Почему ваша LLM врёт: как мы строим SCADA.AI с мозгами
Или: что делать, когда нейросеть видит цифры, но не понимает, что они значат
Или: что делать, когда нейросеть видит цифры, но не понимает, что они значат
История о том, как превратить хаотичный график в симфонию, и какие грабли пришлось собрать по пути
Путь от а давайте попробуем Isolation Forest до production-модуля в SCADA.AI v3.2.5 с реальным кодом, реальными багами и реальными ночными дебагами
Большинство людей воспринимают языковые модели как собеседников и ждут от них магического результата. Это фундаментальная ошибка, которая стоила миллиарды долларов Amazon, Starbucks и сотням других компаний. Реальная польза от LLM раскрывается только в руках людей с определённым типом мышления — тех, кто мыслит перебором, метаданными и ассоциативными связями. По иронии, это именно те люди, которых корпоративная культура чаще всего отправляет на периферию.
как за одну сессию разработки мы прошли путь от простого health-модуля до полноценного движка аналитики с Chart.js графиками, прогнозами на 365 дней и интерактивным zoom/pan. По дороге наступили на все грабли Svelte 5 reactivity, Chart.js API и линейной регрессии — и нашли элегантные решения для каждой проблемы.
Обратная связь как самый дешёвый способ скорректировать вектор развития продукта. Почему отказ от автоматического управления в SCADA.AI привёл к росту конверсии и как не строить «Мерседес», который никто не купит.
Как SCADA.AI прошла путь от 'пусть LLM всё посчитает' до трёхслойной архитектуры, где Python отвечает за вычисления, а YandexGPT — только за нарратив. Реальный кейс, метрики и антипаттерны из production.
За 20 лет управления командами — от проектировщиков зданий до стартапов и крупных предприятий — я убедился: как только вводятся KPI, движение вперёд заканчивается. Почему метрики становятся целями и перестают быть метриками.
Почему ответ «деньги» на вопрос «для чего?» убивает бизнес и цивилизацию. Размышления о том, как прибыль становится ресурсом, а не целью, и почему эволюционное развитие требует долгосрочного целеполагания.
Почему монолитный код ломает LLM-интеграции и как паттерн Module Registry + Tool Executor решает проблему контекста, галлюцинаций и ролевого доступа на примере SCADA.AI.
ИИ — не интеллект, не новая реальность и не панацея. Это идеальная машинистка, которая отлично справляется со структурированными задачами, но физически не способна работать в условиях неопределённости. Размышления о природе больших языковых моделей.
Двух- и трёхэтапная подготовка данных, progressive disclosure и техники экономии токенов. Реальные примеры агрегации логов SCADA.AI перед подачей в YandexGPT 5.1.
Как интегрировать YandexGPT tool calling в Python приложения. Разбор подводных камней и best practices из реального production-проекта.
Почему одно неверное решение на старте приводит к экспоненциальному росту техдолга. Размышления о Канемане, Безосе и архитектурных комитетах на примере SCADA.AI.
Почему 80% работы с LLM — это формулировка границ задачи. Трёхуровневая спецификация, JSON Schema, триггеры и чек-лист для production-интеграций.