Новости

При согласовании медицинской услуги специалисту необходимо учитывать несколько факторов: соответствие назначения клиническим рекомендациям по конкретной нозологии, необходимость услуги для пациента, а также то, не дублирует ли она уже оказанную медицинскую помощь. Одна из особенностей этого процесса — большой объем медицинской информации. В рубрикаторе клинических рекомендаций Минздрава России опубликовано более 700 документов, которые регулярно актуализируются. При ручной работе специалисту необходимо найти в этом массиве нужную информацию и сопоставить ее с конкретным случаем. Скорость такого поиска в том числе зависит от опыта специалиста в соответствующей области медицины.

Для автоматизации этой части работы «Ингосстрах» сформировал базу знаний на основе клинических рекомендаций с использованием технологии RAG (Retrieval-Augmented Generation) и разработал на собственной платформе IMAN ИИ-ассистента для специалистов медицинского блока.

Система получает информацию о жалобах пациента, диагнозе и возрасте, а также перечень назначенных медицинских услуг. На основе этих данных ассистент определяет релевантные положения клинических рекомендаций и формирует заключение с обоснованием возможности согласования услуги.

Таким образом, ИИ берет на себя значительную часть работы по поиску и анализу информации в больших массивах медицинской документации. При этом окончательное решение остается за врачом. Специалист получает от системы релевантные положения клинических рекомендаций и подготовленное обоснование, после чего самостоятельно оценивает возможность согласования медицинской услуги.

По данным «Ингосстраха», использование ИИ-ассистента позволяет в два раза сократить время, необходимое для поиска информации. Единая база знаний также помогает стандартизировать этот этап работы и обеспечивает единый подход к поиску медицинской информации.

Проект стал частью программы ИИ-трансформации департамента медицинского страхования «Ингосстраха». Один из ее принципов — использование ИИ как инструмента поддержки специалистов в процессах, где необходимо одновременно работать с большим объемом информации и сохранять экспертный контроль человека.

Для эффективной деятельности «Трансэнерго» необходимо оперативно закупать детали и комплектующие, рационально планировать производство, контролировать выпуск и качество продукции, точно рассчитывать себестоимость и управлять затратами. Ранее для учета и управления в компании использовался комплекс систем на платформе «1С:Предприятие»: для регламентированного учета применялась «1С:Бухгалтерия», управление договорами и согласованием было организовано в «1С:Документооборот КОРП», мастер-системой выступала кастомизированная программа. При этом обмен данными между конфигурациями был нерегулярным и выполнялся вручную, как и часть других задач, которые были лишь частично автоматизированы. Большое количество ручных расчетов приводило к неточностям и ошибкам, было сложно консолидировать данные подразделений, планировать и контролировать работу и финансовый результат.

Компании стала необходима новая информационная система, которая позволила бы объединить работу подразделений. Требовалось улучшить планирование закупок, производства и продаж. Обеспечить точный расчет предварительной стоимости и фактической себестоимости продукции, ускорить обработку заказов и усилить контроль за их выполнением. При этом важно было сохранить историю деятельности компании и не нарушить сложившиеся за годы алгоритмы работы.

Для решения поставленных задач была выбрана система 1С:ERP, а партнером стала компания «1С:Первый Бит».

В ходе проекта система развернута на 100 рабочих местах в отделах продаж и закупок, на складе, в производственных подразделениях, бухгалтерии, финансовом и юридическом отделах. Выполнена интеграция с «1С:Документооборотом», перенесены исторические данные. Реализованы необходимые настройки и доработки, в частности, разработаны специализированные автоматизированные рабочие места для мастеров и диспетчеров производства, сотрудников отдела технического контроля, кладовщиков и логистов. Для обеспечения качественной поддержки пользователей на технологии «1С:Предприятие.Элемент» создана система контроля входящих заявок. Для адаптации использовалось сквозное сценарное тестирование — отделы пошагово отрабатывали свои процессы в 1С:ERP, что позволило еще до запуска выявить и устранить слабые места и увеличить доверие сотрудников к новой системе.

В результате проекта организовано оперативное управление производством от поступления заказа до передачи лифта в монтаж. Обеспечен надежный контроль состава изделий, стадий производства, остатков материалов и полуфабрикатов.

Внедрено динамическое планирование производства. Система автоматически на основе заказов клиентов формирует производственную программу, с учетом временных норм выполнения операций заполняет состав работ в ресурсных спецификациях, по параметрам спецификаций формирует комплектовочную ведомость на продукцию, списывает в производство детали и комплектующие, закупленные для выполнения заказа.

Разработаны параметрические ресурсные спецификации. Менеджер указывает в системе параметры, которые согласовал с клиентом (высота, нагрузки, тип шахты, двери и пр.), конструкты добавляют свою часть вводных. На основе установленных параметров система автоматически формирует спецификацию конкретного изделия. Чтобы упростить расчеты — реализованы около десяти шаблонных спецификаций для типовых моделей лифтов. При планировании и запуске производства шаблонная спецификация автоматически разузловывается, формируется конкретный состав материалов, полуфабрикатов, работ и т.д.

Реализована возможность группового формирования партий (этапов) производства изделий. Для формирования оптимальных карт раскроя настроен вывод информации о минимально-необходимом для запуска количестве деталей, изготавливаемых из одного материала. Комплект документации по этапам производства формируется автоматически, причем система сама находит нужные данные в базе и на локальном диске пользователя.

При формировании этапов производства в системе учитывается компания-производитель каждой детали и сборочной единицы, что обеспечивает прослеживаемость партий, помогает оперативно выявлять брак и контролировать качество готовой продукции.

Специализированное автоматизированное рабочее место мастера с подключенными сканерами штрихкодов позволяет фиксировать выполнение всех технологических операций в режиме реального времени. Система отображает доступные работнику операции в зависимости от его специализации, при этом она распознает по характеристикам продукции те операции, которые не нужны для конкретного изделия (например, покраска для нержавеющей стали), и автоматически пропускает их без участия пользователя. Ввод фактических данных так же контролируется в режиме-онлайн.

Обеспечен оперативный контроль исполнения заказов на каждом этапе технологической цепочки. Вся информации о состоянии выполнения производственной программы аккумулируется в специализированном отчете «Производственная программа». При изменении сроков выполнения той или иной операции пользователи получают соответствующие уведомления. Появилась возможность точно рассчитывать себестоимость по каждой партии и по каждому конкретному лифту, анализировать рентабельность отдельных заказов, модельных рядов и единиц продукции.

Оптимизировано управление закупками. Система помогает рассчитывать и анализировать потребность в материалах, формировать заказы поставщикам с учетом различных данных: свободный остаток, нормативы min/max, количество товаров в пути с датой ближайшего поступления, данные последней закупки (поставщик, цена, дата) и др. При приемке материалов и комплектующих автоматически формируются серии номенклатуры, данные для обеспечения прослеживаемости (дата поступления, номер УПД, контрагент) заполняются автоматически.

Повысилось качество отчетности и взаимодействия с контролирующими органами. Структуру и состав изделия по каждому лифту можно оперативно предоставить регуляторам по запросу в виде понятных и детальных отчетов.

Все это помогло компании оптимизировать работу и добиться значительных экономических эффектов: обработка заказов ускорилась на 27%, оборачиваемость склада повысилась на 15%, простои сокращены на 18%, себестоимость снизилась на 15%, а количество брака — на 10%. Объемы выпуска на мех же мощностях выросли на 24%, прибыль повысилась на 14%.

Ключевым фактором эксперты 3Logic Group называют масштабное строительство дата-центров для задач ИИ. Значительная часть производственных мощностей поставщиков микроэлектроники направлена на выполнение заказов для ИИ-инфраструктуры. Это отражается на доступности компонентов как для серверов, так и для персональных компьютеров и ноутбуков. Дополнительное давление на себестоимость оказывает удорожание материалов и электронных компонентов.

Напряженная ситуация с памятью продолжится в следующем году. Быстрого восстановления баланса спроса и предложения в компании не ожидают: расширение производственных мощностей требует времени, а ввод новых предприятий не означает немедленного насыщения рынка.

В сегменте памяти и накопителей после нескольких месяцев относительной ценовой стабильности началась новая волна подорожания. С октября поставщики сообщают о повышении цен в пределах 10–30% в сегменте памяти и накопителей. Эксперты ожидают, что по мере реализации ранее сформированных запасов новые цены будут заметнее отражаться на российском рынке. Для материнских плат влияние обновленных закупочных условий также прогнозируется в ноябре.

При этом ситуация различается в зависимости от категории. Цены на настольные процессоры Intel относительно начала года стабилизировались, а доступность позволяет обеспечивать крупные проекты. В то же время в сегменте AMD сохраняется дефицит отдельных процессоров для платформы AM4 со встроенной графикой.

Стоимость памяти влияет и на выбор платформ для ПК. В 3Logic Group отмечают, что спрос на материнские платы с поддержкой DDR4 остается высоким. Для части заказчиков такие конфигурации позволяют удерживать бюджет закупки. Одновременно реализация крупных проектов в конце года может приводить к краткосрочному дефициту наиболее востребованных бюджетных плат.

На рынке видеокарт эксперты отмечают сокращение доступного ассортимента и рост стоимости новых поставок. В этих условиях подбор оборудования по конкретному артикулу становится сложнее. При подготовке проектов специалисты рекомендуют заранее определять допустимые аналоги с учетом графического процессора, объема памяти и требований к производительности.

В серверном сегменте ограничения затрагивают высокопроизводительные процессоры, GPU и совместимые с ними платформы. Доступность ускорителя сама по себе не гарантирует возможности оперативно собрать систему: необходимо учитывать наличие подходящего шасси, требования к питанию и охлаждению. Срок актуальности предложений по отдельным дефицитным позициям может составлять всего несколько дней.

Предыдущая платформа виртуализации данных использовалась в инфраструктуре банка «Кубань Кредит» четыре года. Переход на российское решение был обусловлен тремя факторами: снижением зависимости от иностранного ПО и связанных с ним санкционных рисков, растущей стоимостью лицензий у зарубежного вендора и стремлением банка использовать технологии, сопоставимые по функциональности с иностранными аналогами.

Команда банка провела сравнительный анализ доступных решений и двухмесячное тестирование в формате Proof of Concept. Выбор был сделан в пользу CedrusData Engine — SQL-движка на базе Trino с нативным исполнением операторов на Rust, включенного в реестр российского ПО. Решение показало оптимальный баланс производительности и безопасности, интегрировалось с СУБД и объектным хранилищем банка, а стоимость владения оказалась существенно ниже зарубежного аналога.

Для бизнес-пользователей переход прошел бесшовно — их привычные процессы работы с данными не изменились. По итогам проекта банк импортозаместил ПО, ускорил выполнение ключевых процессов извлечения и обработки данных за счет более эффективной оптимизации запросов и сократил расходы на лицензии при сопоставимом уровне поддержки.

Запуск корпоративной торговой площадки на базе «Тендеры 2.0» стал продолжением сотрудничества с B2B-Center. На площадке работают 57 сотрудников из 10 подразделений института. Они обеспечивают закупки по ключевым проектам компании, среди которых «Руппур» в Народной Республике Бангладеш, «МБиР» в Димитровграде и «СРЗ-35» в Мурманске.

Площадка дала институту необходимые для системных закупок инструменты: доступ к развитой базе профильных поставщиков, удобное проведение конкурентных процедур и возможность работать с широким спектром закупочных категорий. Это помогло развить конкуренцию среди поставщиков и упростить взаимодействие с участниками закупок.

За время работы на площадке база поставщиков института выросла на 50%, в процедурах приняли участие более 670 компаний. Кроме того, время на поиск контрагентов сократилось в два раза, а процесс документооборота при общении с ними стал проще. Все потребности компании закрыты – от автоматизации закупок до мониторинга объема работ в каждом подразделении.

В следующем году компания планирует увеличивать объем закупок на площадке, а также расширять количество категорий на 15%. Помимо ЭТП, компания рассматривает использование и других инструментов для цифровизации и повышения эффективности закупок.

Первым этапом проекта стала миграция сегмента обработки персональных данных с другого российского решения на PT NGFW. Платформа была развернута параллельно с действующей системой. Чтобы проверить работу PT NGFW на продуктивном трафике, сначала на него перевели часть сервисов и только затем затем – весь контур. Миграция прошла без потери быстродействия и доступности, а фактические показатели производительности подтвердили проектные расчеты.

На втором этапе решение разворачивается в качестве первого рубежа сетевой защиты, фильтруя входящий трафик до передачи последующим средствам безопасности. Продукт обеспечивает полноценную отказоустойчивость, поддерживает несколько тысяч точечных правил в межсегментном контуре и дает возможность централизованно управлять межсетевыми экранами и политиками безопасности в распределенной инфраструктуре – по модели ведущих мировых производителей. Обе инсталляции развернуты при помощи компании «ТризТех» в отказоустойчивых кластерах и рассчитаны на дальнейший рост нагрузки.

PT NGFW встроен в действующие процессы информационной безопасности «Интерроса». Решение интегрировано с MaxPatrol SIEM – события безопасности и срабатывания передаются в систему, нормализуются и становятся частью общей картины происходящего в инфраструктуре. Кроме того, решение подключается к сторонней платформе централизованного управления продуктами нескольких производителей. Это упрощает совместную эксплуатацию оборудования в период поэтапной миграции.

Следующим шагом станет развертывание PT NGFW в новых сегментах инфраструктуры «Интерроса».

Исследование, подготовленное при участии Газпромбанка, «Газпром нефти», «Северстали» и «Газинформсервиса», посвящено анализу состояния и перспектив рынка промышленного ИИ в России и мире, основным технологическим направлениям, инвестициям, барьерам внедрения, вопросам регулирования и кибербезопасности. По оценке авторов, мировой рынок промышленного ИИ вырастет с 53,8 млрд долл. в 2025 году до 153,9 млрд долл. к 2030 году при среднегодовом темпе роста 23,4%. В промышленности ИИ применяется для предиктивной аналитики, компьютерного зрения, управления эффективностью активов, обработки данных, машинного обучения и периферийных вычислений.

Российский рынок промышленного ИИ имеет ряд особенностей. Крупные промышленные компании преимущественно разворачивают ИИ-решения внутри собственных закрытых ИТ-контуров, что повышает требования к вычислительным мощностям и собственной технологической инфраструктуре. По оценке исследования, на организации промышленного сектора приходится порядка 24% совокупных расходов на цифровые технологии, а объем российского рынка промышленного ИИ в денежном выражении в 2025 году оценивается в 40 млрд руб.

К 2030 году структура российского рынка может заметно измениться. Объем сегмента платформ машинного обучения, по прогнозу исследования, увеличится с 4,8 до 18,8 млрд руб., периферийных вычислений — с 1,6 до 10,7 млрд руб. Сегмент компьютерного зрения может достичь 24,1 млрд руб. против 10,4 млрд руб. в 2025 году. Рынок предиктивной аналитики оценивается в 21,4 млрд руб. к 2030 году против 8 млрд руб. в 2025 году.

В исследовании также сформулированы стратегические контуры развития промышленного ИИ в России до 2030 года. В качестве одного из целевых состояний указано достижение высокой готовности к внедрению ИИ в 95% приоритетных отраслей экономики. Точечные пилотные проекты при этом должны постепенно уступать место типовым отраслевым платформам с готовыми домен-специфичными моделями. Еще один контур связан с развитием вычислительной инфраструктуры и снижением зависимости от импортных аппаратных решений.

Отдельная часть исследования посвящена кибербезопасности промышленного ИИ. Авторы предлагают определять требования к защите с учетом уровня зрелости конкретной ИИ-системы, ее роли в производственном процессе и степени автономности. По мере роста автономности повышаются требования к контролю данных и доступа, мониторингу моделей, управлению изменениями и сохранению человеческого контроля над работой системы.

Российский бизнес находится на переходном этапе зрелости управления разработкой – к такому выводу пришли эксперты платформы «Сфера» (ИТ-холдинг Т1), Ассоциации ФинТех (АФТ) и АНО «Цифровая экономика» по итогам исследования компаний крупного и среднего размера из 17 отраслей. Средняя оценка развития процессов составила 2,2 балла из 3, при этом разрыв между лидерами и аутсайдерами почти двукратный — от 1,6 до 2,98 балла.

Главный вывод, к которому пришли авторы исследования, — зрелость управления в бизнесе определяется не отраслью и не размером ИТ-функции. Она зависит от сочетания четырех взаимосвязанных характеристик: критически важной роли разработки для бизнеса, централизации ключевых платформ и архитектурных практик, сочетания единых стандартов с достаточной автономией команд, а также трансформации проектной модели в продуктовую.

Высокий уровень зрелости, соответствующий модели технологического производства, показали лишь четыре компании из десяти. Еще четыре находятся на переходном этапе: отдельные элементы продуктовой модели и стандартизации уже сформированы, но пока не складываются в единую систему управления. Две компании продемонстрировали локальную и фрагментированную модель, при которой процессы в большей степени зависят от отдельных подразделений, подрядчиков и конкретных сотрудников.

При этом отраслевой разброс оценок оказался значительным: наиболее высокие результаты показали представители финансового сектора (2,98 балла), ретейла (2,87 и 2,48) и электронной коммерции (2,57), тогда как в логистике и строительстве средняя оценка составила 2,02 балла, в нефтехимии — 1,89, в агропромышленном комплексе — 1,88, а в энергетике — 1,60.

Одновременно исследование выявило и проблемные области. Несмотря на высокий уровень зрелости в бюджетировании проектов (2,9 балла) и финансовом контроле (2,56 балла), крупный бизнес слабее работает с рисками, интерпретацией результатов и накоплением опыта. Наименьшие оценки получили практики обзора завершенных проектов и извлечения опыта (Lessons Learned) — 1,60 балла, ведения реестра рисков и формирования резервов на случай их реализации — по 1,80, оценки бизнес-ценности после завершения проектов — 1,80, анализа экономических результатов разработки — 1,90 и изучения потребностей пользователей перед запуском проектов (Discovery) — 1,90.

Отдельным трендом, который отметили участники исследования, стало распространение искусственного интеллекта в разработке: компании ожидают, что ИИ изменит распределение ролей внутри команд, повысив спрос на специалистов, способных сочетать инженерную экспертизу, понимание бизнеса и навыки управления изменениями.

Для бизнеса и руководителей ИТ-направлений результаты исследования означают необходимость сместить фокус с «освоения бюджетов» на управление эффективностью и рисками. Разрыв в оценке Lessons Learned говорит о том, что компании фактически не учатся на своих ошибках, а это тормозит масштабирование и рост производительности. Низкие баллы за реестр рисков и резервы означают уязвимость проектов к сбоям, поэтому необходимы формализованные процедуры риск-менеджмента. Оценка бизнес-ценности после релиза показывает, что ИТ-проекты часто остаются «вещью в себе», и бизнесу стоит требовать от разработки измеримых результатов и влияния на финансовые показатели. Наконец, подготовка к ИИ-трансформации уже сейчас требует специалистов, сочетающих инженерную экспертизу с пониманием бизнеса и навыками управления изменениями.

Основной склад «Л.Арго» площадью более 8 тыс. кв. м находится в Домодедово и обеспечивает поставки в торговые сети по всей России. По мере роста бизнеса и складских оборотов возможности прежней системы управления складом перестали соответствовать задачам. Компании требовалось решение, способное поддерживать растущие объемы операций и дальнейшее развитие складской логистики. Дополнительным стимулом для перехода на новую систему управления складом стали расширения перечня требований к маркировке товаров для детей в рамках системы «Честный знак». Для «Л.Арго» было важно заранее подготовить складские процессы к новым требованиям: обеспечить прослеживаемость продукции, контроль партий и сроков годности, а также создать технологическую основу для взаимодействия с ГИС МТ «Честный знак».

Для решения этих задач компания выбрала «1С:WMS Логистика. Управление складом», а реализацию проекта доверили «Корус Консалтинг». Команда проекта обследовала складские бизнес-процессы и спроектировала переход с прежней системы управления складом. Затем были настроены процессы адресного хранения, приемки и размещения продукции, сборки и отгрузки заказов, а также контроль партий и сроков годности. Кроме того, специалисты разработали интеграцию 1С:WMS с ERP-системой «Бухта» со стороны WMS. В результате «Л.Арго» объединила складские операции и корпоративную учетную систему в едином информационном контуре и сократила объем ручной работы при передаче данных между системами.

Отдельного внимания на этапе опытной эксплуатации потребовала работа с маркировкой. Для таких проектов особенно важно проверить все сценарии непосредственно в условиях реальной работы склада – от приемки и отгрузки до корректности обмена данными с внешними системами.

Обследование логистических процессов и настройка 1С:WMS шли параллельно. Благодаря этому специалисты «Л.Арго» могли проверять спроектированные процессы непосредственно в системе еще до промышленного запуска и уточнять требования по ходу проекта. Отдельное направление работ команда посвятила складской аналитике. В 1С:WMS установили и настроили подсистему для контроля ключевых показателей склада. Теперь сотрудники «Л.Арго» могут отслеживать выполнение операций, анализировать их результаты и выявлять отклонения на основе актуальных данных системы.

Переход на новую систему затронул не только технологии, но и привычные сценарии работы сотрудников склада. Поэтому на этапе запуска специалисты интегратора сопровождали пользователей, помогали разбирать возникающие вопросы и адаптироваться к новым логистическим процессам. Одним из показателей успешного перехода стало расширение круга пользователей WMS: с новой системой начали работать и сотрудники, которые ранее не использовали ее в ежедневной работе. Это позволило вовлечь больше специалистов в работу непосредственно в системе и сократить зависимость отдельных операций от привычных ручных сценариев.

Ранее операторы «РКС-энерго» дистанционно обслуживали клиентов посредством IP-телефонии на основе Asterisk. Отсутствие «единого окна» ограничивало оперативный доступ к полному профилю клиента во время разговора, а также затрудняло централизованное управление нагрузкой операторов и контроль качества клиентского сервиса.

Технологической основой проекта стала платформа Naumen Contact Center, а в качестве партнера выступил «ОБИТ». Его специалисты обеспечили внедрение платформы, настройку интерактивного голосового меню (IVR) и автоматической маршрутизации вызовов, рабочих мест операторов и супервизоров, инструментов формирования отчетности. Особое внимание было уделено интеграции платформы с системой «1С:Биллинг», которая используется для работы с клиентскими данными. Двусторонний обмен информацией между системами реализован с помощью корпоративной сервисной шины данных Datareon ESB.

После завершения настройки платформа прошла комплексное нагрузочное тестирование и опытную эксплуатацию. Параллельно команда проекта обучила сотрудников работе в новой системе. Все компоненты решения развернуты в on-premise инфраструктуре.

Теперь при поступлении звонка оператор получает полную информацию о клиенте, включая данные по договору, приборам учета электроэнергии, платежам. В едином рабочем интерфейсе оператор может редактировать данные и передавать информацию в другие отделы для дальнейшей обработки обращений, не переключаясь между несколькими системами.

Проект также позволил стандартизировать обработку звонков, поступающих на разные номера — все входящие звонки проходят через интерактивное голосовое меню, где клиент может автоматически получить ответы на ряд стандартных вопросов без привлечения оператора. При нахождении в очереди голосовой помощник информирует клиента о статусе ожидания.

Руководители, в свою очередь, получили возможность отслеживать качество клиентского сервиса по ряду метрик: автоматический расчет показателей времени ожидания и ответа, информация о вызовах в очереди и их продолжительности и др. По итогам проекта среднее время обработки клиентских обращений сократилось на 40%, а показатель уровня обслуживания составляет более 80%. Новая платформа позволяет автоматизировать типовые сценарии обслуживания, повышать качество клиентского сервиса и последовательно развивать контакт-центр.