Антон Шалин, ведущий ИИ разработчик IT_ONE: «Ваши решения станут неотъемлемой частью рабочих процессов и помогут достигать новых высот»

Представьте, что ваш проект станет частью повседневной жизни тысяч специалистов. Именно такую перспективу предлагает IT_ONE Cup. ML Challenge. Создайте на соревновании AI-ассистента, который будет помогать в работе дизайнерам, системным и бизнес-аналитикам, и разделите призовой фонд в 1 500 000 рублей. 

Регистрация открыта до 13 апреля.

Перед стартом IT_ONE Cup. ML Challenge мы пообщались с Антоном Шалиным, ведущим ИИ разработчиком IT_ONE и членом жюри соревнования. Эксперт рассказал:

• Почему хакатоны стали важной частью жизни компании.
• Какие задачи ждут участников.
• Как AI-ассистенты помогают сотрудникам IT_ONE.
• Что нужно для подготовки сильного решения на соревновании. 
• Как их проекты изменят работу дизайнеров, аналитиков и разработчиков.

IT_ONE Cup. ML Challenge – не первое соревнование от компании IT_ONE. Расскажите, почему вы проводите хакатоны? 

Хакатоны – прекрасный инструмент для развития IT-сообщества. Команды на соревнованиях обмениваются опытом друг с другом, прокачивают скиллы и создают решения на самых современных технологиях. Индустрия пока только знакомится с такими вещами, как RAG, MCP и AI-агенты, изучает возможные способы их применения в бизнесе. А участники хакатонов уже активно внедряют эти инструменты в свои проекты.

Кроме того, соревнования – это возможность рассказать подробнее про классные проекты, которые мы создаем в IT_ONE, показать, с какими задачам сталкиваются сотрудники и как подходят к их решению. Участники хакатонов могут пообщаться с лучшими экспертами IT-отрасли и получить от них советы. Для нас, в свою очередь, такие мероприятия – это тоже повод познакомиться с талантливыми специалистами, которые придут на IT_ONE Cup. ML Challenge.

Почему для соревнования были выбраны именно задачи по созданию AI-ассистента, который будет помогать в работе дизайнерам, системным и бизнес-аналитикам?

Треки соревнования – логичное продолжение и углубление практик применения ИИ в IT_ONE. Мы прямо сейчас работаем над улучшением наших рабочих процессов с помощью AI-технологий. Сейчас AI-ассистенты в компании успешно решают следующие задачи:

• Помощь в оценке кандидатов на вакансии.
• Ускорение и автоматизация рутинных этапов подготовки документации и спецификаций.
• Проверка требований на непротиворечивость и полноту.
• Проверка продуктов на соответствие требованиям.

Но многие задачи требуют принципиально нового уровня автоматизации и интеллектуальной поддержки специалистов: 

• Для системных аналитиков – автодополнение документации, создание и структурирование технических требований с помощью голоса.
• Для дизайнеров и фронтенд-разработчиков – автоматизация внесения правок в дизайн-макеты веб-приложений и страниц по текстовому описанию.
• Для бизнес-аналитиков и проектировщиков процессов – автоматическое построение BPMN-диаграмм по текстовым или голосовым описаниям, их интеллектуальный критический анализ и автоматическое исправление ошибок.

Поэтому можете не сомневаться: ваши решения не отправятся в бэклог, а станут неотъемлемой частью рабочих процессов и помогут достигать новых высот.

Чего не хватает существующим на рынке AI-ассистентам для дизайнеров, системных и бизнес-аналитиков?

По итогам применения AI-ассистентов в своей работе наши специалисты часто отмечают, что сталкиваются с проблемами. У нас уже готов план, который поможет вам создать по-настоящему интеллектуальные системы. Осталось только реализовать его на практике. Вот на что стоит обратить внимание. 

Нехватка контекстной точности. Недостаточное понимание взаимосвязей между сущностями, процессами и документацией приводит к общим и малополезным рекомендациям.

Предлагаемое решение – внедрение дерева зависимостей и механизма RAG (Retrieval-Augmented Generation).

Отсутствие поддержки голосового ввода и разных языков. Существующие решения часто ограничены текстовыми командами и плохо работают с мультиязычной средой.

Предлагаемое улучшение – внедрение STT (Speech-to-Text) технологий и NLP-процессов для многоязычных голосовых команд.

Нет автоматизированного анализа и изменения скомпилированного кода. Большинство решений не умеют работать с минифицированным JavaScript и WebAssembly.

Предлагаемое улучшение – разработка механизмов дизассемблирования и анализа.

Отсутствие интеллектуальной проверки бизнес-логики и процессов. Текущие ассистенты недостаточно глубоко анализируют BPMN-диаграммы. 

Предлагаемое улучшение – AI-критики и агенты-аналитики, автоматически исправляющие ошибки и нестыковки процессов.

С какими техническими трудностями могут столкнуться участники при разработке AI-ассистентов?

Технические проблемы действительно могут замедлить работу или помешать закончить проект. Чтобы этого не произошло, и вашего AI-ассистента смогли оценить эксперты IT_ONE, советую заранее продумать решение возможных трудностей. 

Проблемы с окружением и библиотеками. Зачастую возникает ситуация, когда участники тратят время на решение технических конфликтов библиотек и окружения.

Совет – используйте предварительно настроенные среды (Docker, Google Colab, Kaggle Kernels), заранее проверьте совместимость библиотек и зависимостей.

Недостаток вычислительных ресурсов. Недооценка ресурсов, необходимых для обучения модели, приводит к потере времени на долгие расчёты.

Совет – заблаговременно оцените необходимые ресурсы, используйте Google Colab Pro, Kaggle с GPU, либо другие облачные ресурсы с GPU.

Проблемы с интеграцией и деплоем модели. Команды редко заранее думают о том, как интегрировать решение в веб-интерфейс или API.

Совет – сразу продумайте заранее архитектуру и способ интеграции, используйте простые распространенные решения, например, FastAPI, Streamlit, Flask. Из личного опыта: для бэкенда мой любимчик – Sanic.

Отсутствие опыта быстрого прототипирования. Участники часто усложняют код и теряют время на доработку.

Совет – заранее подготовьте шаблоны кода, простые скрипты, типовые функции для ускорения прототипирования. Если хватает опыта, то сразу делайте микросервисную архитектуру. Даже если кажется, что проект будет небольшим и подойдет монолит, стоит помнить: за несколько дней экспресс-разработки код успевает раздуться до невероятных размеров и становится неуправляемым.

По вашему опыту, какие ошибки чаще всего совершают команды на хакатонах и как их избежать? 

Мы проанализировали опыт прошлых соревнований и выделили наиболее распространенные ошибки, которые могут стоить командам победы. Вот как их избежать.

Отсутствие четкого плана. Часто команды начинают без определения целей. Это приводит к потере времени и слабым результатам.

Решение: предварительно составьте план действий. Определите приоритет каждой функции. Например, для AI-генератора важна поддержка популярных браузеров, а не сложная оптимизация для редко используемых устройств. Регулярно сверяйте прогресс с планом.

Переоценка возможностей. Участники часто ставят слишком амбициозные цели и не успевают сделать MVP.

Решение: выбирайте реализуемые задачи, фокусируйтесь на MVP. Например, для динамических подсказок начните с базовой системы автодополнения текста, а поддержку голосового ввода добавьте на следующем этапе. Если задача вызывает трудности, отложите ее до консультации с экспертами на чекпоинте. 

Игнорирование презентации. Даже отличные технические решения могут проиграть из-за плохой подачи.

Решение: выделите время на подготовку четкой и убедительной презентации. Можно, к примеру, продемонстрировать результаты до и после использования AI-генератора макетов, или показать диаграммы, которые вы создали с помощью ИИ для оптимизации процессов внутри команды. Ищите, чем удивить жюри. 

Слабое взаимодействие внутри команды. Недостаточная коммуникация и слабое распределение ролей мешают координации работы.

Решение: заранее четко распределите роли и регулярно обсуждайте прогресс. 

Совет от Codenrock: Как создать проект для хакатона, который победит.

В IT_ONE Cup. ML Challenge можно участвовать в соло или командой. Расскажите о преимуществах и недостатках каждого подхода.

Каждый формат имеет свои плюсы и минусы, и важно понимать, какой из них лучше подходит именно вам. Вот что стоит учесть.

Одиночное участие

Преимущества: 

1. Полная самостоятельность и свобода принятия решений.
2. Нет необходимости согласовывать идеи и подходы с другими участниками.

Недостатки: 

1. Ограниченный набор навыков: сложно совместить подготовку модели, разработку интерфейса для AI-ассистентов и создание презентации. 
2. Высокая физическая и эмоциональная нагрузка – сложно уложиться в дедлайн.

Командное участие

Преимущества: 

1. Распределение задач и ролей в соответствии с компетенциями. Один участник сможет сосредоточиться на дообучении модели, а другой – на интеграции голосового ввода или автодополнения. 
2. Больше возможностей реализовать технически сложные идеи, такие как анализ содержимого страниц.  
3. Поддержка и взаимопомощь.

Недостатки: 

1. Риск конфликтов и разногласий.
2. Необходимость тратить время на коммуникацию и координацию действий.

Как собрать эффективную команду из разных специалистов для разработки AI-ассистента?

Оптимальный состав команды на соревновании – 3–5 человек, где один участник может брать несколько ролей, но не все сразу: 

• Data Scientist или ML-инженер. Занимается разработкой моделей, отвечает за техническую часть: дообучение LLM, анализ данных, прогнозирование. 
• Backend-разработчик. Отвечает за серверную часть, API, интеграцию модели. 
• Frontend-разработчик или дизайнер. Создает интерфейс, гарантирует удобство взаимодействия с решением. 
• Аналитик или доменный эксперт. Проводит исследования, анализирует задачи, предлагает наиболее перспективные направления и методы. 
• Team Lead или Product Manager. Организует процессы, ставит задачи, следит за прогрессом, отвечает за презентацию и питч.

Если у участника нет опыта в ML, как он может внести вклад в командный результат? 

Дизайнер: 

• Создание удобного и красивого интерфейса MVP-продукта:
  • Динамические контекстные подсказки для системного аналитика: разработка интерфейса с автодополнением текста.
  • AI-генератор дизайн-макетов по описанию требований: создание интуитивно понятного редактора для внесения правок.
  • Система визуализации BPMN-диаграмм: интерфейса ассистента.
• Разработка презентационных материалов, инфографики и убедительного визуала.
• Улучшение пользовательского опыта (UX), что повышает привлекательность решения для жюри.

Аналитик: 

• Подбор, обработка и первичный анализ данных. Для системы динамических подсказок можно проанализировать примеры документации для дообучения модели.
• Исследование рынка, поиск релевантных гипотез, формулирование задач. При работе над AI-генератором макетов можно исследовать типовые правки, которые чаще всего вносят frontend-разработчики.
• Оценка жизнеспособности и эффективности предложенного решения, например, пригоден ли результат генерации BPMN-диаграмм для бизнес-анализа. 

Вклад дизайнера или аналитика часто становится ключевым фактором успеха в командной работе. 

Смогут ли победители продолжить работу над своими проектами после окончания соревнования?

Задачи основаны на реальных бизнес-проблемах, поэтому мы заинтересованы в том, чтобы найти инновационные решения от талантливых участников, которые можно успешно интегрировать в существующие продукты и процессы компании.

Победители могут получить возможность продолжить работу над своими проектами после завершения соревнования. Это отличная возможность стать частью команды, которая превращает идеи в реальные решения.

Мы знакомимся на соревнованиях с крутыми специалистами. После хакатонов некоторые из участников приходят к нам устраиваться в компанию. У победителей есть преимущества при подаче резюме и прохождении отбора. 

Регистрация открыта до 13 апреля.