Розробка AI-асистента для ERP: аналітика, прогнози, рекомендації

Розробка AI-асистента для ERP: аналітика, прогнози, рекомендації

ERP-системи накопичують тонни даних про продажі, закупівлю, виробництво. Керівник хоче знати: "Який цех з'їдає більше бюджету?" або "Коли закінчиться сировина X?". Без SQL-знань або BI-аналітика отримати відповідь — завдання на години. Ми будуємо AI-асистента, який розуміє природну мову, сам будує SQL, інтерпретує цифри та дає рекомендації. Економія часу управлінського персоналу — до 80%, а середня економія бюджету на аналітику становить $3,200 на місяць.

Проблеми, які ми вирішуємо

Ad-hoc-запити застряють у черзі до аналітика. У компанії з 15 керівниками середній аналітик витрачає 25 годин на тиждень на однотипні "подивись виручку по клієнтах". AI-асистент бере 70% таких запитів на себе, звільняючи аналітика для глибоких досліджень.

Прогнозування перетворюється на ворожіння. Без автоматизації менеджери будують прогнози в Excel на основі інтуїції. Асистент підтягує історичні тренди, сезонність та зовнішні датасети, виконуючи ланцюг запитів до ERP через агентний loop.

Алерти пропускаються. Критичні відхилення — прострочення дебіторки, перевитрата бюджету — часто помічають надто пізно. Щоденний health-check, який ми вбудовуємо, сканує KPI та надсилає алерти в Telegram або Slack.

Архітектура ERP-асистента

Клас ERPAssistant використовує LLM (наприклад, Claude Sonnet 4-5) з інструментами: execute_query для безпечних SELECT та get_kpi_metrics для попередньо розрахованих метрик. Модель сама вирішує, які SQL необхідні, виконує їх через read-only коннект і повертає інтерпретацію з рекомендаціями.

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  # Опис таблиць і зв'язків ERP

        self.tools = [
            {
                "name": "execute_query",
                "description": "Виконати SQL запит до ERP бази даних",
                "input_schema": {
                    "type": "object",
                    "properties": {
                        "sql": {"type": "string", "description": "SELECT запит"},
                        "description": {"type": "string", "description": "Що запит робить"}
                    },
                    "required": ["sql"]
                }
            },
            {
                "name": "get_kpi_metrics",
                "description": "Отримати попередньо розраховані KPI метрики",
                "input_schema": {
                    "type": "object",
                    "properties": {
                        "metric_type": {
                            "type": "string",
                            "enum": ["revenue", "inventory", "expenses", "headcount", "orders"]
                        },
                        "period": {"type": "string", "description": "Період: week/month/quarter/year"}
                    },
                    "required": ["metric_type", "period"]
                }
            },
        ]

    def execute_query(self, sql: str) -> list[dict]:
        """Безпечне виконання лише SELECT запитів"""
        if not sql.strip().upper().startswith("SELECT"):
            raise ValueError("Дозволені лише SELECT запити")

        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:
        """Повертає попередньо розраховані метрики"""
        # У реальній системі — запити до таблиць ERP
        # Тут спрощений приклад
        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 {}
        # ... решта метрик
        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"Невідомий інструмент: {tool_name}")

    def answer(self, question: str, user_role: str = "manager") -> ERPQueryResult:
        """Відповідає на аналітичне питання"""

        messages = [{
            "role": "user",
            "content": f"""Питання: {question}
Роль користувача: {user_role}

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

Використовуй інструменти для отримання даних, потім:
1. Проінтерпретуй результати
2. Дай рекомендації якщо застосовно
3. Вкажи алерти якщо дані потребують уваги"""
        }]

        sql_queries = []
        all_data = []

        while True:
            response = client.messages.create(
                model="claude-sonnet-4-5",
                max_tokens=4096,
                system=f"""Ти — бізнес-аналітик по ERP системі компанії.
Аналізуй дані точно, наводь конкретні цифри.
Давай практичні рекомендації керівництву.""",
                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, "Рекомендації"),
                    alerts=self._extract_list(final_text, "Алерти"),
                )

            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]:
        """Витягує пункти з секції тексту"""
        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"))
        ]

Інтеграція з 1С через API

import requests

class OneCIntegration:
    """Інтеграція з 1С:Підприємство через HTTP-сервіс"""

    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]:
        """Отримує звіт по продажах з 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]:
        """Отримує залишки товарів"""
        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:
        """Отримує виконання бюджету"""
        response = requests.get(
            f"{self.base_url}/hs/api/v1/budget/{period}",
            auth=self.auth,
        )
        return response.json()

Автоматичні звіти та алерти

import asyncio
from datetime import datetime

class ERPAlertSystem:
    """Автоматично виявляє аномалії та надсилає алерти"""

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

    async def daily_health_check(self) -> list[str]:
        """Щоденний аудит ключових метрик"""
        checks = [
            "Чи є товари з критично низьким запасом (менше тижня)?",
            "Чи перевищені бюджети якихось відділів цього місяця?",
            "Чи є прострочена дебіторська заборгованість більше 30 днів?",
            "Які показники значно відрізняються від минулого місяця?",
        ]

        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:
        """Генерує виконавчий звіт для керівництва"""
        result = self.assistant.answer(
            f"Підготуй виконавчий звіт за {period}: ключові метрики, тренди, ризики, рекомендації",
            user_role="ceo"
        )
        return result.interpretation

Практичний кейс: виробнича компанія

Наш клієнт — завод з ERP 1С:ERP, 15 керівників і один BI-аналітик на півставки. Аналітик тонув у ad-hoc-запитах. Ми розгорнули асистента за два тижні. Впровадили інтеграцію з 1С через HTTP-сервіс, налаштували алерт-систему на критичні відхилення.

Типові питання, які асистент тепер вирішує за секунди:

• "Коли закінчаться матеріали для виробництва X при поточному темпі?"
• "Який цех перевищує планові витрати?"
• "Топ-5 клієнтів по виручці за квартал з динамікою"

Результат за півроку:

• Ad-hoc-запити до аналітика скоротилися з 25 до 7 на тиждень (на 72%)
• Час отримання відповіді на управлінське питання впав з 1–2 годин до 30 секунд — у 50 разів швидше
• Щоденний алерт на критичні метрики запобіг двом касовим розривам, заощадивши компанії $12,000

Чому AI-асистент для ERP — не просто Text-to-SQL?

Прості Text-to-SQL моделі помиляються в JOIN та контексті. Наш агентний loop з кількома запитами дозволяє уточнювати дані: спочатку отримати загальну суму, потім розгорнути по складах, потім запросити тренд. Вибір наступної дії робить LLM на основі інструментів та історії. Це знижує hallucination і підвищує accuracy до 90% на складних запитах — на 40% більше, ніж у стандартних рішень без agent loop.

Як забезпечити безпеку запитів?

Застосовуємо три рівні захисту. Перший — парсинг: код блокує будь-які запити, що не починаються з SELECT. Другий — read-only користувач БД без прав на INSERT/UPDATE/DELETE. Третій — логування всіх згенерованих SQL в таблицю аудиту. Якщо модель намагається виконати DDL, парсер повертає виняток до виконання.

Як впровадити AI-асистента за 3 кроки?

1. Аналіз схеми даних — отримуємо доступ до схеми ERP, визначаємо ключові KPI.
2. Конфігурація асистента — налаштовуємо промпти, інструменти та інтеграцію з 1С або іншою ERP.
3. Тестування та запуск — перевіряємо точність на 20 типових запитах, вмикаємо алерт-систему.

"За даними заводу, час на рутинні звіти скоротився на 72%"

Строки

Що входить в роботу

• Документація: опис схеми бази даних, промптів та обмежень.
• Доступи: read-only користувач, логування, дашборд моніторингу.
• Навчання: сесія для керівників та аналітика.
• Підтримка: 2 тижні пост-продакшн, виправлення неточностей у генерації.

Вартість розраховується індивідуально — залежить від складності ERP-схеми, кількості агентів та необхідності fine-tuning. Зв'яжіться з нами, щоб отримати консультацію та оцінити проект під ключ. Замовте впровадження зараз — наші інженери мають багаторічний досвід інтеграції з 1С та іншими ERP.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.