Доклады с конференций Инфостарта для специалистов 1С
INFOSTART EVENT — это конференции сообщества 1С, которые мы проводим с 2012 года. За это время они стали крупнейшей площадкой для обмена опытом между профессионалами отрасли.
На наших конференциях выступают настоящие практики из ведущих компаний России и СНГ, а не бизнес-тренеры. Доклады отбираются голосованием сообщества, а качество контента контролируют независимые эксперты. Каждая конференция охватывает интересы разных ролей:
для программистов — разработки и архитектурные решения, новые технологии и инструменты,
для аналитиков — методологии, работа с требованиями, анализ данных, управление изменениями,
для руководителей проектов и ИТ-менеджеров — управление командами, рисками, проектами и продуктами,
для специалистов по ИБ и администрированию — практики защиты, эксплуатации и поддержки систем,
для HR и тимлидов — развитие команд, soft skills и современные управленческие подходы.
За годы существования INFOSTART EVENT накопился большой объём уникального контента для всех специальностей из мира 1С. Практически по всем докладам мы готовим подробные транскрибации: они позволяют узнать суть докладов в удобное время и внедрить лучшие практики в своей работе.
Все материалы БЕСПЛАТНЫЕ в открытом доступе и помогают специалистам находить решения, обмениваться опытом и двигать отрасль 1С вперёд.
над каждым докладом работает минимум 6 человек.
За много лет существования Infostart Event у нас накопилось большое количество качественного и уникального контента, и мы рады представить вам эти материалы!
Рассказываем, как использовать библиотеку искусственного интеллекта для 1С не просто как инструмент генерации кода, а как основу для новых бизнес-решений. Показываем, как с ее помощью строить BI-систему на естественном языке: пользователь формулирует вопрос по продажам обычным текстом, а система генерирует запрос к базе и возвращает результат в виде таблицы или графики. Разбираем пример торгового бота-продавца, который общается с покупателем, консультирует по товару и отправляет платежную ссылку, а также объясняем, зачем в таких решениях нужны границы, точки контроля и обычное программирование. Отдельно показываем, как векторные базы и нечеткий поиск помогают создавать помощников менеджера (например, для подбора аналогов), и почему новые задачи лучше решать новыми методами, а не пытаться применять ИИ только к старым сценариям.
Разбираем, как объективно сравнивать нейросети и агентные подходы на типовых задачах разработки 1С, а не выбирать инструмент интуитивно. Показываем практический бенчмарк моделей и open-source-агентов: от написания и доработки кода до генерации Unit-тестов, документации и работы с метаданными конфигурации. Объясняем, как на результат влияют контекст, инструменты, обратная связь от тестов, системные промпты и особенности самих агентов. На примерах ошибок показываем, почему без правильной инфраструктуры нейросети могут не ускорять разработку, а создавать дополнительные затраты на исправление кода.
Почему разработчики не всегда начинают пользоваться ИИ-инструментами, даже если у них уже есть доступ к GPT-чату, Copilot, OpenCode и 1С:Напарнику. Показываем, как через личные разговоры, короткие воркшопы и понятные аналогии – калькулятор, поисковик, автодополнение и Dota 2 – можно снизить страхи, скепсис и недоверие к генеративным нейросетям. Разбираем, почему одних рассылок и лозунгов про «будущее» недостаточно, и как маленькие быстрые победы помогают людям попробовать ИИ в рабочих и бытовых задачах. Статья будет полезна руководителям и тимлидам, которые сталкиваются с сопротивлением сотрудников и хотят привести команду к спокойному, практичному отношению к современным ИИ-инструментам.
Показываем, как встроить ИИ-помощника в code review 1С без Git, SonarQube и EDT – только с Конфигуратором, RAG-контекстом и набором MCP-инструментов. Разбираем архитектуру решения на Open Web UI и OpenRouter, методику сравнения моделей по Precision, Recall, BonusRate и PenaltyRate, а также объясняем, почему контекст влияет на качество ревью сильнее, чем выбор самой модели. На реальных примерах показываем, какие ошибки ИИ находит хорошо, где все еще нужен архитектор и почему на старте пилота время ревью может не сократиться, а вырасти. В финале делимся метриками внедрения и выводами для команд, которые хотят повторить такой подход у себя.
Разбираемся, почему ИИ-агенты теряют контекст, путаются в инструментах и возвращают неполный результат, если всю задачу пытаться решить одним большим промптом. Показываем, как цепочки пошаговых промптов помогают сделать работу агента повторяемой: каждый шаг выполняет одно действие, имеет понятный вход и выход, отдельно проверяется и при необходимости исправляется. Объясняем, как применять этот подход в задачах 1С: анализировать действия пользователя, подбирать инструкции через RAG, работать с журналом регистрации, MCP-инструментами и локальными моделями. На примерах показываем, как снизить непредсказуемость ИИ-агента и превратить его из «угадывающего помощника» в надежный инструмент для бизнес-процессов.
Кажется, что code-review с помощью искусственного интеллекта устроено просто: достаточно отправить код в LLM, задать промт и получить список замечаний. На практике такой подход быстро упирается в недетерминированность результата, неверную оценку критичности ошибок в 1С-коде и рекомендации, которые сложно отличить от полезных замечаний. Описываем гибридный подход к автокод-ревью: статический анализатор работает вместе с LLM, а база знаний из стандартов 1С превращается в набор машиночитаемых норм. Такая архитектура помогает снизить количество галлюцинаций, точнее определять критичность нарушений и постепенно развивать качество ревью через итеративное пополнение правил.
Когда доработанную 1С не обновляли годами, начинать приходится не с переноса кода, а с разбора того, что вообще накопилось в базе. Там могут быть десятки обработок, расширения, правки типовых объектов, а документации либо нет, либо она давно не актуальна. На примере реального обновления разбираем, как кодовые агенты, MCP-серверы и языковые модели помогают навести порядок в доработках, собрать план миграции, понять, где при переносе будут проблемы, и автоматизировать часть исправлений.
Разбираем AI-навыки, которые помогают специалисту работать с нейросетями не на уровне разовых экспериментов, а как с полноценным рабочим инструментом. Показываем, почему не стоит искать «идеальную нейросеть», как комбинировать разные модели в цепочки и подбирать инструмент под конкретный этап задачи. Отдельно объясняем, как проверять достоверность ответов ИИ, работать с источниками, использовать мультимодальность и передавать контекст через скриншоты, голос, файлы и видео. Также разбираем, почему критическое мышление остается ключевой компетенцией: именно оно помогает формулировать управляемые запросы, находить допущения модели и не попадаться на убедительные, но неверные ответы.
Расскажем, как создать ИИ-помощника внутри 1С без Python и другого внешнего кода – только на базе 1С, HTTP-запросов и необходимой инфраструктуры. Разберем универсальный шаблон RAG-системы, который можно адаптировать под разные задачи: от поддержки пользователей и поиска по базе знаний до работы с регламентами и инструкциями. На живом примере соберем минимальный рабочий прототип помощника, который умеет работать с данными, искать релевантный контекст и формировать ответы. Отдельно объясним, почему самым сложным этапом оказывается не архитектура, а качество подготовки данных и чанкинг.
В статье представлены реальные примеры применения искусственного интеллекта для автоматизации кейтеринга в условиях Крайнего Севера. Объясняем, почему ИИ стал оптимальным решением для ускорения обслуживания и повышения эффективности, и как удалось объединить терминалы самообслуживания, технологии машинного зрения и платформу 1С:Предприятие в единую систему. Показываем, как использование нейросетей повысило скорость обслуживания и качество клиентского опыта. В завершение рассмотрим перспективы развития технологии, расширения ее функционала и применения собранных данных для оптимизации бизнес-процессов.
Современные системы электронного документооборота переживают квантовый скачок: из простых цифровых архивов они превращаются в ИИ-управляемые экосистемы, где документы становятся активными элементами бизнес-процессов. Объясняем, как искусственный интеллект меняет принципы маршрутизации, обработки и принятия решений в СЭД, какие риски и ограничения сопровождают эту трансформацию, и почему российская специфика делает переход особенно сложным. Рассматриваем реальные кейсы внедрения, ключевые тренды и практические рекомендации для компаний, которым предстоит интеграция ИИ. Статья поможет понять, как подготовиться к эпохе, в которой документооборот становится предиктивным, адаптивным и почти автономным.
Стоит ли пытаться писать код с помощью локальных ИИ-моделей на видеокартах, которые к этому вообще не приспособлены? Спойлер: не стоит. И если у вас нет безлимитного бюджета на железо, лучше даже не начинать эту игру. Расскажем о том, когда ИИ действительно ускоряет работу, а когда просто плодит легаси и греет железо.
Интеграция GPT-моделей в MAKER-STUDIO открыла новые возможности для ускорения проектов разработки, описания бизнес-процессов и автоматизации рутинных задач бизнес-аналитика. Делимся опытом тестирования разных моделей, рассказываем о роли контекста и промпта, а также о попытках обучения модели для создания корпоративной базы знаний. Вы узнаете, какие задачи реально решает связка MAKER и GPT, и почему это меняет подход к работе с требованиями и проектной документацией.
Делимся практическими кейсами применения ИИ в ИТ-проектах – от подготовки и моделирования процессов до обучения пользователей и поддержки эксплуатации. Расскажем, как с помощью искусственного интеллекта сократить рутину, снизить издержки и сосредоточиться на главных задачах, а также дадим немного теории о больших языковых моделях, fine-tuning и RAG.
Большие языковые модели все чаще применяются для генерации кода на 1С, но до сих пор нет единого способа объективно сравнить их качество. Объясняем, как работают метрики BLEU, CodeBLEU и pass@k, и как их можно адаптировать для оценки LLM в экосистеме 1С. Показываем, какие задачи – от простых функций до рефакторинга – помогают полноценно оценить интеллект модели и ее знание платформы. Разбираем ключевую проблему проверки логики и синтаксиса в автоматическом режиме и показываем бенчмарк, который решает эту задачу, сравнивая ChatGPT, Claude, GigaChat и другие модели по единым стандартам.
ИИ для код-ревью – не просто модный тренд, а реальный инструмент, который уже помогает разработчикам экономить время и повышать качество кода. В статье разбираемся, как запустить локальную LLM на базе Ollama, подключить ее к Git через Webhook и Python-скрипт, а также какие параметры модели отвечают за точность и галлюцинации. Делимся схемой работы, настройками и результатами тестирования, доказывая, что автоматизированное код-ревью действительно может работать – даже без космического бюджета.
Если вам кажется, что искусственный интеллект – это просто модный хайп, то самое время пересмотреть свои взгляды. Показываем, как с помощью протокола MCP (Model Context Protocol) превратить языковую модель в полноценного помощника, способного работать с вашей базой 1С: запрашивать данные, анализировать метаданные и создавать новые объекты по команде. На живых примерах объясняем, как подключить MCP-сервер к IDE Cursor, безопасно использовать локальные модели и уже сегодня начать интегрировать 1С и приложения с ИИ. Вы получите готовый open-source проект, с которым сразу сможете начать свои эксперименты.
Искусственный интеллект перестал быть только «чатиком для домашних дел» – отечественные on-prem LLM уже сегодня помогают автоматизировать бизнес-процессы. Поделимся практическими кейсами внедрения LLM, покажем примеры из 1С и других корпоративных систем и расскажем, где нейросети действительно заменяют человека, а где пока нет. Вы узнаете, как безопасно и эффективно использовать LLM в автоматизации, на что обратить внимание и какие перспективы это открывает для сообщества 1С.
Как объединить возможности n8n и искусственного интеллекта, чтобы вывести интеграции и автоматизацию на новый уровень? Показываем, как с помощью AI-агентов можно управлять потоками данных, автоматизировать поддержку и даже проверять подлинность документов – все без кода. На реальных кейсах рассматриваем примеры использования n8n для интеграции с чат-ботами, корпоративными хранилищами и MCP-серверами. Делимся практическими приемами, лайфхаками и рекомендациями по проектированию, безопасности и оптимизации рабочих процессов с подходом AI-first.
Статья о том, как подключить GigaChat к 1С:ERP и автоматизировать рутинную работу бухгалтера при обработке платежей. Делимся практическим опытом, демонстрируем рабочий код, рассказываем о возможностях и ограничениях технологии и показываем, что внедрить ее может каждая компания. А также рассматриваем варианты дальнейшего применения языковых моделей в задачах 1С (актуально на февраль 2025 г. – Прим. ред.).
Искусственный интеллект стал для многих молодых разработчиков настоящей «палочкой-выручалочкой», но за его удобством скрываются серьезные риски. Рассуждаем о том, почему ИИ может способствовать деградации знаний у джунов, и как его использование отражается на качестве кода и эффективности сотрудников. А также попробуем понять, где ИИ действительно помогает автоматизировать рутину в 1С, а где он несет больше угроз, чем пользы.
Рассказываем о том, как научить 1С, функциональные системы, мессенджеры и искусственный интеллект работать вместе – и какой позитивный эффект можно получить от такой интеграции.
Искусственный интеллект меняет подход к тестированию в 1С, делая его быстрее и удобнее для разработчиков любого уровня. Из этой статьи вы узнаете, как кастомная модель GPT, обученная на специализированных данных по 1С, генерирует тесты с учетом особенностей платформы. Разберем ключевые преимущества: сокращение времени на создание тестов, автоматизацию рутины и повышение точности. А также покажем реальные примеры внедрения ИИ-ассистента, отзывы пользователей и перспективы развития автоматизированного тестирования с помощью нейросетей.
Технология 1С:Элемент позволяет быстро и качественно разрабатывать компактные и практичные мини-решения, не зацикливаясь на технических деталях, думая не о коде, а о бизнес-идее. Расскажем о том, какие приложения лучше всего разрабатывать на 1С:Элемент, кому это легче делать и какие трудности могут быть в освоении.
Искусственный интеллект в код-ревью – это не фантастика, а реальность, которая уже сегодня помогает разработчикам улучшать свои проекты. Расскажем о том, как ИИ может автоматически находить баги и предлагать улучшения, экономя ваше время и ресурсы.
Искусственный интеллект постепенно становится неотъемлемой частью нашей жизни, ускоряя и упрощая рутинные процессы. Но ИИ – это не замена сотрудника, а лишь инструмент. Расскажем о применении дообученного ChatGPT для основных задач аналитиков: составления глоссария, моделирования процессов и User Story Mapping.
Современные технологии искусственного интеллекта открывают уникальные возможности для оптимизации бизнес-процессов и повышения эффективности работы компании. Расскажем о том, как дообучить ChatGPT через контекст, и использовать его ответы для создания виртуального помощника сотрудника в компании. Прим. ред.: доклад от 11 октября 2023 года.
С помощью больших языковых моделей (LLMs), таких, как ChatGPT, можно создавать полноценные микросервисы, даже не имея глубоких знаний в конкретном языке программирования. Расскажем об истории развития нейросетей и практическом опыте применения ChatGPT для того, чтобы выйти за рамки платформы 1С. Прим. ред.: доклад от 13 октября 2023 года.
Нейросетям уже можно поручить множество рабочих задач – они генерируют изображения, пишут код, решают вопросы коммуникаций. Но без человека, который напишет промт, а потом адаптирует результат под свою задачу, все еще не обойтись. Расскажем о преимуществах и особенностях использования ChatGPT для задач разработки, в коммуникациях на работе или HR-задач.
Прим. ред.: доклад от 12 октября 2023 года.
Copilot – инструмент, использующий OpenAI для помощи в написании кода в режиме реального времени. Нейросеть обучалась на миллиардах строк кода, в том числе – на языке 1С. А это значит, что мы можем использовать ее для уменьшения рутинной работы в написании кода. О том, как использовать Copilot в ежедневной разработке при написании кода на языках 1С и OneScript, расскажем в статье.
Процесс загрузки фотографий в карточки товаров 1С не автоматизирован. Если к этому добавить трудозатраты на взаимодействие с фотографом и на последующую обработку изображений в фоторедакторе, на оформлении интернет-магазина можно разориться. Как, решая подобную задачу, удалось создать собственную нейросеть для удаления фона и приблизить качество ее работы к лидерам рынка, расскажем далее.
Создание не просто чат-ботов, а систем с имитацией искусственного интеллекта, виртуальных ассистентов – это актуальная, интересная и полезная задача. В платформе 1С уже появились первые объекты для подобной функциональности – боты, система взаимодействия, интеграция с телеграм. Начальник разработки в группе компаний Полипластик Владимир Крючков на конференции Infostart Event 2021 Post-Apocalypse поделился опытом создания виртуальных помощников для мониторинга сервисов, тестирования, контроля разработки и техподдержки в крупной компании.
Проводить мониторинг производительности вручную, выявляя закономерности в куче графиков и десятках таблиц, довольно сложно. Но это не значит, что разбираться с инцидентами нужно только после жалоб от пользователей. О том, как обучить нейронную сеть и заставить ее оповещать о проблемах, на конференции Infostart Event 2019 Inception рассказал начальник сектора разработки ООО «Группа Полипластик» Владимир Крючков.
Анализ данных и машинное обучение стремительно входят в нашу жизнь. Как решать ежедневные задачи специалиста 1С с помощью технологий машинного обучения на конференции Infostart Event 2019 Inception рассказал разработчик в группе рекомендаций Яндекс.Маркет Владимир Бондаревский.
