Бизнесу могут запретить создавать профайлы клиентов на базе персональных данных

Как пишут Ведомости, в России готовится законопроект, запрещающий автоматизированный профайлинг пользователей без отдельного согласия. Банки, маркетплейсы и телеком-компании больше не смогут собирать и анализировать данные из разных источников для персонализированного маркетинга, скоринга и таргетинга.

Все согласия на обработку должны будут проходить через ЕСИА или напрямую оператору. Изменения вносятся в статью 5 Федерального закона №152-ФЗ «О персональных данных».

Законопроект мотивирован борьбой с айти-мошенничеством: по данным МВД, в 2024 году зарегистрировано 380 300 преступлений, предусмотренных статьями 159, 159.3 и 159.6 УК РФ, что на 6,8% больше, чем в 2023 году. Ущерб составил ₽188 млрд — рост на 38%.

Минцифры утверждает, что цель инициативы — защита прав граждан и минимизация сбора данных.

Бизнес предупреждает: новые правила парализуют развитие технологий на основе данных. Компании уже вложили миллиарды в системы персонализации, и теперь они рискуют оказаться вне закона. Особенно сильно пострадают малые компании и стартапы, которым будет сложно соблюдать новые требования к администрированию и отчетности в ЕСИА.

Эксперты также отмечают, что в действующем законе уже запрещено объединять базы данных, обрабатываемые с несовместимыми целями. Новый запрет дублирует это положение, вводя дополнительные формулировки — «разные источники», «прогнозирование характеристик» — не определенные юридически, что создает риск правовой неясности.

Все это усложнит архитектуру сервисов, использующих машинное обучение, скоринг и таргетинг. Операторам придется пересматривать алгоритмы, наращивать юридическую и техническую нагрузку, а также отказываться от привычных моделей персонализации.

Предсказываем:

Сперва это выльется в дополнительные издержки для операторов данных и поставщиков услуг, а затем они переложат этот груз на плечи пользователей, повысив стоимость своих продуктов.

Если подумать, то пользователи из своего кармана заплатят за свою же безопасность. Это в лучшем случае.

#безопасность #статьи

Китайцы используют чемоданы для обучения ИИ-моделей

И нет, в чемоданах не ввозят чипы. Как пишет WSJ, все куда интереснее.

В марте четверо китайских инженеров прилетели в Малайзию с чемоданами, в которых хранилось 80 терабайт данных — таблицы, изображения, видео для обучения искусственного интеллекта.

В Малайзии компания арендовала около 300 серверов с мощными чипами Nvidia, недоступными в Китае из-за санкций США. Задача: обучить ИИ-модель за границей и вернуться с результатами.

С 2022 года США все жестче ограничивают экспорт продвинутых ИИ-чипов в Китай. В ответ китайские компании ищут обходные пути.

Одни пытаются использовать местные чипы, другие — закупать американские компоненты через третьи страны. Но все чаще данные просто вывозят туда, где есть нужное оборудование — в Юго-Восточную Азию и на Ближний Восток.

Бывший замглавы Бюро экспортного контроля Томас Кендлер отмечает:

Китай получает доступ к технологиям, не нарушая формально запретов, потому что физически не получает сами чипы.

Для маскировки китайские компании создают дочерние структуры в Малайзии, регистрируют их на местных граждан, разбивают данные на несколько жестких дисков и провозят их в разных чемоданах, чтобы не вызвать подозрений на таможне.

Вернувшись в Китай, инженеры привозят обратно сотни гигабайт готовых параметров моделей.

Это становится новой нормой:

Малайзия, Сингапур, Индонезия и Таиланд переживают бум дата-центров. Только в марте и апреле Малайзия импортировала ИИ-чипов и процессоров из Тайваня на $3,4 млрд. Nvidia активно продает десятки тысяч чипов странам Персидского залива, включая Саудовскую Аравию и ОАЭ.

#ии #статьи

Предвидим квоты для роботов в советах директоров

В Gartner выкатили прогнозы по развитию индустрии данных и аналитики на 2025–2029 годы. Отчет готовили специально к Gartner Data & Analytics Summit, так что он ориентирован на Chief Data Officers и Chief Data Analytics Officers.

Разберемся, что нам интересного напророчили.

1. ИИ-агенты будут принимать половину бизнес-решений

К 2027 году 50% решений в компаниях будут автоматизированы или поддержаны ИИ. Это ускорит процессы, повысит эффективность и снизит зависимость от интуиции. Но успех таких систем зависит от качества данных и продуманного управления — без этого получится знакомая рубрика с дурными советами.

2. ИИ-грамотные лидеры зарабатывают больше

Организации, где топ-менеджеры понимают возможности и ограничения ИИ, показывают на 20% лучшие финансовые результаты. Причина — в инвестициях и инициативах, а не в гонке за хайпом. Обучение руководства становится конкурентным преимуществом.

И отрыв будет расти.

3. Синтетические данные могут подорвать доверие к ИИ

К 2027 году 60% организаций столкнутся с провалами из-за некачественного управления синтетическими данными. Без понимания происхождения, структуры и метаданных модели будут ошибаться, нарушать нормы и дискредитировать сами себя.

Шишки сами себя не набьют.

4. Компании будут сами разрабатывать решения на базе генеративного ИИ

К 2028 году каждая третья компания выберет строить свои системы, а не использовать готовые. Это даст им больше контроля, экономию на дистанции и защиту от вендор-зависимости. Но потребует зрелых команд и существенных вложений в LLMOps-инфраструктуру.

5. Смысл важнее объема: семантика повышает точность моделей

К 2027 году организации, которые выстроят грамотное управление семантикой данных, получат до 80% роста точности ИИ-моделей и сократят вычислительные расходы на 60%. Четкая семантическая база уменьшает галлюцинации, оптимизирует потребление токенов и ускоряет выполнение задач.

6. Советы директоров начнут сверяться с ИИ

К 2029 году 10% советов директоров будут использовать ИИ-системы для проверки и корректировки стратегически важных решений, получая мнение со стороны в условиях высокой неопределенности.

Интересно, а как потом ответственность делить?

Кажется, наиболее ясно авторы видят будущее, где фокус сместится с «много данных» к «правильным данным»: семантика, структура, контекст — все это становится важнее объема.

Это прямо как у Ленина: лучше меньше, да лучше.

Опа! Мы поймали капиталистов на цитировании вождя мирового пролетариата.

Нейросети вовсе не уравнивают людей, а увеличивают расслоение

GitHub проводил контролируемый эксперимент: группа программистов с Copilot завершала задачи на 55 % быстрее, чем без него.

Но если вы не знаете, зачем именно нужен этот код, как его безопасно внедрить в архитектуру, и где могут быть уязвимости — вы не инженер, а оператор промптов. LLM отлично масштабируют знание. Но и незнание они масштабируют точно так же — только быстрее и дешевле.

В 2023 году сгенерированный код Copilot попал в продакшн и случайно открыл публичный доступ к логам, содержащим персональные данные.

Все из-за одной сгенерированной мелочи, которую никто не проверил.

Инженеры все чаще перестают писать руками. На Reddit многие признаются, что полностью поручили написание кода Claude. Он и баги даже сам правит.

Звучит круто — но это путь к утрате инженерной интуиции. Значит, качество и устойчивость решений снижаются.

Почему тогда растут зарплаты инженеров?

В 2018 году McKinsey прогнозировал, что спрос на технологические навыки вырастет на 55% за 12 лет. К 2030 году на эти навыки придется 17% всех рабочих часов на планете.

В марте стало ясно, что спрос на инженеров данных вырос на 50% только за прошедший год. Ну и зарплаты инженеров за 2018-2023 выросли на 25%.

Стоп. Но разве нейросети не отнимают у людей рабочие места?

Отнимают. Но не у всех.

Стремительно падает доля джунов на рынке. В Amazon и Dropbox, массово сокращая сотрудников в 2023-2024 годах, прямо говорили: «Теперь ту же работу делает меньше людей с помощью ИИ-инструментов».

Сеньоры, используя новые инструменты, становятся круче, а джуны — слабее.

Как теперь стать сеньором?

Бунтовать против ИИ из-за потери рабочих мест — это к луддитам, мы к этому не призываем.

Нейросети, кажется, сломали механизм взращивания кадров.

Беда в том, что оператор ИИ, заменивший джуна-разработчика, не набирается нужного опыта и не становится мидлом-разработчиком.

То, что джуны не получают работу — не так страшно, а вот то, что они не получают опыт — настоящая угроза.

Учиться теперь нельзя просто по дороге. Опыт больше не набирается пассивно. Учиться нужно проактивно, осмысленно, через рефлексию и обратную связь. Потому что ИИ забирает у новичков главный ресурс — время на ошибки.

#ии #статьи #исследования

Пока они там у себя суетятся, мы тут уже монетизируем

В России работает уже более 130 отечественных ИИ-сервисов в разных сферах: от создания презентаций до оптимизации производственных цепочек.

В «Инке» представили карту российского генеративного ИИ — удобный каталог всех отечественных решений, уже меняющих бизнес-процессы. К карте прилагается детальный обзор.

Пока DeepSeek и OpenAI меряются бенчмарками и дерутся за глобальных пользователей, российские разработчики продуктов на базе искусственного интеллекта может только и рады.

Конкурировать за клиентов с мировыми гигантами не надо, ведь программа перехода на отечественное ПО создает достаточно спроса и на внутреннем рынке.

Парадоксально ярко цветут корпоративные решения: пока западные гиганты борются за создание универсального суперинтеллекта, российские разработчики уже монетизируют узкоспециализированные решения — от анализа звонков до генерации презентаций. 

#ии #статьи

Если вы все-таки решили стать дата-инженером

Ну или если кто-то из ваших знакомых решил им стать, несмотря ни на что. Тогда обязательно сохраните и распространите: Data Engineer Handbook — ультимативно полезный репозиторий на Гитхабе для джунов и мидлов, которые хотят стать сеньорами.

Внутри:

- Понятный план обучения: какие скилы и инструменты осваивать, чтобы цениться на рынке труда.

- Видеокурс на 6 недель обо всем: от установки софта до отладки пайплайнов.

- Список литературы: главные мастриды для тех, у кого мало времени, и более 25 полезных книг, если хотите знать все.

- Ютуб-каналы, подкасты, блоги и рассылки: актуальные источники знаний, лайфхаков и приемов.

- Подборка профессиональных сообществ для дата-инженеров.

- Реальные проекты и задачи для закрепления знаний и опыта: ETL, пайплайны, стриминг, облако.

Репозиторий развивается и регулярно дополняется: 34000 звезд, 6600 форков и 120 контрибьютеров.

Смотрите на Гитхабе, советуйте коллегам и знакомым.

Вы уверены, что готовы довериться машине?

Сегодня многие мечтают называться data-driven. Это звучит современно, технологично, даже немного элитно — как будто вы уже в клубе тех, кто доверил принятие решений алгоритмам и теперь движется быстрее остальных.

На самом деле, data-driven — это не про моду. Это про зрелость. Это не стартовая точка, а финальная стадия развития, к которой ещё нужно дорасти.

Чтобы система принимала решения сама, она должна пройти длинный путь: собрать достаточно чистых данных, научиться извлекать закономерности, выдержать тест на устойчивость. Должны быть не только цифры, но и уверенность в том, что модель понимает происходящее не хуже, чем человек. В идеале — лучше.

Такой уровень достигается не сразу, а только после десятков и сотен итераций, наблюдений, ошибок, улучшений.

Data-driven в промышленности

В промышленности такой переход возможен уже сегодня. Там процессы стабильны: двигатель либо перегревается, либо нет. Станок либо вибрирует, либо работает в норме. Если система фиксирует отклонение, она может отключить оборудование без участия инженера.

Потому что она обучена, проверена, и последствия предсказуемы. Там, где цена ошибки известна и допустима, можно делегировать решение машине.

Data-informed в медицине

Теперь представим врача, который получает от ИИ диагноз на основе анализа МРТ. В большинстве случаев модель действительно права. И все же врач не просто соглашается, а анализирует, сопоставляет, взвешивает.

Потому что в медицине каждый случай может быть уникален. Потому что ИИ пока не умеет объяснять свои решения так, как это нужно человеку. Потому что врач — не просто исполнитель, а носитель контекста, который алгоритму недоступен. И потому что ошибка может стоить слишком дорого, а нейросеть не накажешь.

Можно ошибиться и с готовностью, и с неготовностью

Data-informed — это когда вы за рулем, и навигатор подсказывает: «Через 300 метров сверните направо», но вы знаете, что там вчера вечером коммунальщики разрыли яму, и едете другим путем.

Data-driven — это автопилот: машина сама рулит, зная и ямы, и пробки, и все засады гаишников. Это круто, но вы должны быть уверены, что она не ошибается. Проблема не столько в несовершенстве технологий и данных, сколько в доверии к ним.

Можно излишне доверять плохим данным и потерпеть фиаско. Или не доверять надежным данным и отстать в цифровой трансформации.

Быть data-informed — не значит не доверять данным. Это значит — не снимать с себя ответственность. И только когда выстроена инфраструктура, очищены данные, понятны метрики, описаны риски — только тогда можно всерьез говорить о переходе к data-driven. Не как о модной вывеске, а как о новой точке зрелости. И даже тогда — не везде, не во всем, не сразу.

Так что если вы сейчас совмещаете интуицию с аналитикой — вы не отстали. Вы на правильном этапе.

Из каких профессий приходят Data Product Managers — и как сделать так, чтобы они приносили бизнесу ценность

Представьте ресторан с идеально оборудованной кухней: плиты сверкают, ножи наточены, продукты отобраны с педантичной тщательностью. Команда поваров отрабатывает каждый рецепт до совершенства. Но гости за столами остаются недовольны: кто-то так и не дождался блюда, кому-то не понравился вкус, а кто-то вообще ушел, не сделав заказ.

Так часто выглядит работа департамента данных. Вы вкладываете ресурсы в архитектуру, нанимаете сильных инженеров, строите отказоустойчивые системы, сокращаете задержки и повышаете производительность. Внутри все работает идеально. но бизнес жалуется, что данные не помогают, что отчеты готовятся неделями, что сегментация клиентов по-прежнему делается вручную.

Почему так происходит? Потому что роль Data Product Manager чаще всего достается тем, кто вырос из инженеров, архитекторов или аналитиков. Эти люди отлично разбираются в том, как данные устроены внутри: умеют строить пайплайны, оптимизировать запросы, развертывать хранилища. Они блестяще решают технические задачи, но редко слышат, что именно нужно гостям в зале.

Чтобы переломить эту ситуацию, стоит пересмотреть подход к подбору и развитию DPM. На собеседовании не достаточно спрашивать про архитектурные паттерны и знание API — важно понять, умеет ли кандидат разговаривать с бизнесом, выявлять приоритеты и объяснять свои решения понятным языком.

Хороший DPM не только знает, как устроена кухня, но и выходит в зал к гостям: общается с маркетингом, продажами, операциями, узнает, какие у них метрики успеха и какие данные им действительно нужны. Он умеет рассказывать истории про то, как его проект снизит отток клиентов или повысит прибыль, а не только про то, на сколько нодов уменьшится нагрузка.

Внутри команды важно закрепить за DPM понятные бизнес-метрики: скорость принятия решений, вовлеченность пользователей, возврат инвестиций. Полезно организовать регулярные встречи с ключевыми подразделениями, чтобы он слышал их боль и корректировал приоритеты. И конечно, поддерживайте развитие таких навыков: учите сторителлингу, объясняйте, как работают метрики компании, и помогайте формулировать ценность инициатив для руководства.

Сильный DPM — это не тот, кто превращает данные в красивые пайплайны, а тот, кто превращает их в ощутимую пользу для бизнеса. Такой человек соединяет кухню и зал ресторана и делает так, чтобы гости не только ушли сытыми, но и захотели вернуться снова.

Разыскиваете свежие тренды в аналитике, big data и AI? Подписывайтесь на Data Place — здесь собраны лучшие материалы для дата-аналитиков, инженеров, архитекторов и всех, кто работает с данными.

О чём пишут на канале:

— Глубокое обучение при помощи Spark и Hadoop: знакомство #Deeplearning4j
— Что нужно знать дата-саентисту? (на англ. языке)
— 26 принципов построения промптов для LLaMA-1/2, GPT-3.5/4
— Как стать дата-инженером? Подборка статей и список вопросов и ответов для прохождения интервью

Присоединяйтесь к Data Place и прокачивайте навыки работы с данными!

Рассуждений от ИИ больше недостаточно, теперь нужны еще и объяснения

ИИ уже умеет принимать решения: кому выдать кредит, какой диагноз поставить, кого позвать на собеседование. И нередко делает это лучше человека. Еще 6 лет назад исследование Google и Nature Medicine показало, что их ИИ для скрининга рака легких на КТ добился 94% точности. Это выше, чем у среднего радиолога.

Но ключевая проблема в том, что эти решения остаются черным ящиком.

Что в черном ящике?

Нейросети выдают результат, но не объясняют, почему именно такой. В большинстве задач это приемлемо: например, в чат-ботах или системах рекомендаций.

В Евросоюзе вступает в силу The EU Artificial Intelligence Act, закон уровня регламента, как GDPR. В нем описывается категория ИИ с высоким риском, в которую попадают решения для медицины, финансов, судов, образования и так далее. В этих вопросах неприемлемо скрывать логику принятия решения в черном ящике.

Кстати, в GDPR уже сейчас есть пункт, согласно которому «субъект имеет право не подвергаться воздействию решения, основанного исключительно на автоматизированной обработке».

Поэтому набирает силу подход Explainable AI (XAI) — ИИ, который показывает не только результат, но и обоснование.

Как объяснения решают проблемы?

В здравоохранении это может быть тепловая карта поражённых участков снимка, в кредитовании — вес каждого критерия в решении о выдаче кредита. В отчете McKinsey говорится, что внедрение XAI в чувствительных областях повышает доверие пользователей на 30–50%, снижает число юридических претензий и улучшает качество моделей.

XAI также помогает выявлять системные ошибки и предвзятость. На Viso описан кейс банка, где модель отклоняла заявки женщин на кредит в два раза чаще, чем мужчин. Объяснимость позволила увидеть, что модель обучена на исторических данных с гендерным смещением, и исправить алгоритм.

XAI не убирает риск полностью, а сдвигает его на новый уровень — теперь разработчикам предстоит встраивать объяснения так, чтобы они соответствовали не только здравому смыслу, но и формальным требованиям.

ИИ уже достаточно зрел, чтобы принимать решения лучше человека. Но пока не созрели люди, чтобы слепо доверять машине. Задача не в том, чтобы сделать ИИ еще умнее, а в том, чтобы разработать понятные правила и механизмы доверия — так же, как врач доверяет клиническим рекомендациям Минздрава и несет ответственность в рамках рекомендаций.

Только тогда ИИ станет полноценным партнером, а не источником новых рисков.

#ии

Сколько людей, на каких ролях и за какие деньги работают с данными в Revolut, Zoom, Notion и так далее

Сколько человек должно быть в дата-команде? На каких ролях? Каким стеком они должны владеть и сколько им надо платить?

На databenchmarks.com можно узнать, как с этим обстоят дела в крупных и крутых компаниях Европы и США:

- Размер дата-команды относительно всего штата компании.

- Состав команды: какой там процент аналитиков, инженеров, продактов, дата-сайентистов и так далее.

- Стек.

- Зарплаты.

Вероятно, данные по зарплатам не особо актуальны для России, ибо там данные по Европе и США, но в остальном информация полезная: можно сравнить свою дата-команду по составу с теми, которые работают над чем-то похожим в успешных компаниях.

#исследования

Как компании монетизируют данные через API?

Они превращают их в сервис: не просто передают файлы или выгрузки, а дают клиентам удобный, контролируемый доступ к данным. Клиенты сами подключаются к API и забирают нужные данные в нужном объеме, платя за запросы или подписку.

С помощью API компания превращает данные в продукт с интерфейсом. Набор данных стоит денег, но работающий на этом наборе DaaS создает добавленную стоимость и за него вам заплатят заметно больше.

Откуда дополнительная ценность?

1. Клиенту не нужно разбираться в форматах, выгрузках и структуре — он просто подключается и получает нужное.

2. Сделайте за клиента обработку, фильтрацию, агрегацию и тогда сможете брать за данные больше. Сильно больше.

3. Можно упаковать одни и те же данные в разные API и продавать их разным сегментам по разной цене. Сырые аналитикам, агрегированные SMB-клиентам, скоринг банкам.

4. Можно создавать наборы API под конкретные ниши: например, API для финтеха, API для ритейла и так далее. Появляется возможность партнериться и получать процент от использования.

5. С API видно, какие данные востребованы, когда пики спроса, кто потребляет больше всего и как меняется поведение. Это позволяет адаптировать продукт, улучшать структуру, выявлять новые точки роста.

Получается, что API создает уровни ценности, даже если изначально у вас только один набор данных.

Какие данные подходят для такой модели?

Продажа данных по API не дает обойти законы вроде GDPR или HIPAA, но есть способы легально продавать производные от персональных данных. Например: «оценка кредитного риска по сегментам», «популярность товаров по регионам», «обобщенные демографические профили».

Reddit продает доступ к пользовательскому контенту для обучения ИИ, но через API, который отдает посты без привязки к конкретным людям.

Zillow продает индекс цен на жилье по районам через API, который выдает агрегированные рейтинги и динамику без информации о конкретных владельцах недвижимости.

Experian продает через API кредитные скоринги и риск-профили, выдавая только баллы и рекомендации без личных данных клиентов.

Продажа данных по API выгодна продавцам, чьи данные регулярно обновляются, а вот данные, не требующие постоянного доступа, лучше продавать сразу пакетами.

#деньги

Если ваш сайт посещают ИИ-боты, вы можете на этом заработать

Сегодня боты вроде OpenAI, Anthropic, Perplexity и других массово собирают данные для обучения моделей и формирования ответов, но:

- Не возвращают пользователей на сайты.

- Не платят владельцам контента.

Поисковики еще как-то делятся трафиком и рекламными доходами, а вот ИИ-боты — нет. Контент создается за дорого, но доходы от него падают.

Cloudflare предложила решение: монетизировать доступ ИИ-ботов к контенту сайтов.

Владелец сайта через панель Cloudflare выставляет цену за один запрос. Бот перед отправкой запроса указывает, готов ли платить, и подтверждает свою личность с помощью подписи. Если бот согласен заплатить, сервер возвращает данные и списывает платеж. Cloudflare собирает платежи и перечисляет их владельцу сайта.

Технология уже поддержана крупными игроками вроде Condé Nast, Associated Press и Reddit, а Cloudflare запустила решение в режиме закрытой беты. По сути, это первый шаг к полноценному рынку данных для ИИ, основанному на прозрачности и стандартных интернет-технологиях.

Reddit, кстати, показал пример: он уже продает свои данные Google, но параллельно судится с Anthropic за нелицензионное использование своих данных.

#ии #деньги

Можно продавать данные, чтобы покупатели получали из них инсайты, а можно сразу продавать инсайты

Разбираемся, как это так.

Model Context Protocols — способ превращать данные в готовые контекстные ответы прямо внутри бизнес-процессов.

Вместо того, чтобы продавать таблицы или графики, компании с помощью MCP могут вшивать данные в решения так, чтобы нужный инсайт появлялся точно в нужный момент.

Звучит невероятно, но это уже нон-фикшн. MCP меняет подход к монетизации: продавать можно не данные, а сразу действия на их основе, подсказки и решения.

В чем цимес?

Купили вы данные. Вот они лежат у вас мертвым грузом. Пару раз в неделю ими пользуется три сотрудника. Только один из этих трех умеет извлекать из данных инсайты, которые помогают больше заработать в моменте. Печально.

MCP решает проблему системно: подход избавляет покупателя от необходимости разбираться в данных и искать моменты, когда их применить.

Вместо того, чтобы нагружать команду аналитиков, MCP автоматически подбирает, интерпретирует и встраивает данные в процесс именно там, где от них есть толк.

Многие данные раньше вообще не удавалось монетизировать — слишком специфичные, сложные или кусочные. MCP делает их коммерчески пригодными: включает в сценарии, где они внезапно становятся ценными, потому что закрывают конкретные вопросы в конкретное время.

Как это реализуется технически?

1. Триггер

На стороне покупателя происходит событие (например, нажата кнопка «Подобрать ассортимент» или «Выбрать блюдо дня»), MCP фиксирует его и определяет нужные данные и инструменты.

2. Оркестрация

MCP запускает сценарий: собирает данные из источников, применяет к ним модели, бизнес-правила и экспертизу владельца.

3. Формирование и доставка ответа

MCP объединяет данные, интерпретирует по заданным правилам и возвращает готовый, понятный результат прямо в интерфейс пользователя (CRM, сайт, приложение) за доли секунд, скрывая всю кухню.

4. Монетизация

Каждый вызов MCP учитывается, и можно выставлять счет за готовые ответы, а не за общий доступ к сырым данным.

Пример

Когда кассир на экране выбирает опцию «Выбрать блюдо дня», MCP в фоне собирает необходимые данные: продажи за прошлую неделю, запасы на складе, погоду на завтра и отзывы клиентов.

Затем применяет бизнес-правила (например, не предлагать блюда, ингредиентов для которых мало на складе, и учитывать сезонность и популярность) и формирует готовое предложение: «Сегодня рекомендуем продвигать комбо с курицей и лимонадом — спрос высок, маржа максимальная».

Все это происходит за секунды, за кулисами, через облачный сервис, и кассир видит готовый совет прямо в своем интерфейсе, не зная и не думая о том, откуда и как пришли данные.

В таком подходе данные — не новая нефть, а сразу бензин. Причем сразу в баке, а не на заправке.

#деньги

Если друг оказался вдруг и не друг, и не враг, а дипфейк

Контур.Толк представили инструмент, который выявляет дипфейки прямо во время видеозвонков. Сервис уже работает в формате «один на один» и скоро будет доступен для конференций.

Технология анализирует видеопоток на артефакты, изменения положения и несоответствия в кадре, чтобы выявлять поддельные изображения, созданные нейросетями.

Решение помогает бизнесу защищать удаленные переговоры от атак, снижает нагрузку на проверяющих и соответствует новым законодательным требованиям о дистанционной идентификации и онлайн-собраниях.

Инструмент уже тестируется крупнейшим российским банком.

Вы тоже можете подключить детектор дипфейков по запросу. Для этого нужно обратиться в службу поддержки Толка.

#ии #безопасность