Блог https://gorgona.uz ru Mon, 15 Jun 2026 20:47:20 +0300 Единая AI-платформа обработки обращений: от разрозненных заявок к единому процессу https://gorgona.uz/ru/blog/help-desk https://gorgona.uz/ru/blog/help-desk?amp=true Thu, 30 Apr 2026 16:45:00 +0300 Кейсы Внедрили AI-платформу с NLP и RAG для мэрии. Сократили время обработки обращений с 4 часов до 25 минут, автоматически закрывая 23% заявок и отсекая 15% дублей

Единая AI-платформа обработки обращений: от разрозненных заявок к единому процессу

Городские службы ежедневно обрабатывают поток обращений граждан из десятков каналов — от порталов и чат-ботов до соцсетей и письменных заявок. Значительная часть этих обращений повторяется или требует типового ответа, но при этом все еще обрабатывается вручную.
Мы собрали AI-платформу для мэрии города миллионника, которая объединяет обращения граждан в единую систему и ускоряет их обработку за счёт базы знаний и анализа тональности сообщений.
Дисклеймер: Мы строго соблюдаем стандарты информационной безопасности и заботимся о приватности наших заказчиков. Данный проект реализован под NDA, поэтому мы не раскрываем реальное название компании. Все приведенные в кейсе скриншоты интерфейсов и данные обфусцированы (визуально изменены) для защиты чувствительной информации. При этом архитектура решения, технологический стек и итоговые бизнес-метрики переданы без искажений.

В чем была проблема

В процессе обработки обращений регулярно возникали одни и те же сценарии, которые показывали слабые места системы.
Например, один и тот же инцидент, вроде упавшего дерева во дворе или неубранного снега, мог попасть одновременно через городской портал, чат-бот и сообщение в соцсетях. В результате он регистрировался несколько раз и уходил в разные подразделения, где начинал обрабатываться параллельно.
Другой типичный кейс — пользователь отправляет обращение в «официальный канал», затем дублирует его через другой сервис, не понимая, что заявка уже в работе. Система не умела сопоставлять такие случаи, и они продолжали жить как отдельные обращения.
Была и обратная проблема: оператор получал заявку, но не видел полной истории. Чтобы понять контекст, ему приходилось вручную проверять разные системы и уточнять статус у других подразделений.
Отдельно перегружали систему типовые вопросы. Например, «куда обратиться по поводу ЖКХ», «как подать заявку», «какие сроки рассмотрения». Такие обращения занимали время операторов, хотя могли закрываться стандартным ответом.
В итоге проблема была не в самих обращениях, а в том, что система не умела их объединять, классифицировать и быстро давать готовый ответ там, где он уже заранее известен.

От разрозненных заявок к единому потоку

Мы разработали систему, которая объединяет и стандартизирует обработку обращений граждан из разных каналов в единый контур.
Ее ключевая идея в том, что обращения больше не живут в разрозненных инструментах и ведомственных системах. Вместо этого все входящие запросы агрегируются в одной платформе, независимо от того, откуда они поступили — городской портал, чат-бот, социальные сети или внутренние сервисы.
Система выступает как единый центр обработки обращений: она принимает поток сообщений, нормализует его и распределяет дальше по логике ответственности.

Как работает система

Пользователь оставляет обращение через любой доступный канал — городской портал, чат-бот, социальные сети или внутренние сервисы. Дальше система берет его в обработку и превращает в единый структурированный запрос внутри платформы.
Все входящие обращения попадают в одну точку входа, где проходят первичную обработку и классификацию. На этом этапе система определяет тему обращения и автоматически маршрутизирует его в соответствующее направление: городская инфраструктура (дороги, благоустройство), ЖКХ и коммунальные вопросы, экстренные ситуации или другие категории.
После распределения обращение попадает в ответственное подразделение, где начинается его обработка. Весь процесс строится как сквозная цепочка: фиксация обращения, назначение исполнителя, обработка и возврат результата пользователю.
На каждом шаге сохраняется прозрачная статусная модель, которая показывает, на каком этапе находится обращение и что с ним происходит в данный момент. Это позволяет исключить «потерянные» заявки и снизить неопределенность для всех участников процесса.

Где работает ИИ

Понимание обращения через тональность

Первый слой — анализ тональности обращения.
Каждое входящее сообщение автоматически проходит оценку текста, где система определяет эмоциональный и операционный контекст:
  • нейтральный запрос
  • негативное или конфликтное обращение
  • потенциально срочная ситуация
Это позволяет оператору сразу видеть характер обращения, а системе — помогать в приоритизации. Фактически это быстрый сигнал о том, насколько критично реагировать на запрос и в каком режиме его обрабатывать.

RAG-база знаний как слой быстрых ответов

Второй слой — интеллектуальная база знаний на основе RAG-подхода.
Когда оператор или система сталкивается с типовым вопросом, платформа обращается к базе знаний и подбирает релевантные статьи, инструкции или регламентные ответы.
Это используется в сценариях, где:
  • вопрос уже имеет стандартизированный ответ
  • нет необходимости вовлекать профильное подразделение
  • требуется быстрое закрытие запроса без дополнительной маршрутизации
По сути, RAG снижает количество ручного поиска информации и ускоряет обработку повторяющихся обращений.

Что изменилось

Внедрение платформы позволило заметно перестроить процесс обработки обращений — от ручного и фрагментированного к централизованному и более предсказуемому.
Ключевые эффекты:
  • 23% обращений стали закрываться типовыми ответами без участия операторов за счет RAG-базы знаний и автоматического подбора релевантных ответов
  • Среднее время обработки заявки сократилось с 4 часов до 25 минут, благодаря автоматической маршрутизации и снижению ручных операций
  • 15% обращений были выявлены как дублирующие, что позволило системе объединять повторные запросы и снижать нагрузку на исполнителей
В сумме система не только ускорила обработку обращений, но и снизила операционную избыточность, убрав повторную работу и перераспределив нагрузку между автоматикой и операторами.
]]> Генеративный ИИ в тестировании: управление тест-сценариями с помощью LLM и PostgreSQL https://gorgona.uz/ru/blog/n2tmfmx711-generativnii-ii-v-testirovanii-upravleni https://gorgona.uz/ru/blog/n2tmfmx711-generativnii-ii-v-testirovanii-upravleni?amp=true Thu, 30 Apr 2026 17:02:00 +0300 Кейсы Кейс внедрения GenAI в QA. Как автоматизировать создание тест-кейсов в формате AAA и автотестов на Python/Jest, анализируя макеты через мультимодальный Vision API.

Генеративный ИИ в тестировании: управление тест-сценариями с помощью LLM и PostgreSQL

Было так: с каждым релизом десятки задач, сотни сценариев и большой пласт тестовой документации, который команда вручную собирала, согласовывала и поддерживала в актуальном состоянии.
Стало: ты загружаешь аналитику и макеты, а ИИ сам собирает тест-кейсы, предлагает автотесты и учитывает детали интерфейса почти без ошибок.

Контекст

С ростом продукта и увеличением количества релизов команда столкнулась с типичной проблемой масштабирования тестирования: объем задач, сценариев и тестовой документации начал расти быстрее, чем возможности команды.
Каждый релиз включал десятки задач, аналитику, макеты, комментарии, а также тест-кейсы и автотесты, которые нужно было вручную согласовывать и поддерживать в актуальном состоянии. Это увеличивало время подготовки релизов и замедляло реакцию на изменения.
Основная нагрузка ушла в рутину — подготовка тестовой документации и постоянная синхронизация сценариев. При этом регрессионное тестирование тоже росло, и проверка старых и новых сценариев занимала всё больше времени.
В какой-то момент стало понятно, что дальше масштабироваться вручную сложно. Либо нужно увеличивать команду, либо искать способ ускорить сам процесс. Так задача свелась к автоматизации создания тест-кейсов и автотестов и сокращению ручной работы.

Цели

Перед стартом проекта вместе с заказчиком определили, к чему хотим прийти.
  • Автоматизировать рутину, чтобы тест-кейсы формировались на основе аналитики и документации почти «по кнопке», без долгих ручных действий
  • Сделать автотесты доступнее, чтобы они появлялись сразу вместе с тест-кейсами, а не через отдельный этап спустя недели, и их можно было быстро подключать к процессам
  • Достичь качества уровня «как у профи». Важно было, чтобы автоматически сгенерированные тест-кейсы не уступали ручной работе. Ориентиром стало не менее 80% совпадения с результатами опытных специалистов
  • Обеспечить прозрачность, чтобы любой участник команды мог понять, как сформировался тест-кейс, и быстро найти все связанные материалы

Решение

Мы собрали сервис, который автоматически генерирует тест-кейсы и автотесты на основе аналитики и проектной документации. В основе — генеративный ИИ, который анализирует входные материалы, выделяет пользовательские сценарии и собирает их в структурированные тест-кейсы.
Система работает не только с текстом, но и с визуальными материалами. Макеты и скриншоты интерфейсов также учитываются при генерации через Vision API, поэтому тест-кейсы лучше отражают реальные пользовательские сценарии и поведение интерфейса.
Вся логика выстроена вокруг сценариев как основной сущности. Внутри каждого сценария хранится связанный контекст: аналитика, тест-кейсы, автотесты и история изменений. Для хранения используется PostgreSQL, что позволяет поддерживать целостность данных и работать с большим количеством сценариев без потери структуры.
На выходе система формирует тест-кейсы в стандартизированном формате AAA (Arrange–Act–Assert) с шагами, предусловиями и ожидаемыми результатами. Дополнительно поддерживаются приоритеты и связь с исходными артефактами, чтобы результат можно было использовать без доработки и легко поддерживать актуальность при изменениях продукта.
Поверх этого реализована генерация автотестов на основе тест-кейсов. Система преобразует сценарии в код с учетом используемых в команде языков и фреймворков, чтобы автотесты можно было сразу интегрировать в существующие процессы тестирования.
В итоге получился единый инструмент, который связывает аналитику, тест-кейсы и автотесты в один поток и снижает объем ручной работы, ускоряя подготовку релизов и делая процесс тестирования более управляемым и прозрачным.

Результаты

Изначально стояла простая проверка гипотезы: сможет ли ИИ генерировать тест-кейсы такого качества, чтобы их можно было использовать почти без доработок.
Для этого в систему загрузили реальные аналитические документы и проектные материалы и сравнили результат с тест-кейсами, которые ранее готовили опытные специалисты вручную.
Что получилось на практике:
  • Большая часть сгенерированных тест-кейсов использовалась сразу без доработки, при этом заметно сократилось время подготовки тестовой документации
  • Автоматически начали формироваться не только тест-кейсы, но и автотесты на их основе, что ускорило переход от аналитики к запуску тестирования
  • Существенно снизилось количество ручных операций в QA-процессе, а работа с тестированием стала более быстрой и предсказуемой
Отдельно важно, что система стабильно справлялась с разными типами входных данных и объемами документации. По результатам тестирования она показала предсказуемое качество генерации и хорошо адаптировалась к правкам по обратной связи.
Постоянная работа с командой позволила быстро улучшать результат: убрали дублирующиеся сценарии, уточнили логику разбиения кейсов и повысили читаемость итоговых артефактов.
В итоге система перешла из режима экспериментального инструмента в рабочий процесс. Тест-кейсы стали формироваться автоматически, автотесты появляться практически сразу, а команда получила больше времени на продуктовые задачи вместо рутинного тест-документирования.
]]> AI-ассистент для оценки персонала: избавили экспертов от рутины при найме https://gorgona.uz/ru/blog/ai-interview-analysis https://gorgona.uz/ru/blog/ai-interview-analysis?amp=true Thu, 30 Apr 2026 17:18:00 +0300 Кейсы Кейс разработки AI-платформы для оценки кандидатов. Транскрибация аудио, автораспределение ответов по компетенциям и встроенный ИИ-чат для доработки отчетов

AI-ассистент для оценки персонала: избавили экспертов от рутины при найме

Час интервью. Ещё несколько часов на отчет. Раньше это означало долгую ручную работу с формулировками, обсуждения между экспертами и сбор итоговых выводов.
Сегодня ИИ берет на себя первичную обработку и структуру, а эксперт фокусируется на анализе и принятии решений.
В этом кейсе рассказываем, как за три недели мы разработали сервис, который автоматически обрабатывает интервью, распределяет ответы по компетенциям и помогает быстрее готовить экспертные отчеты.

Почему понадобилось решение

В процессах оценки персонала интервью — это только первый этап работы. Дальше начинается основная нагрузка: эксперты разбирают ответы кандидатов, соотносят их с компетенциями и формируют итоговые отчеты для принятия кадровых решений.
У заказчика это выливалось в достаточно тяжелый ручной процесс. Один отчет занимал в среднем 2–3 дня и включал обсуждения между экспертами, фиксацию наблюдений, заполнение шаблонов и несколько этапов согласования. Даже при наличии единой структуры каждый документ приходилось собирать заново под конкретного кандидата.
Со временем стало очевидно, что основное время уходит не на сам анализ, а на оформление и повторяющиеся действия вокруг него. В этом месте и сформировалась задача — ускорить подготовку отчетов, сохранив качество экспертной оценки.

Что было важно

После обсуждений с заказчиком стало ясно, что проект должен решать не только задачу ускорения подготовки отчетов. Эксперты ценят собственное наблюдение и опыт, поэтому важно было, чтобы ИИ не заменял человека, а дополнял его.
  • автоматизировать рутинные операции при подготовке отчетов, чтобы эксперты могли сосредоточиться на анализе
  • структурировать интервью и анализировать ответы, не теряя важных деталей
  • подсвечивать моменты, которые могли быть упущены, и выделять сильные и слабые стороны компетенций
  • предоставлять рекомендации и аргументы, на основе которых эксперт принимает решение

Не заменить эксперта, а разгрузить его

В основе решения была простая логика: ускорить подготовку отчетов, не теряя качества экспертной оценки. Важно было не переложить всю работу на ИИ, а убрать рутину вокруг интервью и дать специалисту готовую основу для анализа.
ИИ в этом процессе выступает как помощник. Он берет на себя обработку данных, структуру и первичную интерпретацию, а эксперт работает уже с результатом — проверяет, уточняет и принимает финальные решения.
В итоге мы собрали сервис на нашей платформе, который превращает запись интервью в структурированное заключение по компетенциям.

Как работает процесс

  • Эксперт загружает аудио интервью и выбирает компетенции для анализа
  • Система транскрибирует запись в текст и разбивает его на смысловые фрагменты
  • Далее ИИ сопоставляет ответы с компетенциями и формирует первичное заключение
  • На выходе получается структурированный отчет с аргументами и выделением сильных и слабых сторон кандидата
Весь процесс происходит в одном интерфейсе: можно просматривать транскрибацию, запускать анализ, переключаться между компетенциями и редактировать итоговый текст. Сами компетенции полностью настраиваемые и могут адаптироваться под разные методологии оценки без изменения логики системы.
Дополнительно встроен чат с ИИ, который работает как инструмент доработки отчета: через него можно уточнять фрагменты интервью, переформулировать выводы и получать альтернативные интерпретации.
Отдельно реализована обработка данных с учетом безопасности — интервью обезличиваются перед анализом и не передаются во внешние сервисы.
В результате эксперт получает не сырой материал и не пустой шаблон, а уже собранную структурированную основу отчета, которую можно быстро довести до финальной версии.

Что получилось в итоге?

Система дала два ключевых эффекта: ускорение подготовки отчетов и появление дополнительного слоя анализа, который помогает экспертам работать быстрее и точнее.
  • «Альтернативное мнение» за минуты — эксперт получает структурированное ИИ-заключение по интервью за 5–7 минут и использует его как основу для собственной оценки, вместо ручной сборки отчета с нуля
  • Сокращение рутины — значительная часть времени, которая раньше уходила на оформление и формулировки, теперь автоматизирована
  • Гибкость системы — компетенции можно добавлять и настраивать под разные методологии оценки без изменения логики работы сервиса
  • Чат с ИИ как рабочий инструмент — используется для уточнения выводов, доработки формулировок и получения рекомендаций по развитию кандидатов, которые сразу попадают в итоговый отчет
В результате эксперты быстрее переходят к сути оценки, а отчет формируется не как отдельный трудоемкий этап, а как естественное продолжение анализа интервью.
]]> GenAI для оценки персонала: автоматическая генерация планов развития по hard и soft skills https://gorgona.uz/ru/blog/ai-performance-review https://gorgona.uz/ru/blog/ai-performance-review?amp=true Thu, 30 Apr 2026 17:24:00 +0300 Кейсы Как автоматизировать ИПР с помощью нейросетей. ИИ-сервис агрегирует данные performance review (hard/soft skills) и генерирует персональный план за 15 минут.

GenAI для оценки персонала: автоматическая генерация планов развития по hard и soft skills

В ИТ-командах индивидуальные планы развития (ИПР) часто кажутся простой формальностью, пока не доходишь до их реального создания. На бумаге всё выглядит логично: собрать фидбек, оценить навыки, сформулировать цели. На практике это превращается в утомительный процесс, где нужно вручную собрать разрозненные комментарии и превратить их в связный план без ощущения шаблонности.
В этом кейсе рассказываем, как мы автоматизировали создание ИПР и научили систему собирать персональные планы развития за минуты на основе HR-данных и результатов оценки.

Что было раньше

HR-отдел регулярно проводит performance review — комплексную оценку сотрудников, включающую сбор обратной связи, разбор навыков и фиксацию их развития во времени.
В процессе собирается фидбек от коллег, заказчиков и лидов, а также оцениваются hard и soft skills. На основе этого формируется ИПР, индивидуальный план развития, где фиксируются направления роста и зоны, которые нужно усилить.
И вот именно на этапе ИПР начиналась основная рутина.
Раньше тимлиды собирали его вручную. На один план уходило 30–40 минут, а при большом объёме фидбека — ещё больше. Каждый раз приходилось заново структурировать информацию и превращать разрозненные заметки в цельный персональный план, избегая эффекта «чистого листа», когда вроде всё понятно, но сложно быстро оформить это в понятный документ.

Как нам помог ИИ?

Перелом наступил, когда мы всерьёз задумались о генеративных нейросетях. К простому «напиши план развития для middle-разработчика» мы не скатились — стало понятно, что универсальных решений здесь не будет. Вместо этого мы оперлись на уже накопленный внутри компании массив данных: фидбек, результаты аттестаций, история развития сотрудников. Именно это стало нашей отправной точкой и ключевым преимуществом.

Внутренняя кухня: как собирается ИПР

Мы сделали AI-инструмент, который автоматически формирует индивидуальные планы развития сотрудников на основе результатов оценки hard и soft skills по итогам аттестации. Каждый ИПР строится персонально и направлен на развитие конкретных зон роста, а не на использование шаблонных формулировок.
Как это работает:
У каждого сотрудника постепенно формируется история: оценки, комментарии коллег, заметки лидов и предыдущие планы развития. Всё это собирается в единый структурированный контекст, который внутри системы превращается в мастер-промпт — большой запрос, скрытый от пользователя.
Пользовательский сценарий максимально простой: выбирается сотрудник и нажимается кнопка «Сгенерировать ИПР».
Дальше система делает следующее:
  • подтягивает данные по сотруднику, включая результаты оценки hard и soft skills
  • объединяет их в единый структурированный контекст
  • формирует мастер-промпт с акцентом на сильные стороны, зоны роста и контекст команды
  • передает его в модель для генерации
  • формирует несколько вариантов индивидуального плана развития
  • сохраняет результат в редактируемом виде для дальнейшей доработки лидом
По сути, система берет на себя сбор данных, структуру и первичный черновик ИПР. При этом результат остается управляемым: можно уточнить формулировки, добавить комментарии и финализировать план перед отправкой сотруднику.

Какой эффект получили

Внедрение генератора ИПР заметно изменило сам процесс работы с индивидуальными планами развития: он стал быстрее, стабильнее и более персонализированным, без потери управляемости со стороны эксперта.
В результате:
  • Время на составление ИПР сократилось с 4–6 часов до 15 минут
  • Процент выполнения индивидуальных планов вырос с 65% до 90%
  • Текучесть кадров снизилась на 15%
  • Ушёл эффект «чистого листа», когда план приходилось собирать с нуля
  • Планы стали более персонализированными за счет учета полной истории развития сотрудника
  • При этом сохранилась гибкость: ИПР можно редактировать и адаптировать под реальные задачи
По сути, процесс сместился от ручного составления документов к модели, где ИИ берет на себя сборку и первичную структуру, а человек фокусируется на содержании и финальных решениях.
]]> 20 лучших курсов по AI и машинному обучению — от основ до агентных систем https://gorgona.uz/ru/blog/top-20-ai-ml-courses-for-developers https://gorgona.uz/ru/blog/top-20-ai-ml-courses-for-developers?amp=true Wed, 13 May 2026 12:22:00 +0300 Статьи Собрали 20 ресурсов, которые помогут разработчику системно разобраться в AI: от основ машинного обучения и трансформеров до RAG, LLM-приложений, AI-агентов и production-подходов.

20 лучших курсов по AI и машинному обучению — от основ до агентных систем

Искусственный интеллект и машинное обучение стали ключевыми навыками для разработчика в 2026 году. Но рынок курсов по AI вырос быстрее, чем сами технологии и большинство из них можно пропустить.
Наш AI-инженер отобрал 20 ресурсов по глубокому обучению, языковым моделям и AI-агентам, которые действительно формируют понимание от основ до production-систем.

Введение в искусственный интеллект

Если вы только начинаете разбираться в AI — эти два курса дадут правильную карту понятий без перегруза математикой и кодом.

1. AI for Everyone — Эндрю Ын

Уровень: Новичок
Курс от сооснователя Coursera и профессора Стэнфорда. За несколько часов вы разберетесь, что такое искусственный интеллект, где он реально работает, а где нет, и как выстраивать стратегию его применения.
https://www.deeplearning.ai/courses/ai-for-everyone/

2. Generative AI for Everyone — Эндрю Ын

Уровень: Новичок
Продолжение предыдущего курса, но уже про генеративный AI: как работают большие языковые модели, где их применять в работе и жизни, первые шаги в составлении запросов. Хорошая отправная точка перед тем, как идти глубже.
https://www.deeplearning.ai/courses/generative-ai-for-everyone

Основы глубокого обучения и машинного обучения

Здесь начинается настоящая инженерная база. Ресурсы для тех, кто хочет не просто использовать AI-инструменты, а понимать, как они работают изнутри.

3. Practical Deep Learning for Coders — fast.ai

Уровень: Новичок+
Лучший практический старт для разработчика. Никакой сухой теории — сразу код, PyTorch и реальные задачи. Курс построен по принципу «сверху вниз»: сначала запускаешь модель, потом разбираешь, как она устроена.
https://course.fast.ai/

4. MIT 6.S191: Introduction to Deep Learning

Уровень: Новичок+ / Middle
Двухнедельный интенсив от MIT — плотная академическая база по глубокому обучению, обработке естественного языка, компьютерному зрению и генеративным моделям.
https://introtodeeplearning.com/

5. Deep Learning — Goodfellow, Bengio, Courville

Уровень: Middle
Классическая книга, которую часто называют «библией глубокого обучения».
Фундаментальная база по нейросетям, оптимизации и feature learning.
https://www.deeplearningbook.org/

Архитектура трансформеров и больших языковых моделей

Хотите понять, что происходит внутри современных языковых моделей — от механизма внимания до полного цикла обучения? Эти ресурсы объясняют архитектуру от и до.

7. The Illustrated Transformer — Джей Аламар

Уровень: Новичок+ / Middle
Наглядное объяснение архитектуры transformers и attention —
материал, который стал классикой для изучения LLM.
https://jalammar.github.io/illustrated-transformer/

8. Neural Networks: Zero to Hero — Андрей Карпатый

Уровень: Новичок+ / Middle
Серия видео от бывшего директора по AI в Tesla и OpenAI. Вы строите нейронную сеть с нуля в коде: обратное распространение ошибки, micrograd, языковое моделирование, и в финале приходите к GPT-подобной архитектуре.
https://karpathy.ai/zero-to-hero.html

9. Stanford CS224N: NLP with Deep Learning

Уровень: Middle / Advanced
Один из самых известных курсов по NLP: transformers, embeddings, attention-механизмы и современные языковые модели.
https://web.stanford.edu/class/cs224n/

10. Hugging Face LLM Course

Уровень: Middle
Практический курс по работе с большими языковыми моделями через экосистему Hugging Face: токенизация, датасеты, дообучение, инференс и работа с открытыми моделями. Теория сразу подкреплена кодом.
https://huggingface.co/learn/llm-course/en/chapter1/1

11. Build a Large Language Model From Scratch — Себастьян Рашшка

Уровень: Middle / Advanced
Пошаговая книга. Вы строите GPT-подобную языковую модель с нуля — от токенизации через механизм внимания до предобучения и дообучения.
https://www.manning.com/books/build-a-large-language-model-from-scratch

Практика с языковыми моделями и RAG

Ресурсы для тех, кто уже понимает базу AI и хочет перейти к созданию собственных приложений: чат-ботов, AI-ассистентов и систем поиска по документам.

12. Hands-On Large Language Models — Джей Аламар, Мартен Гротендорст

Уровень: Middle
Практическая книга по embeddings, semantic search, RAG, fine-tuning и LLM-приложениям.
https://github.com/handsOnLLM/Hands-On-Large-Language-Models

13. OpenAI Cookbook

Уровень: Middle
Коллекция готовых рецептов от OpenAI: RAG-пайплайны, вызов инструментов, структурированные выходные данные, оценка качества, агенты. Берешь пример и адаптируешь под свою задачу.
https://developers.openai.com/cookbook

14. Hugging Face Open-Source AI Cookbook

Уровень: Middle
От классических ML-задач до LLM-приложений на открытых моделях.
https://huggingface.co/learn/cookbook/en/index

15. RAG Evaluation — Hugging Face Cookbook

Уровень: Middle / Advanced
Гайд по тому, как измерять качество RAG-систем: создание synthetic eval датасета, LLM-as-a-judge, метрики.
https://huggingface.co/learn/cookbook/rag_evaluation

AI-агенты и production-системы

Переходим от AI-прототипов к production-ready системам: AI-агенты, деплой, мониторинг, масштабирование.

16. Hugging Face Agents Course

Уровень: Middle / Advanced
Полный курс по AI-агентам: от базовых концепций до построения и деплоя мультиагентных систем. Охватывает инструменты, память, планирование и современные фреймворки
https://huggingface.co/learn/agents-course/en/unit0/introduction

17. AI Engineering — Чип Хьюен

Уровень: Middle / Advanced
Книга о том, как строить production-системы на базе больших моделей: как организовать оценку качества, работать с датасетами, деплоить и поддерживать AI-приложения. Системный взгляд инженера, а не исследователя.
https://huyenchip.com/books/

18. Designing Machine Learning Systems — Чип Хьюен

Уровень: Middle / Advanced
Классика проектирования ML-систем. Изучаем надёжность, масштабирование, разработка признаков, мониторинг и то, как ML-системы живут и умирают в продакшне.
https://huyenchip.com/books/

Исследования и тренды в AI

AI меняется каждую неделю. Эти ресурсы помогают не отставать, следить за новыми моделями, исследованиями и тем, куда движется индустрия.

19. Papers with Code и Hugging Face Papers

Уровень: Advanced / Pro
Свежие исследовательские статьи, лучшие модели по бенчмаркам, датасеты, таблицы лидеров и реализации. Papers with Code — для отслеживания результатов и кода, Hugging Face Papers — для ежедневных разборов новинок.
https://paperswithcode.co/ | https://huggingface.co/papers

20. The Batch и Latent Space

Уровень: Middle / Pro
The Batch — еженедельный AI-дайджест от Эндрю Ын: новости, комментарии, тренды.
Latent Space — подкаст и рассылка с глубокими техническими разборами и интервью с практиками.
https://www.deeplearning.ai/the-batch/ | https://www.latent.space/
]]> Кто и как строит ИИ в Узбекистане: карта экосистемы 2026 https://gorgona.uz/ru/blog/ai-uzbekistan-map-2026 https://gorgona.uz/ru/blog/ai-uzbekistan-map-2026?amp=true Mon, 15 Jun 2026 10:00:00 +0300 Статьи Изучите структуру ИИ-рынка Узбекистана: 13 сегментов от финтеха до кибербезопасности, ключевые тренды и вызовы — в исследовании Gorgona AI и ALPHA

Кто и как строит ИИ в Узбекистане: карта экосистемы 2026

Рынок искусственного интеллекта в Узбекистане развивается стремительными темпами: десятки компаний, проектов и инициатив, работающих в четырнадцати сегментах. Государство приняло стратегию до 2030 года и уже вложило в GPU-инфраструктуру десятки миллионов долларов. Стартап-экосистема выросла на порядок за последние пять лет и превысила $3,9 млрд. StartupBlink назвал Узбекистан Startup Country of the Year и зафиксировал рост экосистемы на 227% — наибольший показатель среди всех стран в индексе.
Именно поэтому появилась эта карта. Как попытка зафиксировать структуру рынка в момент, когда она только формируется. Gorgona AI вместе с командой ALPHA собрали данные об участниках экосистемы, проверили их по открытым источникам и сгруппировали так, чтобы было видно не просто список компаний, а логику рынка: кто строит инфраструктуру, кто создаёт продукты, кто несёт ответственность за безопасность — и где есть потенциал для роста.
Исследование актуально на июнь 2026 года, но узбекистанский ИИ-рынок растет быстрее, чем успевают появляться его описания. Мы планируем обновлять её ежегодно, фиксируя, как меняется экосистема.
Если ваша компания или продукт не попали на карту — напишите нам на почту hello@gorgona.ai или в Telegram, и мы учтем это в следующей версии.

Что попало на карту

Чтобы показать не отдельные компании, а структуру рынка в целом, мы сгруппировали участников по ключевым направлениям развития ИИ:
  • Языковые решения и NLP
  • Компьютерное зрение
  • ИИ-агенты
  • AI-ассистенты и чат-боты для бизнеса
  • Финтех и AI-скоринг
  • Отраслевые вертикали (LegalTech, TravelTech, HRTech, AgriTech, CRM)
  • Кибербезопасность
  • Интеграция, внедрение и AI-консалтинг
  • Образование, подготовка кадров и акселерация
  • Инвесторы и фонды
  • Ассоциации и объединения по развитию ИИ
  • Международные стартапы с узбекскими корнями
  • Государственные регуляторы
  • Инфраструктурные площадки
Всего на карте представлено более 100 участников. При подготовке мы опирались на открытые источники и проводили перекрестную проверку данных — в карту включались только игроки с подтвержденными признаками активной деятельности на рынке.

Ключевые выводы исследования

  • Государство является одним из главных драйверов развития ИИ в стране. В 2024 году в Узбекистане была принята Стратегия развития технологий искусственного интеллекта до 2030 года, закрепившая ИИ как одно из приоритетных направлений цифровой экономики. Сегодня в стране реализуется более 100 AI-проектов, значительная часть которых связана с государственными инициативами и цифровой трансформацией ключевых отраслей.
  • Финансовый сектор сегодня задаёт темп цифровой трансформации экономики. В 2025 году количество пользователей цифрового банкинга достигло 82,4 млн, объем активов банковского сектора вырос на 20%, а доля безналичных платежей увеличилась до 43% всех транзакций. Такая динамика создает естественный спрос на AI-решения для оценки рисков, борьбы с мошенничеством, автоматизации обслуживания и персонализации финансовых услуг.
  • Языковые технологии формируют фундамент всей экосистемы. В отличие от англоязычных рынков, масштабирование ИИ-продуктов в стране напрямую зависит от качества работы с узбекским языком. Несмотря на быстрый прогресс последних лет, узбекский язык по-прежнему относится к категории малоресурсных языков с ограниченным объёмом цифровых данных для обучения моделей. Крупнейшие открытые узбекские речевые датасеты содержат сотни часов аудиозаписей, тогда как для английского языка доступны десятки тысяч часов данных. На этом фоне в стране активно развивается целый кластер компаний и исследовательских проектов в области распознавания речи, синтеза речи, голосовых агентов и языковых моделей. Именно развитие узбекоязычных датасетов, LLM и речевых технологий создает основу для дальнейшего масштабирования AI-решений.
  • Стартап-экосистема переживает заметный подъём. Согласно Global Startup Ecosystem Index 2026 от StartupBlink, Узбекистан был признан самой быстрорастущей стартап-экосистемой в мире. За пять лет она выросла в 13 раз и превысила $3,9 млрд. Появляются игроки с международной ориентацией: узбекские стартапы уже работают на рынках США и проходят отбор в ведущие мировые акселераторы. Инфраструктуру поддержки формируют IT Park Uzbekistan, венчурные фонды, как корпоративные, так и независимые, и инновационные хабы, работающие на стыке акселерации и привлечения международного капитала.
  • Образование и подготовка кадров оформляются в отдельное направление: государство запустило программу подготовки почти 5 миллионов ИИ-специалистов к 2030 году, университеты открывают исследовательские лаборатории, появляются частные образовательные платформы и корпоративные программы обучения. Тем не менее дефицит специалистов остаётся одним из главных структурных ограничений рынка — разрыв между спросом на ИИ-компетенции и их реальным предложением сохранится ещё несколько лет.
  • Вычислительная инфраструктура Узбекистана активно развивается, однако разрыв между заявленными амбициями и фактическими мощностями сохраняется. Несмотря на реализацию новых проектов ЦОД и облачной инфраструктуры, в стране пока функционирует лишь около шести дата-центров, что ограничивает возможности локального хранения и обработки данных. Одновременно спрос на вычислительные ресурсы стремительно растёт вслед за цифровизацией государственных услуг, развитием финтеха и внедрением технологий искусственного интеллекта, тогда как темпы ввода новых вычислительных кластеров и сопутствующей энергоёмкой инфраструктуры остаются недостаточными.
  • Кибербезопасность остается недостаточно развитым направлением на фоне быстрой цифровизации. Наибольшее количество выявленных киберугроз приходится на ИКТ-сектор (51,4%), за ним следуют государственный сектор (24,2%) и финансовые технологии (13,6%). С дальнейшим внедрением технологий искусственного интеллекта возрастает вероятность утечек данных, манипулирования алгоритмами и ошибок автоматизированного принятия решений, что делает кибербезопасность одним из наиболее уязвимых элементов цифровой трансформации.

Контекст рынка

За последние несколько лет Узбекистан превратился из наблюдателя глобальной AI-гонки в одного из наиболее активных участников цифровой трансформации в Центральной Азии. В 2025 году страна поднялась на восемь позиций в Government AI Readiness Index и заняла 62-е место в мире, подтвердив статус регионального лидера по готовности государства к внедрению искусственного интеллекта.
Развитие ИИ происходит на фоне устойчивого роста цифровой экономики. Её вклад в ВВП страны достиг 5,5–6,2%, согласно данным Программы развития ООН, электронная коммерция за последние годы выросла более чем в 2,5 раза, а объем прямых инвестиций в развитие ИИ и IT в целом приблизился к $2 млрд. По мере цифровизации процессов растёт объём данных, а вместе с ним и спрос на инструменты автоматизации, аналитики и персонализации.
Спрос на технологии искусственного интеллекта уже формируется быстрее, чем рынок успевает предлагать готовые решения. По данным Microsoft AI Economy Institute, уровень использования генеративного ИИ в Узбекистане вырос с 5,7% во втором полугодии 2025 года до 7,2% в первом квартале 2026 года. При этом 64% работающих специалистов уже используют ИИ-инструменты хотя бы частично, еще 20% планируют начать в ближайшее время.
Рост спроса закономерно требует системного ответа со стороны государства. Развитие ИИ закреплено в нескольких стратегических документах, включая программу «Цифровой Узбекистан — 2030» и Стратегию развития технологий искусственного интеллекта до 2030 года. Согласно стратегии, к 2030 году объем программных продуктов и услуг на базе ИИ планируется довести до $1,5 млрд. Для этого государство инвестирует в исследовательскую и технологическую базу: предусмотрено создание Центра развития ИИ и цифровой экономики, запуск десяти профильных лабораторий и выделение $50 млн на поддержку отрасли.
Параллельно активизируется предпринимательский сектор. По итогам 2025 года Узбекистан является второй самой быстрорастущей стартап-экосистемой в мире и лидером по темпам роста в Центральной Азии. Совокупная стоимость экосистемы за 2020–2025 годы достигла $3,9 млрд, экспорт IT-услуг вырос в 4,5 раза и приблизился к $1 млрд. При этом 92% привлеченных инвестиций в 2025 году пришлось на ранние стадии, а около $293 млн из $329 млн общего объема обеспечил иностранный капитал.
Но единой оценки объема именно ИИ-рынка пока не существует, что само по себе является индикатором формирующейся стадии рынка.
Таким образом, экосистема ещё не успела догнать собственный рост. Дефицит специалистов, ограниченный доступ к вычислительным мощностям, нехватка локальных датасетов и формирующаяся регуляторная среда сдерживают масштабирование проектов. Это сочетание растущего спроса и формирующегося предложения, что является одновременно вызовом для участников рынка и открытым окном для новых продуктов, инвестиций и технологических инициатив.

Подробнее о карте

Финтех стал первой отраслью, где ИИ начал использоваться в заметных масштабах. Банки и платёжные сервисы применяют его для скоринга, антифрода, персонализации и автоматизации клиентского обслуживания. По оценке KPMG за 2025 год, уровень зрелости узбекских банков в части ИИ пока остается невысоким, однако рынок уже переходит от экспериментов к практическому применению там, где эффект быстро измеряется через снижение рисков и операционных затрат.
Конкретные примеры показывают, насколько разными путями идёт внедрение. Uzum как первый технологический единорог страны встраивает ИИ в персонализацию и операционные процессы. Aiphoria совместно с TBC запустила платформу речевого ИИ, где 40% звонков в колл-центре уже обрабатывают AI-агенты. Также TBC развивает AI-ассистента Lola AI на собственных LLM для узбекского языка и speech‑технологиях TBC Uzbekistan. SQB развивает собственные инициативы в аналитике и клиентском сервисе.
Национальные платёжные системы UZCARD и HUMO также движутся в сторону ИИ. Например, UZCARD совместно с стартапом zyple.ai запустили платформу oneziyo.ai централизованный AI-слой для финансового рынка, покрывающий скоринг, антифрод, стресс-тестирование и транзакционный мониторинг.
Среди платежных организаций можно выделить Click. В приложении уже работает виртуальный помощник Сleo. А внутри компании развивается ИИ-инфраструктура с ИИ-агентами, которых каждый отдел может адаптировать под свои задачи.
Многие решения из финансового сектора упираются в ту же задачу — работу с естественным языком. Речевые AI-агенты, чат-банкинг, автоматизация поддержки и цифровые ассистенты требуют качественного понимания узбекской речи и текста.
Здесь одновременно государственные и частные инициативы. На государственном уровне разрабатывается национальная LLM на узбекском языке, открытый бенчмарк и датасет UzLiB позволяет оценивать качество языковых моделей, уже работает голосовой ассистент Muxlisa от UZINFOCOM.
Yandex Uzbekistan интегрировал поддержку узбекского языка в Алису через SpeechKit и запустил режим «узбекский‑русский».
Со стороны бизнеса KOTIB AI, начавшийся как простой сервис транскрибации, превратился в широкую платформу для автоматизации бизнеса.
Платформа Tahcrichi закрывает задачу редактуры текстов на узбекском, а внутри сервис Tilmoch работает с переводом тюркских языков. Также проект RubaiSTT узбекского исследователя Сардора Исломова предлагает одну из наиболее заметных open-source моделей распознавания узбекской речи, обученных на 475 часах аудио.
За пределами финтеха и языкового стека на карте выделяется несколько направлений специализированных SaaS-решений. В LegalTech уже работают Tuzuk AI и Lex AI, автоматизирующие работу с нормативной базой и юридическими процессами.
На этом фоне заметна и более широкая волна стартапов, строящих AI-продукты в самых разных вертикалях. В Узбекистане уже реализуется свыше 100 проектов в сфере ИИ, а к концу 2027 года их число должно удвоиться. В правовой нише к Tuzuk AI и Lex AI добавляется LexoraAI — стартап, который анализирует узбекское законодательство и помогает бизнесу ориентироваться в регуляторной среде. В HR Tech: стартапы Growy AI и OneDesk автоматизируют процессы найма, оценки кандидатов и управление и развитие персонала.
Также формируется ниша разработчиков AI-агентов для конкретных бизнес-процессов. Aisha AI и Arkon AI разрабатывают AI-агентов для автоматизации работы с клиентами, персоналом и продажами, в том числе для гостиничного бизнеса. Dobek AI решает задачи бухгалтерии и налогового учета с интеграцией в 1C, автоматизируя подготовку отчётов, контроль НДС и работу с банковскими выписками.
Gorgona AI работает по модели on-premise и ориентирована на бизнес, который работает с чувствительными данными — платформа компании работает локально в инфраструктуре клиента, что позволяет создавать безопасных ИИ-агентов без риска утечки персональных данных и конфиденциальной информации.
Отдельно на карте мы выделили международные стартапы, основанные выходцами из Республики Узбекистан — компании, которые строят продукты для глобальных рынков, оставаясь частью узбекской технологической истории. Twolabs AI стал первым узбекским стартапом, принятым в программу Y Combinator — компания разрабатывает датасеты гуманоидных роботов для ухода за пожилыми людьми. Unitlab AI развивает платформу для аннотации данных в задачах компьютерного зрения и ML. Datatruck и Numeo AI работают на рынке США с AI-решениями для грузоперевозок и логистики.
Компьютерное зрение представлено несколькими специализированными игроками. TASS Vision и Cradle Vision разрабатывают системы видеоаналитики на базе ИИ, TAD Industries фокусируется на распознавании лиц для задач безопасности и учёта рабочего времени.
На карте заметен растущий сегмент компаний-интеграторов, которые не создают собственные модели, а помогают бизнесу встраивать ИИ в повседневную работу. Они разрабатывают чат-ботов, RAG-системы и AI-агентов, автоматизируют внутренние процессы и обучают команды работе с новыми инструментами. Среди крупных игроков можно выделить — Cybernet AI, EPAM Uzbekistan и Jet Infosystems Uzbekistan.
Государство на карте присутствует сразу в двух ролях, как регулятор и как крупнейший заказчик.
Стратегическое направление задаёт Администрация Президента, формируя приоритеты цифровой трансформации на высшем уровне. В середине июля 2025 года при Адмиристрации Президента был создан Департамент по финансовым технологиям, цифровизации и искусственному интеллекту.. Минцифры выступает основным регулятором цифровой среды и оператором государственных ИИ-инициатив, Агентство по техрегулированию отвечает за стандарты и сертификацию, Министерство юстиции — за правовую базу цифровых сервисов.
Центральный банк и Национальное агентство перспективных проектов, как ключевые регуляторы финтех-сектора, формируют правила игры для банков, платёжных систем, крипто-платформ и e-com компаний, внедряющих ИИ.
UZINFOCOM выступает государственным оператором цифровой инфраструктуры и реализует ряд ключевых проектов, среди которых — MyID, система биометрической идентификации для госуслуг, и DMED, единая цифровая медицинская платформа с модулем ИИ для анализа диалога врача и пациента и автозаполнения карты осмотра.
Важно также выделить образование и подготовку кадров в сфере ИИ. В ноябре 2025 года Президент Узбекистана запустил программу «Пять миллионов лидеров ИИ» совместно с ОАЭ: до 2030 года планируется обучить базовым навыкам работы с ИИ-инструментами и промпт-инжинирингу почти 5 миллионов человек — школьников, студентов, педагогов и государственных служащих. ТУИТ выступает одним из ключевых исполнителей программы на уровне высшей школы.
Параллельно формируется институциональная база для более глубокой подготовки. В октябре 2025 года Узбекистан запустил партнёрство с OpenAI по интеграции ИИ в систему образования: в учебные заведения внедряется ChatGPT Edu, разрабатываются курсы по ИИ для студентов и преподавателей, отдельное направление — поддержка узбекских AI-стартапов через доступ к инструментам и акселерационные программы.
UZINFOCOM развивает проект UStudy — платформу для обучения работе с современными AI-инструментами для студентов, специалистов и предпринимателей. Среди частных инициатив выделятся образовательный центр ALPHA, который организует корпоративное обучение использованию ИИ-инструментов. AI Maktab, проект обучающей платформы OSNOVA, при поддержке Министерства образования и New Uzbekistan University охватывает школьников, помогая осваивать цифровые навыки и работать с ИИ.
Параллельно в университетах формируется исследовательская база: НИИ развития цифровых технологий и искусственного интеллекта (AIRI), Лаборатория Artificial Intelligence & Information Technology (IFAR), Laboratory of AI при TIIAME NRU и INHA AI Research Hub ведут прикладные исследования в области ИИ и готовят кадры для рынка.
Инфраструктурный слой на карте представлен площадками, обеспечивающими вычислительную базу для ИИ-проектов. CoreAI предоставляет GPU-облако корпоративного класса с локальным размещением данных в Узбекистане — на базе NVIDIA H200, H100, A100 и других. UzCloud предлагает широкий спектр облачных сервисов для бизнеса и государственных структур. Yandex Cloud обеспечивает доступ к глобальной облачной инфраструктуре и ML-инструментам для локальных разработчиков и компаний.
Государство также формирует собственную вычислительную базу. GPU-кластер стоимостью $24 млн уже создан, до конца года планируется дополнительно привлечь оборудование ещё на $45 млн. В 2025 году было объявлено о создании кластера дата-центров в Каракалпакстане и государственных субсидиях для инвесторов: объекты цифровой инфраструктуры стоимостью более $100 млн будут получать электроэнергию по 5 центов за киловатт-час.
Помимо компаний и продуктов, на карте выделены объединения, которые формируют среду для развития отрасли. Alliance Uzbekistan объединяет участников рынка на национальном уровне, AICA (Ассоциация ИИ Центральной Азии) действует шире, охватывая Узбекистан, Казахстан, Кыргызстан и Таджикистан. IT Park Uzbekistan остается ключевой точкой входа для стартапов: льготный налоговый режим, акселерационные программы и инфраструктура для роста. Интересно отметить также инициативу Stanbase — платформа-агрегатор информации о стартапах из Центральной Азии и Кавказского региона.
Венчурная инфраструктура также активно развивается. На карте представлены как корпоративные фонды — AloqaVentures, SQB Ventures и UZCARD VC, связанные с крупными игроками телекома и финансового сектора, — так и независимые: DOMiNO Uzbekistan Fund и Узбекский фонд фондов UzVC, ориентированный на поддержку венчурной экосистемы в целом. Silkroad Innovation Hub совмещает функции акселератора и инвестиционной площадки, работая на стыке стартап-поддержки и привлечения международного капитала.
На карте кибербезопасность — один из наименее заполненных сегментов. Среди представленных игроков — Palo Alto Networks (стратегическое соглашение с Узбекистаном в части AI-интеграции в национальную инфраструктуру) и локальный Honeypot, работающий с безопасностью веб-приложений.
Но по мере роста числа ИИ-внедрений карта этого сегмента будет меняться. Традиционные угрозы — это один слой. ИИ добавляет другой: данные, которые уходят в облачные модели при каждом запросе; агенты с избыточным доступом к корпоративным системам; непрозрачные процессы принятия решений, которые сложно аудировать. Все это приводит рынок к новому классу рисков, требующий отдельного подхода.
Мы в Gorgona AI работаем именно в этой точке: наша платформа разворачивается локально в инфраструктуре клиента, что позволяет строить ИИ-агентов без передачи данных за периметр компании. Это одна из причин, почему мы взялись за это исследование — рынок меняется быстро, и понимать, где он находится сейчас, важно в том числе для нас самих.

Об авторах

Gorgona AI — компания, специализирующаяся на создании и развёртывании ИИ-агентов для бизнеса. Работает по модели end-to-end: поставляет оборудование, предоставляет платформу для разработки агентов и помогает разобраться в бизнес-процессах клиента, чтобы внедрение приносило измеримый результат, а не красивые демо. Фокус — на безопасном внедрении: платформа разворачивается локально в инфраструктуре клиента, без передачи данных на внешние серверы.
По вопросам внедрения ИИ-агентов: hello@gorgona.ai · Telegram
ALPHA — центр корпоративного обучения с 500+ проведёнными тренингами для более чем 200 компаний из Узбекистана, Казахстана, Таджикистана и других стран. Работает с банками, телекомом, ретейлом и государственными структурами: среди клиентов — Kapitalbank, TBC Bank, Click, NBU, Korzinka, UzAuto. Помимо управленческих и бизнес-программ, ALPHA обучает команды работе с ИИ-инструментами — от базовой грамотности до прикладного применения в конкретных бизнес-функциях.
]]>