· AI Engineer World's Fair 2026
От торговых площадок до клинических испытаний: параллели в прикладном вертикальном AI
Trading Desks to Clinical Trials: Parallels in Applied Vertical AI
Преимущество в вертикальных AI-продуктах дают проприетарные данные и эксперт-пользователь, а не инфраструктура, которая доступна всем.
- Узкая задача вместо универсального агента — спикер советует сужать задачу до рынка, сектора и одного критерия, например ранжировать IT-компании США по capex. Агентов можно строить сколько угодно, а один агент на всё обычно не справляется.
- Данные, которых нет в открытом доступе — в финансах это торговые тезисы с объяснением, почему сделка сработала, в фарме данные о провалившихся экспериментах, которые компании редко публикуют. Публичные статьи и новости есть у всех, поэтому отличие даёт собранное внутри компании.
- Error analysis до RLHF — разбор логов observability показывает, где модель ошибается, и не требует менять веса. По словам спикера, это самый дешёвый способ с наибольшей отдачей; дальше идут supervised fine-tuning и RLHF, но каждая ступень дороже, а при смене базовой модели дообучение придётся повторять.
- Эксперт предметной области в цикле — специалист выбирает надёжные источники, правит промпты и показывает, как разбивать задачу на шаги. По словам спикера, после этого крупные фармкомпании стали лучше воспринимать продукт.
Кому полезно: тем, кто строит AI-продукт для узкой отрасли вроде финансов или фармы и не понимает, как проверять результаты без собственного отраслевого опыта.
Статья по теме
На какие вопросы отвечает доклад
Почему LLM-as-a-judge плохо проверяет агента для финансов и фармы?
Модель предсказывает следующее слово и не понимает, что такое альфа. В этих областях нет верифицируемых наград, как в коде и математике, поэтому ошибки накапливаются. Оценивать результат должен эксперт предметной области.
▶ 6:46Наблюдаемость — простая задача, а оценка с учетом специфики предметной области — сложнаяКак сузить задачу агента, чтобы он окупался в финансах или фарме?
Задачу выбирают узко: рынок, отрасль и один критерий ранжирования, например capex, а под каждую задачу делают отдельного агента. Оценивать нужно окупаемость, потому что такие отрасли закрывают проекты, которые не приносят денег сразу.
▶ 3:17Определяйте узкие задачи для агентов и требуйте окупаемости для бизнесаГде взять проприетарные данные для вертикального AI, если их нет в открытом доступе?
Данные курируют внутри компании: LLM-пайплайн превращает неструктурированные архивы за годы работы в структурированные за ночь. Особенно ценны торговые тезисы с обоснованием и данные о провальных экспериментах, которые редко публикуют.
▶ 5:10Ищите собственные данные за пределами общедоступной информацииКак находить ошибки агента в узкой предметной области дешевле всего?
Разбор логов observability показывает, где модель ошибается, и не требует менять веса, поэтому это самый дешёвый способ с наибольшей отдачей. Затем можно переходить к supervised fine-tuning, RLHF или rubrics as rewards.
▶ 12:13Привлекайте экспертов предметной области и уделяйте приоритетное внимание анализу ошибокКак подключить эксперта предметной области к разработке AI-агента?
Пользователя нанимают в команду: эксперт выбирает надёжные источники, уточняет промпты, раскладывает задачу на логичные шаги и запускает цикл обучения, который растёт вместе с количеством пользователей.
▶ 12:13Привлекайте экспертов предметной области и уделяйте приоритетное внимание анализу ошибокКогда в финансах и фарме нужен AI-in-the-loop, а не human-in-the-loop?
Спикер считает, что здесь эксперт принимает решение сам, а AI предлагает варианты, например пять торговых тезисов, и сокращает время эксперта во много раз. Так будет еще долго, пока модели не научатся работать с причинностью.
▶ 12:13Привлекайте экспертов предметной области и уделяйте приоритетное внимание анализу ошибок
Главы
Ещё доклады: Ayush Bhardwaj
Страница спикера →Ваш агент ненавидит ваш CLI
AI Engineer Code 2026
Похожие доклады
ИИ, который приносит доход: уроки управления финансовыми потоками в здравоохранении
AI Engineer World's Fair 2025
Близко по содержанию
Доказывая альфу: как хедж-фонд измеряет ROI от AI
Близко по содержанию
Почему готовые ИИ не понимают деньги
AI Engineer World's Fair 2026
Близко по содержанию
Не испытывайте дефицита данных
AI Engineer World's Fair 2026
Близко по содержанию

