Новости

До старта проекта для контроля ИТ-инфраструктуры Capital Group использовала открытое программное решение Zabbix. Однако эта платформа требовала значительной доработки и не использовалась централизованно, что и стало толчком для внедрения современного продукта. Построение системы в отказоустойчивой архитектуре, централизованный контроль за состоянием порядка 50 сервисов и оборудования, сокращение времени простоя — это ключевые задачи, которые должно было решить внедрение системы мониторинга ИТ-инфраструктуры.

В качестве решения была выбрана российская система ИТ-мониторинга «Пульт» компании «Лаборатория Числитель». В ней привлекли возможность сохранения и переиспользования ранее созданных настроек мониторинга, оптимизированное хранение данных, а также наличие расширенной технической поддержки с сильной экспертизой.

Выстроенная система мониторинга охватывает 600 хостов, включая серверы Linux и Windows, сетевое оборудование (коммутаторы и маршрутизаторы), управляющие интерфейсы (IPMI, BMC, iDRAC), а также веб-сервисы и Docker-контейнеры. Она обрабатывает 1,2 тыс. метрик в секунду и порядка 100 тыс. активных элементов данных. Внедрение системы «Пульт» в отказоустойчивой архитектуре с использованием кластера СУБД PostgreSQL под управлением Patroni повысило надежность мониторинга инфраструктуры и обеспечило проактивное решение проблем, особенно на Linux-хостах, где инженерам особенно важно оперативно реагировать на возникающие угрозы.

Как отмечает Роман Морозов, руководитель по информационной безопасности Capital Group, мониторинг является необходимым инструментом для обеспечения отказоустойчивости ИТ-инфраструктуры. Он в шесть раз сокращает время расследования инцидентов и помогает предотвращать проблемы до их возникновения. Новая система зарекомендовала себя как надежное решение, позволяющее оперативно выявлять причину инцидентов информационной безопасности.

Ранее Х5 Group использовала решение иностранного вендора, что ограничивало возможности управления и доработки. Теперь ретейлер полностью переходит на внутреннюю технологическую платформу, что дает полный контроль над ключевыми логистическими процессами, повышая их эффективность. Масштаб и сложность системы подтверждают высокий уровень технологической экспертизы Х5 и ее способность самостоятельно создавать стратегически важные цифровые решения.

Система пополнения запасов полностью автоматизирует управление поставками, снижая влияние человеческого фактора и повышая скорость принятия решений, а также мгновенно реагируя на изменение рыночного спроса и предотвращая возможные сбои в поставках. Система определяет оптимальное количество товара на полках с учетом спроса, сезонности и логистических условий, а также уменьшает потери из-за просроченной продукции за счет автоматизированного контроля за сроками годности.

Собственная система пополнения реализована на современном технологическом стеке, который позволяет производить вычисления повышенного объема и уровня сложности, а также применять искусственный интеллект, оптимизационные алгоритмы и модели машинного обучения.

Новая система пополнения уже обеспечивает прямые поставки товаров от поставщиков на полки магазинов по всей географии присутствия торговых сетей «Пятерочка» и «Перекресток», в том числе Дальневосточный федеральный округ. Ожидается, что все торговые точки двух сетей (порядка 25 тыс. магазинов) будут переведены в новую систему пополнения через распределительные центры и склады Х5, включая сложные многоэлементные цепочки поставок, до конца первого квартала 2026 года.

В специально оборудованной робозоне «Яндекс Лавки» задействованы автономные мобильные роботы. За их координацию отвечает система управления роботами Yandex RMS, разработанная «Яндекс Роботикс». Роботы доставляют стеллажи с нужными товарами к сотрудникам. Это позволяет ускорить процесс комплектации заказов более чем на 30% во всем дарксторе и снижает физическую нагрузку на сотрудников.

Так называемая робозона занимает 28% площади даркстора: в ней работают 12 автономных мобильных роботов и используются 84 стеллажа. Один и тот же товар может находиться на нескольких стеллажах в разных сочетаниях — это позволяет размещать на той же площади на 15% больше товаров.

Когда покупатель оформляет заказ, система управления складом «Яндекс Лавки» анализирует его и распределяет задачи. Сборкой скоропортящихся и замороженных продуктов занимаются сотрудники. Если в заказе есть снэки, сладости и другие товары длительного хранения, WMS передаст задачу в систему Yandex RMS. Она поможет роботу рассчитать оптимальный маршрут и направит его к нужным стеллажам. Ежедневно мобильные роботы обрабатывают около 40% ассортимента Лавки.

Внедрение автоматизированной сборки заказов стало следующим шагом развития роботизации операций в «Яндекс Лавке»: сейчас роботы-курьеры уже доставляют более 1 тыс. заказов сервиса ежедневно. К середине 2026 года планируется запуск еще пяти автоматизированных дарксторов в Москве и Санкт-Петербурге. В дальнейшем часть новых дарксторов большой Лавки будут оснащаться робозонами.

Группа «Самолет» перешла на платформу Naumen Contact Center для создания единой и прозрачной системы коммуникаций между бизнес-единицами, партнерами и клиентами. Однако для полноценного выполнения поставленных целей — эффективного управления входящими и исходящими запросами, автоматизации массовых сервисных процессов, снижения нагрузки на операторов и получения сквозной аналитики по всем этапам взаимодействия с клиентами — потребовались дополнительные интеграции и адаптации платформы. Выполнение этих задач взял на себя сертифицированный интеграционный партнер Naumen — ОБИТ. В рамках проекта его специалисты реализовали комплексный набор решений.

Для группы «Самолет» было важно выстроить верхнеуровневую, равномерную систему распределения клиентских звонков между различными подразделениями контакт-центра. Партнеры развернули интеллектуальную маршрутизацию с использованием технологий Naumen. В режиме реального времени сервис анализирует знания о клиенте (26 параметров), вопрос клиента и текущую нагрузку на контакт-центр, определяя оптимальный маршрут для каждого клиента. Дополнительно был подключен автоматизированный сервис отправки SMS-уведомлений с напоминаниями о незавершенных обращениях и оперативной связи с клиентом. Отслеживать все необходимые заказчику метрики в реальном времени позволяют кастомизированные дашборды и аналитические отчеты с детализацией по каждому проекту, партнеру и оператору. Внедрение этих решений позволило группе «Самолет» уменьшить затраты на первую линию поддержки на 40% и обеспечить экономию более 10 млн руб. ежегодно.

Также компания обеспечила внедрение в работу контакт-центра сервиса квартирных решений «Самолет Плюс» интеллектуального голосового ассистента на Naumen Erudite. ИИ-помощник принимает и обрабатывает входящие звонки: уточняет у клиента информацию по интересующему объекту, запрашивает имя, переводит звонок на профильного агента и одновременно формирует заявку в CRM. Кроме того, были реализованы интеграции с площадками Avito, «Циан» и «Домклик», благодаря которым сообщения, оставленные пользователями на этих сайтах, автоматически поступают операторам в систему Naumen Contact Center для их оперативной обработки. Командой проекта также была выполнена интеграция Naumen Contact Center с CRM-системой, что позволило обеспечить сквозное отслеживание пути клиента по всем каналам коммуникации.

ИИ-решение для контакт-центра «Самолет Плюс» уже позволило автоматизировать обслуживание около 40% всех входящих звонков, сократив время диалога клиента с оператором в два раза. По предварительным оценкам, использование ИИ в работе контакт-центра позволит сэкономить компании около 30 млн руб. в 2025 году.

Процесс прокатки осуществляется в горизонтальной реверсивной клети Кватро «5000». Ее работа обеспечивается двумя электродвигателями, для которых нужно рассчитывать моментную нагрузку. Момент силы двигателя, или крутящий момент — это физическая величина, которая характеризует вращательное усилие, создаваемое двигателем. Она определяет его способность преодолевать сопротивление и вращать вал или механизм. Чем выше момент силы, тем больше нагрузка, которую двигатель может преодолеть при заданной скорости вращения. Однако при критических значениях повышается риск поломки валопроводов главного привода клети, что приводит к выходу ее из строя и простою всего агрегата. Ранее оператор задавал настройки клети, опираясь на собственный опыт, что было не оптимально. Сейчас показатель момента силы вычисляется с помощью модели машинного обучения.

Перед началом прокатки оператор поста управления задает параметры деформационного режима, а затем нажимает на кнопку «Рассчитать режим». На основании этих данных в программе рассчитываются зазоры и обжатия по проходам, после чего они вместе с параметрами деформационного режима передаются в модель. Модель прогнозирует средний и максимальный моменты силы двигателей клети и отображает результаты в пользовательском интерфейсе в виде значения в килоньютон-метрах (кНм) с цветовой индикацией. Если рассчитанное значение момента силы двигателей превышает заданный предел, оно выделяется желтым или красным цветом. В этом случае существует вероятность повреждения оборудования. Значит, оператор должен изменить параметры деформационного режима так, чтобы расчетный момент двигателей клети не превышал допустимый порог, или принять другие компенсирующие меры для снижения моментных нагрузок при фактической прокатке.

Решение разработано специалистами «Северсталь Диджитал», «Северсталь-инфокома» совместно с технологами листопрокатного цеха и экспертами центра технологического развития производства трубного проката. Для прогнозирования моментов силы двигателей клети стана 5000 использовалась модель градиентного бустинга, а также отдельные модели для прогнозирования на чистовых и черновых проходах. Модели обучены на данных о фактических прокатах.

Решение обеспечивает точную адаптацию к изменяющейся нагрузке, повышая энергоэффективность и снижая износ оборудования. Уже в первом полугодии это позволило сократить аварийные простои стана 5000 на 3,9 часа с экономическим эффектом 4,53 млн руб.

Сотрудники РЖД с начала 2000-х годов эксплуатируют и развивают систему «Банк показателей работы Корпоративного информационного хранилища ОАО «РЖД» (КИХ БПР), пользователями которой являются более 26,5 тыс. сотрудников РЖД в центральном аппарате, на дорогах и в дочерних организациях.

КИХ БПР насчитывает более 100 витрин данных и более 400 аналитических приложений, с помощью которых реализуется множество аналитических и оперативных задач. Наиболее приоритетные среди них – формирование отраслевой статистической отчетности, подготовка информационно-аналитических материалов, в том числе гибкая настройка отчетов по всем направлениям деятельности холдинга. Система была реализована на базе решений SAS Portal, поддержка которых на территории России прекращена.

Необходимо было поддержать работу по подготовке информационно-аналитических материалов и сохранить вектор на импортозамещение критичной функциональности по аналитике данных РЖД. Для этого был разработан новый инструмент построения гибких отчетных форм для анализа и контроля показателей.

Команда «Корус Консалтинг» провела комплексный аудит ранее функционировавшего решения, произвела анализ решаемых задач и собрала обратную связь пользователей. Таким образом был определен состав работ по разработке инструмента гибких отчетных форм и покрытия критичной функциональности импортозамещаемого продукта.

Инструмент создан на базе единой корпоративной системы анализа и визуализации данных, для реализации которой была выбрана российская аналитическая система Luxms BI и ее компонент Luxms Databoring в качестве ETL-инструмента. Для оперативного доступа к показателям и нормативно-справочной информации без дополнительных запросов к КХД РЖД реализован «горячий» слой данных на базе системы управления базами данных Clickhouse.

В результате проекта была создана платформа, полностью реализованная на российских и open source технологиях, на которой можно не только формировать специализированные формы визуализации данных для контроля и анализа, но и обеспечивающая построение основной отчетности компании.

Биржа труда «Золотого Яблока» представляет собой WFM-платформу, которая с помощью ML-методов позволяет планировать рабочее время операционного персонала. Система имеет встроенную биржу смен: менеджер размещает предложение, а сотрудники по uber-модели могут откликаться на свободные слоты. Биржа позволяет прогнозировать покупательскую активность по часам, рассчитывать потребность в сотрудниках и планировать графики. В приложении сотрудники могут видеть свой график работы и оставлять пожелания по выходу на смену вне графика, а менеджер может использовать эти пожелания для усиления команды. Кроме того, приложение показывает сотрудникам выполнение их показателей эффективности и плана.

До внедрения WFM-платформы менеджеры магазинов и складов вручную выстраивали графики работы сотрудников, основываясь на своем опыте и средней загруженности смены. В ретейле это нередко приводило к тому, что в часы с низким трафиком персонала было больше, чем нужно, а в загруженные часы людей не хватало. Благодаря разработке биржи смен «Золотое Яблоко» стало быстрее реагировать на рост посещаемости магазинов, обеспечивая потребности ретейла в персонале с точностью, близкой к 100%. За первые месяцы работы система доказала свою эффективность: точность планирования потребности магазинов в сотрудниках торгового зала выросла на 10% и составила 90%, а эффективность работы увеличилась на 25% (учитывается соотношение результата к количеству отработанных часов). В ближайшее время WFM-платформа будет внедряться в работу контакт-центра и складов компании.

Как отмечает Иван Кузовлев, сооснователь «Золотого Яблока», система не просто автоматизирует процессы, а помогает людям гибко выстраивать свой график работы и увеличивать доход, а компании — точнее управлять ресурсами. Биржа смен — это пример того, как технологии могут делать работу сотрудников удобнее, а бизнес эффективнее. Внедрение таких систем обеспечивает возможность для быстрого роста как в электронной торговле, так и офлайн.

Биржа смен — собственная технологическая разработка «Золотого Яблока». Компания не стала использовать готовые WFM-продукты, доступные на рынке, так как они не учитывали всех потребностей ретейлера и не отвечали высоким требованиям по UX-/UI-дизайну.

Всего на вакансии сети «Самолет Плюс» на должность агентов по недвижимости откликается больше 400 тыс. кандидатов в год. Около 40% из них, по оценке компании, готовы проходить отбор с помощью ИИ.

ИИ‑рекрутер проводит текстовые интервью, оценивает мотивацию, опыт и соответствие требованиям, классифицирует соискателей и передает подходящих на следующий этап. Все это позволяет сократить время предварительного отбора минимум в два раза. Высвободившееся время HR‑команда направляет на адаптацию и обучение новых сотрудников, а партнеры сети могут сосредоточиться на ключевых бизнес-метриках: работе с клиентами и проведении сделок.

В дальнейшем планируется, что ИИ-рекрутер сможет также проводить эмоциональный анализ и HR-скоринг кандидатов, поможет интегрировать новичков в процессы адаптации, обучения и построения карьерных треков. ИИ‑рекрутер — часть планомерного внедрения искусственного интеллекта в процессы группы «Плюс».

Как отмечает Максим Шумков, директор по внедрению ИИ в группе «Плюс», внедрение автоматизации в рекрутинг — один из элементов ИИ-стратегии, которая подразумевает кратный рост производительности как сотрудников группы, так и специалистов сети «Самолет Плюс». Цель развития ИИ – чтобы специалисты могли сосредоточиться на действительно важных задачах. Компания уже использует ИИ в юридической и операционной службах, а также запустила первую ИИ‑платформу для риелторов AI Plus, которая позволяет агентам по недвижимости автоматизировать рутинные задачи и повысить эффективность работы, то есть совершать больше сделок.

Клиентская поддержка ОТП Банка обрабатывает более 400 тыс. текстовых обращений по 260 тематикам в месяц. Анализ такого объема информации занимает много времени специалистов, поэтому банк автоматизировал этот процесс с помощью сервиса для речевой аналитики Yandex SpeechSense. Так, в ходе пилота за семь дней было проанализировано больше 29 тыс. диалогов с клиентами – это в 30 раз быстрее, чем при ручной работе трех сотрудников.

Инструменты для анализа коммуникаций, такие как Yandex SpeechSense, помогли ОТП Банку повысить качество работы поддержки. Система автоматически определяет тематику обращений, распределяет их по группам и выделяет в диалогах значимые смысловые блоки. Такой подход помог банку выявить направления для улучшения клиентского опыта.

Второй пилотный проект был направлен на автоматизацию клиентских консультаций с помощью ИИ-агента на основе YandexGPT. Агент отвечал на обращения клиентов в чатах мобильного приложения по 30 популярным темам, таким как частичное досрочное погашение кредита, разъяснение условий льготного периода и другие. Бот фактически без ошибок ответил на 60 тыс. запросов, в связи с чем индекс удовлетворенности клиентов (CSI) вырос на 0,2 из 10 пунктов. Кроме того, уровень автоматизации обработки диалогов увеличился до 8%. Лучше всего ИИ-агент работал в сценариях, где клиенту требовалось дать подробное пошаговое пояснение или уточнить ранее полученную информацию. В планах банка – расширить применение нейросетей для обработки более сложных запросов и системной работы с обратной связью клиентов.

YandexGPT входит в состав платформы Yandex Cloud AI Studio для создания и внедрения сервисов на базе генеративных моделей. Благодаря настройке правильной «температуры» ответов, ИИ-агент на основе YandexGPT отвечал на вопросы клиентов точно и понятно, но при этом не однообразно. Модель использовалась для консультаций, не требующих предоставления персональных данных, что обеспечило безопасность и конфиденциальность сервиса.

«СТП-Сарос» – один из лидеров российского рынка светотехнического оборудования для наружного и внутреннего освещения. Для управления продажами, регламентированного и финансового учета в компании использовалась сильно кастомизированное решение «1С:Комплексная автоматизация». При этом задачи управления производством не были автоматизированы. Проблемы возникали на всех уровнях, особенно в производственном блоке. В производственном учете отсутствовала формализованная документация по производственным процессам. Для оперативного учета в производстве использовались электронные таблицы, что препятствовало получению актуальных данных о загрузке производственных мощностей. Загрузка рабочих центров не учитывалась при планировании. Между производственными подразделениями не было оперативного обмена данными, что увеличивало риск простоев и неритмичной работы производства при выполнении заказов.

Предприятию стала необходима информационная система, которая позволила бы решить основные проблемы. В первую очередь, требовалось улучшить управление производством: организовать оперативный учет производства по каждому переделу, обеспечить сбор факта с производства по сменно-суточным заданиям, усилить контроль эффективности работы производственных подразделений. Кроме того, было важно в каждый момент времени иметь информацию о загруженности рабочих центров предприятия для принятия управленческих решений. Было желание упростить взаимодействие между отделами продаж, снабжения и производства, обеспечить рациональное планирование снабжения и закупок на основе графика выполнения заказов, повысить точность расчета себестоимости выпускаемой продукции.

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

В ходе проекта использовалась стандартная каскадная технология. Была выполнена интеграция 1С:ERP с использовавшимся решением «1С:Комплексная автоматизация», которое, в свою очередь, интегрировано с «1С:Бухгалтерией». Реализованы доработки функционала по формированию потребности в обеспечении подразделений сырьем и материалами. В системе работают 50 сотрудников планово-диспетчерского и технологического отделов, производственных подразделений, склада, финансового управления, отделов закупок и снабжения.

Автоматизация объемно-календарного планирования производства и планирования потребности в мощностях позволила оценить производственный потенциал компании. Планирование стало более рациональным, сократились сроки исполнения заказов, появилась возможность оперативно перепланировать производственные заказы с учетом приоритетов. Все это обеспечило выполнение заказов клиентов в срок. Компания теперь может наращивать объемы производства и брать больше заказов. Объем выпускаемой продукции вырос на 30%.

Организовано своевременное обеспечение производства материалами и комплектующими, производство планируется с учетом доступности рабочих центров и обеспеченности сырьем и материалами. В итоге длительность простоев оборудования уменьшилась вдвое.

На складе внедрены терминалы сбора данных. Автоматизирован учет основных средств и расчет амортизации. Внедрена адресная система хранения. Все движения материалов и готовой продукции оперативно отслеживаются в системе, появилась возможность фиксировать перемещение материалов в реальном времени.

Автоматизировано создание в системе всех необходимых документов для отражения всех хозяйственных операций производственного предприятия, включая переработку давальческого материала, заказы переработчикам, операции по импорту и экспорту.