Как я за месяц перевела команду с SQL-промптов на мультиагентную систему и сэкономила команде 200 часов

Значимый прорыв формирует отрасль ИИ: ai-talent 8 минут назад Как я за месяц перевела команду с SQL-промптов на мультиагентную систему и сэкономила команде 200 часов Простой 8 мин 158 Искусственный интеллект Машинное обучение * Natural Language Processing * Управление разработкой * Управление проектами * Кейс Дарья Воронкина ML-инженер, преподаватель AI Talent Hub, ex-тимлид команды DataHub в OneCell, консультант по AI-native трансформации Привет! Меня зовут Дарья Воронкина. Я строила и руководила командой DataHub в медтех-компании OneCell (цифровая патология — ИИ ищет опухоли и метастазы на гистологических стеклах), а сейчас консультирую компании по переходу в AI-native режим.

Расскажу, как примерно за месяц я перевела свою команду с ручных промптов на систему агентов, которая ведет операционку сама. Получилось быстро во многом потому, что за плечами годы ML-инженерии и роль лида — я уже привыкла мыслить системами, данными и процессами, оставалось переложить это на агентов. Дальше — что получилось, что сломалось и какие выводы я унесла.

Технические детали

Будет полезно тем, кто уже собирает агентов и хочет довести их до прода. Не ИИ работал на меня, а я на него Поначалу я отдавала нейросети самое простое — текст и SQL. Рутину, которую делала руками сто раз: «напиши запрос к базе по таким условиям», «разбери этот кусок данных».

До медтеха я преподавала математику и сидела в разметке, где огромная часть работы — повторение. Его я и начала делегировать. В какой-то момент я поймала себя на телесном раздражении.

Каждое мое рабочее утро превратилось в копипаст: сюда — контекст, оттуда — ответ, обратно — поправить, потом снова объяснить чату, кто я и какая у нас схема данных. Потолок обнаружился быстро. Один запрос — один ответ.

Отраслевые последствия

Завтра модель не вспомнит, о чем мы говорили, и каждую сессию ей заново нужно объяснять, кто я, как устроена схема данных, какие у нас конвенции. На ввод контекста уходило больше, чем экономилось на ответе. Это и есть граница между «пользоваться ИИ» и «построить ИИ-систему».

Чтобы ее перейти, чату не хватает трех вещей: памяти о том, кто вы и что было раньше;доступа к вашим данным без ручного переноса;способности выполнять задачу в несколько шагов без вашего присмотра на каждом. За месяц я перестроила работу так, чтобы рутину держала система, а я принимала решения. Помогли годы в ML и роль лида — привычка видеть за задачей систему.

Далее расскажу по шагам о своем опыте. Первый кейс: команда агентов вместо часа ручного SQLК нам потоком шли запросы вида «выгрузите данные по таким-то случаям». Раньше аналитик садился, писал SQL, валидировал, экспортировал — час-два на каждый запрос.

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