Транспортные роботы для складов и предприятий — одна из самых проработанных и готовых для внедрения автономных технологий. По оценке McKinsey, их коммерческие поставки будут расти на 50% до 2030 каждый год, а вместе с тем уровень автоматизации складов будет повышаться более чем на 10%. 

Российские компании не отстают и активно адаптируют такие технологии, автоматизируя логистику на складах и производствах с помощью небольших тележек и монстров-самосвалов. Рассказываем, как это работает. 

Три ключевые категории

🔹 AGV/AMR (autonomous mobile robots — мобильные роботы). Они возят короба и целые стеллажи, ориентируясь по лидарам, камерам или QR-меткам, заменяя однообразную работу складских рабочих. 

🔹 Роботизированные погрузчики, шаттлы и PTL-тележки. Здесь добавлен функционал вертикального подъёма и работы со стеллажами и палетами, благодаря чему робот может не только перевезти, но и собрать и разместить товар. PTL-тележки (pick-to-light — отбор по световой подсказке) — компромиссный вариант: они погружают и разгружают товар вместе с человеком, подсвечивая нужный спот или товар.

🔹 Крупные автономные машины: умные грузовики, которые перемещаются с помощью GPS и лидаров. Это могут быть многотонные машины, которые работают на добывающих предприятиях, и даже фуры, передвигающиеся по регионам по общим трассам. Робот видит препятствия сенсорами, самостоятельно определяет траекторию движения, а через Wi-Fi или 5G отправляет данные диспетчеру.

Вот примеры:

Роботизированная система комплектования в «Восток-Сервисе» 
Крупнейший производитель спецодежды «Восток-Сервис» запустил роботизированную складскую систему, которая работает по принципу «товар к человеку». Роботы от Ronavi Robotics интегрированы в систему роботизированного склада от СИТЕК. Она, в свою очередь, связана с платформой управления складом 1С:WMS.

Люди в этой системе присутствуют, но выполняют небольшой набор необходимых операций, тогда как вся тяжелая работа возложена на умные машины. Роботы получают задание из WMS и подвозят сотрудникам нужные стеллажи, чтобы те отобрали товары. Сотрудники склада работают на рабочих станциях, оборудованных PTL-системой, которая помогает найти нужный товар. Система уже увеличила скорость комплектации и упаковки в 2,5 раза, но целевое значение для компании — х5 или х6. 

Роботы на складах Яндекса
В 2024 году Яндекс представил роборуку — многозадачного робота-манипулятора, который подходит и для складских задач. Ее уже внедрил ритейлер товаров для строительства и ремонта Лемана Про. На его складах роборука разбирает паллеты с коробками разных размеров и форм, и складывает на конвейер. В компании считают, что скорость разгрузки паллет увеличится вдвое, а затраты на этот процесс — снизятся на 40%. 

Автономные грузовики Яндекса
Прошлой осенью Яндекс Маркет начал тестировать автономные грузовики на маршруте Москва — Тула. Грузовые автомобили, оснащённые системой искусственного интеллекта, разработаны на базе китайского тягача Shacman X6000 и способны выполнять коммерческие рейсы в любое время года и суток.  

Готовы дать зелёный свет автопилоту в логистике?

❤️ — Нам это подходит
🔥 — С шофёрами пока спокойнее

Подписывайтесь 👉 @yab2btech

Немного свежих цифр и исследований.

🔸Совместное применение ИИ и Task Mining может принести до 14,8 трлн рублей в российский ВВП к 2030 году
Такие данные приводятся в исследовании компании «Инфомаксимум». Уже сегодня 54% крупных российских компаний внедрили ИИ-решения. 79% опрошенных предприятий планируют использовать генеративный ИИ для повышения эффективности персонала и улучшения клиентского сервиса.

🔸Мир на пороге второй квантовой революции
К такому выводу пришла «Цифровая экономика» в своём исследовании о перспективах квантовых технологий в России и мире. По прогнозам McKinsey, к 2035 году квантовые технологии могут принести мировой экономике от $900 млрд до $2 трлн.

Россия за последние годы существенно сократила технологическое отставание — особенно в области квантовых сетей и вычислений. Объём финансирования российских квантовых программ в 2020–2024 годах составил более 40 млрд рублей, почти 100% — за счёт государства. Разрабатываются постквантовые алгоритмы, например «Шиповник» и «Гиперикум», которые уже доступны на GitHub.

Квантовые технологии обещают прорыв в обработке данных, точности измерений и безопасности. Но есть и барьеры: нестабильность кубитов, шумность, высокая стоимость. Поэтому пока что их внедряют в комбинации с классическими компонентами или в рамках пилотных проектов.

🔸За три года 83% российских компаний увеличили расходы на кибербезопасность
При это 64% пересмотрели подходы к ИБ, что особенно заметно в банковском секторе. Главные причины — ужесточение регуляторных требований, рост киберугроз и необходимость импортозамещения.

Исследование показывает, что у многих компаний по-прежнему нет единой системы оценки эффективности вложений в ИБ: они полагаются на внешние аудиты и пентесты. При этом 60% организаций категорически против аутсорсинга из-за рисков потери контроля.

🔸Рынок облачных сервисов в России вырастет вдвое к 2029 году
В 2024-м его объём составил 392 млрд рублей, а ежегодный рост — 21%. Для сравнения: мировой рынок, по прогнозам, утроится к 2032 году — до $962 млрд. Наиболее динамично развивается сегмент IaaS с ростом 29%, особенно услуги GPU-серверов (+39%). Это связано с бумом машинного обучения и аналитики данных. PaaS заметно отстаёт: доля таких решений составляет лишь 9% рынка. Российские компании пока не могут предложить полноценные аналоги западным платформенным решениям, что сдерживает рост этого направления. 

🔸Почти две трети российских компаний планируют увеличить инвестиции в big data на 10–30% в ближайшие два года
Ещё 27% готовы нарастить бюджеты на 30–50%, при этом ни одна из опрошенных компаний не рассматривает сокращение расходов в этом направлении. Согласно исследованию «К2 Тех», большинство организаций (67%) оценивают свои data-процессы как умеренно эффективные, а 12,5% — как высокозрелые. Основные сложности связаны с интеграцией разрозненных данных (25%) и их низким качеством (21%).

🔸«Пятёрочка» открыла первый phygital-магазин в Москве
Экспериментальный магазин нового формата работает так: при входе покупатель сканирует карту «Х5 Клуб» и на основе истории покупок получает персональные предложения. Свежие продукты — в торговом зале, а остальные товары можно заказать через сенсорный экран или планшеты. Пока сотрудники собирают заказ (обещают, что за семь минут максимум), можно отдохнуть в кафе и зарядить, например, телефон, а в отделе с алкоголем — воспользоваться электронным сомелье для подбора напитков. 

Подобные форматы с экранами и сборкой заказов сотрудниками тестируют и другие сети, включая «Ленту», а также зарубежные игроки вроде Amazon Go.

Подписывайтесь 👉 @yab2btech

Самые современные языковые модели — Large Language Models (LLM) — могут решать множество бизнес-задач. Например, отвечать пользователям в чате, чтобы снизить нагрузку на службу поддержки, или давать подсказки сотрудникам. Как завести такую модель в вашей компании?

✅ Создаем свою модель

LLM создают с нуля только очень крупные компании. Разработка такой модели требует огромного количества ресурсов: данных, видеокарт и времени опытных сотрудников. Если коротко, создание своей LLM — это очень, очень дорого и сложно. Поэтому для простоты перейдём к способам, которые подходят большинству бизнесов, — использовать готовую модель в облаке или на своей инфраструктуре.

А лучше что: в облаке или нет?

Чаще всего бизнесы берут готовые проприетарные (то есть закрытые) или опенсорсные нейросети и используют их. В зависимости от модели её можно использовать в облаке по API или запустить на своих ресурсах. Для решения задач бизнеса подходят оба способа.

Использовать как есть или дообучать?

Какой бы способ вы ни выбрали, дальше нужно будет решить, хотите вы дообучать модель или нет.

🔸 Использование готовой модели поможет в решении общепрофильных задач. Она сможет сформулировать вежливый ответ для клиента, но не будет учитывать специфику вашего бизнеса, например не внесёт туда уникальную информацию о ваших товарах и услугах, если вы не будете добавлять эту информацию к каждому запросу.

🔸 Дообучение поможет научить модель решать узкоспециализированные задачи. Модель, дообученная на сообщениях специалистов поддержки, научит её отвечать в фирменном стиле или лучше понимать специфические термины.

🔸 Дообучение требует времени, ресурсов и усилий ML-инженера. Поэтому сперва стоит попробовать, справляется ли уже готовая модель с вашими бизнес-задачами. Например, нейросеть может найти нужную информацию в базе знаний и без дообучения — с помощью метода Retrieval Augmented Generation (RAG). Если результат всё равно не устраивает, можно использовать дообучение.

🔸 RAG и дообучение можно использовать вместе, потому что они предназначены для разных целей. Допустим, вы хотите, чтобы LLM создавала описания для товаров. Если вы используете RAG, подключив её к базе данных с товарами, модель составит описание, используя информацию оттуда: название товара, модель, параметры. Если вы примените такой способ и дообучите модель на красивых описаниях, она сможет делать описания более привлекательными.

✅ Используем языковую модель

1. Определитесь с моделью. Важно учитывать множество факторов. Например, сколько в ней параметров, доступна ли она по API, можно ли развернуть её на инфраструктуре заказчика, есть ли у неё режим рассуждений и другие функции.

2. Проприетарные модели работают на серверах компании-разработчика, поэтому в их стоимость фактически входит аренда оборудования, а также мониторинг и обновление моделей. Для самостоятельного запуска опенсорсных моделей понадобится своя инфраструктура. Впрочем, есть и частные случаи: для дополнительной безопасности компании-разработчики могут развернуть нейросети на инфраструктуре заказчика. А некоторые облачные провайдеры запускают опенсорсные нейросети на своих мощностях, чтобы клиенты могли использовать их по API.

3. Используйте облачную модель по API или же скачайте модель и разверните её на своей инфраструктуре с помощью специальных инструментов. Если хотите, чтобы языковой моделью мог воспользоваться любой, сделайте интерфейс, где все пользователи смогут отправлять запросы и получать ответы. Это могут быть веб-интерфейс, мобильное приложение или даже Telegram-бот.

4. Теперь сотрудники компании или внешние пользователи могут общаться с моделью. Например, уточнять через бота, в наличии ли вещь в магазине, запрашивать помощь в написании писем, делать выжимки из документов и многое другое.

Как дообучить модель рассказываем в следующем посте 👇

Подписывайтесь 👉 @yab2btech

В первой части поста рассказали о двух способах запуска языковой модели в компании — создать свою модель или использовать готовую. Рассказываем, как дообучить готовую LLM на ваших данных, чтобы решать узкоспециализированные задачи.

✅ Дообучаем языковую модель

1. Выберите и запустите модель по инструкции выше.

2. Выберите метод дообучения. Часто эффективнее не дообучать LLM целиком, а воспользоваться методом LoRA — он не меняет исходные веса модели, а добавляет к ней новые параметры. Он быстрее и дешевле полноценного файнтюнинга и, кстати, есть в Yandex Cloud.

3. Подготовьте данные. В зависимости от метода дообучения формат датасета может различаться. Например, это могут быть пары ответов с пометкой, какой из них лучше, или условная таблица с двумя колонками (пример запроса и правильного ответа). Чем данных больше, тем лучше.

Иногда достаточно просто собрать их, но зачастую нужны очистка и разметка. В каждом конкретном случае очищать и размечать данные нужно по-разному. Помните: эффективность дообучения зависит от чистоты и разнообразия данных.

4. Запустите дообучение модели самостоятельно или с помощью облачного провайдера. В первом случае нужно скачать набор библиотек для конкретной модели (их можно найти на HuggingFace) и запустить программный код для дообучения. У каждой модели, как правило, есть свой туториал по дообучению.

5. Придумайте метрики, которые позволят понять, получилось ли дообучить модель под ваши цели. Например, проведите side by side-тестирование, сравнив вашу LLM с baseline-моделью.

Всё же понятно?

😍 — да, уже иду делать
🤝 — да, скинул пост коллегам-айтишникам

Подписывайтесь 👉 @yab2btech

Данные отчёта Всемирного экономического форума (WEF) за 2025 год показали, что большинство представителей малого и среднего бизнеса считают, что не справятся с серьёзной кибератакой. При этом 43% всех кибератак направлены на компании с численностью до 1000 человек.

Дело не только в финансах: у таких компаний часто нет ни внутренних специалистов, ни отработанных сценариев реагирования, ни доступа к внешним командам быстрого реагирования, что делает их лёгкой целью для хакеров. 

Главные риски

WEF называет три ключевых фактора, которые усиливают угрозы:

🔹 Ускоренная цифровизация без должной защиты.
🔹 Зависимость от облаков и подрядчиков, где контроль слабее.
🔹 Рост автоматизации — и, как следствие, больше точек входа для атаки.

Часто уязвимости связаны с использованием подрядчиков, SaaS, сторонних API. Это особенно критично для малого бизнеса, где большая часть инфраструктуры держится на сторонних решениях.

Последствия для бизнеса

Для малого бизнеса кибератака — это не просто сбой. Это простой работы, потеря клиентов, штрафы. Согласно данным аналитиков, около 60% небольших компаний заканчивают работу после серьезных кибератак. Систематически инвестировать в цифровую защиту оказывается дешевле, чем восстанавливаться после атаки.

Что делают компании

По данным опроса WEF, 91% компаний увеличили инвестиции в кибербезопасность, а  64% внедряют тренировки и симуляции атак. Отдельные роли по киберрискам на уровне C-level создаёт только половина опрошенных, а регулярные проверки безопасности проводят лишь 20% компаний.

Но большинство этих мер — запоздалые. Они вступают в силу уже после инцидента или под его давлением. В малом бизнесе подход к безопасности часто ситуативный: нет стратегии, нет регулярного аудита, решения принимаются точечно.

Когда в последний раз вы проверяли свою готовность к кибератаке? Проведён ли внешний аудит? Есть ли план реагирования? Если нет — пора начать сегодня.

Подписывайтесь 👉 @yab2btech

Такие данные приводят в свежей статье Mckinsey. Дополнительная экономическая ценность — это и выручка, и экономия на затратах. Кроме того, эксперты считают, что внедрение ИИ поможет вдвое ускорить скорость НИОКР. 

Такие сценарии пока не в фокусе внимания — ИИ сегодня обсуждается прежде всего как инструмент повышения эффективности процессов, а не исследований. И, по мнению экспертов McKinsey, очень зря. 

Как именно можно использовать ИИ в НИОКР? 

🔹 Создание проектов. К примеру, ИИ может спроектировать архитектуру магазина для компании ритейлера. Или структуру нового белка для фармацевтической компании.

🔹 Оценка проектов. ИИ-модели могут помочь испытать проекты-кандидаты на внедрение и сделать выводы об их эффективности. Так, существуют модели, способные точно предсказывать физические явления — с их помощью можно протестировать в виртуальной среде цифровых близнецов деталей, изделий или устройств.

🔹 Ускорение исследовательских работ. ИИ может помогать на разных этапах — например, выявлять потребности ЦА с помощью цифровых двойников, быстро искать и саммаризировать научную литературу, помогать искать сведения в корпоративных базах данных, и многое другое.

Используете ИИ для исследований?

🤩— Конечно!
🤔— Нет, но хочу начать 

Подписывайтесь 👉 @yab2btech

Понедельник — время битуби-дайджеста

Отставание во внедрении ИИ может привести к потере конкурентных преимуществ
По мнению главы по ИИ в PwC,  компании должны активнее инвестировать в ИИ-технологии, чтобы автоматизировать процессы и улучшать аналитику данных. Эксперт отметил: организации, игнорирующие ИИ, рискуют проиграть прогрессивным конкурентам уже в ближайшие два-три года. В PwC считают, что грамотная ИИ-стратегия поможет компаниям не только сократить издержки, но и создать новые бизнес-модели.

Яндекс запустил обновлённую версию ИИ-помощника «Нейроэксперт» для офисных сотрудников
В новую версию добавили функции анализа данных, совместной работы и рассуждений на основе загруженных документов. Сервис уже протестировали 350 тысяч пользователей, чаще всего запрашивая помощь в образовательных, юридических и финансовых вопросах. 

Google добавил в сервисы Workspace настраиваемых ИИ-ассистентов
Ассистенты Gems на базе Gemini доступны в Gmail, Документах, Таблицах и других сервисах. С их помощью можно создавать персонализированных ботов для конкретных задач — от копирайтинга до анализа данных — или выбирать шаблоны на боковой панели. Gems обучаются на загруженных документах, что позволяет автоматизировать рутинные процессы и поддерживать единый стиль коммуникации. 

Hyundai первым среди автопрома протестирует роботов Atlas от Boston Dynamics
С октября этого года роботы будут сортировать автодетали на заводе в Джорджии. Если испытания пройдут успешно, технологию могут внедрить и на заводах Kia. Это первые реальные испытания Atlas перед запланированным началом продаж в 2028 году. Ранее аналогичные тесты с роботами-гуманоидами уже анонсировали BMW со стартапом Figure и Mercedes-Benz с Apptronik.

Microsoft будет оценивать навыки сотрудников по работе с ИИ-инструментами
Умение пользоваться ИИ-сервисами, включая GitHub Copilot, станет обязательным критерием — наравне с командной работой и аналитическими навыками. Согласно внутреннему документу компании, новую метрику начнут применять со следующего финансового года, чтобы стимулировать работников активнее осваивать технологии, которые они разрабатывают.

Yandex Cloud представил обновлённый сервис речевой аналитики Yandex SpeechSense
Он позволяет бизнесу анализировать офлайн-диалоги в банках, магазинах и медучреждениях с помощью нейросетей. Новая версия помогает оценивать лояльность клиентов, эффективность маркетинговых предложений и качество работы персонала, выявляя успешные речевые паттерны.

Сервис решает ключевую проблему офлайн-аналитики — разделение реплик в диалоге между сотрудником и клиентом с помощью YandexGPT и технологии Speaker Labeling — и помогает бизнесу повысить качество обслуживания без дорогостоящего оборудования, используя записи с обычных диктофонов.

В MIT разработали технологию, позволяющую роботам «видеть» содержимое закрытых коробок  
Технология mmWaveс работает с точностью до 96%, тогда как аналоги — лишь 70%. Система анализирует отражение миллиметровых волн, воссоздавая форму предметов даже сложной конфигурации, таких, как столовые приборы. Её можно использовать в логистике, например, чтобы выявлять брак без вскрытия упаковки, а также на складах — для автоматической сортировки и контроля качества товаров.

62% российских IT-компаний планируют увеличить бюджеты на ИБ в 2025 году
Это на 12% больше, чем в 2022-м, согласно исследованию «Индекс кибербезопасности» от «МегаФона» и МИЦ. Основные причины — необходимость защиты персональных данных, критической инфраструктуры и противодействие социальной инженерии. 

X5 Group внедрила робота-инвентаризатора от Яндекс Роботикс
Он работает на складе «Перекрёстка» в Софьино, что позволило увеличить ежедневный объём проверок товаров в 4 раза и снизить нагрузку на персонал. Оснащённый лазерным дальномером и камерами, робот сканирует до 30 тысяч палет в час, оперативно выявляя и исправляя расхождения в учёте. Это помогает избежать дефицита товаров и сократить расходы на инвентаризацию на 30%.

Подписывайтесь 👉 @yab2btech