ML-інженери — це люди, які щодня ведуть переговори із сирими даними, непрацюючими пайплайнами й реальністю, що вперто не хоче вкладатися в метрики. І найболючіше в цьому всьому — коли модель нарешті запрацювала, ніхто не розуміє, скільки на це пішло нервів, костилів і обхідних шляхів. Саме тому варто переглянути запис розборів кейсів із конференції — бо в AI, як і в житті, краще вчитися на чужих граблях, ніж збирати власні.
На конференції «Як це зроблено. AI edition» було презентовано низку кейсів впровадження штучного інтелекту в українському бізнесі. Я обрав три найяскравіші історії, які показують, що AI може бути однаково корисним аграріям, фармацевтам і державним службовцям — якщо впроваджувати його з головою.
1. Kernel: AI на полi замiсть агронома
Український агрохолдинг Kernel показав, як штучний iнтелект допомагає керувати тисячами гектарiв, коли агрономiв на всi поля не вистачає. Команда Data Science впровадила 12 ML-моделей для прогнозування фаз росту культур, агрологiстики, оцiнки врожайностi та навiть зонування полів.
Найяскравіший приклад — модель прогнозування фази розвитку культур за шкалою BBCH. Вона враховує тип гiбриду, дату посiву, геолокацiю, температуру й опади. Використовуються ансамблi моделей CatBoost, LightGBM, ExtraTrees, а трекiнг експериментiв ведеться через Weights & Biases.
Використання GPU H100 (через хмарну платформу De Novo), Azure Data Factory, Optuna та PyTorch Tabular дозволило створити повноцiнну AI-iнфраструктуру. Модель досягає точностi~0.75, а 95% передбачень не помиляються бiльше нiж на одну фазу. У Kernel уже працюють над переходом до довгострокового прогнозу кривої росту, щоб планувати обробки наперед.
Детально, як це будувалося і як працює, можна подивитися в записі.
2. Комп’ютерний зiр на конвеєрі: як фармацевти вiдбраковують флакони
Другий кейс — впровадження computer vision у фармацевтичнiй компанiї для контролю якостi флаконiв. Система аналiзує до 8000 одиниць на годину й складається з камери високої роздiльностi, блоку вiдбраковки, серверної частини та вебiнтерфейсу.
Але шлях до фiнального рiшення не був простим: дешева камера виявилася слабким мiсцем, яке компенсували лiнзою; блок вiдбраковки довелося переробляти; змiни в освiтленнi впливали на точнiсть; а замiсть одного скрипту довелося створити повноцiнний UI.
Модуль використовує YOLO для детекцiї флакона i простi класифiкатори для виявлення дефектiв (тряскi таблетки, трiщини, пiна тощо). Влучнiсть й повнота — по 97%. Систему можна донавчати без участi розробникiв, а звiтнiсть доступна в адмiнпанелi. Це AI, який працює на виробництвi щодня.
3. LLM для мiнiстерства: менше суб’єктиву — бiльше прозоростi
Третiй кейс — перший в Українi приклад використання генеративного ШI у державнiй сферi. Мiнiстерство молодi та спорту щороку отримує сотнi заявок на мiжнароднi молодiжнi обмiни. Ранiше їх перевiряли вручну, що створювало ризики помилок і затримок.
AI-модуль, реалiзований на базi Diia.Engine й модель Gemma 2 (з 27 млрд параметрiв), автоматично аналiзує текст заявки, оцiнює її вiдповiднiсть прiоритетам, перевiряє кошториси та генерує зауваження для заявника i службовця. Наприклад, якщо в кошторисi екскурсiя у Львовi за 36 000 грн для 36 учасникiв не узгоджується з метою проєкту, система попросить обґрунтувати витрату або видалити її.
Розробники вирiшили низку технiчних обмежень: коротке контекстне вiкно, непiдтримка системних iнструкцiй, нестача даних. Але система працює, i в майбутньому може бути масштабована на iншi державнi сервіси.
Повний техстек з MML та комп’ютерного зору можна подивитися в записі.
Цi три кейси — приклад того, що штучний iнтелект в Українi вже не у фазi експериментiв. Вiн працює, приносить економiю й точнiсть там, де людський ресурс обмежений, а вимоги до якостi високi.