О проекте
Технониколь – один из крупнейших российских производителей кровельных, гидроизоляционных и теплоизоляционных материалов с более чем 70 производственными площадками. Масштаб компании держится на десятках внутренних цифровых продуктов, которые разрабатывает и поддерживает собственная ИТ-команда, а значит и на огромном объеме проектной документации: технических заданий, эпиков, вики-страниц, комментариев к задачам и код-ревью.Специалисты Globus и экспериментальная команда разработки Технониколь развернули пилот корпоративной ИИ-платформы «Контекст» на собственном оборудовании в контуре компании. Цель пилота – подтвердить эффект от внедрения на реальных проектных данных.
Задача
Продуктовая и ИТ-команда Технониколь ведет разработку в нескольких системах одновременно: код и его историю – в GitLab, базу знаний и регламенты – в Яндекс.Вики, задачи и эпики – в Яндекс.Трекере. Каждая новая функция или требование должно быть непротиворечиво по отношению к тому, что уже сделано и описано, а составление технического задания, тест-кейсов и декомпозиции задач – это ручная работа, которая требует удерживать в голове контекст сразу нескольких систем.Отдельная проблема – устные обсуждения: решения, принятые на созвонах, редко фиксируются полностью и теряются между вики и трекером.Перед командой Globus стояла конкретная задача: собрать код, документацию, задачи и содержание совещаний в единый источник, с которым ИИ-ассистент работает как с целым проектом, а не с тремя изолированными системами. При этом развернуть решение нужно было так, чтобы проектные данные не покидали периметр компании: на собственном оборудовании Технониколь, без передачи информации во внешние облачные сервисы.
Реализация
Решение было реализовано полностью в собственном контуре Технониколь, без передачи данных за его пределы. Языковая модель работала локально через LM Studio (среду запуска моделей на собственном оборудовании) на модели OpenAI gpt-oss-120b, а для распознавания и разделения речи разных участников совещаний (диаризации) использовалась модель pyannote. Фронтэнд собрали на React и TypeScript, бэкенд – на PHP, ML-слой – на Python и FastAPI, а файлы и данные хранились в Minio – самостоятельно развёрнутом S3-совместимом хранилище.Поверх этой архитектуры команда Globus реализовала полноценный рабочий инструмент:
- чат с ИИ-ассистентом с загрузкой файлов и проектной информации;
- гибкую настройку системного промпта – правил, по которым ассистент формулирует ответы, – и других параметров модели;
- управление ролями, проектами и пользователями с авторизацией;
- интеграции с GitLab, Яндекс.Вики и Яндекс.Трекером – ассистент читает код, документацию и задачи напрямую из рабочих систем команды;
- генератор технических заданий и саммаризатор совещаний;
- хранилище промптов для переиспользования удачных формулировок запросов.
Результат
По итогам пилота команда Технониколь получила рабочий набор возможностей поверх собственных проектных данных:
- декомпозицию задач на более мелкие и понятные шаги;
- ответы на вопросы по проектным данным (Q&A) с опорой на код, вики и трекер одновременно;
- расчет план-факта по проекту;
- составление тестов бэкенда и тест-кейсов;
- валидацию новых требований на соответствие уже существующим эпикам, документации в вики и коду;
- выгрузку табличной информации для дальнейшей работы;
- анализ задачи или эпика с учётом всех комментариев, оставленных к ним, – ассистент не упускает контекст обсуждения;
- саммаризацию совещаний – расшифровку и краткое резюме с разделением по участникам;
- генерацию технических заданий на основе накопленного проектного контекста.
