Как C-level команда за три дня собрала мультиагентного AI-аналитика и выиграла хакатон

Значимый прорыв формирует отрасль ИИ: LapaevaKaterina 1 минуту назад Как C-level команда за три дня собрала мультиагентного AI-аналитика и выиграла хакатон Средний 7 мин 3 Python * Анализ и проектирование систем * Бизнес-модели * Кейс Recovery Mode В июне в Красной Поляне прошёл пятый South HUB, ежегодный кэмп для C-level в ІТ, который собрал более 500 CTO, CEO, CIO и CPO крупнейших российских компаний. В этом году добавили новый формат – хакатон AI South Hack, оператором которого выступила GIGASCHOOL. Участниками стали руководители, которые в своих компаниях принимают решения о внедрении AI и ставят задачи инженерным командам.

На три дня они сами погрузились в разработку: проектировали архитектуру и собирали мультиагентные системы на синтетических данных. По условиям кейса организация Meridian, вымышленный крупный B2B-маркетплейс услуг для среднего бизнеса с клиентской базой более 4 млн компаний и оборотом 180 млрд рублей в год, столкнулась с падением выручки и ростом оттока клиентов, а руководству не хватало скорости принятия решений. Более 40 участников за три дня создавали AI-аналитика, способного напрямую отвечать на вопросы руководителей на естественном языке, самостоятельно исследовать данные компании, выявлять причины изменений ключевых метрик и формировать регулярные отчёты.

Технические детали

Знакомьтесь с победителями: команда под номером 3 разработала AI-платформу для бизнес-аналитики, объединяющую возможности BI-систем и мультиагентного ИИ. Команда победителей на награжденииРинальд Садыков, CEO, Terabit DigitalИван Муратов, СТО, WALIOTСергей Суханов, Генеральный директор, ТриадаАнатолий Шишкин, руководитель IT-департамента, Российский Аукционный Дом Поговорили с участниками команды о том, как они подошли к решению кейса, почему начали с бизнес-анализа, а не технологий, какие выводы сделали на этапе исследования данных и как это повлияло на архитектуру всей системы. Отталкиваемся от бизнес-проблемы«Мы понимали, что многие команды будут просто отдавать данные GPT и ждать готового решения.

Но по нашему опыту с генерацией кода не всё так просто. Поэтому мы разделили задачу на два этапа и двигались от бизнес-анализа к системному. » – Ринальд Садыков, CEO, Terabit DigitalПервостепенной задачей стали не выбор LLM или проектирование агентов, а разведочный анализ данных.

Команда изучила структуру витрины, связи между таблицами и бизнес-метрики и выделила три ограничения:подготовка аналитики занимает слишком много времени;данные содержат противоречия и потенциальные ошибки;конечными пользователями системы должны стать топ-менеджеры, а не технические специалисты. Концепцией стали простой интерфейс для пользователя и максимальное количество проверок внутри системы. Требования к агентам и примеры из брифингаПо условиям задачи требовалось реализовать минимум четырёх агентов.

В рамках концепции команда выделила роли:агент-критик проверяет и размечает некорректные данные;агент-аналитик делает выводы на основе данных.

Событие, по словам экспертов, усилит конкуренцию в сфере ИИ.