Компании начали разрабатывать систему, которая должна автоматически проверять качество кормового сырья и выявлять риск фальсификации.
Главное здесь — архитектура из двух уровней ИИ.
На первом уровне работает ML. Система анализирует NIR-спектр образца и за секунды оценивает его физико-химические показатели и аминокислотный профиль, а затем ищет отклонения от эталонных значений.На втором подключается GigaChat. Генеративный ИИ не принимает решение сам, а переводит результаты ML в понятный структурированный отчет: что именно отклоняется, насколько это критично и на какие источники опирается вывод.Причём каждый вывод должен сопровождаться ссылкой на источник из базы знаний. Свободного чата и рекомендаций по кормлению в системе не будет — модель работает только по заранее заданным сценариям.
На выходе предприятие получает один из пяти статусов: соответствует, не соответствует, подозрение на фальсификацию, требуется повторная проверка или недостаточно данных.
Заявленный экономический эффект — снижение кормовой себестоимости на 5–15% за счёт более быстрого входного контроля, меньшей зависимости от лабораторных испытаний и более объективной работы с поставщиками.
Интересен здесь не столько сам GigaChat, сколько разделение ролей.ML отвечает за измерение и поиск отклонений, генеративный ИИ — за объяснение результата человеку.
Для промышленного ИИ это, пожалуй, один из наиболее реалистичных сценариев: LLM не заменяет специализированную модель и не принимает решение «из головы», а становится интерпретационным слоем поверх уже проверяемой аналитики.
AI для бизнеса в Telegram | в MAX
