Как мы построили ИИ‑аналитику, которая не галлюцинирует

[ToxaBes]

Рассуждения в статье верные, LLM это действительно генератор текста, а не математический движок. Но чтобы ваша схема реально работала, в ней нужно использовать правильный ML стек на каждом этапе (не LLM).

Для поиска аномалий и всяких неожиданных утечек типа высокого CTR при нулевых продажах обычно используют Isolation Forest. Он очень быстрый, не требует разметки и отлично справляется с многомерными таблицами.

Если нужно проанализировать временные ряды по выручке и трафику с учетом сезонности, лучше взять классику вроде ARIMA или алгоритм Prophet.

Чтобы понять конкретную причину падения продаж вроде нулевого стока или скачка цен, сначала отрабатывают жесткие правила на Python. А следом подключается градиентный бустинг типа CatBoost или LightGBM. Он хорош тем, что оценивает важность признаков и сразу показывает, какой именно фактор сильнее всего обвалил показатели.

В самом конце результаты всех этих алгоритмов собираются в один аккуратный JSON/MD и уходят уже в LLM для саммаризации и красивого отчетика.