ИИ-аналитик для оптимизации отчетности

Заказчик: «РЕСТФОТОАНАЛИТИКА» (London Restaurant Group). 25 лет на рынке, десятки точек корпоративного питания по стране.

Каждый день точки отчитываются: что приготовили, что выдали сотрудникам, что списали. Раньше эти данные вручную сводил аналитик. Он искал закономерности и давал рекомендации: что убрать из меню, а что готовить больше.

Собственник захотел заменить человека нейросетью. Чтобы она сама обрабатывала отчёты и говорила: «Вот это блюдо пора убрать, а вот это — масштабировать». Задача выглядела просто. Мы думали: загрузим таблицу в ИИ, спросим — получим ответ. Ошиблись.

Первый подход с треском провалился. Мы взяли ГигаЧат, облегчённую версию — старшая не давала преимуществ, не стали переплачивать. Но модель не умела работать с таблицами напрямую. Данные приходилось скармливать огромным текстом. Хуже другое: нейросеть путала столбцы, придумывала цифры и блюда, которых нет в меню. На вопрос «что убрать» отвечала уверенно, но мимо реальных данных. Одна ошибка, умноженная на десятки точек — это прямые убытки. Мы пытались уйти от человеческого фактора, а получили его с новой стороны.

Тогда руководитель команды сказал: «Нейросеть — не калькулятор. Цифры должен считать код, а модель — только превращать результат в текст». Это стало поворотным моментом.

Как мы построили систему, где ИИ не врёт. Главное правило: нейросеть не видит сырые данные. Мы дали ей набор кнопок — серверных функций. «Посчитать остатки», «найти топ списаний», «сравнить выдачу и потребление». Модель решает, какую кнопку нажать, а код на сервере считает и отдаёт точные цифры. ИИ только упаковывает их в понятный ответ.

Четыре шага к рабочему решению.

1. Изоляция данных. Таблица живёт на сервере заказчика. Все расчёты делает код. Нейросеть не читает таблицу и не держит её в памяти. Никаких гигантских текстов. Данные не уходят из контура компании.

2. Нейросеть как менеджер. Пользователь спрашивает: «Что убрать из меню за неделю?» Модель понимает, что нужны данные по списаниям, и вызывает нужную функцию с параметрами. Код на сервере всё считает и возвращает точные цифры. Модель получает результат и пишет ответ: «За неделю чаще всего списывали суп харчо и рыбные котлеты. Рекомендую убрать». Цифры посчитал код. ИИ выступил только как интерфейс.

3. Двойная система инструкций. Мы прописали два слоя правил. Системная инструкция объясняет роль: «Ты аналитик, работаешь строго с цифрами, не додумываешь». Инструкция-напоминание уходит с каждым запросом: «Отвечай кратко, только по данным». Любопытный момент: инструкции мы писали с помощью другой нейросети. Получилось точнее и понятнее, чем у человека. Теперь используем этот приём в других проектах.

4. Финальное решение за человеком. Стопроцентной точности не даёт никто. Поэтому в интерфейсе можно поправить ответ модели: название блюда, цифру, формулировку. Машина убирает рутину, но ответственность на операторе.

Прототип сделали за 3 недели силами двух разработчиков. Заказчик загружает отчёт, задаёт вопрос и получает рекомендацию за минуты. Раньше на это уходили часы.

Стоимость запроса к ИИ сократили в 3–20 раз. До внедрения мы скармливали модели 30–100 тысяч токенов за раз. После — типовой запрос занимает 1,5–3 тысячи токенов. Модель больше не устаёт, не фантазирует и не ошибается в цифрах.

Куда это можно перенести. Наш технологический кубик универсален. Достаточно настроить инструменты под другую сферу. Розница, логистика, финансы, производство — везде, где много таблиц и нужно задавать к ним вопросы на обычном языке. Нейросеть — отличный интерфейс, но цифры должен считать код.

Если ваша нейросеть фантазирует при работе с реальными данными, оставляйте заявку. Обсудим, как применить эту архитектуру к вашим задачам.