ГК Softline (ПАО «Софтлайн») системно внедряет искусственный интеллект в разработку программного обеспечения (от собственной защищенной GPU-инфраструктуры до корпоративной модельной платформы с управлением стоимостью моделей) и представила единый подход, который охватывает десятки компаний холдинга и более 10 тыс. сотрудников. Об этом CNews сообщили представители Softline.
Ключевой фокус холдинга — не отдельные эксперименты с генеративными моделями, а промышленный контур, в котором искусственный интеллект встроен в инфраструктуру, процессы создания ПО и управление знаниями. Такой сквозной стек позволяет группе разрабатывать быстрее и дешевле, удерживая данные внутри защищенного периметра в соответствии с требованиями 152-ФЗ, и превращает ИИ из набора пилотов в устойчивое конкурентное преимущество.
«ИИ перестает быть областью исследований, постепенно становясь полноценным рабочим инструментом, позволяющим решать как рутинные требующие низкой квалификации задачи, так и более творческие. Софтлайн, за свою историю, многократно являлся первопроходцем при внедрении и адаптации новых ИТ-технологий. ИИ не является исключением, благодаря компетенциям экспертов компании мы повышаем эффективность внутри и помогаем нашим клиентам. Что по сути является нашей стратегической целью – быть полезными нашим клиентам», — сказал Владислав Котусов, исполнительный директор ГК Softline.
«Преимущество получают не те, кто подключает отдельные модели, а те, кто встраивает искусственный интеллект в инфраструктуру, процессы разработки и систему управления знаниями всей компании. Именно такой сквозной подход мы выстраиваем в масштабах группы», — сказал Николай Тржаскал, директор по развитию искусственного интеллекта кластера fabricaONE.AI.
По его словам, ИИ становится одним из базовых слоев современной разработки.
Основание стека — собственная вычислительная инфраструктура. Руководитель «Софтлайн Облако» Александр Андреев рассказал, что мощности с GPU размещены в защищенных центрах обработки данных и уже доступны командам ГК Softline, что снимает риск утечки данных при работе с внешними сервисами.
«Проблематика использования внешних решений вне контура корпоративной информационной безопасности понятна: это может привести к утечке и потере данных. Поэтому мы подошли к построению своей собственной GPU-инфраструктуры», — сказал Александр Андреев.
Корпоративная ИИ-платформа строится на базе собственной инфраструктуры. Как пояснил директор производственного направления «Девелоники» Роман Садрисламов, развитие начинается с универсального чата, а затем переходит к специализированным агентам и ассистентам для аналитики, разработки и тестирования. На практике такая ИИ-платформа только за пару недель работы обрабатывает около 5 млрд токенов (единиц информации). И здесь одним из принципиальных вопросов становится управление стоимостью использования моделей. «Токены - это деньги, бесплатно вычисления обученной модели никто не предоставляет», — сказал он, обозначив управление стоимостью моделей как отдельную инженерную дисциплину.
Прикладной слой — принципы и инструменты разработки. Коммерческий директор «Девелоники» Роман Смирнов сказал, что устойчивость ИИ-продуктов обеспечивается не только качеством запросов к модели. Ключевую роль играет полноценная цепочка обработки данных с детерминированной проверкой результата. За полгода следование такому подходу позволило компании примерно в десять раз снизить стоимость обработки одного технического задания в токенах. На проработанных постановках задач производительность программистов может достигать 1,6 тыс. строк кода в час в течение всего дня, что гораздо выше ручного создания кода.
Технический директор MD Audit Юрий Тюрин описал, как кодинг-агенты работают по выстроенному пайплайну с автономностью и обязательными проверками, позволяя инженеру вести четыре-пять задач одновременно. Он разобрал три подхода к построению пайплайнов: простую инструкцию с последовательностью шагов, сценарий с чек-листом и фиксацией прогресса, а также делегирование задач с серверной валидацией. Несмотря на разную сложность, все три модели опираются на единый принцип: агент получает определенную автономность, но работает внутри выстроенного цикла обратной связи и обязательных проверок. «Я стараюсь запускать агента максимально автономно - это позволяет мне работать над четырьмя-пятью задачами одновременно», — сказал он.
Директор «Инферит Техника» Олег Епишин показал прямой бизнес-эффект: систему поддержки решений для планирования закупок и производства Inferit Analytics, которую команда без штата разработчиков собрала за месяц. Этот опыт продемонстрировал, что новые инструменты могут существенно сократить стоимость и сроки проверки идей, которые прежде требовали длительного цикла разработки. «Вайб-кодинг снимает барьер стоимости эксперимента. Сегодня мы можем собрать рабочую модель планирования за месяц вместо полугода согласований, чтобы на реальных данных убедиться: мы правильно понимаем свой же производственный процесс, - и только после этого принимать решение о дорогостоящей доработке ERP или CRM. Это и есть практический результат внедрения ИИ в операционную модель - мы перестали гадать и начали проверять гипотезы быстро и дешево», — сказал Олег Епишин.
Отдельный контур — качество. Ведущий инженер по тестированию MD Audit Екатерина Гаврилова сказала, как единая база знаний о системе позволила ускорить заведение дефектов примерно в пять раз. «Для нас работа с ИИ — это не просто написание промпта. Нам нужно было создать целую систему, в которой описано, как работают наши системы и как должны выглядеть тестовые артефакты», — сказала Екатерина Гаврилова.
Руководитель группы автоматизации тестирования Test IT Андрей Черных представил разработанный внутри компании сервис для анализа причин падений сквозных тестов. Решение собирает информацию из нескольких источников, последовательно обрабатывает ее на детерминированных этапах и только затем подключает модель к анализу. Финальный вывод остается под контролем инженера. Такая архитектура позволяет использовать возможности ИИ там, где они дают наибольший эффект, не отказываясь от проверяемости и управляемости процесса. «Модель полезна, прежде всего, когда есть агрегация контекста, и когда он проверяется, — и только поверх него уже работает модель», — сказал Андрей Черных.
Внедрение ИИ меняет не столько численность, сколько содержание работы инженеров, поэтому холдинг развивает переобучение и обмен компетенциями внутри группы — от единой базы знаний до регулярных программ и разборов лучших практик. «Главный эффект искусственного интеллекта для нас — не замена людей, а изменение самих ролей: специалисты переходят от рутины к проектированию, ревью и принятию решений. Поэтому мы вкладываемся в переобучение и обмен компетенциями, чтобы лучшие практики быстро распространялись среди более чем 10 тыс. наших специалистов», — сказала Вера Машкова, директор по персоналу ГК Softline.
Объединение этих практик в единый контур — ключевой эффект для холдинга: компании не начинают каждый проект с нуля, а опираются на опыт десятков команд и общие стандарты.
Поделиться
