24 ноября мы вместе с сообществом Moscow AI провели совместную встречу и собрали больше 600 человек офлайн и в онлайн-трансляции. Говорили о том, как ИИ меняет реальные рабочие процессы: от создания контента до сложных инженерных решений в банке.
Moscow AI — сообщество, которое объединяет тех, кто работает с искусственным интеллектом, и дает возможность обсудить идеи, поделиться инсайтами, поговорить про удачные и неудачные промпты.
Три доклада, нетворкинг-игра и возможность задать спикерам вопросы, в том числе и неформально. Темы докладов выбрали так, чтобы показать разные грани применения ИИ: как строить агентные системы, которые лучше простого RAG; как нейросети меняют видеопродакшен; и как выводить ML-модели в прод в крупной компании. Рассказываем, о чем говорили.
Точные агентные системы
Что делает систему по-настоящему «агентной»? Не сложный RAG-пайплайн и не цепочка вызовов LLM. Валерий Ковальский из red_mad_robot показал свой открытый фреймворк SGR Agent Core и объяснил принцип schema-guided reasoning. Модель «думает» по жесткой JSON-схеме, которая задает структуру рассуждений. Это позволяет точно контролировать, как агент принимает решения, какие инструменты вызывает и в каком порядке. А запускать все это можно это на относительно небольших моделях, не переплачивая за гигантские LLM.Примеры. Agentic RAG на Confluence: агент не индексирует всю базу, а работает через API: читает каталоги, ищет, открывает страницы. Сам решает, как добраться до нужной информации. Еще один пример — «Покупательский» агент для интернет-магазина, который сам листает товары, пробует купоны, сравнивает комбинации и меняет стратегию. Поведение, которое классическим RAG'ом реализовать сложно.
Нейропродакшен
Раскадровки уходят в прошлое. Теперь собирать черновые ролики можно прямо в видеогенераторах вроде Sora и за минуты монтировать первый превиз. Об этом и о том, как устроен полный цикл нейропродакшена — рассказал Ксения Галушкина, арт-директор и автор канала «Нейронично».Она разобрала свой рабочий пайплайн: от 3D-болванок в Unreal Engine до финальной нейроанимации. И отдельно показала, что умеет NanoBanano Pro, которая научилась генерировать адекватный текст (меню, подписи, логотипы), держать устойчивый образ персонажа на множестве кадров и работать с 14 референсами одновременно.
ML в банке
В банках ML-модели уже давно не эксперимент, а часть инфраструктуры. Они оценивают риски, борются с мошенничеством, персонализируют предложения. Но когда когда старая платформа — это монолит от подрядчика, а ее логика раскидана по пяти языкам и трем системам, начинаются проблемы.Ярослав Мельников, исполнительный директор по разработке моделей в Газпромбанке, показал, как команда мигрировала на собственную платформу. Теперь каждая модель работает в отдельном контейнере с единой Python-обвязкой: стандартный формат, стандартные тесты, предсказуемый деплой. В результате time-to-market улучшился примерно на 40%, а команда получила полный контроль над платформой вместо зависимости от вендора.
Если пропустили или хотите пересмотреть — запись митапа здесь. Следите за анонсами в телеграм-канале Газпромбанк.Теx.
.png)
.png)
