От OCR до VLM: как меняется работа с документами

Ещё недавно перевод изображений документов (фото, сканов) в цифровой редактируемый формат базировался на технологии оптического распознавания символов (OCR). Она хорошо работает на ровном печатном тексте, но когда дело доходит до таблиц, рукописей и документов со сложной версткой, получается путаница.

Здесь на помощь приходят мультимодальные генеративные модели, которые могут работать и с текстами, и с изображениями. Вместе со Львом Богдановым, старшим разработчиком MWS AI, разобрали в карточках, где лежат пределы возможностей традиционного OCR и какие преимущества открывает VLM для решения реальных бизнес-задач

Спешите внедрить ИИ? Не торопитесь

Сначала нужно разобраться с процессом: описать его, понять, где он работает нормально, а где есть риски. И только потом подключать ИИ, чтобы он стал полезным инструментом, а не усилителем хаоса.

Как внедрять ИИ правильно и безопасно, разберём в рамках образовательной программы MWS AI и НИУ ВШЭ «Стратегия безопасности искусственного интеллекта»

Подробности по ссылке

Директор по персоналу MWS AI и автор книги «Не мешайте людям работать» Анастасия Зальцман приняла участие в дискуссии клуба Quercus «Философия в ответе: что у нас не отнимет ИИ».

Вместе с философами и предпринимателями обсуждали, как искусственный интеллект меняет ценность человеческого труда, креативные профессии, образование и роль человека в мире, где всё больше задач можно автоматизировать.

Анастасия рассказала, что тревога вокруг ИИ часто связана не с самой технологией, а с отсутствием понятных правил внутри компании. Когда сотрудники не понимают, какие инструменты можно использовать и как будет оцениваться результат работы, технология начинает восприниматься не как помощь, а как угроза.

Поэтому внедрение ИИ в команде начинается не только с доступа к инструментам, но и с честного объяснения, где ИИ помогает, а где решение по-прежнему остаётся за человеком и как из-за этого меняются привычные процессы.

На встрече также обсудили, почему человеку необходимы критическое мышление, рефлексия, опыт и способность проверять информацию, а не просто получать готовый ответ от модели.

Дискуссия стала прологом к конференции «Философия в ответе», которая пройдёт в Quercus с 1 по 3 октября 2026 года.

MWS AI и Российская государственная библиотека разрабатывают ИИ-платформу, которая поможет автоматизировать работу библиотек

Платформа сможет:

Искать источники в научном фонде (а это более 3,7 млн авторефератов, диссертаций и других академических трудов) не только по ключевым словам, но и по смыслу запроса.

Предлагать рубрики, индексы и метаданные для ускорения каталогизации. Это позволит обрабатывать новые поступления (около 100 тыс. обязательных экземпляров ежегодно) в два раза быстрее.

Осуществлять поиск по полному тексту книг и анализировать нарративы. Исследователи смогут отслеживать тематические паттерны, сравнивать тексты — работать с фондом не только как с архивом, но и как с массивом знаний.

В основе проекта лежит отечественное программное обеспечение. Прикладные ИИ-решения создаются на базе MWS AI Agents Platform. Данные и инфраструктура будут размещены на серверах РГБ.

Генеральный директор MWS AI Денис Филиппов:

Сегодня в России более 40 000 публичных библиотек с совокупным фондом почти 900 млн единиц хранения. При таких объемах вручную обрабатывать поступления и вести библиографические записи уже затруднительно. Ценность нашего совместного проекта — не в отдельных технологических решениях, а в том, что мы выстраиваем тиражируемую модель для всей отрасли.

Настроить LLM под новые правила за секунды, а не переобучать её 10 дней

MWS AI и исследователи KOREATECH разработали AVI — универсальный фильтр для больших языковых моделей, который помогает быстро адаптировать их работу под требования безопасности, законодательства и корпоративных регламентов.

Как работает AVI:

Фильтр не меняет саму модель и не вмешивается в её архитектуру, а подключается как внешний «посредник» между пользователем и LLM.

На входе AVI блокирует джейлбрейки, провокации, запрещённые темы и попытки получить чужие персональные данные.

На выходе адаптирует ответы модели под заданные правила (этику, комплаенс, законодательство) и не пропускает токсичный контент, дезинформацию и конфиденциальные корпоративные сведения.

Новые правила можно задавать обычными фразами, без программирования и повторного обучения, поэтому настраивать фильтр могут юристы, специалисты по информационной безопасности и отраслевые эксперты, не привлекая ML-инженеров.

На тестах AVI распознал 98,5% опасных обращений и почти в четыре раза ускорил реакцию системы на нарушения. Архитектура фильтра совместима с любыми большими языковыми моделями.

Выложили на GitHub рабочий сервис на Python и FastAPI, а также инструментарий для воспроизведения экспериментов. Подробнее читайте на Хабре MWS AI

Что такое «доверенные посредники» и зачем они нужны финансовому и ИИ-рынку?

В недавнем отчёте по применению ИИ на финансовом рынке Банк России снова вернулся к теме доверенных посредников, для которых еще в консультационном докладе 2025 года предложил проработать правовые условия.

Доверенные посредники — это защищённые платформы, где финансовые организации смогут добровольно обмениваться и объединять данные для разработки ИИ-моделей. Например, для антифрода, оценки рисков, противодействию отмыванию доходов и других задач, где данных одной компании может быть недостаточно, чтобы модель лучше выявляла мошенничество, снижала число ошибочных решений и точнее работала с рисковыми сценариями.

Похожую логику обсуждают и на международном рынке, например, ОЭСР (Организация экономического сотрудничества и развития) пишет о технологиях повышения конфиденциальности, которые позволяют разным организациям совместно работать над ИИ-решениями, не передавая друг другу исходные чувствительные данные.
Но смысл такой платформы появляется только при условии понятных требований к её безопасности.

Что важно защитить:

Саму платформу

В отчёте Банка России среди требований называют использование российского ПО, выстроенную систему информационной безопасности, независимый технический аудит и заранее утверждённые правила работы.

Данные и модели

Для них нужны обезличивание, шифрование, запрет выгрузки за пределы платформы, использование данных только для обучения ИИ и уничтожение после завершения обработки.

Ответственность между участниками

В отчёте отдельно говорится, что нужно проработать распределение ответственности между пользователями платформы и оператором, а также механизм компенсации ущерба при инцидентах.

Тема доверенных посредников хорошо показывает общий сдвиг: ИИ-проекты всё чаще требуют не только сильных моделей, но и понятной стратегии безопасности. На этом фоне возрастает ценность специалистов, которые умеют оценивать риски ИИ, выстраивать надежную защиту данных и моделей, обеспечивать их безопасную эксплуатацию. Именно изучению этих тем посвящена наша совместная с НИУ ВШЭ образовательная программа «Стратегия безопасности искусственного интеллекта», которая стартует 8 сентября.

Она подойдёт специалистам по ИБ, риск-менеджерам, ML-инженерам, архитекторам данных и юристам по ИИ- и дата-комплаенсу.

Подробнее о программе рассказали по ссылке

Не верь картинке на слово

MWS AI и VisionLabs подготовили задание для AI Challenge — международного конкурса по искусственному интеллекту для школьников и студентов.

Участникам трека «Студенты» нужно разработать систему, которая найдёт скрытые ИИ-манипуляции на изображениях и покажет, какая именно часть картинки была изменена.

Мы предлагаем не абстрактную, а вполне реальную задачу, над которой работаем в рамках продуктового трека по борьбе с дипфейк-мошенничеством. Чтобы справиться, участникам придётся разобраться в шумах, артефактах, цветовых профилях и следах, которые оставляют генеративные модели.

Решать задачу студенты будут в командах от 2 до 4 человек, а на финальном этапе смогут довести решение до прототипа продукта.

Призовой фонд конкурса — 15,6 млн рублей

Ты студент и у тебя есть команда? Принимай AI Challenge по ссылке до 15 сентября

Что делать, если модель компьютерного зрения нужно обучить не на тысячах размеченных масок, а на 10–1000 изображениях?

На Хабре MWS AI вышла вторая часть статьи про оптимальное обучение моделей в Luna Line. В первой публикации команда VisionLabs разбиралась с классификацией, а теперь усложняет задачу и переходит к сегментации.

В этот раз исследователи пересмотрели сам подход к бенчмаркингу: отдельно сравнили модели разных размеров, проверили влияние предобучения и добавила постпроцессинг, чтобы улучшить качество масок на маленьких датасетах.

Главные инсайты:

Команда сравнила модели разных размеров и в итоге выбрала одно семейство SegFormer: B0 для маленьких моделей, B2 для средних и B4 для больших.

Для маленьких моделей отдельно проверили, какой претрейн лучше использовать перед обучением. Лучше всего сработал вариант, где готовые веса применялись только для энкодера, а декодер обучался с нуля и точнее подстраивался под конкретные данные.

Постпроцессинг оказался особенно полезен там, где данных мало или модель изначально слабее — морфологические операции помогают убирать шум, закрывать дырки в масках и подтягивать качество поверх основной модели.

За двумя статьями стоит больше 20 000 экспериментов, полгода работы и практический результат для Luna Line, где пользователь нажимает «Обучить», а система сама выбирает подходящую архитектуру, параметры обучения и при необходимости запускает постпроцессинг.

Читайте вторую часть на Хабре и подписывайтесь на блог MWS AI

Наши коллеги из VisionLabs забрали премию Generation AI Awards 2026

Проект по внедрению детектора дипфейков в сервис удалённой идентификации МТС ID KYC победил в номинации «Технологическая инновация года».

Поздравляем команду! Мощная технология, важный продукт и абсолютно заслуженная награда

Автоматизировать команду ещё не значит ускорить её

Если процессы не описаны, роли размыты, а сотрудники не понимают цель изменений, ИИ не убирает хаос, а помогает ему распространяться быстрее.

Елизавета Ермакова, руководитель Центра исследований и аналитики MWS AI, рассказывает, как на практике перестраивала команду рыночной аналитики: что получилось передать ИИ, какие задачи остались за экспертами, где автоматизация создала новые проблемы и какие компетенции стали особенно важны.

Собрали главные выводы в карточках, сохраняйте и делитесь с коллегами