01/12
Архітектура
Швидке прототипування
До п'ятниці — щось, на що можна натиснути.
Робочий прототип завершує суперечки, які не завершать слайди. Я будую швидко, щоб уможливити рішення, — і чесно кажу, які частини є прототипом, а які готові до продакшену.
На практиціУ Bosch — власний harness-застосунок для прототипування взаємодії агентів без жодного рядка коду, з експортом в артефакти MCP або n8n-воркфлоу. Раніше: proof of concept у R+V, Clientfocus та Hewlett-Packard.
02/12
Архітектура
Архітектура рішень і підприємства
Системи, які матимуть сенс і через п'ять років.
Інтеграція, сервісні API, платформи, на які спираються багато команд. Добра архітектура — це передусім уміння рано сказати «ні» й записати чому.
На практиціАрхітектор одного з двох ключових компонентів NEO в Bosch; ITSM-трансформації для KfW, Audi, Volkswagen, Clariant, T-Systems і DB Systel — прикладні рішення on-premises та в ізольованих середовищах, а також інтеграція інтерфейсів.
03/12
З людьми
Пресейл і discovery
Зрозуміти проблему, перш ніж продавати рішення.
Воркшопи, розмови зі стейкхолдерами, технічні демонстрації. Я перекладаю між тими, кому щось потрібно, і тими, хто це будує, — чесно, навіть якщо відповідь звучить так: «Для цього вам не потрібен ШІ».
На практиціУ Bosch: внутрішні тренінги. Раніше: 11+ років пресейлу на боці вендора в усьому регіоні EMEA в Clientfocus, WSP та Hewlett-Packard.
04/12
З людьми
ШІ-тренінги та enablement
Команди, які розуміють ШІ, ухвалюють щодо нього кращі рішення.
Я пояснюю ШІ без хайпу і без страху — для інженерів, керівників і всіх між ними, німецькою та англійською.
На практиціУ Bosch Digital: кілька ШІ-тренінгів і презентацій; співініціатор баркемпу з ШІ-сценаріїв. Раніше в Hewlett-Packard: навчальні програми для команд сервіс-менеджменту по всій Європі та живі презентації продуктів на самітах HP Software у Барселоні та Гамбурзі.
05/12
ШІ, ML і дані
Агентні процеси
Мовні моделі, які працюють кроками — планують, діють, перевіряють, — а не просто відповідають.
В агентному процесі модель сама обирає наступний крок: викликати інструмент, прочитати результат, вирішити знову. Ця свобода потужна і дорога, тому я визначаю, де автономія окупається, а де фіксований процес — безпечніша й дешевша відповідь.
Моє правило: стільки процесу, скільки можливо, і стільки агента, скільки необхідно.
На практиціBosch agent harness: проєктування процесів на основі JSON, реалізація на FastAPI, Python і Node.js. Bosch NEO: ШІ-рушій, який аналізує збійні транзакції та пропонує наступну дію.
06/12
ШІ, ML і дані
Взаємодія агентів (A2A)
Спеціалізовані агенти передають одне одному роботу — через контракти, а не балачки.
Коли кілька агентів працюють разом, інтерфейси між ними важливіші за будь-який окремий промпт: хто кого може питати, що передається, як стає видно помилку. Повідомлення між агентами (A2A) я проєктую як сервісні API — типізовані, версіоновані, журнальовані.
На практиціСпирається на роки роботи архітектором сервісних API в Bosch: інфраструктура, експлуатація RHEL, керування інцидентами, сервісними запитами та змінами, розробка й розгортання.
07/12
ШІ, ML і дані
Архітектура MCP і function calling
Дати моделям доступ до реальних систем, не віддаючи ключі.
Model Context Protocol (MCP) стандартизує доступ моделей до інструментів і даних. Я проєктую MCP-сервери та набори функцій — невеликі, добре описані й явно дозволені, — щоб модель могла робити лише те, що схвалив бізнес, а кожен виклик можна було відстежити.
На практиціБілий список функцій у рушії розбору збоїв у Bosch.
08/12
ШІ, ML і дані
Розробка agent harness і настанов
Рамка навколо моделі: цикл, контекст, інструменти, права, журнали, правила зупинки.
Модель думає; harness вирішує, що відбувається насправді. Я створюю harness-системи й пишу настанови, за якими команди будують власні однаково, — щоб десять агентів у компанії поводилися як одна архітектура, а не як десять експериментів.
На практиціУ Bosch: власний harness-застосунок — прототипи взаємодії агентів без коду, з експортом в артефакти MCP або n8n-воркфлоу.
09/12
ШІ, ML і дані
Обмеження та безпечні функції
Заздалегідь вирішити, чого ШІ не має робити ніколи.
Модель може бути водночас переконливою і хибною. Обмеження роблять це нешкідливим: дозволені функції, перевірка входів і виходів, схвалення людиною всього незворотного та журнал аудиту, який згодом пояснює, чому щось сталося.
Сліпа пляма, до якої я ставлюся серйозно: витік через reasoning. Обмеження блокує відповідь — користувач її не бачить. Але в міркуваннях моделі (reasoning) ця відповідь однаково може бути. Reasoning потрапляє в лог-файл, інший агент читає лог, обробляє вміст і передає його далі. Сучасні методи перевірки здебільшого аналізують лише кінцеву відповідь; сліди міркувань і логи вони не охоплюють або охоплюють лише частково.
Тому я вважаю reasoning і логи такими ж вихідними даними: ті самі перевірки, маскування до запису, і жоден агент не читає сирі міркування іншого.
На практиціДозволені функції та сповіщення через Teams / Outlook у Bosch; попереджувальні прапорці в Evolution Engine.
10/12
ШІ, ML і дані
Data science і машинне навчання
Спочатку зрозуміти дані — потім обрати модель.
Перед будь-якою моделлю стоять дані: очищення, нормалізація, пошук сигналу. Для великих обсягів логів я будую фундамент: ClickHouse як аналітичну базу даних, log vaults для надійного довгострокового зберігання і Parquet-трансформер, що перетворює сирі лог-файли на стовпчикові, стиснені й швидкі для запитів файли.
На цій основі я застосовую класичне машинне навчання там, де воно краще за мовну модель, а нейромережі — там, де ні.
На практиціНейромережеві моделі особистості, навчені для кожного індивіда в Evolution Engine; аналіз нормалізованих логів у Bosch.
11/12
ШІ, ML і дані
Власний RAG
Відповіді, що ґрунтуються на ваших документах, — з джерелами.
Retrieval-augmented generation дає моделі змогу цитувати ваші знання, а не вгадувати. Пошук я будую сам — розбиття, ембедінги, ранжування, — щоб завжди було ясно, чому з’явилася відповідь і звідки вона.
На практиціВласна реалізація, а не продукт-«чорна скринька».
12/12
ШІ, ML і дані
Локальний та ізольований ШІ
Локально чи ні — ось у чому питання.
Як захистити корпоративні дані — і чи має сенс володіти власними локальними системами? Адже одна карта RTX 6000 коштує близько 17 798 € (жовтень 2026).
Моя відповідь — однозначно так для середніх компаній, які хочуть або мусять зберегти свою інтелектуальну власність при собі. Але варто розуміти: головна передумова — аналіз даних. Добре рішення поєднує ШІ з детермінованими інструментами та дуже добре продуманим MCP-ландшафтом, який чисто з’єднує моделі із системами. Сюди ж належать керування GPU та VRAM, яке розумно розподіляє навантаження, і заплановані нічні завдання, результати яких наступного дня можна використовувати взагалі без GPU та VRAM.
Технічно й на рівні архітектури я супроводжую моделі впродовж усього життєвого циклу — Plan, Build, Run: від донавчання з LoRA до експлуатації на GPU-стеках Docker, за потреби повністю офлайн.
На практиціУ компанії найрізноманітніші моделі (GLM, Mistral, Claude від Anthropic, GPT, Gemini) підключаються через security layer і використовуються в процесах на n8n або OpenText. У власних проєктах Evolution Engine працює повністю офлайн, а мій контент-конвеєр перекладає за допомогою локальної моделі.