Обзор использования больших языковых моделей (LLM) в «1С:MDM Управление НСИ»
Обзор использования больших языковых моделей (LLM) в «1С:MDM Управление НСИ»
Фирма «1С» представила концепцию и рабочие прототипы интеграции генеративного искусственного интеллекта в систему «1С:MDM Управление НСИ». В рамках вебинара «Генеративный ИИ в «1С:MDM Управление НСИ» на примере ETL-процессов» Артём Григорович, проектировщик-разработчик ERP/MDM решений, продемонстрировал потенциальные сценарии использования больших языковых моделей (LLM) для решения классических задач управления мастер-данными. Данная статья подготовлена по материалам вебинара.
Ключевая концепция: «Интеллектуальные ассистенты»
В «1С:MDM Управление НСИ» основой для интеграции ИИ служит новая архитектурная компонента — «Интеллектуальные ассистенты». Это не жестко запрограммированная функция, а гибкий фреймворк для взаимодействия с различными LLM.
Технические особенности фреймворка
- Поддержка различных моделей. Подсистема позволяет подключать как облачные сервисы (в прототипе использовался GigaChat от Сбера), так и локально развернутые модели (заявлена возможность работы с Ollama; от себя добавим, что доработка под другие провайдеры локальных LLM, такие как LM Studio, не составит труда для опытных специалистов), что критично для компаний с повышенными требованиями к безопасности данных.
- Гибкая настройка. Каждый ассистент настраивается под конкретную задачу. Ключевым элементом настройки является системный промпт, который определяет роль, контекст и ограничения для модели (например, «Ты — эксперт по ведению номенклатуры, отвечай четко на вопросы ведения НСИ»).
- Расширение контекста. В ассистента можно загрузить дополнительный контент для более точных ответов.
Цели и задачи интеграции ИИ
Вендор преследует несколько ключевых целей, выходящих за рамки простого чат-бота:
1. Изменить парадигму. Основная цель интеграции LLM - переход от написания сложных, жестких алгоритмов обработки данных к созданию гибких текстовых промптов. Это позволяет специалистам по данным решать задачи быстрее и, потенциально, без привлечения разработчиков.2. Сокращение времени экспертов MDM. Автоматизация рутинных операций ETL по извлечению, очистке, классификации и трансформации данных.
3. Обработка неструктурированной информации. Предоставление инструментов для работы с данными, которые ранее требовали значительных ручных усилий для структурирования.
Практические сценарии использования
На вебинаре были продемонстрированы следующие сценарии применения ИИ-ассистентов в задачах MDM.
1. Обогащение данных по наименованию
Одной из частых задач является заполнение описательных полей для элементов справочников. С помощью ИИ этот процесс можно автоматизировать.
- Как это работает: создается алгоритм, который берет наименование объекта НСИ (например, «Светильник потолочный светодиодный»), формирует промпт («сгенерируй развёрнутое описание номенклатуры...»), обращается к ИИ-ассистенту и полученный текстовый ответ записывает в поле «Описание». Такой алгоритм можно вызывать интерактивно по кнопке из карточки элемента или встраивать в процессы массовой обработки данных.
Наиболее впечатляющие возможности ИИ демонстрирует в процессах извлечения, преобразования и загрузки данных (ETL).
- Пример 1. Извлечение структурированных данных из текста.
ИИ-ассистент способен разбирать неструктурированные текстовые данные и представлять их в виде структурированных объектов. В примере была показана задача разбора списка адресов. Модель получила на вход несколько строк с адресами в свободной форме и вернула JSON-массив, где каждый адрес был разложен на компоненты (индекс, город, улица, дом) в соответствии с адресным классификатором. - Пример 2. Высокоуровневая нормализация табличных данных.
Продемонстрирован пример обработки «сырого» табличного файла, где данные были внесены неконсистентно (разные наименования одной и той же валюты, разные названия стран). Вместо написания множества правил для каждого столбца, был использован один промпт, который давал модели инструкцию: «Нормализуй таблицу, извлеки все возможные данные... приведи значения к общеизвестным классификаторам». В результате LLM вернула нормализованную таблицу в формате JSON, где валюты и страны были приведены к единому стандарту.
Техническая реализация
Взаимодействие с ассистентами из среды «1С» реализовано через специальные функции в коде. Например, вызов ассистента может выглядеть так:
Ответ = мииАссистенты.ПолучитьОтвет ("Эксперт MDM", ТекстПромпта);
Полученный от модели ответ (чаще всего в виде строки JSON) затем преобразуется во внутренние структуры данных 1С, такие как таблицы значений, для дальнейшей обработки.
Заключение
Представленная концепция показывает, что «1С» рассматривает генеративный ИИ не как отдельную функцию, а как инструментальный фреймворк, интегрированный в ядро платформы. Основной фокус делается на расширении возможностей экспертов по управлению данными, позволяя им решать сложные задачи по очистке, обогащению и нормализации данных с помощью текстовых промптов, а не сложного программирования. Хотя продемонстрированный функционал находится на стадии разработки, он показывает вектор развития продукта в сторону интеллектуализации и автоматизации процессов управления НСИ.
Отдельно отметим, что внедрение технологий искусственного интеллекта в решения 1С не стоит на месте - и мы готовы подключиться как инженерный партнёр. Наша команда внимательно следит за развитием этих инструментов и уже сегодня накапливает практическую экспертизу. Мы готовы предоставить наши компетенции (работу с облачными и локальными LLM, настройки интеллектуальных ассистентов, обеспечиваем версионирование промптов, логирование и воспроизводимость) для пилотных проектов с LLM и совместного с заказчиком исследования потенциала ИИ для решения задач по управлению данными на платформе «1С:Предприятие».