Разработка ИИ для бизнеса: как сеть корпоративного питания перестала терять деньги на списаниях и ускорила отчётность до минут

Заказчик: «РЕСТФОТОАНАЛИТИКА» — подразделение London Restaurant Group. 25 лет на рынке общепита, десятки точек корпоративного питания по России.

Задача:заменить ручной труд на ИИ-аналитика, который бы автоматизировал сбор данных, анализировал большие объёмы информации и выдавал готовые рекомендации.

Проблема: Первая же гипотеза — «загрузить таблицу в нейросеть и спросить» — провалилась. Модель врала в цифрах, придумывала несуществующие блюда и путала столбцы. Ошибка в одной цифре при масштабировании на десятки точек — это прямые убытки.

Решение: Мы построили архитектуру, где нейросеть перестала быть «калькулятором». Цифры считает строгий код на сервере, а модель лишь превращает готовый результат в понятный текст. Прототип готов за 3 недели силами двух разработчиков.

Результат: ускорили анализ данных на 95%, отчёт стал готов за минуты вместо часов. Стоимость одного запроса к ИИ сократилась в 3–20 раз. Заказчик получил работающий прототип за 3 недели, полностью исключил ошибки в цифрах и теперь принимает бизнес-решения на основе точных данных, а не догадок.

Каждый день десятки точек заказчика отчитываются: что приготовили, сколько выдали сотрудникам, сколько списали. Тонны цифр, которые вручную сводил отдельный человек. Он искал закономерности и готовил рекомендации: «Это блюдо не доедают — убираем. Это популярно — готовим больше».

Собственник поставил задачу прямо: «Сделайте так, чтобы анализ делали нейросети». Задача выглядела простой. Берём таблицу, загружаем в модель, спрашиваем — получаем ответ. Мы ошибались.

На старте всё выглядело просто. Выбрали российскую ИИ-модель ГигаЧат, взяли облегчённую версию (разницы со старшей на наших задачах не нашли и не стали переплачивать). Дальше вскрылись проблемы, которые поставили проект под угрозу.

Первая проблема: ГигаЧат не умел работать с таблицами напрямую. Данные приходилось передавать огромными текстовыми «портянками» — неудобно и ненадёжно.

Вторая проблема оказалась критичной для бизнеса. Любая нейросеть имеет предел памяти на один запрос. У ГигаЧата заявлено 200 тысяч токенов — примерно 150 страниц текста. Но на практике модель перегружалась гораздо раньше: путала столбцы, придумывала цифры, выдавала блюда, которых нет в меню. На запрос «какие блюда пора убрать из меню» отвечала уверенно и гладко — но полностью мимо реальных данных.

Это не просто техническая погрешность. Ошибка в цифре списания, помноженная на десятки точек сети, превращается в системные убытки. Мы пытались уйти от человеческого фактора, а получили его с новой стороны — теперь уже от нейросети.

Переломный момент. Руководитель команды поставил диагноз: «Нейросеть — не база данных и не калькулятор. Данные должен обрабатывать код. Модель получает только готовые цифры». С этого момента задача перестала быть «давайте спросим у ИИ» и превратилась в «давайте построим архитектуру».

Главный принцип новой архитектуры: нейросеть не видит сырые данные. Вместо этого она получает набор «кнопок» — строгих функций на сервере. «Посчитать остатки», «найти самые списываемые позиции», «сравнить выдачу и потребление».

Нейросеть решает, на какую кнопку нажать и с какими параметрами. А весь расчёт выполняет сервер. Галлюцинациям здесь негде взяться: цифры считает код, модель лишь упаковывает точный результат в человекочитаемый ответ.

По сути, мы превратили ИИ из «думающего элемента» в интерфейс — как голосовой помощник, который понимает речь и нажимает кнопки вместо вас.

Разработка архитектуры ИИ-ассистента: изоляция данных

Таблица загружается в оперативную память сервера. Дальше все расчёты идут через строгие алгоритмы — быстро и предсказуемо. Нейросеть не «читает» таблицу, не «держит её в уме», не пытается запомнить. Никаких текстовых портянок на десятки тысяч токенов. Модель оперирует короткими запросами и получает короткие точные ответы. Данные не покидают контур заказчика.

Интеграция ИИ с серверными функциями

Ключевая механика — набор серверных функций с чётким описанием. Нейросеть может «дёрнуть» нужную, когда требуются данные.

Пример. Пользователь пишет: «Какие блюда нам стоит убрать из меню за последнюю неделю?» Запрос уходит в модель. Та анализирует текст и понимает: чтобы ответить, нужны данные по списаниям за неделю. Она выбирает подходящий инструмент и вызывает его с параметрами: даты, фильтр по списаниям.

Сервер выполняет строгий запрос к таблице и возвращает точные цифры. Модель получает готовый результат и облекает его в ответ: «За последнюю неделю чаще всего списывались суп харчо и рыбные котлеты. Рекомендую исключить их из меню».

Цифры посчитал код. ИИ выступил интерфейсом к строгим алгоритмам, а не «думающим» элементом.

Разработка системы двойных инструкций для нейросети

Даже с инструментами нейросети нужны правила. Мы сделали два слоя:

• Системная инструкция задаётся один раз и объясняет глобальную роль: «Ты — аналитик данных. Работаешь строго с цифрами, которые вернули функции. Не додумываешь, не фантазируешь. Если данных недостаточно — скажи прямо».

• Инструкция-напоминание отправляется с каждым запросом: «Отвечай кратко. Только на основе данных. Ничего не добавляй от себя».

Отдельная история — как мы писали эти инструкции. Сначала разработчик делал это вручную — получалось длинно и с двусмысленностями. Тогда он использовал одну нейросеть, чтобы она сформулировала инструкцию для другой. Результат оказался лучше ручного: структурнее, точнее, без воды. Машина объяснила машине задачу эффективнее, чем человек. Это открытие мы теперь применяем и в других проектах.

Страховка: финальное решение за человеком

Стопроцентной точности не обещает никто — это технологически невозможно при работе с человеческим языком и деловым контекстом. Поэтому мы встроили ручную проверку прямо в интерфейс прототипа.

Пользователь видит исходный запрос, ответ модели и может точечно скорректировать результат: поправить название блюда, уточнить цифру, переформулировать рекомендацию. Финальное решение принимает человек. Машина убирает рутину и исключает ошибки на этапе обработки цифр, но ответственность остаётся на операторе.

• Не верьте заявленным пределам памяти нейросети. Производитель обещает 150 страниц текста — сбои могут начаться на первой трети. Проверяйте на своих данных.

• Не переплачивайте за старшие версии. На табличных задачах разницы между Lite, Pro и Max может не быть. Тестируйте.

• Нейросеть пишет инструкции для нейросети лучше человека. Структурнее, точнее, без двусмысленностей.

• Инструменты вызова — это стандартный подход ItFox. Мы нащупали его в этом проекте и теперь тиражируем на другие отрасли.

Главный показатель, за которым мы следили — стоимость запроса. Чем меньше токенов расходует модель, тем быстрее ответ и дешевле эксплуатация.

До внедрения мы отправляли таблицу целиком — 30–100 тысяч токенов на запрос. Модель перегружалась и всё равно ошибалась. После перехода на новую архитектуру: типовой запрос — 1,5–3 тысячи токенов, максимальный зафиксированный — 15 тысяч. Сокращение в 3–20 раз.

Заказчик получил работающий прототип за 2–3 недели силами двух разработчиков. Загружает отчёт, задаёт вопрос на русском языке и получает рекомендацию за минуты вместо часов ручного труда.

Собранный нами «технологический кубик» полностью универсален. Чтобы перенести его в другую отрасль, достаточно настроить набор инструментов под новую предметную область.

Задача «есть множество таблиц от разных источников, нужно задавать к ним вопросы на естественном языке и получать точные ответы» встречается где угодно:

• Розница — ежедневные отчёты по продажам и остаткам.

• Логистика — данные по маршрутам, загрузке и топливу.

• Финансы — выписки и платежи.

• Производство — учёт сырья и готовой продукции.

Мы не обещаем чудес. Мы обещаем архитектуру, в которой модель не врёт в цифрах, потому что цифры считает не она.

Этот кейс показывает подход АЙТИФОКС, когда готовые решения не работают:

• Таблицы живут на сервере заказчика, а не в памяти нейросети. Данные обрабатывает строгий код. Модель получает только готовый результат.

• Выбрали самую дешёвую версию ИИ. Протестировали старшие — разницы на табличных задачах нет. Не переплачиваем бюджет клиента.

• Встроили ручную проверку. Финальное решение — за человеком.

• Прототип за 3 недели. Два разработчика. Заказчик получил работающий инструмент, а не слайды.

Если ваш бизнес тонет в таблицах, а нейросети врут при выдаче данных — мы поможем спроектировать архитектуру, где ИИ будет точным инструментом, а не источником проблем. Оставьте заявку для консультации, обсудим, как применить эту архитектуру к вашим задачам.