В компании «Национальная Лотерея» внедрили целый комплекс ИИ-инструментов для повышения эффективности сотрудников. В результате создана корпоративная среда «Экосистема ИИ», направленная на рост доходности продуктов и каналов с использованием технологий искусственного интеллекта. О реализации проекта рассказывает Антон Свиридов, руководитель ИИ-проектов «Национальной Лотереи» и номинант премии Data Award.

- Как компания пришла к реализации проекта?

Спустя почти три года работы бизнес сформировал процессы и проблематику, которую можно быстро решить или улучшить с помощью ИИ-инструментов «здесь и сейчас». Первая из проблем — высокая стоимость контента для маркетинга и цифрового бизнеса. Ее можно решить с помощью нейросетей. Проблема заключалась в дороговизне услуг внешних подрядчиков, а также в долгом времени реакции на правки. Логичным решением стало предоставление сотрудникам доступа к лучшим версиям генеративных ИИ, а также проведение обучения внутри компании.

Вторая проблема — потребность в предиктивной и прескриптивной аналитике. Она решается с помощью ML-платформы. Еще одна проблема — высокая потребность в ad hoc аналитике, в том числе в выходные и праздники. Это достигается с помощью аналитических приложений.

Важна и потребность в единой точке входа в бизнес-знания и устройство процессов компании. Для этого было принято решение создать «цифрового дата-аналитика». Наконец, в компании существует множество ручных рутинных процессов, которые нуждаются в автоматизации. Здесь потребуются workflow-среды для создания автоматизированных процессов с ИИ-агентами.

- Какие цели были поставлены?

Если коротко, требовалось внедрить ИИ-инструменты для повышения эффективности сотрудников. Важно было предоставить инструмент ad hoc аналитики для непрофессиональных пользователей, создать ML-платформу для расширения возможностей при принятии решений бизнес-направлениями. И, конечно, повысить уровень знаний и навыков сотрудников в области ИИ для самостоятельной автоматизации своих рутинных процессов.

- Какой подход был выбран для реализации задач?

Для реализации задач был выбран комплексный, проблемно-ориентированный подход: команда отталкивалась от конкретных бизнес-потребностей – высокая стоимость контента, потребность в аналитике, рутина – и под каждую задачу подбирала соответствующий ИИ-инструмент.

При этом ключевыми принципами стали безопасность (единая точка входа с контролем данных) и демократизация доступа (круглосуточная аналитика для неспециалистов). Вместо разрозненных решений была создана единая экосистема, интегрированная с корпоративным хранилищем, ИБ, озером данных, дата-каталогом и ML-платформой. Это позволяет сотрудникам не только пользоваться готовыми инструментами, но и самостоятельно автоматизировать процессы, развивая собственные компетенции.

- Какие принципы пытались соблюсти при создании системы?

При создании системы основным принципом стало обеспечение безопасности и контроля данных. Мы стремились к тому, чтобы сотрудники могли использовать самые эффективные ИИ-решения, но при этом полностью исключить риск утечки конфиденциальной информации. Это реализовано через внедрение единой точки доступа с корпоративной учетной записью и строгом контроле данных, используемых в ИИ-агентах. Также важным принципом стала комплексность: мы не просто внедряли отдельные инструменты, а создавали единую среду для решения разнообразных задач — от аналитики до генерации контента.

- Как подошли к выбору инструментов, что для каких задач в итоге выбрали?

Множество проблем было связано с доступностью ИИ-моделей. Далеко не все открытые, бесплатные версии дают нужные возможности, а оплата таких инструментов в настоящее время затруднена. Также существовала проблема с конфиденциальной информацией, которую пользователи отправляли ИИ. Необходимо было фильтровать такие данные без закрытия доступа к ИИ. Для этого была выбрана платформа Jay Copilot с Guard Rail – Jay Guard. Эти два инструмента, развернутые внутри контура компании, обеспечили полный доступ к pro-версиям всех нужных в работе ИИ-моделей. Интеграция с протоколом LDAP позволила обеспечить контролируемый и удобный доступ всем сотрудникам, а фильтрация и маскирование запросов к ИИ позволили исключить риски, связанные с № 152-ФЗ.

Еще одной из ключевых проблем, решаемых с помощью ИИ, стало создание комплекса решений, который мог бы облегчить непрофессиональному пользователю работу с данными — цифрового дата-аналитика. Такая система должна была забрать на себя до 70% ad hoc запросов, которые ранее обрабатывались силами дата-аналитиков. Помимо этого, нужен был не просто механизм общения с аналитическим DWH, но и база знаний, которая позволяла бы пользователю найти нужные сведения о бизнесе компании. Таким инструментом стал Analytics Generate APP — Easy Report, который позволяет, используя нативный язык, получать данные по метрикам. Сами метрики автоматически синхронизируются с дата-каталогом OpenMetadata.

Для создания ML-платформы были выбраны open-source инструменты: Inference — Caila, Ollama, vLLM, Triton; LLM — Qwen, DeepSeek, LLaMa и т.д.; Dataset/Model Repository — MLFlow; ML Tools — JupyterHub; ELT Tools — Airflow, dbt; DB — ClickHouse.

Такой набор инструментов позволил не только начать работу над широким бэклогом задач по предиктивной и прескриптивной аналитике, но и обеспечил так нужные другим компонентам системы LLM-модели внутри контура компании. Стоит добавить, что для сборки ИИ-приложений также был развернут Dify, к которому есть доступ у всех сотрудников компании.

- Что в итоге представляет собой созданное решение?

В итоге мы создали комплексную корпоративную среду, экосистему ИИ для повышения эффективности и доходности. Это единая платформа, объединяющая несколько ключевых компонентов. Первый из них – корпоративный инструмент взаимодействия с ИИ-приложениями с доступом по единой учетной записи. Второй компонент – цифровой дата-аналитик, отвечающий на ad hoc запросы по показателям и метрикам компании. Третий важный элемент – дата-каталог, служащий источником знаний для компании. Кроме того, в экосистему входит ML-платформа, на которой ML-аналитики строят прогнозные модели, и платформа для сборки сотрудниками собственных рабочих процессов с ИИ-агентами.

Таким образом, это не просто набор функций, а интегрированная в бизнес экосистема, которая обеспечивает и безопасность, и доступность данных, и возможности для автоматизации.

- Какими силами реализован проект?

Проект реализован силами трех человек за полгода.

Помимо меня, в состав команды вошли: Константин Кондратьев — архитектор ИИ, и Александр Нечитайло — архитектор платформы данных. Константин отвечал за верификацию архитектуры проекта, рекомендации по компонентам системы, развертывание ML-инструментов, тренировку ML-моделей, подготовку дата-сетов, создание AI-приложений, обучение LLM, обучение основам ML сотрудников. Александр занимался финальной отрисовкой архитектуры, подготовкой инфраструктуры, установкой и настройкой компонентов системы, настройкой интеграции с LDAP, организацией ETL и хранения данных для ML, интеграцией с дата каталогом, обеспечением тестирования.

- Каких результатов удалось достичь?

Решение Jay Copilot на регулярной основе используют 170 человек – это более половины сотрудников. Более 20 ML-моделей обеспечивают высокую точность прогнозирования, что позволило добавить их в регулярную отчётность как достоверный источник знаний. На self-service платформе Dify пользователи собрали уже более 100 собственных workflow с ИИ-агентами. Дата-офис, благодаря высвободившемуся от ad hoc запросов ресурсу, смог начать работу над двумя масштабными аналитическими проектами, о которых мы расскажем в следующий раз.

- Приведите несколько показательных примеров, как изменилась жизнь различных сотрудников после внедрения ИИ-продуктов.

Для не-аналитиков ранее получение ответа на вопрос могло занять два-три дня, а теперь ad hoc аналитика доступна им круглосуточно в онлайн-режиме. Сотрудникам не нужно ждать несколько рабочих дней или специалистов, чтобы увидеть актуальные показатели и метрики.

Аналитики получили мощный инструмент для самореализации и влияния на бизнес. Запущенная ML-платформа позволила им создавать сложные модели прогнозирования (товародвижения, бизнес-показателей), результаты которых реально влияют на доходность.

У маркетинга появился инструмент для самостоятельной генерации контента (текст, картинки, видео), для работы с которым был проведен специальный курс обучения. Такой подход позволил генерировать контент самостоятельно и в кратчайшие сроки, не тратя время на уточнение деталей с внешними агентствами.

Менеджерам Jay Copilot позволяет записывать и транскрибировать встречи, а также хранить их в одном месте. Таким образом, все обсуждаемые вопросы запоминаются системой и могут быть найдены по запросу пользователя. Это сильно ускорило работу, а также исключило противоречия в толковании итогов встреч. Также у сотрудников есть инструмент для отслеживания статуса задач и анализа проектов – RAG-интерфейс с данными из Jira/Confluence.

И, конечно, у всех сотрудников появилась возможность использовать самые современные ИИ-решения для любых рабочих задач, собирая собственные процессы с ИИ-агентами для автоматизации рутины. При этом они могут делать это безопасно, не рискуя утечкой данных.

- Какие инструменты показали наибольшую эффективность?

Пока сложно оценить, необходим более длительный период наблюдения. По сути, каждый из использованных инструментов уникален по набору решаемых задач и функций.

- Какие бизнес-результаты были достигнуты? Чем можете похвастаться?

Во-первых, экономия на услугах генерации контента от внешних организаций. Теперь служба маркетинга сама занимается генерацией контента на предоставленном ей сервисе, что обходится компании значительно дешевле. Во-вторых, произошла оптимизация ресурсной модели подразделений за счет экономии ФОТ при росте бизнеса и количества задач на 20%. Достигнуто повышение маржинальности продукта. ML-модель оптимально составляет тиражный календарь, что сильно снижает расходы и повышает эффективность планирования.

- В чем роль проекта для развития компании?

Направления развития проекта «Экосистема ИИ» ориентированы на интенсивную модель роста и стратегию завоевания рынка в соответствии с амбициозными планами акционеров. Как комплексное решение, покрывающее ключевые бизнес-потребности, экосистема интегрируется в общую стратегию развития компании для повышения прибыли, улучшения рентабельности, роста операционной эффективности и создания новых бизнес-направлений. Ключевым фактором успеха станет дальнейшее масштабирование экосистемы.

- Каковы направления развития проекта?

В ближайшем будущем ожидается интеграция контакт-центра с ИИ-агентами для перевода речи в текст и автоматического анализа обращения, внедрение интеллектуального фрод-мониторинга и запуск «второго пилота» для ИТ-разработки на локальных мощностях без утечки кода вовне.