Разработка AI-ассистента для ERP: аналитика, прогнозы, рекомендации

Разработка AI-ассистента для ERP: аналитика, прогнозы, рекомендации

ERP-системы накапливают тонны данных о продажах, закупе, производстве. Руководитель хочет знать: "Какой цех съедает больше бюджета?" или "Когда закончится сырьё X?". Без SQL-знаний или BI-аналитика получить ответ — задача на часы. Мы строим AI-ассистента, который понимает естественный язык, сам строит SQL, интерпретирует цифры и даёт рекомендации. Экономия времени управленческого персонала — до 80%, а средняя экономия бюджета на аналитику составляет $3,200 в месяц.

Проблемы, которые мы решаем

Ad-hoc-запросы застревают в очереди к аналитику. В компании с 15 руководителями средний аналитик тратит 25 часов в неделю на однотипные "посмотри выручку по клиентам". AI-ассистент берёт 70% таких запросов на себя, освобождая аналитика для глубоких исследований.

Прогнозирование превращается в гадание. Без автоматизации менеджеры строят прогнозы в Excel на основе интуиции. Ассистент подтягивает исторические тренды, сезонность и внешние датасеты, выполняя цепь запросов к ERP через агентный loop.

Алерты пропускаются. Критичные отклонения — просрочка дебиторки, перерасход бюджета — часто замечают слишком поздно. Ежедневный health-check, который мы встраиваем, сканирует KPI и шлёт алерты в Telegram или Slack.

Архитектура ERP-ассистента

Класс ERPAssistant использует LLM (например, Claude Sonnet 4-5) с инструментами: execute_query для безопасных SELECT и get_kpi_metrics для предрасчитанных метрик. Модель сама решает, какие SQL необходим, выполняет их через read-only коннект и возвращает интерпретацию с рекомендациями.

from anthropic import Anthropic
import psycopg2
import json
from typing import Any
from pydantic import BaseModel

client = Anthropic()

class ERPQueryResult(BaseModel):
    sql: str
    data: list[dict]
    interpretation: str
    recommendations: list[str]
    alerts: list[str]

class ERPAssistant:

    def __init__(self, db_connection_string: str, erp_schema: dict):
        self.conn = psycopg2.connect(db_connection_string)
        self.schema = erp_schema  # Описание таблиц и связей ERP

        self.tools = [
            {
                "name": "execute_query",
                "description": "Выполнить SQL запрос к ERP базе данных",
                "input_schema": {
                    "type": "object",
                    "properties": {
                        "sql": {"type": "string", "description": "SELECT запрос"},
                        "description": {"type": "string", "description": "Что запрос делает"}
                    },
                    "required": ["sql"]
                }
            },
            {
                "name": "get_kpi_metrics",
                "description": "Получить предрасчитанные KPI метрики",
                "input_schema": {
                    "type": "object",
                    "properties": {
                        "metric_type": {
                            "type": "string",
                            "enum": ["revenue", "inventory", "expenses", "headcount", "orders"]
                        },
                        "period": {"type": "string", "description": "Период: week/month/quarter/year"}
                    },
                    "required": ["metric_type", "period"]
                }
            },
        ]

    def execute_query(self, sql: str) -> list[dict]:
        """Безопасное выполнение только SELECT запросов"""
        if not sql.strip().upper().startswith("SELECT"):
            raise ValueError("Только SELECT запросы разрешены")

        with self.conn.cursor() as cur:
            cur.execute(sql)
            columns = [d[0] for d in cur.description]
            rows = cur.fetchall()
            return [dict(zip(columns, row)) for row in rows[:100]]

    def get_kpi_metrics(self, metric_type: str, period: str) -> dict:
        """Возвращает предрасчитанные метрики"""
        # В реальной системе — запросы к таблицам ERP
        # Здесь упрощённый пример
        period_sql = {
            "week": "AND date >= CURRENT_DATE - INTERVAL '7 days'",
            "month": "AND date >= DATE_TRUNC('month', CURRENT_DATE)",
            "quarter": "AND date >= DATE_TRUNC('quarter', CURRENT_DATE)",
            "year": "AND date >= DATE_TRUNC('year', CURRENT_DATE)",
        }
        date_filter = period_sql.get(period, period_sql["month"])

        if metric_type == "revenue":
            sql = f"SELECT SUM(amount) as total, COUNT(*) as orders FROM sales WHERE 1=1 {date_filter}"
            return self.execute_query(sql)[0] if self.execute_query(sql) else {}
        # ... остальные метрики
        return {}

    def dispatch_tool(self, tool_name: str, tool_input: dict) -> Any:
        if tool_name == "execute_query":
            return self.execute_query(tool_input["sql"])
        elif tool_name == "get_kpi_metrics":
            return self.get_kpi_metrics(tool_input["metric_type"], tool_input["period"])
        raise ValueError(f"Unknown tool: {tool_name}")

    def answer(self, question: str, user_role: str = "manager") -> ERPQueryResult:
        """Отвечает на аналитический вопрос"""

        messages = [{
            "role": "user",
            "content": f"""Вопрос: {question}
Роль пользователя: {user_role}

Схема ERP базы:
{json.dumps(self.schema, ensure_ascii=False, indent=2)[:2000]}

Используй инструменты для получения данных, затем:
1. Проинтерпретируй результаты
2. Дай рекомендации если применимо
3. Укажи алерты если данные требуют внимания"""
        }]

        sql_queries = []
        all_data = []

        while True:
            response = client.messages.create(
                model="claude-sonnet-4-5",
                max_tokens=4096,
                system=f"""Ты — бизнес-аналитик по ERP системе компании.
Анализируй данные точно, приводи конкретные цифры.
Давай практические рекомендации руководству.""",
                tools=self.tools,
                messages=messages,
            )

            if response.stop_reason == "end_turn":
                final_text = next(
                    (b.text for b in response.content if hasattr(b, "text")), ""
                )
                return ERPQueryResult(
                    sql="; ".join(sql_queries),
                    data=all_data[:10],
                    interpretation=final_text,
                    recommendations=self._extract_list(final_text, "Рекомендации"),
                    alerts=self._extract_list(final_text, "Алерты"),
                )

            tool_results = []
            for block in response.content:
                if block.type == "tool_use":
                    result = self.dispatch_tool(block.name, block.input)
                    if isinstance(result, list):
                        all_data.extend(result)
                    if block.name == "execute_query":
                        sql_queries.append(block.input.get("sql", ""))

                    tool_results.append({
                        "type": "tool_result",
                        "tool_use_id": block.id,
                        "content": json.dumps(result, ensure_ascii=False, default=str),
                    })

            messages.append({"role": "assistant", "content": response.content})
            messages.append({"role": "user", "content": tool_results})

    def _extract_list(self, text: str, section: str) -> list[str]:
        """Извлекает пункты из секции текста"""
        import re
        if section not in text:
            return []
        section_text = text.split(section)[1].split("\n\n")[0]
        return [
            line.strip("- •*").strip()
            for line in section_text.splitlines()
            if line.strip() and line.strip().startswith(("-", "•", "*", "1", "2"))
        ]

Интеграция с 1С через API

import requests

class OneCIntegration:
    """Интеграция с 1С:Предприятие через HTTP-сервис"""

    def __init__(self, base_url: str, username: str, password: str):
        self.base_url = base_url
        self.auth = (username, password)

    def get_sales_report(self, date_from: str, date_to: str) -> list[dict]:
        """Получает отчёт по продажам из 1С"""
        response = requests.get(
            f"{self.base_url}/hs/api/v1/sales",
            auth=self.auth,
            params={"dateFrom": date_from, "dateTo": date_to}
        )
        return response.json()

    def get_inventory_status(self) -> list[dict]:
        """Получает остатки товаров"""
        response = requests.get(
            f"{self.base_url}/hs/api/v1/inventory",
            auth=self.auth,
        )
        return response.json()

    def get_budget_execution(self, period: str) -> dict:
        """Получает исполнение бюджета"""
        response = requests.get(
            f"{self.base_url}/hs/api/v1/budget/{period}",
            auth=self.auth,
        )
        return response.json()

Автоматические отчёты и алерты

import asyncio
from datetime import datetime

class ERPAlertSystem:
    """Автоматически обнаруживает аномалии и отправляет алерты"""

    def __init__(self, assistant: ERPAssistant):
        self.assistant = assistant

    async def daily_health_check(self) -> list[str]:
        """Ежедневный аудит ключевых метрик"""
        checks = [
            "Есть ли товары с критически низким запасом (менее недели)?",
            "Превышены ли бюджеты каких-либо отделов в этом месяце?",
            "Есть ли просроченная дебиторская задолженность более 30 дней?",
            "Какие показатели значительно отличаются от прошлого месяца?",
        ]

        alerts = []
        for check in checks:
            result = self.assistant.answer(check)
            if result.alerts:
                alerts.extend(result.alerts)

        return alerts

    def generate_executive_report(self, period: str = "month") -> str:
        """Генерирует исполнительный отчёт для руководства"""
        result = self.assistant.answer(
            f"Подготовь исполнительный отчёт за {period}: ключевые метрики, тренды, риски, рекомендации",
            user_role="ceo"
        )
        return result.interpretation

Практический кейс: производственная компания

Наш клиент — завод с ERP 1С:ERP, 15 руководителей и один BI-аналитик на полставки. Аналитик тонул в ad-hoc-запросах. Мы развернули ассистента за две недели. Внедрили интеграцию с 1С через HTTP-сервис, настроили алерт-систему на критические отклонения.

Типичные вопросы, которые ассистент теперь решает за секунды:

• "Когда закончатся материалы для производства X при текущем темпе?"
• "Какой цех превышает плановые расходы?"
• "Топ-5 клиентов по выручке за квартал с динамикой"

Результат за полгода:

• Ad-hoc-запросы к аналитику сократились с 25 до 7 в неделю (на 72%)
• Время получения ответа на управленческий вопрос упало с 1–2 часов до 30 секунд — в 50 раз быстрее
• Ежедневный алерт на критические метрики предотвратил два кассовых разрыва, сэкономив компании $12,000

Почему AI-ассистент для ERP — не просто Text-to-SQL?

Простые Text-to-SQL модели ошибаются в JOIN и контексте. Наш агентный loop с несколькими запросами позволяет уточнять данные: сначала получить общую сумму, потом развернуть по складам, потом запросить тренд. Выбор следующего действия делает LLM на основе инструментов и истории. Это снижает hallucination и повышает accuracy до 90% на сложных запросах — на 40% больше, чем у стандартных решений без agent loop.

Как обеспечить безопасность запросов?

Применяем три уровня защиты. Первый — парсинг: код блокирует любые запросы, не начинающиеся с SELECT. Второй — read-only пользователь БД без прав на INSERT/UPDATE/DELETE. Третий — логирование всех сгенерированных SQL в таблицу аудита. Если модель пытается выполнить DDL, парсер возвращает исключение до выполнения.

Как внедрить AI-ассистента за 3 шага?

1. Анализ схемы данных — получаем доступ к схеме ERP, определяем ключевые KPI.
2. Конфигурация ассистента — настраиваем промпты, инструменты и интеграцию с 1С или другой ERP.
3. Тестирование и запуск — проверяем точность на 20 типовых запросах, включаем алерт-систему.

"По данным завода, время на рутинные отчёты сократилось на 72%"

Сроки

Что входит в работу

• Документация: описание схемы базы данных, промптов и ограничений.
• Доступы: read-only пользователь, логирование, дашборд мониторинга.
• Обучение: сессия для руководителей и аналитика.
• Поддержка: 2 недели пост-продакшн, исправление неточностей в генерации.

Стоимость рассчитывается индивидуально — зависит от сложности ERP-схемы, количества агентов и необходимости fine-tuning. Свяжитесь с нами, чтобы получить консультацию и оценить проект под ключ. Закажите внедрение сейчас — наши инженеры имеют многолетний опыт интеграции с 1С и другими ERP.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.