Механики пишут одно. Учётная система говорит другое. А машина одна 😁
Механики пишут одно. Учётная система говорит другое. А машина одна 😁 Джарвис. Часть 3/4 Вот здесь Джарвис уже полез в задачу посерьёзнее, чем перекладывание Excel. 🚛 Как устроен процесс Каждый день механики транспортной компании пишут в рабочий чат сводки по машинам в ремонте. Обычным человеческим языком. Кто-то пишет коротко. Кто-то подробно. У кого-то «предварительная готовность 17.08». У кого-то «перегнали в сторонний сервис». Параллельно из учётной системы 1С приходит свой список текущих ремонтов. И руководителю надо понять: а данные вообще совпадают? 🔍 Что теперь делает Джарвис Он собирает сообщения механиков и ждёт файл из учётной системы. Как только файл приходит, начинается сверка. Джарвис: 📄 разбирает список ремонтов 💬 читает сводки механиков 🚘 приводит госномера к единому виду 🔄 сравнивает два источника ⚠️ собирает расхождения 📋 формирует один понятный отчёт по подразделениям Например, показывает: - машина есть в учётной системе, а в сводке её нет; - механик написал про машину, а в учётной системе её нет; - один госномер появился дважды; - машина указана как замена, хотя сама числится в ремонте. Всего система сейчас различает шесть типов таких расхождений. 🤖 А потом нейросеть решила немного проявить характер Человеческий текст прекрасно понимает человек. А машине иногда приходится объяснять буквально. Например: «предварительная готовность 17.08» Для нас очевидно: машина сейчас ещё в ремонте, просто есть плановая дата готовности. А модель однажды увидела слово «готовность» и решила примерно: ну всё, готова значит готова. И машину из ремонта выкинула. Очень уверенно, между прочим 😁 Потом выяснилось ещё интереснее: даже после исправления инструкции модель периодически пропускала отдельные госномера в длинных сводках. На реальных сообщениях она могла достать, например, 8 машин из 11. Для красивого демо сойдёт. Для реального транспорта как-то уже тревожно. 🛡️ Поэтому сделали страховку После нейросети текст ещё раз проходит обычная проверка по понятным правилам. Она смотрит: есть ли в исходном сообщении госномер, который модель почему-то пропустила? Если есть, система возвращает его обратно в сверку и фиксирует, что основной разбор его потерял. То есть получилось так: нейросеть понимает человеческий текст. Обычный алгоритм проверяет нейросеть. И вот этот вариант мне нравится гораздо больше, чем идея: «давайте просто всё отдадим ИИ, он же умный» 😁 Потому что бизнесу в итоге совершенно всё равно, насколько красиво модель рассуждала. Ему надо, чтобы конкретная машина не исчезла из отчёта. 🧩 И вот здесь важный принцип Чем выше цена ошибки, тем меньше мне нравится архитектура: «одна нейросеть подумала и сказала». В реальной системе нужны проверки, ограничения и понятный способ поймать ошибку. И Джарвис на этом процессе как раз отлично меня этому напомнил. ➡️ Продолжение через три дня В последней части соберу всё вместе. Покажу, во что в итоге вырос Джарвис, почему я уже давно перестала считать его просто ботом и какой главный принцип из этого проекта я теперь тащу почти во все задачи цифровизации. #СегодняВПроде