De Novo AI Studio — швидкий старт у світ генеративного ШІ

De Novo AI Studio дозволяє перейти від експериментів із великою мовною моделлю до створення AI-застосунків, які вирішують конкретні бізнес-задачі. Один із базових сценаріїв — корпоративний ШІ-асистент, підключений до внутрішніх джерел знань компанії. Він може допомагати співробітникам шукати інформацію в регламентах, інструкціях і технічній документації, готувати відповіді та працювати з накопиченими корпоративними знаннями. На тій самій технологічній базі можна будувати чат-ботів для клієнтів і контакт-центрів, автоматизувати обробку типових звернень, формувати чернетки відповідей або стисло підсумовувати діалоги.

Окремий напрям — AI для роботи з документами. Українська платформа дозволяє реалізувати RAG-систему (Retrieval-Augmented Generation — генерація з доповненням результатами пошуку), яка перед відповіддю знаходить релевантну інформацію у корпоративних джерелах і передає її мовній моделі як контекст. Такий підхід використовується для інтелектуального пошуку, аналізу документів і побудови корпоративних баз знань. Компонент Docling допомагає перетворювати PDF, DOCX, XLSX, PPTX та інші формати на структуровані дані, придатні для індексації, семантичного пошуку та RAG. Це практичний сценарій для компаній, де потрібна робота з великими масивами договорів, інструкцій, звітів чи іншої документації.

Генеративні моделі можна використовувати для генерації та трансформації текстового контенту, а через інструменти автоматизації — підключати AI до внутрішніх систем і робочих процесів компанії. Це відкриває шлях і до створення ШІ-агентів: сценаріїв, у яких модель працює разом з інструментами, даними та заданою послідовністю операцій. Наприклад, AI-компонент може отримати звернення, проаналізувати його контекст і передати результат у наступний етап бізнес-процесу. Конкретна функціональність такого агента залежить від підключених систем, моделей та спроєктованого робочого процесу — сама платформа не означає, що будь-який бізнес-процес автоматизується «з коробки».

Практичні приклади таких рішень уже працюють або розробляються на інфраструктурі De Novo. Наприклад, для Мінмолодьспорту створено LLM-сервіс, який перевіряє заявки на молодіжні обміни, знаходить типові помилки та формує рекомендації. У системі «єДозвіл» ШІ аналізує документи для отримання ліцензій, зіставляє інформацію з різних джерел та готує висновок для посадовця. Для Мін’юсту розробляється ШІ-агент, який має відповідати на типові юридичні запитання громадян у режимі 24/7.

Платформу De Novo можна розглядати як функціональний аналог Microsoft Azure OpenAI Service, який у поточній екосистемі Microsoft представлений як Azure OpenAI in Microsoft Foundry Models, для окремих сценаріїв: створення GenAI-застосунків, API-доступу до моделей, побудови RAG-систем та роботи з внутрішніми базами знань. Це може бути українська альтернатива Microsoft Azure OpenAI Service для компаній, яким важливо розміщувати AI-інфраструктуру та обробляти дані у хмарі De Novo в Україні.

Рішення не обмежує користувача моделями OpenAI. Через Ollama можна локально запускати open-source LLM, а LiteLLM дозволяє підключати зовнішні API різних постачальників. Це дає змогу комбінувати локальні та зовнішні моделі залежно від задачі, вимог до даних і архітектури застосунку. Наприклад, RAG-рішення може використовувати внутрішню базу знань компанії та передавати знайдений контекст локальній LLM. Якщо застосунок звертається до зовнішнього API, умови обробки даних уже залежать від обраного постачальника моделі. Водночас сервіси не є повністю ідентичними. Microsoft Foundry має ширшу власну екосистему моделей, агентів та інтегрованих Azure-сервісів.

Microsoft Foundry — актуальна назва AI-платформи Microsoft, яка раніше розвивалася під назвою Azure AI Studio, а згодом Azure AI Foundry. Вона глибоко інтегрована з Azure та екосистемою Microsoft: хмарною інфраструктурою, моделями, сервісами даних, засобами безпеки, моніторингу та розробки AI-агентів. Тому порівнювати De Novo AI Studio з Microsoft Foundry коректно на рівні конкретних GenAI-сценаріїв. Екосистема Microsoft значно ширша за набір функцій, які перетинаються між цими платформами.

De Novo AI Studio має інший підхід до архітектури. Це модульне середовище, побудоване на open-source-компонентах для роботи з LLM, RAG, автоматизацією, моніторингом та іншими елементами AI-застосунків. Платформа дозволяє використовувати локальні open-source моделі та підключати зовнішні AI-сервіси через API. Як альтернатива Azure українська AI-платформа AI Studio орієнтована насамперед на сценарії, де мають значення локалізація та контроль інфраструктури. AI-платформа в Україні працює у хмарній інфраструктурі De Novo та українській юрисдикції, а локальне виконання запитів до моделі дозволяє будувати сценарії, у яких обробка даних відбувається без передавання запиту зовнішньому постачальнику LLM.

Для окремих GenAI-сценаріїв De Novo AI Studio — аналог Vertex AI та альтернатива Gemini Enterprise Agent Platform (Vertex AI). Тут варто врахувати зміну назв у Google Cloud: у 2026 році Vertex AI Platform отримала назву Gemini Enterprise Agent Platform. Нова платформа розвиває можливості Vertex AI та об’єднує роботу з моделями, корпоративними даними й AI-агентами, їх розгортання, керування та моніторинг.

Перетин із De Novo AI Studio є у практичних GenAI-задачах. Обидві платформи дозволяють працювати з мовними моделями, створювати ШІ-агентів для бізнесу, підключати корпоративні дані, будувати RAG-системи, автоматизувати робочі процеси та контролювати роботу AI-застосунків. Gemini Enterprise Agent Platform при цьому тісно пов’язана з сервісами та інфраструктурою Google Cloud.

De Novo AI Studio побудована на модульному наборі open-source-компонентів і не вимагає прив’язки AI-проєкту до екосистеми Google. Можна використовувати локальні open-source LLM, підключати зовнішні моделі через API та будувати власну архітектуру роботи з корпоративними даними. Це робить платформу альтернативою Vertex AI для сценаріїв, де важливі контроль інфраструктури та можливість локального виконання запитів до мовної моделі.

Водночас сервіси різняться за масштабом. Gemini Enterprise Agent Platform включає розвинений набір інструментів Google для керування життєвим циклом моделей машинного навчання: Pipelines, Model Registry, Feature Store, Model Evaluation, Model Monitoring та інші сервіси. De Novo AI Studio не копіює весь цей набір. Тому назва аналог Gemini Enterprise Agent Platform коректна лише стосовно конкретних GenAI-сценаріїв, які підтримують обидві платформи.

De Novo AI Studio може використовуватися як аналог Google AI Studio у сценаріях швидкого створення та тестування GenAI-застосунків. Google AI Studio орієнтована насамперед на роботу з моделями Gemini і Gemini API. De Novo AI Studio, своєю чергою, підтримує різні LLM: локальні open-source моделі та зовнішні моделі, підключені через API.

Як платформа для LLM, De Novo AI Studio виходить за межі тестування промптів і моделей. Вона дозволяє поєднувати LLM із корпоративними даними, RAG, автоматизацією та моніторингом, а також за потреби виконувати запити до локальних моделей в інфраструктурі De Novo. Це дає змогу використовувати одну платформу для прототипування й подальшої роботи корпоративних AI-застосунків.

Тому для компаній, яким потрібне контрольоване корпоративне GenAI-середовище, De Novo AI Studio може бути альтернативою Google AI Studio. У цьому контексті формулювання український аналог Google AI Studio означає функціональну альтернативу для окремих задач, а не повну відповідність сервісу Google за архітектурою та набором можливостей. Ключова відмінність — можливість локального запуску моделей і контролю інфраструктури в хмарі De Novo.

De Novo AI Studio можна розглядати як функціональний аналог Amazon Bedrock для окремих сценаріїв генеративного ШІ. Обидві платформи дають можливість працювати з різними LLM, створювати GenAI-застосунки та AI-агентів, використовувати RAG для підключення корпоративних даних і будувати оркестровані AI-сценарії. Amazon Bedrock при цьому є повністю керованим сервісом AWS та інтегрується з іншими компонентами хмарної екосистеми Amazon.

De Novo AI Studio побудована за іншою моделлю. Це модульна платформа, яка дозволяє запускати локальні open-source LLM, а також підключати зовнішні моделі через API. Тому альтернатива Amazon Bedrock у цьому випадку означає можливість реалізувати схожий прикладний GenAI-сценарій із власною архітектурою та набором компонентів.

Для українських компаній суттєвою відмінністю може бути місце розгортання. De Novo AI Studio працює в інфраструктурі De Novo в Україні та в українській юрисдикції, що дає замовнику можливість будувати контрольоване локальне середовище й виконувати запити до мовної моделі без звернення до зовнішнього API, якщо використовується локальна модель. Тому формулювання український аналог Amazon Bedrock або аналог AWS Bedrock коректне для певних GenAI-задач, проте не означає відтворення всього набору функцій Amazon Bedrock чи екосистеми AWS.

De Novo AI Studio підтримує підключення різних LLM та дозволяє поєднувати локальне виконання моделей із роботою через зовнішні API. Для локального запуску моделей у платформі використовуються Ollama та Open WebUI з підтримкою GPU. В екосистемі LLM Cloud від De Novo також заявлені десятки підготовлених моделей, серед яких Gemma, DeepSeek, Granite, Llama, Mistral та інші.

Для зовнішніх моделей AI Studio використовує LiteLLM — універсальний шлюз, який підтримує понад сотню LLM API та дозволяє працювати через OpenAI-сумісний API у стандартизованому форматі. Серед підтверджених інтеграцій — OpenAI, Anthropic, Microsoft Azure, Amazon Bedrock, Google Vertex AI та Hugging Face. Це дозволяє підключати різних постачальників через єдиний API-рівень.

Окремий компонент Lobe Chat підтримує роботу з OpenAI, Claude, Gemini, DeepSeek, Qwen та Ollama. Це дозволяє підключати різні LLM в межах одного корпоративного AI-середовища. Наприклад, локальну модель для одного сценарію та зовнішній API — для іншого. Такий підхід робить De Novo AI Studio мульти-модельною ШІ-платформою та зменшує залежність архітектури застосунку від одного постачальника.

Конкретна доступність певної моделі або її версії залежить від конфігурації AI Studio, ліцензійних умов самої моделі, можливостей відповідного API-провайдера та обраних GPU-ресурсів для локального виконання мовних моделей.

Так, у De Novo AI Studio можливий локальний запуск LLM, коли мовна модель працює безпосередньо в інфраструктурі De Novo. Для цього використовуються Ollama та GPU-ресурси Tensor Cloud. У такій конфігурації запити до моделі обробляються локально, без обов’язкового звернення до зовнішнього AI-провайдера.

Різниця в тому, що приватний LLM працює всередині контрольованого середовища, а зовнішній API передбачає передавання запиту сторонньому сервісу, наприклад OpenAI, Anthropic або Google. Тому сценарій AI без передавання даних зовнішньому провайдеру можливий саме тоді, коли застосунок використовує локальну модель і не залучає зовнішні сервіси для окремих етапів обробки.

Практичний приклад такого low-code підходу — ШІ-модуль системи «єДозвіл» Мінекономіки України. Для аналізу заявок задіяні локально розгорнуті Gemma 3 та Qwen 2.5, а всі обчислення виконуються в українському дата-центрі без викликів до сторонніх AI API. Одна модель аналізує текст і формує рекомендації, інша працює з прикріпленими документами.

Водночас фактичний маршрут даних залежить від конкретної архітектури. Навіть якщо основна модель працює локально, у рішенні можуть бути підключені зовнішні API, сервіси аналітики, сховища або інші інтеграції. Тому коректніше говорити, що De Novo AI Studio дозволяє побудувати захищену платформу для LLM з локальною обробкою даних, але остаточна схема залежить від налаштувань конкретного проєкту.

De Novo AI Studio дозволяє створювати корпоративний RAG, у якому мовна модель отримує контекст із внутрішніх документів компанії. Така архітектура підходить для корпоративних баз знань, внутрішнього пошуку, аналізу документації та створення чат-ботів на документах компанії.

Робота починається з підготовки документів. Компонент Docling у складі AI Studio працює з PDF, DOCX, XLSX, PPTX, HTML та іншими форматами й перетворює документи на структуровані дані, придатні для подальшого пошуку й аналізу. Під час обробки документів Docling допомагає зберігати їхню структуру, зокрема заголовки, таблиці та пов’язані фрагменти тексту, що важливо для подальшої індексації та пошуку. Це суттєво для сценаріїв використання ШІ для роботи з документами: звичайне вилучення суцільного тексту часто руйнує структуру таблиць, заголовків і пов’язаних фрагментів документа.

Після підготовки матеріалів із них можна сформувати корпоративну базу знань та налаштувати RAG. Документи індексуються, а їхні фрагменти можуть перетворюватися на векторні представлення — числові описи змісту, за якими система виконує семантичний пошук. Коли користувач ставить запитання, система знаходить фрагменти, найближчі за змістом до запиту, і додає їх до контексту, який отримує LLM. Модель отримує знайдену корпоративну інформацію як додатковий контекст, хоча це все одно не усуває ризик помилкових відповідей повністю.

Практичний приклад роботи LLM із контрольованою базою знань — проєкт створення ШІ-агента для системи безоплатної правничої допомоги Мін’юсту України. Його база знань формується з перевірених юридичних матеріалів, а надалі передбачає підключення Єдиного державного реєстру нормативно-правових актів та інших державних джерел. Агент має знаходити релевантну інформацію та формувати відповіді на типові юридичні запитання громадян. При цьому LLM працюють локально у захищеній хмарній інфраструктурі De Novo, а доступ до сторонніх ресурсів Інтернету для такого сценарію не передбачається.

Інший приклад з практики De Novo — «Цифровий інспектор» для Державної інспекції архітектури та містобудування України (ДІАМ). ШІ-система аналізує великі пакети будівельної документації, структурує дані та отримує через RAG релевантний контекст — будівельні норми, вихідні дані, містобудівні умови й обмеження. Після цього LLM допомагає знаходити пропуски, суперечності та невідповідності у документах. Для розробки та тестування використовується хмарна платформа De Novo з GPU NVIDIA.

Для користувацького рівня AI Studio має Open WebUI та Lobe Chat із підтримкою баз знань і RAG, а Dify можна застосовувати для побудови складніших AI-застосунків. Якщо потрібно включити роботу з документами у ширший бізнес-процес, n8n дозволяє пов’язувати AI-компоненти з іншими системами та автоматизувати послідовність операцій. Наприклад, документ може надходити в систему, проходити підготовку, аналізуватися моделлю, а результат — передаватися до наступного етапу робочого процесу.

Якість корпоративного RAG залежить і від того, що саме потрапило до бази знань. Застарілий документ, неправильно налаштований пошук або надто широкий доступ користувача можуть дати небажаний результат навіть за якісної LLM. Тому для корпоративного середовища потрібно контролювати актуальність джерел, права доступу, правила індексації та архітектуру зберігання даних. AI Studio надає компоненти для побудови такого середовища, а конкретні політики доступу й роботи з документами визначаються конфігурацією проєкту.

Так, De Novo AI Studio працює як low-code ШІ платформа й дозволяє створювати AI-агентів та автоматизувати частину бізнес-процесів із мінімальним програмуванням або без написання коду для типових сценаріїв. Для цього у платформі є Dify для створення GenAI-застосунків та агентів, а також n8n для побудови автоматизованих робочих процесів і інтеграції AI з іншими системами.

Створення ШІ-агентів передбачає більше, ніж підключення мовної моделі до чат-інтерфейсу. Агенту можна надати доступ до корпоративної бази знань, зовнішніх інструментів та API, визначити логіку виконання завдань і послідовність дій. Наприклад, система може отримати звернення клієнта, проаналізувати його зміст, знайти потрібну інформацію в базі знань, сформувати відповідь і передати результат у наступний етап процесу.

Типовий приклад такого low-code підходу — ШІ-модуль системи «єДозвіл» Мінекономіки України. На базі Dify побудовано робочий процес, що поєднує дві ШІ-моделі — Qwen та Gemma. Qwen обробляє прикріплені документи та перетворює інформацію з них у структурований формат, а Gemma аналізує отримані дані, перевіряє їх на відповідність заданим умовам і формує рекомендації. Dify пов’язує моделі в єдиний процес та керує послідовністю операцій, логікою перевірок і шаблонами рекомендацій. Завдяки модульній архітектурі окрему LLM надалі можна замінити без перебудови всього застосунку.

Також n8n розширює автоматизацію бізнес-процесів з ШІ за межі самої мовної моделі. Через готові інтеграції та API можна пов’язувати AI-компоненти з корпоративними застосунками. За такою схемою можлива, наприклад, інтеграція AI з CRM за наявності відповідного API або готової інтеграції: модель аналізує вхідне звернення, визначає його тему, готує короткий опис, а автоматизований сценарій передає структуровані дані до CRM або запускає наступну дію.

Low-code ШІ-платформа особливо зручна для швидкого прототипування таких сценаріїв, де значну частину логіки можна зібрати у візуальному інтерфейсі та перевірити до повноцінної розробки. Водночас складний робочий процес із ШІ (AI workflow) з нестандартною бізнес-логікою, власними системами авторизації або специфічними API може потребувати програмування.

De Novo надає безкоштовне тестування AI Studio протягом 14 днів. Перед стартом можна отримати демо AI платформи та консультацію команди De Novo, щоб визначити сценарій використання й потрібну конфігурацію. Для пілота краще обрати одну конкретну задачу: наприклад, корпоративного AI-асистента, RAG-пошук у документах, аналіз звернень або прототип AI-агента.

Наступний крок — підготувати тестові дані та заздалегідь визначити критерії успіху. Для RAG-системи це може бути набір корпоративних документів і контрольних запитань, для чат-бота — типові звернення користувачів. Пілотний ШІ-проєкт варто перевіряти за кількома практичними параметрами: якістю відповідей, швидкістю їх формування, стабільністю роботи, необхідними обчислювальними ресурсами, прогнозованою вартістю та відповідністю вимогам безпеки. Окремо слід оцінити маршрут та правила обробки даних, права доступу та використання локальних або зовнішніх моделей.

Тестування AI Studio допомагає оцінити й економіку майбутнього рішення. Сам сервіс AI Studio не потребує окремої оплати, але тарифікуються ресурси Tensor Cloud, на яких він розгорнутий. Тому під час пілота можна побачити фактичне споживання ресурсів конкретним сценарієм і точніше оцінити його вартість перед промисловою експлуатацією.

Якщо результати пілота відповідають визначеним критеріям, наступним етапом стає запуск ШІ-рішення у робочому середовищі. Тут уже уточнюються конфігурація ресурсів, інтеграції з корпоративними системами, правила доступу, моніторинг, вимоги до резервного копіювання та інші умови. Такий перехід від обмеженого тестового сценарію до промислової експлуатації дозволяє перевірити ключові припущення до того, як AI стане частиною реального бізнес-процесу.