отдельные операции, а сам подход к ведению бизнеса.
Часть «Карты гипотез» Александра Бындю. Доклад «Архитектура ИИ-трансформации: от бизнес-целей к действиям»
Примерами стали удаленное управление несколькими кранами одним оператором и поля как сервис, где техника работает по маршруту с помощью GPS и ИИ.
В основе «Карты гипотез» лежит связанный SWOT-анализ. Компания оценивает собственные сильные и слабые стороны, учитывает внешние тенденции и возможные угрозы, а затем на этой основе формулирует стратегические решения. Важно, чтобы каждая идея опиралась не только на рыночные возможности, но и на реальные ресурсы организации. Такой подход помогает не тратить время на привлекательные на первый взгляд инициативы, которые компания пока не в состоянии реализовать.
Работу начинают с постановки цели и определения показателей, которые отражают нынешнее положение и желаемый результат. Стратегия, по словам Александра, должна помогать достигать сложных целей в условиях ограниченных ресурсов и неопределенности.
Практическую часть показали на примере Василисы-Виктории Шикериной, которая занимается архитектурой решений для трансформации бизнес-процессов. Ее задача касалась поиска рынка конкурентов и работы с контрактами. Кейс показал, что ИИ способен собрать «Карту гипотез» по небольшому PDF-файлу и попасть близко к реальности, а при загрузке полных данных анализ будет более точным. Но качество результата напрямую зависит от того, насколько точно сформулирована цель. Ошибка в цели приводит к неправильным метрикам, и это видно сразу при сравнении с эталонным результатом. Практическая польза здесь в том, что такой инструмент быстро показывает слабое место в постановке задачи. Он не прячет ошибку, а делает ее заметной, и на исправление уходит минуты, а не дни.
Александр Бындю, доклад «Архитектура ИИ-трансформации: от бизнес-целей к действиям»
Затем Бындю показал, как ИИ работает со скиллами с GitHub. Модель задала уточняющие вопросы, сформировала «Карту» и прототип интерфейса. В какой-то момент система ошиблась в определении субъекта, и ее пришлось поправить вручную. Когда участники обнаружили, что одного из трендов на самом деле не существует, они изменили исходные данные и примерно за десять минут получили новую версию прототипа под новые вводные. Ценность прототипа была не в качестве реализации, а в скорости обратной связи. С точки зрения айтишника прототип, собранный за пятнадцать минут, выглядит неидеально, но с точки зрения бизнеса он позволяет быстро опробовать идею и сразу скорректировать предпосылки.
Александр Бындю, доклад «Архитектура ИИ-трансформации: от бизнес-целей к действиям»
Полная «Карта» может включать пересекающиеся цели, стратегии подразделений и негативных субъектов, для которых нужны контрстратегии. Часть связей пока настраивается вручную. Пользователь должен понимать методологию, чтобы направлять модель и оценивать ее предложения.
Идеи новых продуктов
В заключительной части митапа участники предлагали бизнес-сценарии на основе технологий MWS. Среди вариантов были помощник менеджера, который следит за ходом разговора и напоминает о его цели, голосовой псевдонотариус для уточнения и фиксации условий договоренности, расширенный автоответчик, голосовой консьерж и переводчик. Обсуждали и маршрутизацию звонков с учетом темы разговора и эмоционального состояния клиента. Отдельная идея — ассистент для взаимодействия с государственными сервисами: он мог бы самостоятельно дозваниваться и ждать на линии, подключая человека только тогда, когда потребуется его участие.
Защита идей перед Максимом Масленниковым, Cluster lead Architect в MWS
Общая задача этих решений — снять с человека часть рутинной работы во время телефонного общения. При этом участникам предстояло определить, чем новые сервисы будут полезнее уже существующих аналогов и в каких ситуациях автоматизация действительно упростит взаимодействие, а не добавит еще один промежуточный инструмент. Для некоторых сценариев, например фиксации договоренностей, остается открытым и вопрос юридической значимости результата.
Выводы
Три основные темы встречи показали, что применение ИИ зависит от конкретной среды. В мобильной сети решающими становятся задержка и доступность вычислительных ресурсов, в архитектурной работе — качество контекста и управляемость агентов, а в стратегическом планировании — точность целей и исходных гипотез.
Обсуждение доклада с Максимом Масленниковым, Cluster lead Architect в MWS
При этом ни в одном из рассмотренных сценариев модель не работает сама по себе. Ее приходится встраивать в существующие процессы, ограничивать доступные действия и проверять результат. Чем больше самостоятельности получает нейросеть, тем важнее становятся контроль и понятные критерии оценки.
Поэтому практическая ценность таких решений определяется не количеством задействованных моделей и агентов, а тем, какую задачу они помогают решить и насколько надежно справляются с ней в реальных условиях.
Источник: habr.com