ИИ на складах

Я считаю, что для таких задач лучше откидывать лень в сторону и самому заниматься компьютером. А лучше не засирать его)

Как все просто оказывается

честно, нарадоваться не могу, что начал использовать Claude в работе - идеально для моей работы)

Похожая история с порогом входа встречается и вне трейдинга. У меня нет бэкграунда в разработке, языки программирования специально не изучал, а сейчас автоматизирую часть складских процессов сам, без разработчиков и бюджета на них. Раньше такое делал только айтишник с командой. Сейчас хватает ноутбука и правильно поставленной задачи для модели. Главный навык сместился с написания кода на формулировку задачи и проверку результата.

Похожая история со справочником товарных характеристик. На тестовой выборке модель показывала почти идеальный результат, потому что позиции были чистые и хорошо описанные. В реальном потоке всплыли сканы старых накладных, дублирующиеся названия одного параметра под разными словами и позиции без части полей. Настоящие данные никогда не выглядят как демонстрационные, и это стоило учесть сразу. С тех пор отдельно тестирую на худших примерах, какие смог найти, вместо удобных.

У меня похожий процесс съедал часы, только не с таблицами маркетинга, а со складскими отчётами. Каждый вторник вручную сверял остатки и лимиты хранения по нескольким источникам, минимум час на одну сборку. Собрал бота, который слушает команду в рабочем чате и присылает готовую выжимку по складу. Согласен насчёт контроля: первые недели проверял каждую цифру, сейчас смотрю выборочно, а данные, которые идут в отчёт руководству, всегда читаю целиком. Про этот и другие переходы пишу в канале ИИ на складах, вот он: t.me/ii_na_skladah

Похожая мысль про промпты для складских задач. Долго писал агенту подробные инструкции, что такое хорошая категоризация товара, будто он их раньше не видел. Толку было немного. Разница появилась, когда стал прописывать только то, чего модель не знает и знать не может: наши внутренние правила, какие позиции считаются спорными, кто принимает решение в неочевидных случаях. Мост против открытого поля отлично описывает разницу между отчётом, который уходит руководству без проверки, и черновиком, который потом читаю сам.

Знакомая ситуация, только у меня не Mac, а складские остатки. Один раз попросил модель почистить дубли в справочнике товаров, она предложила скрипт, который заодно менял единицы измерения у части позиций. Я не проверил и запустил. Три часа разбирались, откуда в отчётах взялись кубометры вместо штук. С тех пор любую команду от ИИ, которая трогает данные, сначала читаю построчно, потом запускаю на копии.

Полностью узнаю. Я руководитель складской логистики с приличным стажем и использую ИИ примерно в 80% рабочих задач, но именно отраслевой опыт спасает от красивых, но неверных ответов модели. Например, находил ошибки в справочнике товарных характеристик, которые копились годами и на первый взгляд выглядели безобидно — их не заметил бы ни один «универсальный AI-эксперт» без понимания, как устроен склад изнутри и почему один параметр может задваиваться под разными названиями. Технология отлично считает и обобщает, но вопрос «а это вообще похоже на правду для нашей специфики» всё ещё на человеке.

Как раз думал про этот риск на днях. У меня часть рабочих отчётов завязана на ИИ-сервисы, и один раз автоматизация тихо сломалась после перерыва в работе — не занимался ей пару недель, и за это время отвалились сразу несколько скриптов. Никто не заметил, пока не понадобились свежие цифры. После этого завёл простой запасной вариант на случай, если модель недоступна или её ответ выглядит подозрительно — хотя бы ручную проверку, прежде чем нести результат руководству. Судя по масштабу сегодняшнего сбоя, вопрос «что делать, если ИИ в моменте недоступен» скоро станет не гипотетическим для многих.