Любой запрос к корпоративному приложению на базе искусственного интеллекта и каждая правка, внесенная экспертом в его ответы, представляют собой ценные данные для обучения. По мнению специалистов Empromptu AI, большинство организаций игнорируют этот поток информации, позволяя полезным сигналам исчезать. Платформа Alchemy Models призвана исправить ситуацию, автоматически фиксируя взаимодействия и направляя проверенные данные обратно в цикл дообучения нейросетей.
Содержание
Механизм непрерывного улучшения моделей
В отличие от традиционных подходов, требующих отдельного сбора и очистки данных перед началом обучения, Alchemy интегрирует этот процесс непосредственно в работу приложения. Система функционирует на базе инфраструктуры Golden Data Pipelines в два этапа. Сначала данные очищаются и структурируются для обеспечения качественного ввода. Затем, в процессе эксплуатации, каждый результат работы ИИ проходит через проверку профильными сотрудниками компании. Исправленные и подтвержденные экспертами ответы становятся основой для следующего цикла дообучения (fine-tuning).
В обзоре отмечается, что такой подход позволяет создавать Expert Nano Models — компактные специализированные модели, оптимизированные под конкретные задачи, а не для общего логического вывода. Платформа поддерживает работу с различными базовыми решениями, включая Llama (продукт компании Meta*), Qwen и другие модели.
Отличия от RAG и традиционного дообучения
Alchemy занимает новую нишу в архитектуре ИИ-решений, отличаясь от привычных методов адаптации нейросетей:
- RAG (поиск дополненной генерации) извлекает контекст из внешних источников в момент запроса, но не меняет внутренние веса модели.
- Традиционное дообучение изменяет веса, но требует подготовки отдельных наборов данных и наличия штата специалистов по машинному обучению.
- Alchemy выполняет дообучение непрерывно, используя само приложение как источник данных, что исключает необходимость в сложной предварительной подготовке.
По словам генерального директора Empromptu Шани Левен, клиенты часто сталкиваются с высокими затратами на облачные вычисления и отсутствием контроля над поведением моделей в специфических отраслях. Использование собственной платформы позволяет компаниям полностью владеть весами обученных моделей и экспортировать их при необходимости.
Эффективность в медицине и финансах
Технология ориентирована прежде всего на сферы с жестким регулированием и высокой интенсивностью данных: здравоохранение, финансы, юридические услуги и розничную торговлю. Одним из примеров успешного внедрения стала компания Ascent Autism, работающая в области охраны психического здоровья.
С помощью Alchemy организация автоматизировала подготовку документации по итогам сессий. Ранее специалистам требовалось от 1 до 2 часов на написание отчетов после каждой встречи. Благодаря модели, обученной на внутренних данных и протоколах компании, время подготовки документов сократилось до 10–15 минут. Технический директор Ascent Autism Фараз Фадави отметил, что система научилась воспроизводить «клинический голос» компании, что позволило сотрудникам перейти от написания текстов к их быстрой проверке и редактированию.
Перспективы корпоративного ИИ
Создание собственного «цикла данных» становится критически важным для современного бизнеса. Чем больше используется приложение, тем больше сигналов для обучения оно получает. Это создает преимущество: точность специализированных моделей растет, что ведет к более качественным результатам и дальнейшему упрощению процесса подготовки данных. В условиях выбора между простым доступом к знаниям через RAG и глубокой специализацией через дообучение, Alchemy предлагает третий путь — автоматизированную эволюцию модели внутри рабочего процесса.
* — деятельность компании запрещена на территории РФ
