ИТ-специалист автоматизировал выставление счетов с помощью локальной нейросети
Автоматизация добралась туда, где её меньше всего ждали - в рутину выставления логистических счетов. Разработчик компании Аэросиб-С поделился историей внедрения искусственного интеллекта в систему учёта складских услуг и публично поблагодарил ИТ-отдел за помощь в освоении WMS-платформы CWMS 3000. История получилась не просто технической - она о том, как один инженер попытался снять с себя вечную обязанность вручную переписывать SQL-запросы.
Задача, которая выросла из рутины
Аэросиб-С - крупный игрок на рынке складской логистики. Компания занимается ответственным хранением, работой с интернет-магазинами и обслуживанием складов класса «A». Через её объекты ежедневно проходят тысячи товарных позиций, а система управления складом фиксирует сотни миллионов транзакций. При таких объёмах ручной ввод данных превращается в источник ошибок и потерянных денег.
Именно поэтому разработчик взялся за автоматизацию биллинга - систему, которая формирует счета за логистические услуги на основании данных WMS и терминалов сбора данных. Задача сама по себе не новая. Но камень споткновения обнаружился быстро: параметризованные SQL-запросы, лежащие в основе расчётов, мог менять только программист. Менеджер, отвечающий за тарифы и услуги, языком баз данных не владеет - и вряд ли ему это нужно по должности.
Испытание нейросетей в боевых условиях
Чтобы разгрузить разработчика от постоянной доработки логики расчётов, было решено подключить локальные языковые модели, способные превращать обычный текст в корректный SQL-запрос. Условие было жёстким: никакой передачи чувствительных данных третьим лицам, значит - только локальный запуск. Из оборудования - обычный сервер на Linux Debian с 30 гигабайтами оперативной памяти, без видеоускорителей.
Для тестов описали схему из десяти ключевых таблиц WMS и составили эталонный запрос - на выборку паллет европейского типа по накладной. Дальше в дело пошли модели с 16 и 30 миллиардами параметров - как раз тот минимальный порог, при котором нейросеть способна понимать связи между таблицами и строить сложные конструкции с JOIN и группировкой.
- deepseek-coder-v2:16b - ответ неверный, время ответа около двух минут
- gemma4:26b - ответ верный, но время ожидания превысило 21 минуту
- qwen3-coder:30b - ответ неверный
- qwen3:14b - ответ верный, но неоптимальный
- qwen3:30b - ответ верный, около 16 минут ожидания
- qwen3.5:9b - с задачей не справилась
Победитель и неожиданный вывод
Лучший результат по точности показала модель gemma4:26b - именно она выдала самый корректный вариант запроса. Правда, за качество пришлось заплатить временем: без выделенной видеокарты с достаточным объёмом видеопамяти ответа приходится ждать десятками минут. Разработчик прямо признаёт: это первая попытка внедрить ИИ без дополнительного финансирования, поэтому скорость закономерно оставляет желать лучшего.
Обнаружился и другой нюанс - специализированные coder-модели неожиданно уступили обычным "рассуждающим" нейросетям. Возможно, дело в ограничении по числу параметров: модели уровня 16-32 миллиарда просто не дотягивают до той глубины понимания контекста, которая нужна для сложных бизнес-запросов.
Что дальше: экспертная система вместо программиста
Главный практический итог эксперимента - описывать логику расчёта услуг текстом теперь может аналитик, а не только разработчик. Это уже снимает часть нагрузки с ИТ-отдела и сокращает время на доработку системы биллинга. Автор проекта видит развитие идеи в создании классификатора типовых услуг: поскольку у разных логистических компаний перечень операций во многом повторяется, можно собрать библиотеку готовых текстовых шаблонов запросов и подбирать их под новые задачи без написания кода с нуля.
Тема звучит на фоне общей дискуссии об ИИ на рынке труда - прогнозы о сокращении офисных позиций начального уровня появляются регулярно. Автор истории смотрит на это спокойнее: искусственный интеллект - инструмент, а не приговор профессии. Вопрос, по его мнению, не в том, заменит ли нейросеть разработчика, а в том, как использовать её так, чтобы код оставался понятным и не превращался в технический долг.
