De Novo AI Studio — быстрый старт в мир генеративного ИИ

De Novo AI Studio позволяет перейти от экспериментов с большой языковой моделью к созданию AI-приложений, решающих конкретные бизнес-задачи. Один из базовых сценариев — корпоративный ИИ-ассистент, подключенный к внутренним источникам знаний компании. Он может помогать сотрудникам искать информацию в регламентах, инструкциях и технической документации, готовить ответы и работать с накопленными корпоративными знаниями. На той же технологической базе можно создавать чат-ботов для клиентов и контакт-центров, автоматизировать обработку типовых обращений, формировать черновики ответов или кратко резюмировать диалоги.

Отдельное направление — AI для работы с документами. Украинская платформа позволяет реализовать RAG-систему (Retrieval-Augmented Generation — генерация, дополненная результатами поиска), которая перед формированием ответа находит релевантную информацию в корпоративных источниках и передает ее языковой модели в качестве контекста. Такой подход используется для интеллектуального поиска, анализа документов и создания корпоративных баз знаний. Компонент Docling помогает преобразовывать PDF, DOCX, XLSX, PPTX и другие форматы в структурированные данные, пригодные для индексации, семантического поиска и RAG. Это практический сценарий для компаний, которым необходимо работать с большими массивами договоров, инструкций, отчетов и другой документации.

Генеративные модели можно использовать для генерации и трансформации текстового контента, а с помощью инструментов автоматизации — подключать AI к внутренним системам и рабочим процессам компании. Это открывает возможности и для создания ИИ-агентов: сценариев, в которых модель работает совместно с инструментами, данными и заданной последовательностью операций. Например, AI-компонент может получить обращение, проанализировать его контекст и передать результат на следующий этап бизнес-процесса. Конкретная функциональность такого агента зависит от подключенных систем, моделей и спроектированного рабочего процесса — сама по себе платформа не означает, что любой бизнес-процесс автоматизируется «из коробки».

Практические примеры таких решений уже работают или разрабатываются на инфраструктуре De Novo. Например, для Минмолодежьспорта создан LLM-сервис, который проверяет заявки на молодежные обмены, выявляет типовые ошибки и формирует рекомендации. В системе «єДозвіл» ИИ анализирует документы для получения лицензий, сопоставляет информацию из разных источников и готовит заключение для должностного лица. Для Минюста разрабатывается ИИ-агент, который должен отвечать на типовые юридические вопросы граждан в режиме 24/7.

Платформу De Novo можно рассматривать как функциональный аналог Microsoft Azure OpenAI Service, который в текущей экосистеме Microsoft представлен как Azure OpenAI in Microsoft Foundry Models, для отдельных сценариев: создания GenAI-приложений, API-доступа к моделям, построения RAG-систем и работы с внутренними базами знаний. Это может быть украинская альтернатива Microsoft Azure OpenAI Service для компаний, которым важно размещать AI-инфраструктуру и обрабатывать данные в облаке De Novo в Украине.

Решение не ограничивает пользователя моделями OpenAI. С помощью Ollama можно локально запускать open-source LLM, а LiteLLM позволяет подключать внешние API различных поставщиков. Это дает возможность комбинировать локальные и внешние модели в зависимости от задачи, требований к данным и архитектуры приложения. Например, RAG-решение может использовать внутреннюю базу знаний компании и передавать найденный контекст локальной LLM. Если приложение обращается к внешнему API, условия обработки данных уже зависят от выбранного поставщика модели. При этом сервисы не являются полностью идентичными. Microsoft Foundry располагает более широкой собственной экосистемой моделей, агентов и интегрированных Azure-сервисов.

Microsoft Foundry — актуальное название AI-платформы Microsoft, которая ранее развивалась под названием Azure AI Studio, а затем Azure AI Foundry. Она глубоко интегрирована с Azure и экосистемой Microsoft: облачной инфраструктурой, моделями, сервисами данных, средствами безопасности, мониторинга и разработки AI-агентов. Поэтому сравнивать De Novo AI Studio с Microsoft Foundry корректно на уровне конкретных GenAI-сценариев. Экосистема Microsoft значительно шире набора функций, в которых возможности этих платформ пересекаются.

De Novo AI Studio использует иной архитектурный подход. Это модульная среда, построенная на open-source компонентах для работы с LLM, RAG, автоматизацией, мониторингом и другими элементами AI-приложений. Платформа позволяет использовать локальные open-source модели и подключать внешние AI-сервисы через API. В качестве альтернативы Azure украинская AI-платформа AI Studio ориентирована прежде всего на сценарии, в которых важны локализация и контроль инфраструктуры. AI-платформа в Украине работает в облачной инфраструктуре De Novo и в украинской юрисдикции, а локальное выполнение запросов к модели позволяет создавать сценарии, в которых обработка данных происходит без передачи запроса внешнему поставщику LLM.

Для отдельных GenAI-сценариев De Novo AI Studio — аналог Vertex AI и альтернатива Gemini Enterprise Agent Platform (Vertex AI). Здесь следует учитывать изменение названий в Google Cloud: в 2026 году Vertex AI Platform получила название Gemini Enterprise Agent Platform. Новая платформа развивает возможности Vertex AI и объединяет работу с моделями, корпоративными данными и AI-агентами, их развертывание, управление и мониторинг.

Пересечение с De Novo AI Studio существует в практических GenAI-задачах. Обе платформы позволяют работать с языковыми моделями, создавать ИИ-агентов для бизнеса, подключать корпоративные данные, строить RAG-системы, автоматизировать рабочие процессы и контролировать работу AI-приложений. При этом Gemini Enterprise Agent Platform тесно связана с сервисами и инфраструктурой Google Cloud.

De Novo AI Studio построена на модульном наборе open-source компонентов и не требует привязки AI-проекта к экосистеме Google. Можно использовать локальные open-source LLM, подключать внешние модели через API и создавать собственную архитектуру работы с корпоративными данными. Это делает платформу альтернативой Vertex AI для сценариев, в которых важны контроль инфраструктуры и возможность локального выполнения запросов к языковой модели.

При этом сервисы различаются по масштабу. Gemini Enterprise Agent Platform включает развитый набор инструментов Google для управления жизненным циклом моделей машинного обучения: Pipelines, Model Registry, Feature Store, Model Evaluation, Model Monitoring и другие сервисы. De Novo AI Studio не копирует весь этот набор. Поэтому определение «аналог Gemini Enterprise Agent Platform» корректно только применительно к конкретным GenAI-сценариям, которые поддерживают обе платформы.

De Novo AI Studio может использоваться как аналог Google AI Studio в сценариях быстрого создания и тестирования GenAI-приложений. Google AI Studio ориентирована прежде всего на работу с моделями Gemini и Gemini API. De Novo AI Studio, в свою очередь, поддерживает различные LLM: локальные open-source модели и внешние модели, подключенные через API.

Как платформа для LLM, De Novo AI Studio выходит за рамки тестирования промптов и моделей. Она позволяет объединять LLM с корпоративными данными, RAG, автоматизацией и мониторингом, а также при необходимости выполнять запросы к локальным моделям в инфраструктуре De Novo. Это дает возможность использовать одну платформу для прототипирования и последующей эксплуатации корпоративных AI-приложений.

Поэтому для компаний, которым необходима контролируемая корпоративная GenAI-среда, De Novo AI Studio может стать альтернативой Google AI Studio. В данном контексте формулировка «украинский аналог Google AI Studio» означает функциональную альтернативу для отдельных задач, а не полное соответствие сервису Google по архитектуре и набору возможностей. Ключевое отличие — возможность локального запуска моделей и контроля инфраструктуры в облаке De Novo.

De Novo AI Studio можно рассматривать как функциональный аналог Amazon Bedrock для отдельных сценариев генеративного ИИ. Обе платформы позволяют работать с различными LLM, создавать GenAI-приложения и AI-агентов, использовать RAG для подключения корпоративных данных и строить оркестрированные AI-сценарии. При этом Amazon Bedrock является полностью управляемым сервисом AWS и интегрируется с другими компонентами облачной экосистемы Amazon.

De Novo AI Studio построена по другой модели. Это модульная платформа, которая позволяет запускать локальные open-source LLM, а также подключать внешние модели через API. Поэтому альтернатива Amazon Bedrock в данном случае означает возможность реализовать схожий прикладной GenAI-сценарий с собственной архитектурой и набором компонентов.

Для украинских компаний существенным отличием может быть место развертывания. De Novo AI Studio работает в инфраструктуре De Novo в Украине и в украинской юрисдикции, что дает заказчику возможность создавать контролируемую локальную среду и выполнять запросы к языковой модели без обращения к внешнему API, если используется локальная модель. Поэтому формулировки «украинский аналог Amazon Bedrock» или «аналог AWS Bedrock» корректны для определенных GenAI-задач, однако не означают воспроизведения всего набора функций Amazon Bedrock или экосистемы AWS.

De Novo AI Studio поддерживает подключение различных LLM и позволяет сочетать локальное выполнение моделей с работой через внешние API. Для локального запуска моделей в платформе используются Ollama и Open WebUI с поддержкой GPU. В экосистеме LLM Cloud от De Novo также заявлены десятки подготовленных моделей, среди которых Gemma, DeepSeek, Granite, Llama, Mistral и другие.

Для внешних моделей AI Studio использует LiteLLM — универсальный шлюз, который поддерживает более сотни LLM API и позволяет работать через OpenAI-совместимый API в стандартизированном формате. Среди подтвержденных интеграций — OpenAI, Anthropic, Microsoft Azure, Amazon Bedrock, Google Vertex AI и Hugging Face. Это позволяет подключать различных поставщиков через единый API-уровень.

Отдельный компонент Lobe Chat поддерживает работу с OpenAI, Claude, Gemini, DeepSeek, Qwen и Ollama. Это позволяет подключать различные LLM в рамках единой корпоративной AI-среды. Например, локальную модель для одного сценария и внешний API — для другого. Такой подход делает De Novo AI Studio мультимодельной ИИ-платформой и снижает зависимость архитектуры приложения от одного поставщика.

Конкретная доступность определенной модели или ее версии зависит от конфигурации AI Studio, лицензионных условий самой модели, возможностей соответствующего API-провайдера и выбранных GPU-ресурсов для локального выполнения языковых моделей.

Да, в De Novo AI Studio возможен локальный запуск LLM, при котором языковая модель работает непосредственно в инфраструктуре De Novo. Для этого используются Ollama и GPU-ресурсы Tensor Cloud. В такой конфигурации запросы к модели обрабатываются локально, без обязательного обращения к внешнему AI-провайдеру.

Разница заключается в том, что приватная LLM работает внутри контролируемой среды, тогда как внешний API предполагает передачу запроса стороннему сервису, например OpenAI, Anthropic или Google. Поэтому сценарий AI без передачи данных внешнему провайдеру возможен именно в том случае, когда приложение использует локальную модель и не задействует внешние сервисы на отдельных этапах обработки.

Практический пример такого low-code подхода — ИИ-модуль системы «єДозвіл» Минэкономики Украины. Для анализа заявок используются локально развернутые Gemma 3 и Qwen 2.5, а все вычисления выполняются в украинском дата-центре без обращений к сторонним AI API. Одна модель анализирует текст и формирует рекомендации, другая работает с прикрепленными документами.

При этом фактический маршрут данных зависит от конкретной архитектуры. Даже если основная модель работает локально, в решении могут быть подключены внешние API, сервисы аналитики, хранилища или другие интеграции. Поэтому корректнее говорить, что De Novo AI Studio позволяет построить защищенную платформу для LLM с локальной обработкой данных, однако окончательная схема зависит от настроек конкретного проекта.

De Novo AI Studio позволяет создавать корпоративный RAG, в котором языковая модель получает контекст из внутренних документов компании. Такая архитектура подходит для корпоративных баз знаний, внутреннего поиска, анализа документации и создания чат-ботов на основе документов компании.

Работа начинается с подготовки документов. Компонент Docling в составе AI Studio работает с PDF, DOCX, XLSX, PPTX, HTML и другими форматами и преобразует документы в структурированные данные, пригодные для дальнейшего поиска и анализа. При обработке документов Docling помогает сохранять их структуру, включая заголовки, таблицы и связанные фрагменты текста, что важно для последующей индексации и поиска. Это существенно для сценариев использования ИИ при работе с документами: обычное извлечение сплошного текста часто разрушает структуру таблиц, заголовков и связанных фрагментов документа.

После подготовки материалов из них можно сформировать корпоративную базу знаний и настроить RAG. Документы индексируются, а их фрагменты могут преобразовываться в векторные представления — числовые описания содержания, по которым система выполняет семантический поиск. Когда пользователь задает вопрос, система находит фрагменты, наиболее близкие по смыслу к запросу, и добавляет их в контекст, который получает LLM. Модель получает найденную корпоративную информацию как дополнительный контекст, хотя это все равно не устраняет риск ошибочных ответов полностью.

Практический пример работы LLM с контролируемой базой знаний — проект создания ИИ-агента для системы бесплатной правовой помощи Минюста Украины. Его база знаний формируется из проверенных юридических материалов, а в дальнейшем предусматривается подключение Единого государственного реестра нормативно-правовых актов и других государственных источников. Агент должен находить релевантную информацию и формировать ответы на типовые юридические вопросы граждан. При этом LLM работают локально в защищенной облачной инфраструктуре De Novo, а доступ к сторонним ресурсам Интернета для такого сценария не предусматривается.

Другой пример из практики De Novo — «Цифровой инспектор» для Государственной инспекции архитектуры и градостроительства Украины (ГИАГ). ИИ-система анализирует большие пакеты строительной документации, структурирует данные и получает через RAG релевантный контекст — строительные нормы, исходные данные, градостроительные условия и ограничения. После этого LLM помогает выявлять пропуски, противоречия и несоответствия в документах. Для разработки и тестирования используется облачная платформа De Novo с GPU NVIDIA.

На пользовательском уровне AI Studio включает Open WebUI и Lobe Chat с поддержкой баз знаний и RAG, а Dify можно применять для создания более сложных AI-приложений. Если необходимо включить работу с документами в более широкий бизнес-процесс, n8n позволяет связывать AI-компоненты с другими системами и автоматизировать последовательность операций. Например, документ может поступать в систему, проходить подготовку, анализироваться моделью, а результат — передаваться на следующий этап рабочего процесса.

Качество корпоративного RAG зависит и от того, какие именно материалы попали в базу знаний. Устаревший документ, неправильно настроенный поиск или чрезмерно широкие права доступа пользователя могут привести к нежелательному результату даже при использовании качественной LLM. Поэтому в корпоративной среде необходимо контролировать актуальность источников, права доступа, правила индексации и архитектуру хранения данных. AI Studio предоставляет компоненты для построения такой среды, а конкретные политики доступа и работы с документами определяются конфигурацией проекта.

Да, De Novo AI Studio работает как low-code ИИ-платформа и позволяет создавать AI-агентов и автоматизировать часть бизнес-процессов с минимальным объемом программирования или без написания кода для типовых сценариев. Для этого в платформе предусмотрены Dify для создания GenAI-приложений и агентов, а также n8n для построения автоматизированных рабочих процессов и интеграции AI с другими системами.

Создание ИИ-агентов предполагает больше, чем подключение языковой модели к чат-интерфейсу. Агенту можно предоставить доступ к корпоративной базе знаний, внешним инструментам и API, определить логику выполнения задач и последовательность действий. Например, система может получить обращение клиента, проанализировать его содержание, найти необходимую информацию в базе знаний, сформировать ответ и передать результат на следующий этап процесса.

Типичный пример такого low-code подхода — ИИ-модуль системы «єДозвіл» Минэкономики Украины. На базе Dify построен рабочий процесс, объединяющий две ИИ-модели — Qwen и Gemma. Qwen обрабатывает прикрепленные документы и преобразует содержащуюся в них информацию в структурированный формат, а Gemma анализирует полученные данные, проверяет их на соответствие заданным условиям и формирует рекомендации. Dify объединяет модели в единый процесс и управляет последовательностью операций, логикой проверок и шаблонами рекомендаций. Благодаря модульной архитектуре отдельную LLM в дальнейшем можно заменить без перестройки всего приложения.

Кроме того, n8n расширяет автоматизацию бизнес-процессов с ИИ за пределы самой языковой модели. С помощью готовых интеграций и API можно связывать AI-компоненты с корпоративными приложениями. По такой схеме возможна, например, интеграция AI с CRM при наличии соответствующего API или готовой интеграции: модель анализирует входящее обращение, определяет его тему, готовит краткое описание, а автоматизированный сценарий передает структурированные данные в CRM или запускает следующее действие.

Low-code ИИ-платформа особенно удобна для быстрого прототипирования таких сценариев, где значительную часть логики можно собрать в визуальном интерфейсе и проверить до полноценной разработки. При этом сложный рабочий процесс с ИИ (AI workflow) с нестандартной бизнес-логикой, собственными системами авторизации или специфическими API может потребовать программирования.

De Novo предоставляет бесплатное тестирование AI Studio в течение 14 дней. Перед началом можно получить демо AI-платформы и консультацию команды De Novo, чтобы определить сценарий использования и необходимую конфигурацию. Для пилотного проекта лучше выбрать одну конкретную задачу: например, корпоративного AI-ассистента, RAG-поиск по документам, анализ обращений или прототип AI-агента.

Следующий шаг — подготовить тестовые данные и заранее определить критерии успеха. Для RAG-системы это может быть набор корпоративных документов и контрольных вопросов, для чат-бота — типовые обращения пользователей. Пилотный ИИ-проект следует оценивать по нескольким практическим параметрам: качеству ответов, скорости их формирования, стабильности работы, необходимым вычислительным ресурсам, прогнозируемой стоимости и соответствию требованиям безопасности. Отдельно следует оценить маршрут и правила обработки данных, права доступа и использование локальных или внешних моделей.

Тестирование AI Studio помогает оценить и экономику будущего решения. Сам сервис AI Studio не требует отдельной оплаты, однако тарифицируются ресурсы Tensor Cloud, на которых он развернут. Поэтому во время пилотного проекта можно увидеть фактическое потребление ресурсов конкретным сценарием и точнее оценить его стоимость до начала промышленной эксплуатации.

Если результаты пилотного проекта соответствуют установленным критериям, следующим этапом становится запуск ИИ-решения в рабочей среде. На этом этапе уточняются конфигурация ресурсов, интеграции с корпоративными системами, правила доступа, мониторинг, требования к резервному копированию и другие условия. Такой переход от ограниченного тестового сценария к промышленной эксплуатации позволяет проверить ключевые предположения до того, как AI станет частью реального бизнес-процесса.