Интеграция

Первый опыт автоматизации процессов с помощью ИИ

ИИ — мощный инструмент, и не использовать его для автоматизации рабочих процессов было бы нерационально. Эта мысль стала отправной точкой для интеграции процесса написания статьи с нейросетью. Цель — упростить и ускорить создание и редактирование материалов с помощью автоматизации на базе одной из нейросетей (в данном случае ChatGPT).

Исходный процесс

Для сравнения опишем ручной процесс подготовки статьи до интеграции:

  1. написать черновик;
  2. отправить его в ChatGPT;
  3. отредактировать результат;
  4. отдельно получить HTML;
  5. отдельно перевести на остальные поддерживаемые языки;
  6. перенести результаты обратно в форму создания статьи;
  7. проверить итоговое содержимое.

По предварительной оценке, с учётом перепроверок весь процесс может занимать до 3–4 часов даже при наличии готового черновика.

Возможности автоматизации

Очевидно, шаги 2–6 легко поддаются автоматизации. Общая архитектура процесса выглядит так:

UI -> API -> OpenAI -> API -> UI

То есть пользовательский интерфейс не обращается напрямую к внешним сервисам — за это отвечает серверная часть. UI передаёт данные на сервер и отображает обработанные результаты.

Задачи, которые должна решать интеграция

Из описания ручного процесса видно три ключевые операции, которые следует автоматизировать:

  • редактирование текста;
  • разметка (генерация HTML);
  • перевод.

Для каждой операции целесообразно создать отдельный API endpoint и использовать свой prompt. Учтем, что в ответах ИИ могут появляться служебные символы и форматирование (например, Markdown‑ограждения). В каждом prompt'е следует явно указывать возвращать ТОЛЬКО требуемый результат (например, Return only the translated text). Даже при таком указании ИИ может вернуть нерелевантный вывод, поэтому результат обработки должен отображаться пользователю для проверки, а не сохраняться напрямую в базу данных.

Безопасность

Важный аспект — безопасное хранение ключей доступа к сервисам ИИ. Поскольку использование моделей платное, компрометация ключей может привести к значительным финансовым потерям. Для Azure Container Apps есть два основных подхода:

  • встроенные секреты Azure Container Apps;
  • Azure Key Vault — более функциональное решение с широкими возможностями интеграции.

Для текущего приложения достаточно встроенных секретов Container Apps. Однако важно не только хранить ключи безопасно, но и защищать API‑endpoint'ы — например, добавив атрибут [Authorize] к контроллерам и реализовав соответствующую аутентификацию и авторизацию.

Интеграция Azure — OpenAI

В Azure для интеграции с моделями OpenAI доступен сервис Azure OpenAI. Он позволяет создать проект AI, задеплоить модель, протестировать её и отслеживать использование. Многие настройки вынесены в отдельный портал https://ai.azure.com/, где удобно выбирать модели, наблюдать метрики и оценивать затраты.

На практике возникла небольшая проблема: при создании AI‑проекта через https://portal.azure.com/ проект иногда добавлялся не в ту группу ресурсов. Решение — создавать проект через https://ai.azure.com/. Кроме того, на портале ai.azure.com удобно отслеживать количество обращений к модели и сразу видеть стоимость использования.

Итог

После интеграции процесс подготовки статьи сократился до следующих шагов:

  1. написать черновик;
  2. нажать кнопку "Редактировать" и проверить результат;
  3. нажать кнопку "Обернуть в HTML" и проверить результат;
  4. нажать кнопку "Перевести" и проверить результат.

Временные затраты сократились с порядка 3–4 часов до 20–30 минут на проверки. Этот пример показывает, что ценность приносит не просто использование ИИ в браузере, а встроенная автоматизация возможностей ИИ в бизнес‑процесс, позволяющая существенно экономить время и снижать операционные расходы.