В предыдущем посте были перечислены некоторые из подходов «…first», отражающие то или иное превосходство своей концепции при построении архитектуры решения. Конечно, интерес к подходам подогревался зрелостью технологий, выступая решением на запрос сообщества, тем самым в большей степени переплетаясь с маркетингом. Domain First явился продолжением запроса на проектирования, в котором основой выступает предметная область, ограниченные контексты и вообще единый язык. В цифровую микроэпоху мобилизации (в хорошем смысле этого слова 📱) сообщество выработало Mobile First, стараясь как можно быстрее перевести бизнес через взаимодействие с портативными устройствами. И если смотреть на текущую веху технологического развития, когда LLM, FT, inference, MLOps стали слышны из утюгов и, да, это не паранойя, то логическим шагом было явить новый подход к построению архитектуры - AI FIRST. Конечно, есть опасения, что все-таки тренды рождают подходы, а практика давно на голову опережает теорию, но главным «почему» выступает фокус бизнеса, направленный на решение проблемы традиционной автоматизации(RPA, workflow systems), уже выстроенной во многих компаниях. Ведь "if-else"-логика перестаёт масштабироваться: процессы становятся сложнее, контекста — больше, данные льются как из ведра(Data First), тем самым порождая необходимость принимать решения в условиях высокой степени неопределенности, а это к AI. Казалось бы все логично - переместить нагрузку сложных аналитических задач на машину, тем самым высвободить человеческие ресурсы, но проблема кроется в процессах, когда без должной «домашней работы», хочется заскочить в последний вагон с девизом «мы и есть AI💪».

Домашней работой выступает концептуальное изменение понимания пользовательского пути, где ключевую роль играет модель(или лучше система моделей). В свою очередь результаты работы модели напрямую зависит от контекста, наполняемого данными(как говорится «качество фото зависит от лица заказчика»). Качество данных зависит от грамотно построенного хранилища, способного быстро адаптироваться под новые источники. А дальше мы уже уходим в инфру, куда же без нее 🤷‍♂️ - что мы там насобирали, а что пользователю отдали? Этот пирог технологий и процессов, подразумевает важность каждого из слоев, без должной проработки которого придется довольствоваться каким-нибудь AI LAST😅 Данную архитектуру, кстати, довольно просто оформить: ▶️ Берем слабые данные(не размеченные, непроверенные, неточные и пр) ▶️ Переводим все это добро в вектор ▶️ Собираем из них контекст для RAG ▶️ Надеемся на LLM(она же умнее 🤔)

Модель это гуд, но закроет ли она все потребности бизнеса? Кажется что нет, стало быть нужна система моделей, с оркестрацией, кешем, системой телеметрии и пр, в общем платформа, имеющая преимущества вывода на рынок продуктов: 1️⃣ Скорость вывода на рынок - меньше точек интеграции и ручной работы 2️⃣ Контроль и аудит - единые политики доступа, мониторинг, логирование 3️⃣ AIOps и Observability - от ML-инфраструктуры до LLM-tracing и drift detection 4️⃣ Повторное использование - модели работают как lego-блоки

Стало быть компании, присматривающиеся или выбирающие данный подход осознают, что AI-платформы и агенты - это не просто технология, а новый корпоративный стиль мышления, понимая риски и важность тех процессов, которые потребуется выработать и внедрить. Кто раньше интегрировал CRM - сегодня строит LLM Hub. Кто автоматизировал бэкофис - сейчас делегирует агентами.

#ai #aifirst #architecture #design