17 июня в Таллинне состоялся бизнес-визит Baltic Business Club в офис Amazon / AWS, посвященный тому, как превратить AI в реальный инструмент для маркетинга и аналитики.
Одним из ключевых спикеров мероприятия стал Мигель Ферейра (Senior Solutions Architect в AWS). Его выступление было сфокусировано на том, как AI превращается в полноценный слой бизнес-архитектуры – от данных и инфраструктуры до агентных систем.
В данной статье собраны ключевые выводы выступления Мигеля, включая ответ на главный вопрос: почему компании до сих пор не получают реальную пользу от AI и что должно измениться, чтобы это произошло?
Что такое ИИ-агент и чем он отличается от обычного чата
По словам Мигеля, главная ошибка текущей волны автоматизации – воспринимать ИИ только как интерфейс для генерации текста. Обычная языковая модель (LLM) сама по себе работает в вакуумепубличных данных.
Чтобы превратить ее в полноценного ИИ-агента (Agentic AI), способного приносить пользу и прибыль, бизнес должен выстроить четыре уровня архитектуры:
- Способность действовать: использование внешних инструментов, API, браузеров
- Долгосрочная память: запоминание контекста и сессий пользователей
- Инженерия контекста: интеграция внутренних данных
- Базовая модель: слой логики и рассуждений
Именно способность совершать автономные циклы («действие – анализ результата – исправление ошибки») превращает ИИ из советчика в цифрового сотрудника.
По словам спикера: «У вас может быть искусственный интеллект, но если он не работает на ваших собственных данных, он не так уж полезен. Что делает систему агентивной? Это способность действовать, использовать внешние инструменты и затем наблюдать за результатами этих действий».
Где уже используются агентивные системы
Переход к ИИ-агентам обусловлен конкретными болями бизнеса: сменой поколений сотрудников, потерей внутренней экспертизы и колоссальными затратами времени на обработку рутинных запросов. Платформа Amazon Bedrock уже активно применяется крупными компаниями региона Балтийского моря и Финляндии для решения этих проблем.
Практические примеры внедрения ИИ-агентов:
- KONE (производство и обслуживание лифтов)
Компания столкнулась с тем, что опытные инженеры уходят на пенсию, а молодым специалистам не хватает накопленных знаний для ремонта сотен видов сложного оборудования.
- Вместо долгих звонков во внутреннюю службу поддержки (Help Desk) они теперь используют приложение Field Technician.
Техник на объекте делает фото узла оборудования, а ИИ-агент мгновенно находит точную схему в тысячах технических мануалов. Процесс обслуживания ускорился в разы.
- Sun Finance (медиа и клиентские сервисы)
Компания столкнулась с серьезными трудностями при автоматической проверке документов, удостоверяющих личность, из-за ограничений традиционных OCR-систем. Используя большие языковые модели для интеллектуального структурирования данных в сочетании с Amazon Textract и Amazon Rekognition, Sun Finance смогла значительно повысить точность обработки документов и автоматизировать большую часть процесса верификации.
Результаты оказались впечатляющими:
- Повышение точности извлечения данных с 79,7% до 90,8%
- Снижение стоимости обработки документов на 91%
- Сокращение времени обработки с до 20 часов до менее 5 секунд
- Значительное уменьшение количества заявок, требующих ручной проверки
Фундамент технологии: AI-стек от AWS
Создание ИИ-агентов корпоративного масштаба требует гораздо большего, чем просто использование мощной языковой модели. AWS разработала комплексный технологический стек для искусственного интеллекта, основанный на многолетней приверженности Amazon инновациям в этой области.
Этот стек делится на три ключевых уровня:
- Нижний уровень (Кастомный кремний и сеть): Использовать дорогие графические процессоры (GPU) для любых задач экономически нецелесообразно. AWS предлагает выбор: чипы AWS Trainium для обучения моделей, AWS Inferentia для их экономичного запуска и процессоры Graviton (ARM) для общих задач. Серверы объединены сверхбыстрой сетью по проприетарной технологии Elastic Fabric Adapter (EFA), способной выдерживать огромные ИИ-нагрузки.
- Средний уровень (Данные): AWS помогает устранить проблему фрагментированных корпоративных данных с помощью Zero-ETL-интеграций, которые автоматизируют передачу данных между источниками и сервисами AWS, такими как Amazon S3 и Amazon Redshift, снижая необходимость в традиционных ETL-процессах. Кроме того, поддержка открытых стандартов, таких как Apache Iceberg, позволяет эффективно управлять данными в Amazon S3 и обеспечивать SQL-доступ для аналитики и ИИ-нагрузок.
- Верхний уровень (Платформа моделей): Сервис Amazon Bedrock предоставляет единый API для доступа к лучшим мировым моделям (Anthropic Claude, Meta Llama, Google Gemma models, OpenAI внутри безопасного контура AWS, а также быстрому семейству Amazon Nova). Это позволяет разработчикам мгновенно переключаться между нейросетями под конкретную задачу.
Безопасность – обязательное условие внедрения AI
Когда ИИ-агент выходит из стадии тестирования в реальный продакшн, безопасность становится главным приоритетом. Система начинает работать с конфиденциальной информацией и общаться с реальными клиентами.
AWS решает вопросы безопасности как на аппаратном уровне (архитектура AWS Nitro System полностью шифрует данные внутри виртуальных машин, исключая доступ операторов дата-центра), так и на уровне логики с помощью инструмента Amazon Bedrock Guardrails.
По словам спикера : «При внедрении системы в рабочие процессы вопросы безопасности становятся особенно актуальными. Инструмент Guardrails анализирует не только итоговый ответ ИИ-агента, но и контекст, на основе которого он был сформирован. Система оценивает корректность ответа и проверяет, опирается ли он на достоверные данные из предоставленных вами документов».
Основные контуры защиты Bedrock Guardrails:
- Защита персональных данных (PII): Автоматическое выявление и блокировка утечек конфиденциальной информации клиентов или сотрудников компании.
- Фильтрация контента: Пресечение токсичных, нерелевантных или запрещенных запросов и ответов.
- Заземление контекста (Context Grounding): Защита от ИИ-галлюцинаций. Система сопоставляет ответ агента с выданной ему корпоративной инструкцией. Если ИИ пытается выдумать факт или деталь, которых нет в базе знаний компании, Guardrails мгновенно блокирует этот ответ.
- Автоматическая проверка логики (Automated Reasoning): Анализ и проверка ответов ИИ на соответствие заданным правилам и принципам, что помогает повысить точность результатов, обеспечить их надежность и снизить риск галлюцинаций.
Главные выводы: эволюция от инструментов к системам
Обобщая новую структуру ИИ-архитектуры, можно сделать три главных вывода для руководителей и предпринимателей:
- ИИ-агент – это новый стандарт автоматизации: Время простых чат-ботов прошло. Бизнесу нужны автономные цифровые помощники, которые умеют пользоваться корпоративными инструментами и базами данных.
- Инфраструктура определяет экономику: Успешный ИИ-проект требует гибкого управления ресурсами (как в AI-стеке AWS). Использование правильных кастомных чипов и открытых форматов данных позволяет масштабировать систему без кратного роста затрат.
- Безопасность – фундамент доверия: Внедрение ИИ в реальные бизнес-процессы невозможно без фильтров контроля (Guardrails). Защита от утечек данных и контроль случайных ошибок – это то, что превращает хаотичный ИИ-эксперимент в надежную, предсказуемую бизнес-систему.
Материал подготовлен по итогам встречи сообщества Baltic Business Club. Статья носит информационный характер и отражает практический опыт приглашенных экспертов и резидентов клуба.