← Каталог

· 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

Главы

Ещё доклады: Ayush Bhardwaj

Страница спикера →

Похожие доклады