Комментарии

Недавний хайп по Deepseek не обошел нас стороной, и мы решили протестировать платформу по парочке гипотез в надежде на чудо.

И так, мы решили сфокусироваться на потребностях нашей команды технической поддержки в части анализа и обработки данных по ключевым метрикам и категоризации обращений.

Гипотеза 1: Оценка тенденций ключевых показателей технической поддержки

Мы решили проверить, насколько DeepSeek способен анализировать динамику показателей. В качестве данных взяли выгрузку по основным метрикам техподдержки: SLA, количество заявок (поступило/решено), количество негативных отзывов и пр. Скармливали выгрузку Excel, в общем то, простая таблица со следующими показателями (столбцы):

Наш промпт был достаточно простой (на то она и проверка гипотезы):

— В выгрузке данные по метрикам технической поддержки продавца. Сравни тренды всех показателей в 3 периодах: 1) январь 2023 — декабрь 2023; 2) январь 24 — сентябрь 24; 3) октябрь 24 — февраль 25.

— Сделай выводы как изменилась качество технической поддержки личного кабинета. Предложи мероприятия по улучшению.

И вот, что у нас получилось на выходе:

Мероприятия по улучшению, предложенные нейронкой, совпали и с нашими идеями, звучат логично и приемлемо, но ничего инновационного и креативного не выявила. Наc устроило)

С учетом достаточно короткого промпта, в отчете видна попытка создать структуру: присутствуют временные буллиты, остальное, так же, выделено по пунктам. Однако далеко не все показатели вошли в отчет, большая часть просто пропущена. Также были допущены логические ошибки: в ряде случаев платформа интерпретировала рост показателей как их снижение.

В целом, при доработке промпта, вполне возможно получать аналитику со стабильной структурой. И, в совокупности с нашими текущими дашбордами можно делать вполне «жирные» отчеты для руководства, причем бесплатно. Да, мы использовали бесплатный тариф.

Гипотеза 2: Категоризация обращений в поддержку по полю «Описание»

Далее мы решили проверить, насколько DeepSeek справится с автоматической категоризацией обращений пользователей в техподдержку. Для теста взяли реальный массив данных — больше 70 000 строк из таблицы Excel, где собрали обращения пользователей за три квартала. Основная идея заключалась в том, чтобы понять, насколько точно платформа сможет выделить категории и проследить динамику изменений во времени.

Мы подготовили выгрузку с историей обращений, где у каждого запроса было текстовое описание проблемы в свободной форме, а также другая сопутствующая информация (дата обращения, статус, время решения и др.). Данные охватывали три периода:

— 3 квартал 2024 года,

— 4 квартал 2024 года,

— 1 квартал 2025 года

Мы сформулировали следующий промпт:

— В файле обращения пользователей личного кабинета продавца в техническую поддержку.

— Категоризируй обращения по причинам обращений. Выдели не более 10 категорий.

— Проведи анализ изменений процентного соотношения категорий за 3 кв. 2024, 4 кв. 2024 и 1 кв. 2025г.

В результате получили:

Во-первых, DeepSeek действительно выделил категории обращений, и в целом они совпали с теми, которые мы вручную определяли в предыдущих анализах. Для нас это хороший показатель: алгоритм не просто хаотично сортирует данные, а использует определенную логику.

Однако встречались и погрешности. Некоторые обращения попадали сразу в несколько категорий или, наоборот, распределялись нерелевантно. Иногда похожие по смыслу запросы оказывались в разных категориях.

Во-вторых, как мы уже говорили, бесплатная версия при работе с большим объемом данных работает со серьезными ограничениями. Поэтому упомянем еще раз: если рассматривать DeepSeek в качестве инструмента для работы с крупными датасетами, такие ограничения значительно уменьшают его ценность.

Но DeepSeek действительно выявил некоторые закономерности: например, снижение числа обращений по доступу в ЛК в 1 квартале 2025 года (связываем со стабилизацией работы авторизации).

Однако не обошлось без ошибок: в ряде случаев DeepSeek показывал увеличение числа обращений по конкретной категории, хотя в исходных данных этот показатель снижался. Опять же, были повторились ошибки, когда фактически в данных показатель снижался, а у нейронки в отчете он увеличивался.

Итог

Понятно, что с большим массивом данных лучше шагать в специальные прикладные ИИ инструменты, но, если нужно быстро разложить небольшую выборку по категориям (первичная аналитика) — DeepSeek вполне справляется: автоматически структурирует обращения и выделяет основные тренды, что экономит время. Однако работа с динамикой ИИ дается не совсем точно и репрезентативно. Самое ценное, что нам дала работа с DeepSeek — быстрая категоризация запросов, которую мы планируем активно использовать для анализа.

Согласен, Вы абсолютно правы.

Мультимодельная платформа для работы с искусственным интеллектом — это действительно более точное описание, поскольку:

— Интерфейс подразумевает только передачу данных между пользователем и моделями.
— DST AI не просто передает запросы, а управляет, интегрирует и обрабатывает результаты разных моделей, обеспечивая более сложную функциональность и взаимодействие.

Мультимодельная платформа подчеркивает её роль как системы, объединяющей и управляющей несколькими ИИ-моделями, а не просто интерфейса для передачи данных.

Согласен, Вы абсолютно правы.

Мультимодельная платформа для работы с искусственным интеллектом — это действительно более точное описание, поскольку:

— Интерфейс подразумевает только передачу данных между пользователем и моделями.
— DST AI не просто передает запросы, а управляет, интегрирует и обрабатывает результаты разных моделей, обеспечивая более сложную функциональность и взаимодействие.

Мультимодельная платформа подчеркивает её роль как системы, объединяющей и управляющей несколькими ИИ-моделями, а не просто интерфейса для передачи данных.

Спасибо Александр за уточнение. Не хочу показать ханжой, но DST AI — это не просто мультимодельный интерфейс, как Вы написали. Интерфейс обычно предполагает только передачу и работу с данными, которые предоставляют сами ИИ-модели. Однако DST AI обладает своей уникальной релевантной выдачей. Поэтому более точное название — мультимодельная платформа для искусственного интеллекта.

Спасибо Александр за уточнение. Не хочу показать ханжой, но DST AI — это не просто мультимодельный интерфейс, как Вы написали. Интерфейс обычно предполагает только передачу и работу с данными, которые предоставляют сами ИИ-модели. Однако DST AI обладает своей уникальной релевантной выдачей. Поэтому более точное название — мультимодельная платформа для искусственного интеллекта.

DST AI — это программное обеспечение или платформа, которая служит интерфейсом или средой для работы с различными ИИ-моделями. В отличие от самостоятельных нейросетевых моделей, DST AI не является собственной моделью ИИ, а скорее инструментом или платформой, которая управляет, интегрирует и использует разные модели ИИ для выполнения задач.

Основные характеристики DST AI

— Не является нейросетью. Это программное обеспечение, а не модель ИИ.

— Интегратор моделей. Может работать с разными ИИ-моделями, предоставляя пользователю возможность выбирать или комбинировать их.

— Обеспечивает доступ к контенту.Генерирует или обрабатывает контент, используя выбранные модели ИИ.

— Может управлять несколькими моделями. Обеспечивает работу с разными ИИ для различных задач или для сравнения результатов.

— Может релевантно менять модели ИИ на лету и выбирать используя собственные алгоритмы какую ИИ-модель использовать для того или иного действия.

Основные функции DST AI

Если говорить о функциональности, то DST AI — это:

— Мульти-модельный интерфейс или мульти-двигатель ИИ — платформа, которая управляет несколькими ИИ-моделями.

— Многофункциональный ИИ-агрегатор — объединяет результаты разных моделей.

— Интеграционная платформа для ИИ — обеспечивает работу с разными ИИ через единый интерфейс.

DST AI — это программное обеспечение или платформа, которая обеспечивает работу с разными ИИ-моделями, выступая в роли мульти-двигателя или мульти-модельного интерфейса. Это позволяет пользователю получать контент или результаты, используя разные модели ИИ, без необходимости взаимодействовать с каждой моделью отдельно.

Технические аспекты DST AI

1. Архитектура системы

DST AI обычно строится на основе модульной архитектуры, которая включает:

— Интерфейс пользователя (UI) — для взаимодействия с платформой.

— Менеджер моделей (Model Manager) — компонент, отвечающий за подключение, настройку и управление различными ИИ-моделями.

— API-шлюз (API Gateway) — обеспечивает взаимодействие между UI и моделями.

— Обработчик запросов (Request Handler) — маршрутизирует запросы к выбранным моделям.

— Результат-агрегатор (Result Aggregator) — собирает и объединяет ответы от разных моделей.

— База данных (DB) — хранит настройки, истории запросов, результаты и метаданные.

DST AI — это программное обеспечение или платформа, которая служит интерфейсом или средой для работы с различными ИИ-моделями. В отличие от самостоятельных нейросетевых моделей, DST AI не является собственной моделью ИИ, а скорее инструментом или платформой, которая управляет, интегрирует и использует разные модели ИИ для выполнения задач.

Основные характеристики DST AI

— Не является нейросетью. Это программное обеспечение, а не модель ИИ.

— Интегратор моделей. Может работать с разными ИИ-моделями, предоставляя пользователю возможность выбирать или комбинировать их.

— Обеспечивает доступ к контенту.Генерирует или обрабатывает контент, используя выбранные модели ИИ.

— Может управлять несколькими моделями. Обеспечивает работу с разными ИИ для различных задач или для сравнения результатов.

— Может релевантно менять модели ИИ на лету и выбирать используя собственные алгоритмы какую ИИ-модель использовать для того или иного действия.

Основные функции DST AI

Если говорить о функциональности, то DST AI — это:

— Мульти-модельный интерфейс или мульти-двигатель ИИ — платформа, которая управляет несколькими ИИ-моделями.

— Многофункциональный ИИ-агрегатор — объединяет результаты разных моделей.

— Интеграционная платформа для ИИ — обеспечивает работу с разными ИИ через единый интерфейс.

DST AI — это программное обеспечение или платформа, которая обеспечивает работу с разными ИИ-моделями, выступая в роли мульти-двигателя или мульти-модельного интерфейса. Это позволяет пользователю получать контент или результаты, используя разные модели ИИ, без необходимости взаимодействовать с каждой моделью отдельно.

Технические аспекты DST AI

1. Архитектура системы

DST AI обычно строится на основе модульной архитектуры, которая включает:

— Интерфейс пользователя (UI) — для взаимодействия с платформой.

— Менеджер моделей (Model Manager) — компонент, отвечающий за подключение, настройку и управление различными ИИ-моделями.

— API-шлюз (API Gateway) — обеспечивает взаимодействие между UI и моделями.

— Обработчик запросов (Request Handler) — маршрутизирует запросы к выбранным моделям.

— Результат-агрегатор (Result Aggregator) — собирает и объединяет ответы от разных моделей.

— База данных (DB) — хранит настройки, истории запросов, результаты и метаданные.

Спасибо, но можно подробнее т.к. хотим интегрировать к себе и хотелось бы знать больше чего умеет даная платформа

Спасибо, но можно подробнее т.к. хотим интегрировать к себе и хотелось бы знать больше чего умеет даная платформа

DST AI — это мультимодельная платформа для работы с искусственным интеллектом, которая предоставляет доступ к различным моделям и инструментам ИИ, обеспечивая интеграцию, маршрутизацию запросов и объединение результатов для достижения лучших результатов.

DST AI — это мультимодельная платформа для работы с искусственным интеллектом, которая предоставляет доступ к различным моделям и инструментам ИИ, обеспечивая интеграцию, маршрутизацию запросов и объединение результатов для достижения лучших результатов.

Можете объяснить, что такое DST AI? Насколько я понимаю, это не модель ИИ и не нейросеть, а программное обеспечение для работы с искусственным интеллектом. Однако есть нюанс: DST AI может взаимодействовать с разными ИИ-моделями и создавать релевантный контент на основе уже своих алгоритмов. Это значит, что DST AI — не просто программное обеспечение а некий интегратор моделей ИИ?

Можете объяснить, что такое DST AI? Насколько я понимаю, это не модель ИИ и не нейросеть, а программное обеспечение для работы с искусственным интеллектом. Однако есть нюанс: DST AI может взаимодействовать с разными ИИ-моделями и создавать релевантный контент на основе уже своих алгоритмов. Это значит, что DST AI — не просто программное обеспечение а некий интегратор моделей ИИ?

Да, с помощью 1С и DST Маркетплейс можно создать маркетплейс, но для полноценной работы платформы возможно потребуется доработать отдельные компоненты системы, возможно и нет, зависит от Вашей бизнес модели.

1С благодаря своей гибкости и возможности масштабирования позволяет справляться с частью ключевых задач, особенно в области учёта и документооборота. DST Маркетплейс подходит для управления коммерческой частью, автоматизации процессов и построения гибкого бэк-офиса.

В качестве стартового набора рекомендуется реализовать основные системы, такие как управление информацией о продуктах, интерфейсы для продавцов, управление заказами и логистические модули. Это позволит запустить минимальную рабочую версию платформы за короткий срок и с разумными затратами.

То есть используя 1С в связке с DST Маркетплейс можно как раз создать маркетплейс для обслуживания большого числа внешних продавцов и покупателей в рамках единой торговой площадки.

Все верно Дмитрий. Использовать существующую ERP-систему как платформу для запуска маркетплейса неправильно. ERP-системы предназначены для внутреннего управления бизнес-процессами компании, а не для обслуживания большого числа внешних продавцов и покупателей в рамках единой торговой площадки.

Для полноценного маркетплейса требуется специально созданная IT-платформа, которая включает множество взаимосвязанных компонентов и модулей, способных обеспечить масштабируемость, отказоустойчивость и высокую производительность.

Только при использовании микросервисной архитектуры с предназначенными для этого компонентами и стратегией можно добиться успешного запуска качественного и конкурентоспособного маркетплейса.

Некоторые преимущества микросервисного подхода:

— Простота обновлений и расширений. Каждый компонент — от интерфейса для покупателей и продавцов до систем учёта и логистики — интегрируется через API и работает в рамках микросервисной архитектуры.

— Возможность масштабировать внутренние системы и интегрировать их друг с другом без ограничений.

— Адаптация к быстро меняющимся условиям рынка электронной коммерции.

Таким образом, для запуска собственного маркетплейса необходима специально разработанная IT-платформа, а не использование существующей ERP-системы.

Ну то есть как я понял использовать существующую ERP-систему в связке с нашим Интернет-магазином как платформу для запуска маркетплейса неправильно, верно я понял?

Что бы там не проводили и не говорили а искусственный интеллект значительно влияет на производительность разработки программного обеспечения. Некоторые аспекты этого влияния:

— Автоматизация программирования. ИИ-алгоритмы способны анализировать требования к программному обеспечению и генерировать исходный код. Это ускоряет процесс разработки и уменьшает количество рутинных задач.
— Автоматическое исправление ошибок. ИИ помогает обнаруживать и исправлять ошибки в коде на ранних этапах разработки. Это снижает риск возникновения проблем в будущем и улучшает качество программного обеспечения.
— Оптимизация и рефакторинг кода. ИИ может анализировать производительность программного обеспечения и предлагать оптимизации, которые повышают эффективность выполнения кода. Это позволяет автоматически находить и исправлять участки кода, которые замедляют работу программы, улучшая её производительность.
— Умные среды разработки. Современные интегрированные среды разработки (IDE) всё чаще включают ИИ-функции, которые облегчают жизнь программистам.
— Машинное обучение и анализ данных. ИИ-инструменты помогают разработчикам анализировать большие объёмы данных и визуализировать результаты. 1

В будущем ИИ продолжит трансформировать индустрию программирования, делая её более доступной, гибкой и инновационной.

Принятие Copilot

Принятие Copilot относительно проще и менее затратно по сравнению с другими рабочими ИИ инструментами. Copilot не требует дополнительных инвестиций и уже интегрирован в среду разработки.
В течение первых двух недель эксперимента в Microsoft только 8,5% разработчиков тестовой группы зарегистрировались на GitHub Copilot. Такой низкий показатель внедрения мог быть обусловлен невнимательностью к анонсу по электронной почте. Microsoft отправил два напоминания, и эти письма увеличили принятие до 42,5%.

Первоначальное принятие в контрольной группе также не было идеальным: 0,5%. По завершении эксперимента в апреле 2023 года, когда контрольной группе был предоставлен доступ к Copilot, наблюдался быстрый темп принятия в контрольной группе. Однако к январю 2024 года принятие в контрольной группе оставалось ниже принятия в экспериментальной группе.

Принятие Copilot в Accenture шло быстрыми темпами в начале эксперимента (график (b)), но через 1-2 месяца достигла плато в 60%. Когда контрольной группе предоставили доступ в декабре 2023 года, то был виден более медленный, но устойчивый рост принятия. К апрелю 2024 года скорость принятия в экспериментальной группе составила 69,4%, в то время как уровень принятия в контрольной группе был 24,4%.

График © показывает поэтапное приглашение к Copilot и уровень принятия среди всех участников исследования в компании из Fortune-100. Все разработчики получили доступ к Copilot в течение шести недель. После завершения рассылки приглашений уровень принятия вышел на плато, показав небольшой рост в течение оставшегося срока эксперимента.

Уровень принятия Copilot удивительно схож во всех трех компаниях и существенно ниже 100%; при этом около 30-40% инженеров даже не пробовали инструмент.

Это говорит о том, что другие факторы, такие как индивидуальные предпочтения и воспринимаемая полезность инструмента, играют важную роль в принятии инженерами решений об использовании этого инструмента.

В Microsoft видно положительное влияние Copilot на количество пул реквестов, коммитов и сборок кода. Однако только влияние на количество пул реквестов статистически значимо.

В Accenture и компании из Fortune-100 исследователи находят сопоставимые размеры эффекта, но эти эффекты не имеют статистической значимости.

Использование Copilot в зависимости от стажа и опыта работы

Поскольку у исследователей был доступ к данным разработчиков Microsoft, они смогли оценить влияние Copilot на производительность в зависимости от стажа работы в компании и опыта разработчика.

Разработчики-новички в компании на 9,5 процентных пунктов (84,3% против 74,8%) более склонны использовать Copilot, что согласуется с предыдущими исследованиями. Тот же эффект имеет место для разработчиков с небольшим опытом работы, которые на 5,3 процентных пункта (82,1% против 76,8%) чаще склонны использовать, хотя разница в принятии немного меньше в этом случае.

Сотрудники — новички в компании с большей вероятностью продолжат использовать Copilot через месяц после начала использования. Это, вероятно, говорит о том, что они ожидают большей выгоды от технологии, чем старожилы.

Старожилы примерно на 4,3% (или на 1,0 процентный пункт) менее склонны принимать предложенный Copilot код.

При сравнении разработчиков на младших и старших позициях в компании эта разница в показателях принятия Copilot намного меньше и составляет 1,8% (или 0,5 процентных пункта), хотя тренд тот же: опытные разработчики с меньшей вероятностью принимают предложения ИИ по коду.

Copilot значительно повышает производительность у новичков и разработчиков на младших позициях, но не у сторожил и опытных разработчиков.

Разработчики-новички в компании увеличивают свою производительность на 27–39%, в то время как разработчики-старожилы — с 8% до 13%.

Младшие разработчики увеличивают свою производительность на 21–40%, в то время как опытные разработчики получают более скромную выгоду: их производительность растет с 7% до 16%.

Как ни странно но с Copilot у Microsoft тоже не задалось