· Apsara Conference 2026 · 云栖大会
Когнитивная поддержка решений в сфере недвижимости в KE Holdings: практика Harness и самоэволюции AI
Часть записи Саммит по практике корпоративных Agent с 1:21:07
Агент для выбора жилья должен опираться на граф знаний о домах и людях, а поведение пользователей использовать как сигнал для дообучения модели и harness.
- Дом описывается через то, что он даёт покупателю — спикер предлагает строить онтологию не из полей вроде площади и ориентации, а из связей: какой школьный доступ даёт квартира, в каком кругу живут соседи, какие типы семей ей подходят.
- Выбор как оптимизация при конфликтующих условиях — жёсткие ограничения (бюджет, школа) и мягкие предпочтения меняются по ходу покупки, поэтому система должна переформулировать запрос пользователя по мере его решения.
- Модели разного размера под разные сценарии — по словам спикера, компания использует от маленьких Qwen до Qwen max и flash, выбирая модель и режим глубокого рассуждения под задачу, чтобы держать стоимость и скорость ответа.
- Траектории как данные для обучения — успешные диалоги отбираются по действиям пользователя и идут в SFT и RL; по словам автора, построить среду обратной связи для RL в бизнес-контексте непросто, и от неё во многом зависит результат.
Кому полезно: тем, кто строит агентов для сервисов с долгим циклом решения, где качество оценивается только по реакции пользователя через недели.
Статья по теме
Главы
Похожие доклады
Покупать, создавать, внедрять: как использовать M&A для AI-трансформации
Близко по содержанию
Каждое здание — это баланс: пространственная память для реальных активов
AI Engineer NYC 2026 Online Talks
Близко по содержанию
Может ли ИИ разобраться в проблемном кредите?
AI Engineer New York 2026
Близко по содержанию
28:42Финансовые AI agents корпоративного уровня в E Fund: практика и выводы
Apsara Conference 2026 · 云栖大会
Близко по содержанию
