Пожалуй, самый важный навык для аналитика 1С — хорошее знание возможностей самой платформы и всего, что с ней взаимодействует. В наше время все меняется очень быстро. Вам предстоит следовать за героями Л. Кэрролла «бежать изо всех сил». Большие языковые модели и технология GPT «прогремели» всего несколько месяцев назад, но сейчас начинают влиять на экосистему 1С. Здесь я постараюсь обновить вас быстро.
Фон
Эта ссылка не претендует на полноту. Если вы хотите углубиться в тему и у вас нет проблем с английским языком, лучше обратиться к сборнику препринтов Arxiv. Скажу лишь максимально кратко самое существенное.
Искусственные нейронные сети известны давно (в этом году исполняется 80 лет). Они с большим успехом применялись и продолжают применяться для решения самых разных задач: распознавания образов, прогнозирования, управления и т. д.
Одна из этих задач заслуживает особого внимания. Это распознавание естественного языка. Все началось с желания создать модель, которую можно было бы перевести с одного языка на другой. Казалось бы, это личное дело. Но быстро стало понятно, что получить качественный перевод невозможно, не научив модель понимать язык (что бы это ни значило). Это сразу «подняло планку», как и амбиции исследователей.
В него вложено много усилий. Важным шагом стало создание т. н. рекуррентные нейронные сети или сети с памятью. Дело в том, что нельзя перевести текст просто по словам, друг за другом. Порядок слов имеет большое значение. Поэтому были придуманы нейронные сети, которые «запоминают», что было два слова, три слова и т. д. почти в начале абзаца. Надо сказать, что в какой-то момент это был прорыв. Результаты языковых моделей значительно улучшились.
Но такой причудливый дизайн создал еще одно препятствие. На их основе невозможно было создать настоящие полноразмерные модели. Другими словами, создать что-то можно было, но ждать, пока они закончат обучение, стало нереально.
Еще в 2017 году инженеры Google придумали невероятно простую и, в конечном счете, столь же невероятно эффективную идею. Вместо того, чтобы запоминать то, что произошло сначала, а потом, следует сразу пометить все слова в тексте порядковыми номерами. Так появилась технология языковой модели, которую называют преобразователем. Эта технология позволила распараллелить процесс обучения и создать очень большие языковые модели.
А потом оказалось, что «размер имеет значение». Начали понимать большие языковые модели. К вопросу о том, что такое «понимание», можно подойти с философской точки зрения. И здесь мы гарантированно попадем куда угодно. Или можно подойти к этому с чисто практической точки зрения. Если что-то может продолжить то, что мы начали, то оно понимает нас. И, прежде всего, он может ответить на наши вопросы. Потому что каждый ответ есть не что иное, как продолжение вопроса.
На что способны большие языковые модели
Думаю, вы уже слышали о возможностях больших языковых моделей. Имея дело со всем этим, полезно помнить, что в каком-то смысле эти модели выглядят как Т9 на стероидах. Качество ответа на ваш вопрос зависит от:
-
сколько об этом написано в инете
-
как хорошо было это сочинение
-
что вошло в обучающую выборку
Поэтому неудивительно, что отличные языковые модели проходят всевозможные тесты. Их «кормили» соответствующими учебниками. А это, надо заметить, самое простое действие. Учебник или научная статья сами по себе являются хорошо подготовленными данными. С контентом в социальных сетях сложнее. Они говорят, что в одной из предыдущих итераций языкового моделирования OpenAI они взяли все сообщения Reddit, отмеченные как минимум тремя «звездочками», но затем отказались от этого механистического подхода.
Многое зависит от правильных данных для обучения. В идеале должно быть много-много правильных пар вопрос-ответ. В сети есть ресурс, с которого можно майнить такие пары в огромных количествах. Думаю, вы слышали о Stackoverflow. Именно оттуда была взята значительная часть данных для формирования больших языковых моделей. В результате большие современные языковые модели лучше всего подходят для написания кода. Я имею в виду, они делают много вещей. Но написание кода — лучшее качество. Часто этот код можно выполнить сразу, без каких-либо изменений. И код SQL почти всегда выполняется. И это не удивительно. Область применения SQL уже, чем у других языков программирования, и готовых данных для обучения практически больше.
Обычно говорят, что большие языковые модели являются отличным подспорьем для программистов. Но в случае с SQL они помощники для всех. В том числе и для тех, кто далек от программирования. Теперь любой может общаться с базами данных в режиме «скажи, что тебе нужно, и получи то, что тебе нужно».
Что это значит для 1С
Теперь перейдем к 1С. Можно ли попросить большую языковую модель написать код на языке 1С:Предприятия? Может. И даже что-то пишет. Он вообще не может отказаться. Но результат будет близок к плачевному. Это практический образец. В OpenAI на русский язык приходится менее 1% всех обучающих данных. По тем же причинам не имеет смысла задавать запросы к базе данных на языке запросов 1С:Предприятия.
Изменится ли что-нибудь в ближайшее время? Едва. Даже если кто-то обучает большую языковую модель преимущественно на русском языке, откуда он возьмет хорошо подготовленные данные для языка запросов 1С в том же количестве, что и для SQL?
Вышесказанное не является непреодолимым препятствием. Есть два способа решить проблему. Во-первых, можно перевести SQL на язык запросов 1С. Язык запросов 1С является диалектом SQL. Довольно устаревший и странный, но все же диалект. Перевод SQL в 1С не является сверхсложной задачей. Кстати, обратный транслятор из 1С в SQL давно и хорошо работает.
Во-вторых, вы можете перенести данные из базы 1С в стандартную базу данных, например, PostgreSQL или MySQL. И отвечать на запросы на этой основе.
В любом случае результат запроса может быть представлен пользователю в ответ на его вопрос на естественном языке. Насколько это будет надежно? Если мы поставим перед собой цель найти пределы применения этой технологии, мы их обязательно найдем. Есть ряд задач, которые не так просто решить через язык запросов. Есть задачи, которые просто формулируются, но трудно решаются. Например, «Для каждого товара найдите три последних продажи». Всегда можно найти что-то, что «чувствует» отличный языковой паттерн. Но тогда что?
Давайте посмотрим на все это с другой стороны. Сколько конкретных и неотложных задач может решить эта технология для пользователя? Какой процент фактических запросов будет удовлетворен, а какой останется без ответа? Реальные вопросы пользователей в основном просты. Они не являются проблемой для большой языковой модели. Но получить ответ обычным способом в типичных настройках не так-то просто. Например, есть довольно простой тип запроса: «какой товар не был продан на прошлой неделе?» или «Кто из контрагентов не забрал товар в прошлом месяце?» Удивительно, но нигде в типовых настройках 1С вы не найдете возможности для пользователя получить ответы на эти простые вопросы. В то же время большая языковая модель легко вернет правильный текст запроса в ответ на такие вопросы.
Заключение
Уже сейчас в 1С можно получать практические результаты от новой технологии больших языковых моделей. Главное не искать «низко висящие плоды», стремясь сразу получить результат модели на языке 1С. Организуйте работу по одному из двух сценариев и удивите пользователей чем-то совершенно необычным для них. Он сказал, что ему нужно, он получил то, что ему нужно.
Какую методологию управления проектами выбрать для крупного внедрения системы 1С. Вы можете узнать об этом на бесплатный урок OTUS, где будут рассмотрены современные подходы к управлению проектами внедрения систем 1С. Преподаватели подскажут, какую технологию выбрать в каждом конкретном проекте. После урока вы узнаете, насколько применимы методы Agile в управлении проектами по внедрению систем 1С и какую роль играет аналитик 1С в проектах, выполняемых с использованием разных проектных технологий.
Все кейсы, представленные в уроке, — это опыт реальных крупных проектов по автоматизации.
