Гуглили ли вас нейросети? Теперь это можно проверить 🪞

Есть сайт intheweights.com — вводишь своё имя или бренд, а он показывает, насколько крупные AI-модели тебя «знают».

Логика простая: модели учились на текстах из интернета — статьях, книгах, сайтах. Если человек хорошо освещён — информация осела где-то в недрах модели, в тех самых миллиардах параметров, из которых она состоит.

Это скорее развлечение, чем точное измерение. Но как наглядная демонстрация того, что вообще значит «модель обучена на интернете» — работает отлично.​​​​​​​​​​​​​​​​

🌐 Website | 🎰LinkedIn

Мультиагентная система за 3,1 миллиарда долларов 🤑

Schneider Electric купила норвежскую Cognite за 3,1 миллиарда долларов наличными. Проект Cognite вырос из нефтегазового концерна и делает одну вещь: собирает данные с месторождений и заводов в единое рабочее пространство для инженеров. Разбираем, за что заплатили такие деньги, как это работает и что получают клиенты.

🔡 Что произошло

Материнская компания Aker, которая вложилась в стартап в 2017 году, получила примерно 20-кратный возврат — около 1,48 миллиарда долларов. За год до сделки выручка Cognite перевалила за 170 миллионов долларов против 100 миллионов годом ранее.

🔡 Какую проблему она решает

На типичной нефтяной платформе используется меньше 1% собираемых данных. Всё остальное лежит в разрозненных системах: датчики отдельно, чертежи отдельно, техпаспорта отдельно, рабочие наряды вообще где-то в другом мире.

Cognite собирает всё это через 90+ готовых коннекторов и связывает в единую «карту завода» — что-то вроде промышленного Google Maps. Нажимаешь на насос — и сразу видишь его показания, историю ремонтов, чертёж и место на 3D-схеме.

🔡 Почему это работает лучше, чем просто LLM

Обычная языковая модель ничего не знает про ваш конкретный завод. Как гениальный консультант, которого не пустили на предприятие: говорит красиво, а про ваш насос ничего не знает и, если спросить, начнёт выдумывать.
Cognite сначала «проводит консультанта по цехам» — даёт ему все документы и показания приборов — и только потом сверху ставит AI-агентов. Число клиентов, использующих этих агентов, выросло за год почти на 700%.

🔡 Как это выглядит в работе

Агенты работают как ремонтная бригада, а не как справочник. Один находит данные, второй анализирует показания приборов, третий строит карту причин поломки, четвёртый готовит наряд на ремонт — и всё это они передают друг другу автоматически.
Результат на месторождении Aker BP: поиск причины поломки, который раньше занимал недели (в отдельных случаях до 9 месяцев), теперь занимает часы — сокращение на 70–97%. Оцифровка документов ускорилась на 85%, ручные тесты на месторождении Valhall — на 80%.

🔡 Сколько на этом зарабатывают

По независимому исследованию Forrester, компании возвращают вложения меньше чем за 6 месяцев и получают 465% ROI за 3 года. Средняя чистая выгода — 29,4 миллиона долларов. Из них 14,5 миллиона приходится на снижение простоев, 10,7 миллиона — на рост производства на 1–2%, ещё 10,5 миллиона — на то, что сотрудники тратят на четверть меньше времени на поиск информации.
Химический гигант Celanese масштабировал систему на 30 из 50 своих заводов меньше чем за 2 года и назвал её «промышленным Google»: поиск инженерных документов сократился с часов до кликов.

🔡 Почему это важно

Искусственный интеллект продуктивнее работает там, где до него навели порядок в данных. Сначала все системы завода собраны воедино и связаны между собой, и только потом появляется смысл в алгоритмах.

Видео: Cognite

🌐 Website | 🎰LinkedIn