К содержимому
Дайджест

Онтологии точно в срок: данные и дешёвый интеллект

AI Engineer·12 октября 2026·21:03
можно прочитать понять, как устроено промо
Открыть на YouTube
Доклад основателя Southbridge AI о том, почему единые онтологии не работают и как подстраивать схему под задачу с помощью дешёвых агентов.

Что в ролике

Попытка собрать все данные компании в одну универсальную онтологию обычно проваливается не из-за нежелания сотрудников переходить на новую схему, а потому что единой схемы не существует: у источника, хранилища, задачи и модели всегда разные схемы. Автор предлагает делать онтологию точно в срок — собирать нужную схему в момент, когда уже известно решение, а не заранее. На примере обработки данных о пожертвованиях в избирательной кампании Огайо он рассказывает, как пайплайн по объединению записей сначала оценивался в $10 000, а после подключения новой модели-рабочего Jev весь штат обошёлся в $7,95 при бюджете $800. В пайплайне разделяются три роли моделей: проектирование, выполнение внутри пайплайна и самооптимизация, причём для первых нужны медленные думающие модели, а внутри — дешёвые и быстрые. Чтобы поймать ошибки от собственных убеждений моделей, результаты перепроверяли пересечением приоров разных моделей: на 200 отложенных семьях Jev и Luna совпали в 194 случаях, и все совпавшие ответы были верными, а ошибки сидели в шести спорных. Самооптимизацию агент вёл 10 дней, прогнал более 4 000 проверочных прогонов и около 90 000 обращений к Jev, перебрав более десятка архитектур и потратив около 6 млрд токенов. Для повторения этого автор выделяет четыре недостающих условия: стабильная поверхность развёртывания, ограничение экспериментов по деньгам и времени, накопленная методология и поверхность для безопасных ошибок, а весь процесс укладывается в шесть этапов — от спецификации до зрелого продакшн-пайплайна.

Практика

Что получишь
Поймёте, почему единая схема данных не работает, и увидите рабочий способ собирать схему под задачу с помощью дешёвых моделей и агентов, включая конкретные цифры экономии.
Первый шаг
Скачать открытый харнесс Hank, который автор показывает в докладе, и прогнать его на небольшом фрагменте своих данных.
Цифры
  • —$7,95 — итоговая стоимость обработки всех 23 317 дел по Огайо при заранее заданном бюджете $800
  • —$10 000 — во столько оценивался тот же пайплайн до подключения модели Jev
  • —4 000 — столько проверочных прогонов выполнил агент за 10 дней самооптимизации
  • —90 000 — столько обращений к модели Jev сделали модели внутри прогонов
Честно
Докладчик — основатель Southbridge AI, и в выступлении он продвигает свой открытый харнесс Hank и библиотеку агентных паттернов, а часть материалов (ссылка на skill, скриншоты иерархии и промпты) видна только на экране. Промпты и данные для примера обещают выложить, но в транскрипте конкретный адрес не назван. В расшифровке название новой модели встречается и как Jev, и как Jeff, поэтому в пересказе оставлен вариант Jev.
Если слова незнакомы — 5 терминов

Связки из этого ролика

3 шт.

Компоненты

7 шт.

Формат: разбор · для продвинутых · уверенность разметки 0.85 · источник