# RTATEX — РТА Технологии: full content > Решения на основе БЯМ и компьютерного зрения для промышленных предприятий. Наши решения работают в закрытых корпоративных сетях — без утечки данных. > LLM solutions and computer vision for industrial enterprises. Our solutions operate in closed corporate networks — zero data leakage. - Юридическое название: ООО «РТА Технологии» - Год основания: 2018 - ИНН: 7734417231; ОГРН: 1187746908722 - Адрес: 115054, Россия, г. Москва, Космодамианская наб., д. 52 стр. 1 - Телефон: +7 (495) 792-39-22; email: info@rtatex.ru --- # Отаскрайб URL: https://rtatex.ru/products/otascribe > Передовая ИИ-система транскрипции речи в текст: высокая точность распознавания, диаризация и автоматические протоколы встреч. ## Описание **Отаскрайб** — передовая система автоматической транскрипции речи в текст с использованием искусственного интеллекта. Обеспечивает высокую точность распознавания и поддерживает множество языков и диалектов. ## Интеллектуальная обработка деловых встреч Теряются важные решения в потоке обсуждений? Часы уходят на расшифровку записей и подготовку протоколов, а поручения остаются незафиксированными? Отаскрайб — это ваш интеллектуальный ассистент, который берёт на себя всю рутину по обработке совещаний. Он не просто преобразует аудио в текст с высокой точностью, но и автоматически создаёт структурированные отчёты, выделяет ключевые решения и формирует список задач. Освободите время для стратегических задач, пока «Отаскрайб» обеспечивает полную прозрачность и контроль над договорённостями. - **Отаскрайб — обработка совещания** — Интерфейс ПК Отаскрайб ## Ключевые показатели - **97,5%** — Word Recognition Rate в идеальных условиях - **3–4×** — Быстрее подготовка протоколов - **100%** — Данные внутри контура компании - **4+** — Форматов экспорта: PDF, DOCX, SRT, JSON… ## Возможности - **Преобразование устной речи в текст** — Алгоритм распознавания достигает Word Recognition Rate до 97,5% в идеальных условиях — максимально точные стенограммы без значительных корректировок. - **Удобный интерфейс обработки файлов** — Воспроизводите, обрезайте и редактируйте аудио прямо в приложении: выбор оборудования для записи, управление громкостью, скоростью и перемоткой. - **Аннотация говорящих** — Диаризация автоматически распознаёт, кто из участников говорил в каждый момент, а временные метки помогают быстро находить ключевые фрагменты. - **Выгрузка редактируемых отчётов** — Готовые протоколы и отчёты в удобных форматах. Экспорт в XML или JSON для интеграции стенограмм с другими системами и приложениями. - **ИИ-анализ и резюмирование** — Система не просто расшифровывает, а анализирует текст, выделяя задачи, решения и ключевые выводы для быстрого формирования итогов встреч. - **Полная конфиденциальность** — Развёртывание на ваших серверах или рабочих станциях гарантирует, что конфиденциальная информация не покинет контур компании. > **Встроенный редактор и фильтрация** > > Визуальный редактор подсвечивает уверенность распознавания и тайм-коды, а ненормативная лексика определяется и цензурируется автоматически. Доступно три типа резюме встречи. ## Поддерживаемые форматы Отаскрайб работает с основными форматами аудио и видео — **WAV, MP3, M4A, AVI** и многими другими. Готовые материалы выгружаются в **PDF, DOCX, SRT**, а для технических интеграций доступен экспорт в **XML / JSON**. ## Почему Отаскрайб - **Полная конфиденциальность** — Развёртывание системы на ваших серверах или рабочих станциях гарантирует, что конфиденциальная информация не покинет контур компании. - **Гибкие варианты поставки** — Установка на сервер компании, отдельную рабочую станцию (включая ноутбуки) или использование облачного решения. - **Адаптация интерфейса** — Интерфейс системы может быть полностью адаптирован под ваш брендбук, включая фирменный стиль и корпоративную терминологию. - **ИИ-анализ и резюмирование** — Система выделяет задачи, решения и ключевые выводы для быстрого формирования итогов встреч. - **Экономия времени** — Автоматизация рутинных задач по протоколированию совещаний сокращает время подготовки отчётов в 3–4 раза. - **Поддержка и кастомизация** — Наша команда готова доработать и адаптировать решение под ваши бизнес-требования и интегрировать его в существующие процессы. ## Стоимость и варианты поставки | Формат поставки | Что входит | Стоимость | | --- | --- | --- | | Облако «Старт» | 20 часов транскрипции/мес, 1 пользователь, базовая поддержка | 9 900 ₽/мес | | Облако «Команда» | 100 часов/мес, до 10 пользователей, поддержка по будням | 39 900 ₽/мес | | Облако «Бизнес» | Без лимита транскрипции, до 50 пользователей, расширенная поддержка | 99 900 ₽/мес | | Лицензия рабочей станции (WKS, on-premise) | Установка на 1 ПК/ноутбук, обработка локально, поддержка 12 мес | от 832 000 ₽ | | Лицензия серверная (SRV, on-premise) | Серверное развёртывание, многопользовательский доступ, Headless API, поддержка 12 мес | от 1 600 000 ₽ | | Боксовое решение Standard | 1 сервер или рабочая станция, поддержка 12 мес, базовая комплектация | от 3 800 000 ₽ | | Боксовое решение Enterprise | Без ограничений по узлам, кастомизация, поддержка 12 мес + SLA | по запросу | | ПАК «Отаскрайб» (ноутбук RTX 5090 / DGX Spark / неттопы) | ПО + сертифицированное оборудование, ОС РЕД ОС, развёртывание под ключ | по запросу | > **О стоимости** > > Указанные стоимостные характеристики являются ориентировочными и приведены для базовой комплектации без учёта индивидуальных конфигураций развёртывания (количество и тип GPU-ускорителей, целевые показатели SLA по времени обработки, требуемая пропускная способность ASR-конвейера и количество параллельных потоков), стоимости программно-аппаратного комплекса (ПАК) и серверного оборудования, объёма дообучения акустических и языковых моделей на доменных данных заказчика, кастомизации интерфейса под брендбук, интеграции с корпоративными системами (ВКС, CRM, СЭД), количества именованных и серверных лицензий, выбранного уровня технической поддержки и сопровождения, а также применимых скидок за объём; итоговая стоимость рассчитывается индивидуально по результатам заполнения опросного листа. ## Требования Базовая конфигурация для старта: - 4 vCPU, 16 GB RAM (минимум) - GPU NVIDIA (рекомендуется для обработки в реальном времени) - ОС Linux или Windows — сервер или рабочая станция (включая ноутбуки) - Docker / Kubernetes (для серверного развёртывания) - **Требования к оборудованию и варианты размещения** — Подробные конфигурации, поддерживаемые GPU и сценарии развёртывания — в документации Отаскрайб. (https://rtatex.ru/docs/otascribe/placement/hardware) --- # Синапс Хаб URL: https://rtatex.ru/products/synapse-hub > Интеллектуальный центр-агрегатор LLM, мультимодального ИИ и компьютерного зрения с готовыми умными пайплайнами — в защищённом контуре. ## Описание **Синапс Хаб** — интеллектуальный центр-агрегатор, объединяющий большие языковые модели (LLM), мультимодальные ИИ и компьютерное зрение в единую систему. Предоставляет готовые умные пайплайны для автоматизации рабочих процессов и получения точных результатов. ## Единый центр искусственного интеллекта для вашей организации Синапс Хаб — это больше, чем просто локальный аналог ChatGPT. Это интеллектуальный центр-агрегатор, объединяющий большие языковые модели, мультимодальные ИИ и компьютерное зрение в единую систему. Главная особенность платформы — **готовые умные пайплайны**, которые автоматически связывают разные модели и оптимизируют запросы пользователя. Благодаря этому даже простые команды дают точный и глубокий результат. Например: - текст может быть переведён на английский перед обращением к LLM; - могут быть добавлены экспертные подсказки для корректного формирования промпта; - выполнена дообработка ответа или генерация изображения всего по нескольким словам. - **Синапс Хаб — рабочее пространство** — Интерфейс ПК Синапс Хаб ## Ключевые показатели - **3-в-1** — LLM, мультимодальный ИИ и компьютерное зрение - **2–4×** — Быстрее подготовка отчётов и документов - **100%** — Данные внутри контура компании - **0** — Выходов в интернет ## Основные возможности платформы - **Интеллектуальный справочник** — Быстрые и точные ответы на вопросы по корпоративным алгоритмам, процедурам и стандартам на основе внутренней базы знаний. - **Анализ конкурентов и рынка** — Обработка больших массивов новостей и отчётов, генерация сравнительных таблиц и графиков для поддержки принятия решений. - **Компьютерное зрение** — Обнаружение и распознавание объектов, анализ изображений и видеопотоков для контроля качества и автоматизации процессов. - **Генерация контента** — Создание текстов, изображений и инфографики (включая Stable Diffusion) по описанию — ускоряет подготовку рекламных и обучающих материалов. > **Полностью локально** > > Платформа не требует подключения к интернету и работает автономно в вашей инфраструктуре — все данные остаются в защищённом периметре организации. ## Почему Синапс Хаб - **Безопасность по умолчанию** — Вся обработка данных происходит внутри защищённого контура компании, без необходимости доступа в Интернет. Ваши данные остаются конфиденциальными. - **Оптимизированная производительность** — Модели адаптированы и оптимизированы под серверное оборудование заказчика, что обеспечивает высокую скорость работы и снижение операционных затрат. - **Умные пайплайны** — Автоматическая подготовка промптов, межмодельные связки и постобработка ответа обеспечивают точный и глубокий результат даже по простым командам. - **Гибкая кастомизация** — Платформа подстраивается под уникальные бизнес-задачи, поддерживает дообучение моделей на данных заказчика и уникальные сценарии работы. - **Экономия времени** — Автоматизация рутинных процессов (анализ данных, поиск, генерация) сокращает время на подготовку отчётов и документов в 2–4 раза. - **Масштабируемость** — Решение подходит для развёртывания на любом оборудовании: от локальной рабочей станции до корпоративного кластера. ## Стоимость и варианты поставки | Формат поставки | Что входит | Стоимость | | --- | --- | --- | | Базовое внедрение | Платформа Синапс Хаб, набор предустановленных пайплайнов LLM, развёртывание на инфраструктуре заказчика, поддержка 12 мес | от 3 500 000 ₽ | | Расширенное внедрение | Базовое внедрение + дообучение моделей на данных заказчика, интеграции с корпоративными источниками, кастомизация пайплайнов | от 15 000 000 ₽ | | Корпоративная платформа | Полная конфигурация под кластер: LLM + мультимодальный ИИ + компьютерное зрение, расширенные интеграции, SLA, кастомизация интерфейса | до 75 000 000 ₽ | | Подключение внешних модулей (NER, ImageGen, OCR и др.) | Интеграция и адаптация специализированных модулей в составе платформы | по запросу | | Сопровождение и развитие | Техническое сопровождение, обновления, развитие пайплайнов после внедрения | по запросу | > **О стоимости** > > Указанные стоимостные характеристики являются ориентировочными и приведены без учёта индивидуальных конфигураций платформы — глубины проработки умных пайплайнов и графовых связей, набора загружаемых и/или дообучаемых LLM и мультимодальных моделей, подключаемых модулей компьютерного зрения, NER и генерации изображений, объёма интеграций с корпоративными источниками данных, требуемой производительности GPU-кластера, кастомизации интерфейса под брендбук заказчика, состава пользовательского доступа, выбранного уровня технической поддержки и сопровождения, а также применимых скидок за объём; итоговая стоимость определяется по результатам предпроектного обследования. ## Требования - 8 vCPU, 32 GB RAM (минимум) - GPU NVIDIA (рекомендуется — для инференса LLM и генерации изображений) - ОС Linux; Docker / Kubernetes - Масштабируется от рабочей станции до корпоративного кластера --- # Нейроконсультант URL: https://rtatex.ru/products/neuroconsultant > Виртуальный ассистент, обученный на документации и базе знаний компании: мгновенные ответы 24/7 и разгрузка справочных служб. ## Описание **Нейроконсультант** — виртуальный ассистент нового поколения, обученный на документации и базе знаний вашей компании. Он отвечает на вопросы в режиме реального времени, разгружает справочные службы и повышает эффективность работы. ## Интеллектуальный помощник 24/7 для сотрудников и клиентов Нейроконсультант превращает внутренние документы компании в живую, интерактивную базу знаний. Обученный на ваших регламентах и инструкциях, он выступает в роли мгновенного эксперта, помогая сотрудникам и клиентам разбираться в сложных процедурах без ожидания. Система снимает нагрузку со справочных служб и контакт-центров, обеспечивая доступность 24/7 и высокую точность ответов, основанных исключительно на актуальных корпоративных данных. > **Попробуйте прямо сейчас** > > Чат-бот на этом сайте работает на основе технологии Нейроконсультанта — задайте ему вопрос в виджете в правом нижнем углу. - **Нейроконсультант — диалог** — Интерфейс ПК Нейроконсультант ## Ключевые показатели - **24/7** — Доступность для сотрудников и клиентов - **100+** — Запросов одновременно - **100%** — Ответы из ваших документов - **0** — Выходов в интернет ## Преимущества - **Доступность 24/7** — Мгновенные ответы на запросы сотрудников и клиентов в любое время суток, без необходимости ожидания оператора. - **Точность и актуальность** — Ответы базируются исключительно на внутренних базах знаний и документах компании, исключая ошибки и неактуальную информацию. - **Гибкость ролей** — Легко адаптируется под любые задачи: HR-ассистент, консультант по продуктам или справочник для технической службы. - **Масштабируемость** — Один Нейроконсультант способен обслуживать сотни запросов одновременно, эффективно справляясь с пиковыми нагрузками. - **Конфиденциальность** — Работает внутри корпоративного контура, гарантируя полную защиту от утечек служебной или персональной информации. - **Простота обновления** — Для актуализации знаний достаточно загрузить новый документ — система автоматически начнёт его использовать. ## Сценарии применения - **Справка для сотрудников** — Ответы на внутренние вопросы по HR, бухгалтерии, регламентам и трудовым вопросам. - **Поддержка клиентов** — Консультации по тарифам, продуктам и услугам, снимая нагрузку с первой линии поддержки. - **Цифровой эксперт** — Помощник для обучения, адаптации новых сотрудников и быстрого поиска информации в сложных инструкциях. ## Стоимость и варианты поставки | Формат поставки | Что входит | Стоимость | | --- | --- | --- | | Боксовое решение | Установка платформы Нейроконсультант в контуре заказчика, без проработки базы знаний, поддержка 12 мес | от 499 000 ₽ | | Базовая интеграция базы знаний | Загрузка и индексация документов заказчика (до 1 000 документов), настройка одного ролевого сценария | по запросу | | Расширенная интеграция | Подготовка БЗ свыше 1 000 документов, дообучение под доменную терминологию, несколько ролевых сценариев, интеграция в корпоративные системы | по запросу | | Кастомизация интерфейса и встраивание | Адаптация под брендбук, виджеты для портала/мессенджеров/чат-каналов | по запросу | | Сопровождение и актуализация БЗ | Регулярное обновление базы знаний и моделей, мониторинг качества ответов | по запросу | > **О стоимости** > > Указанные стоимостные характеристики являются ориентировочными и приведены для боксовой версии без учёта подготовки и интеграции корпоративной базы знаний заказчика (объём, форматы и качество исходных документов, необходимость ETL-обработки и нормализации), дообучения языковых моделей на доменной терминологии, настройки ролевых сценариев (HR-ассистент, поддержка клиентов, технический справочник), кастомизации интерфейса и встраивания виджета в корпоративные порталы и мессенджеры, требуемой производительности по количеству одновременных запросов, выбранного уровня технической поддержки и сопровождения, а также применимых скидок за объём; итоговая стоимость рассчитывается индивидуально под объём базы знаний и сценарии применения. ## Требования - 8 vCPU, 32 GB RAM (минимум) - GPU NVIDIA (рекомендуется для генерации ответов в реальном времени) - ОС Linux; Docker / Kubernetes - Хранилище для базы знаний: S3-совместимое или локальное --- # Синапс Серч URL: https://rtatex.ru/products/synapse-search > ИИ-поиск с генерацией ответов по разнородным источникам: оценка релевантности, классификация и фактчекинг в защищённом контуре. ## Описание **Синапс Серч** — программа на базе ИИ для агрегации, обработки и анализа данных из разнородных источников с генерацией релевантных ответов, оценкой релевантности, классификацией и фактчекингом поисковой выдачи. Работает полностью в защищённом контуре организации. ## Генеративный поиск в защищённом контуре Синапс Серч приносит опыт генеративного поиска, знакомый по сервисам вроде Perplexity, в закрытый контур вашей организации. Система агрегирует данные из предоставленных источников и поисковой выдачи, формирует обоснованные ответы и автоматически оценивает релевантность результатов. Решение реализовано на модульной архитектуре с гибкими конфигурациями обработки данных и оптимизацией для работы в условиях ограниченного доступа к внешним ресурсам. ## Ключевые показатели - **100%** — Данные внутри контура компании - **RAG** — Поиск, дополненный генерацией ответов - **Авто** — Оценка релевантности и фактчекинг - **0** — Зависимости от внешних ресурсов ## Возможности - **Генерация ответов** — Агрегирует данные из источников и поисковой выдачи и формирует релевантный, обоснованный ответ на запрос. - **Оценка релевантности** — Автоматическая оценка релевантности результатов и ранжирование по значимости для запроса пользователя. - **Классификация выдачи** — Классификация поисковой выдачи по типам и темам для удобной навигации по результатам. - **Фактчекинг** — Сопоставление утверждений с источниками для повышения достоверности и проверяемости ответов. - **Разнородные источники** — Агрегация и обработка данных из разнородных источников: документов, баз знаний и поисковой выдачи. - **Модульная архитектура** — Гибкие конфигурации обработки данных и оптимизация для работы в условиях ограниченного доступа к внешним ресурсам. > **Работает в ограниченном доступе** > > Синапс Серч оптимизирован для закрытых контуров и сетей с ограниченным доступом к внешним ресурсам — все данные остаются внутри организации. ## Области применения Корпоративные системы, научные исследования, бизнес-аналитика, юридические и финансовые организации — везде, где требуется обработка данных в условиях ограниченного доступа к внешним ресурсам. ## Стоимость и варианты поставки | Формат поставки | Что входит | Стоимость | | --- | --- | --- | | Плагин для ПК «Синапс Хаб» | Модуль поиска в составе платформы Синапс Хаб, базовые источники, поддержка 12 мес | от 239 000 ₽ | | Отдельное решение (on-premise) | Самостоятельная установка в контуре заказчика, базовая конфигурация источников, поддержка 12 мес | от 599 000 ₽ | | Подключение разнородных источников | Интеграция корпоративных БЗ, документохранилищ, внешних поисковых индексов | по запросу | | Дообучение моделей ранжирования и фактчекинга | Адаптация под доменную терминологию и специфику запросов заказчика | по запросу | | Сопровождение и развитие | Техническое сопровождение, обновления, развитие пайплайнов поиска | по запросу | > **О стоимости** > > Указанные стоимостные характеристики являются ориентировочными и приведены без учёта индивидуальных конфигураций — объёма и разнородности подключаемых источников данных (документы, базы знаний, поисковые индексы), требуемой производительности эмбеддингов и генерации ответов, дообучения моделей ранжирования и фактчекинга на доменных данных, настройки классификаторов выдачи, объёма исторических данных для первичной индексации, выбранного варианта поставки (плагин для Синапс Хаб или отдельное решение), уровня технической поддержки и сопровождения, а также применимых скидок за объём; итоговая стоимость определяется по результатам предпроектного обследования. ## Требования - 8 vCPU, 32 GB RAM (минимум) - GPU NVIDIA (рекомендуется — для эмбеддингов и генерации ответов) - ОС Linux; Docker / Kubernetes - Хранилище: S3-совместимое или локальное (индекс и источники) --- # Отамесседж URL: https://rtatex.ru/products/otamessage > Корпоративная платформа коммуникаций: защищённый мессенджер, HD-видеоконференции и совместная работа в едином контуре. ## Описание **Отамесседж** — передовая платформа для корпоративных коммуникаций, объединяющая возможности мгновенного обмена сообщениями, видеоконференций и совместной работы с интеллектуальной экосистемой. ## Единый центр корпоративных коммуникаций Устали от разнородности в чатах и постоянного переключения между мессенджерами, почтой и другими рабочими инструментами? Отамесседж — это не просто место для общения, а полноценный портал, который объединяет все ваши коммуникации в одном защищённом и интеллектуальном пространстве. Сосредоточьтесь на главном, пока наша платформа оптимизирует рабочие процессы. ## Ключевые показатели - **1000** — Участников в одной видеоконференции - **100%** — Данные внутри контура компании - **SSO** — Вход через LDAP и OpenID - **24/7** — Доступность коммуникаций ## Основные возможности платформы - **Администрирование пользователей** — Гибкая система управления пользователями с интеграцией LDAP и OpenID. Настройка прав доступа, ролей и политик безопасности для разных групп сотрудников. - **Разделение пространств общения** — Создавайте изолированные рабочие пространства для разных отделов, проектов или клиентов. Полный контроль над информационными потоками вашей компании. - **Звонки и видеоконференцсвязь** — Проводите масштабные HD-видеоконференции с участием до 1000 человек одновременно. Стабильная связь и высокое качество видео благодаря интеграции с LiveKit. > **Не просто мессенджер** > > Отамесседж — полноценная экосистема для эффективной работы современных команд, где каждая функция решает конкретную бизнес-задачу. ## Конфиденциальность Развёртывание на серверах организации гарантирует, что переписка, файлы и записи звонков не покидают корпоративный контур. ## Стоимость и варианты поставки | Формат поставки | Что входит | Стоимость | | --- | --- | --- | | Серверная инсталляция | Развёртывание платформы в инфраструктуре заказчика, базовая конфигурация мессенджера и ВКС, поддержка 12 мес | от 5 500 000 ₽ | | Лицензия на пользователя | Именная лицензия доступа к платформе (мессенджер + ВКС + хранилище) | от 175 000 ₽ | | Медиа-узел ВКС (LiveKit) | Дополнительный медиа-узел для масштабирования видеоконференций под нагрузку | по запросу | | Интеграция с корпоративными системами | LDAP/AD, OpenID, SSO, СЭД, почтовые системы | по запросу | | Кастомизация и сопровождение | Адаптация интерфейса под брендбук, расширенная поддержка с SLA | по запросу | > **О стоимости** > > Указанные стоимостные характеристики являются ориентировочными и приведены без учёта индивидуальных конфигураций — количества именных пользовательских лицензий, числа и масштабирования медиа-узлов ВКС (LiveKit) под пиковую нагрузку видеоконференций, требуемого объёма хранилища для файлов, переписки и записей звонков, интеграции с корпоративными системами идентификации (LDAP/Active Directory, OpenID, SSO), интеграции с почтовыми системами и СЭД, кастомизации интерфейса под брендбук, разработки клиентов под целевые платформы и устройства, выбранного уровня технической поддержки и SLA, а также применимых скидок за объём лицензий; итоговая стоимость рассчитывается по результатам определения архитектуры развёртывания и количества лицензий. ## Требования - 8 vCPU, 32 GB RAM (минимум) — сервер приложений - Отдельный медиа-узел для ВКС (LiveKit), масштабируется под нагрузку - ОС Linux; Docker / Kubernetes - Хранилище: S3-совместимое или локальное (файлы и записи) --- # Слайд Навигатор URL: https://rtatex.ru/products/ai-slider > Управление презентациями жестами без носимых устройств: камера с ИИ распознаёт жесты для переключения слайдов, зума и управления медиа. ## Описание **Слайд Навигатор** (AI Slider) — система управления презентациями с помощью жестов, без носимых устройств. Камера с использованием ИИ определяет ключевые жесты и позволяет адаптивно управлять показом: переключать слайды, масштабировать, запускать и останавливать медиа. ## Естественное управление презентацией Автономный программный модуль для интуитивного управления слайдами с помощью жестов и движений рук. Слайд Навигатор повышает удобство и естественность выступлений, позволяя докладчику незаметно для аудитории переключать слайды и управлять показом. В основе — алгоритм распознавания жестов, окно предпросмотра с активной рукой и горизонтальной линией реагирования, а также компоненты запуска и остановки показа через периферийные устройства. ## Ключевые показатели - **0** — Носимых устройств — только камера - **ИИ** — Распознавание ключевых жестов - **Live** — Окно предпросмотра жестов - **100%** — Автономный программный модуль ## Возможности - **Распознавание жестов** — Алгоритм с ИИ распознаёт ключевые жесты и движения рук с камеры — без носимых устройств и пультов. - **Переключение слайдов** — Перелистывание слайдов вперёд и назад определёнными жестами, незаметно для аудитории. - **Зум и управление медиа** — Масштабирование, запуск и остановка медиа, управление показом через периферийные устройства. - **Окно предпросмотра жестов** — Отображает активную руку и горизонтальную линию реагирования для точного контроля жестов. ## Где применяется Образовательные учреждения, бизнес-среда, конференции и мероприятия — везде, где требуется удобное и интуитивное управление презентациями. ## Стоимость и варианты поставки | Формат поставки | Что входит | Стоимость | | --- | --- | --- | | Боксовое решение (одна лицензия) | Установка ПО на 1 рабочее место, базовый набор жестов, поддержка 12 мес | от 89 789 ₽ | | Пакет «Аудитория» (от 5 лицензий) | Лицензии для оборудования переговорных комнат и аудиторий | по запросу (скидка за объём) | | Расширение набора жестов | Дообучение и добавление пользовательских жестов под сценарии заказчика | по запросу | | Интеграция с ВКС и медиа-инфраструктурой | Подключение к корпоративным системам видеоконференцсвязи и управления показом | по запросу | | Сопровождение и обновления | Техническое сопровождение, обновление моделей распознавания | по запросу | > **О стоимости** > > Указанные стоимостные характеристики являются ориентировочными и приведены для боксовой версии без учёта расширения набора распознаваемых жестов под сценарии заказчика, дообучения моделей компьютерного зрения на специфике условий съёмки (освещение, ракурс, расстояние до камеры), интеграции с корпоративными ВКС-системами и медиа-инфраструктурой переговорных, разработки специализированных периферийных устройств, кастомизации интерфейса под брендбук, объёма закупаемых лицензий для оборудования переговорных комнат и аудиторий, выбранного уровня технической поддержки и сопровождения, а также применимых скидок за объём; итоговая стоимость рассчитывается индивидуально под сценарии применения и количество точек развёртывания. ## Требования - Камера (веб- или встроенная) - 4 vCPU, 8 GB RAM (минимум) - GPU NVIDIA (рекомендуется для распознавания в реальном времени) - ОС Windows или Linux --- # Оташейр URL: https://rtatex.ru/products/otashare > Корпоративный файлообменник: загрузка через веб и CLI, ссылки на файлы, обратная загрузка, докачка и проверка хешей — в вашем контуре. ## Описание **Оташейр** — корпоративный файлообменник для безопасного обмена большими объёмами данных. Загружайте файлы через удобный веб-интерфейс или командную строку, генерируйте ссылки и делитесь ими внутри компании и с заказчиками и партнёрами. ## Удобный обмен большими файлами Оташейр позволяет загружать файлы и получать ссылки для их скачивания. Поддерживается удобная загрузка через веб-интерфейс и обращения из командной строки стандартными инструментами Windows и Linux (например, curl). Доступна **обратная загрузка**: вы создаёте ссылку, по которой заказчик или партнёр может загрузить данные вам. Передача больших объёмов остаётся надёжной благодаря докачке при обрыве соединения, а просмотр метаданных и хешей позволяет проверять целостность файлов. ## Ключевые показатели - **Web + CLI** — Загрузка через браузер и командную строку - **100%** — Данные внутри контура компании - **TB+** — Обмен большими объёмами данных - **Докачка** — Возобновление при обрыве соединения ## Возможности - **Загрузка и ссылки на файлы** — Загружайте файлы через удобный веб-интерфейс и генерируйте ссылки для скачивания. - **Доступ через CLI** — Загрузка и скачивание из командной строки стандартными инструментами Windows и Linux (curl и подобными). - **Обратная загрузка** — Создавайте ссылку, по которой заказчик или партнёр может загрузить данные вам. - **Докачка при обрыве** — Возобновление передачи с места обрыва — надёжная доставка больших объёмов данных. - **Метаданные и хеши** — Просмотр метаданных файлов и контрольных сумм (хешей) для проверки целостности. - **Внутри вашего контура** — Развёртывание на инфраструктуре компании — данные не покидают корпоративный периметр. ## Где применяется Обмен файлами внутри компании и передача больших объёмов данных заказчикам и партнёрам через удобный интерфейс. ## Стоимость и варианты поставки | Формат поставки | Что входит | Стоимость | | --- | --- | --- | | Боксовое решение | Установка в контуре заказчика, веб-интерфейс + CLI, базовая конфигурация, поддержка 12 мес | от 39 000 ₽ | | Пакет с интеграцией LDAP/SSO | Боксовое решение + подключение к корпоративной системе идентификации | по запросу | | Кастомизация и расширение функциональности | Доработки под требования заказчика (DLP, аудит, антивирусная проверка, политики жизненного цикла) | по запросу | | Развёртывание под высокую нагрузку (TB+) | Кластерная инсталляция, масштабирование под объём и скорость передачи | по запросу | | Сопровождение и обновления | Техническое сопровождение, мониторинг, регулярные обновления | по запросу | > **О стоимости** > > Указанные стоимостные характеристики являются ориентировочными и приведены для базовой боксовой версии без учёта необходимого объёма и типа хранилища (S3-совместимое или локальное), требуемой пропускной способности канала и пиковой нагрузки по объёму передаваемых данных, количества именных пользователей и групп с разграничением прав, интеграции с корпоративными системами идентификации (LDAP/AD, SSO) и DLP-контурами, кастомизации веб-интерфейса и CLI-клиента под брендбук и корпоративные политики, разработки дополнительных функций (например, расширенные политики жизненного цикла ссылок, аудит, антивирусная проверка), выбранного уровня технической поддержки и сопровождения, а также применимых скидок за объём; итоговая стоимость рассчитывается индивидуально под архитектуру и объём доработок. ## Требования - 2 vCPU, 8 GB RAM (минимум) - Хранилище: S3-совместимое или локальное - ОС Linux; Docker / Kubernetes --- # Что такое WER и WRR в системах распознавания речи URL: https://rtatex.ru/blog/wer-wrr Максим, 2026-04-14 > Ключевые метрики ASR-систем: Word Error Rate (WER) и Word Recognition Rate (WRR). Формулы расчёта, наглядный пример и интерпретация результатов. При работе с системами автоматического распознавания речи (ASR (Automatic Speech Recognition — технология преобразования устной речи в текст. В русскоязычной терминологии — АРР (автоматическое распознавание речи).)) один из первых вопросов, который возникает, — «Насколько хорошо работает эта модель?». Чтобы ответить на него объективно, нам нужны количественные метрики. В индустрии стандартом де-факто для оценки точности ASR-систем является **Word Error Rate (WER)**. Давайте разберёмся, что это такое, как его считать и правильно интерпретировать. ## Что такое Word Error Rate (WER)? **Word Error Rate (WER)**, или «коэффициент ошибок на уровне слов», — это метрика, которая измеряет расхождение между текстом, сгенерированным ASR-системой (гипотезой), и эталонной, вычитанной человеком расшифровкой (референсом). Чем ниже значение WER, тем точнее работает модель. В основе WER лежит алгоритм Левенштейна (Расстояние Левенштейна — минимальное количество односимвольных правок (вставок, удалений, замен), необходимых для превращения одной строки в другую. Названо в честь советского математика Владимира Левенштейна.), адаптированный для работы со словами вместо символов. Для расчёта WER необходимо определить три типа ошибок: - **Замены (Substitutions, S):** слова, которые система распознала неверно. Например, вместо «будет» модель выдала «была». - **Удаления (Deletions, D):** слова, которые присутствовали в эталонной расшифровке, но были пропущены системой. - **Вставки (Insertions, I):** лишние слова, которые модель «придумала», хотя их не было в исходной аудиозаписи. ```mermaid flowchart LR %% @title: Типы ошибок при расчёте WER classDef success fill:#e8f5e9,stroke:#81c784,color:#1b5e20,stroke-width:1.5px,rx:6px,ry:6px; classDef danger fill:#fde4e4,stroke:#ef9a9a,color:#b71c1c,stroke-width:1.5px,rx:6px,ry:6px; classDef warning fill:#fff8e1,stroke:#ffcc80,color:#795548,stroke-width:1.5px,rx:6px,ry:6px; classDef info fill:#e1f5fe,stroke:#81d4fa,color:#01579b,stroke-width:1.5px,rx:6px,ry:6px; REF["Эталон\n(Reference)"]:::info HYP["Гипотеза\n(Hypothesis)"]:::info S["Замена (S)\nбудет → была"]:::warning D["Удаление (D)\nслово пропущено"]:::danger I["Вставка (I)\nлишнее слово"]:::danger WER["WER = (S + D + I) / N"]:::success REF --> S REF --> D HYP --> S HYP --> I S --> WER D --> WER I --> WER ``` ## Формула и пример расчёта Формула для расчёта WER: $$ \text{WER} = \frac{S + D + I}{N} \times 100\% $$ Где $S$ — замены, $D$ — удаления, $I$ — вставки, $N$ — общее количество слов в эталонной расшифровке. > Из-за наличия вставок (I) значение WER теоретически может превышать 100%. ### Наглядный пример Рассчитаем WER для конкретного случая: - **Эталон:** сегодня будет хорошая погода *(N = 4 слова)* - **Гипотеза:** сегодня была хорошая погода да Выравниваем слова: | Эталон | Гипотеза | Результат | S | D | I | |--------|----------|-----------|---|---|---| | сегодня | сегодня | совпадение | 0 | 0 | 0 | | будет | была | замена | 1 | 0 | 0 | | хорошая | хорошая | совпадение | 0 | 0 | 0 | | погода | погода | совпадение | 0 | 0 | 0 | | — | да | вставка | 0 | 0 | 1 | Итого: $S = 1$, $D = 0$, $I = 1$, $N = 4$ $$ \text{WER} = \frac{1 + 0 + 1}{4} = 0{,}5 \rightarrow 50\% $$ ## Что такое Word Recognition Rate (WRR)? **Word Recognition Rate (WRR)**, иногда называемый Word Accuracy, — это «обратная» метрика к WER. Она показывает долю правильно распознанных слов. $$ \text{WRR} = 1 - \text{WER} $$ В нашем примере: $\text{WRR} = 1 - 0{,}5 = 0{,}5 \rightarrow 50\%$ Альтернативная формула учитывает совпадения ($H$ — Hits) напрямую: $$ \text{WRR} = \frac{H - I}{N} $$ Для нашего примера: $\text{WRR} = \frac{3 - 1}{4} = 0{,}5 \rightarrow 50\%$ > Формулы могут давать разные результаты в зависимости от реализации. Всегда уточняйте, какой именно вариант используется при сравнении моделей. ## Как интерпретировать результаты? Оценка WER сильно зависит от контекста: качества звука, тематики, наличия акцентов. Однако можно ориентироваться на следующие общие значения: ```mermaid flowchart TD %% @title: Шкала интерпретации WER classDef success fill:#e8f5e9,stroke:#81c784,color:#1b5e20,stroke-width:1.5px,rx:6px,ry:6px; classDef info fill:#e1f5fe,stroke:#81d4fa,color:#01579b,stroke-width:1.5px,rx:6px,ry:6px; classDef warning fill:#fff8e1,stroke:#ffcc80,color:#795548,stroke-width:1.5px,rx:6px,ry:6px; classDef danger fill:#fde4e4,stroke:#ef9a9a,color:#b71c1c,stroke-width:1.5px,rx:6px,ry:6px; classDef accent fill:#f3e5f5,stroke:#ce93d8,color:#4a148c,stroke-width:1.5px,rx:6px,ry:6px; A["0–5% WER\nПревосходно\nУровень человека"]:::success B["5–10% WER\nОтлично\nГотово для production"]:::info C["10–20% WER\nПриемлемо\nТребуется постредактирование"]:::warning D["20–30% WER\nУдовлетворительно\nМодель требует доработки"]:::accent E["30%+ WER\nНизкое качество\nНеобходимо улучшение"]:::danger A --> B --> C --> D --> E ``` - **0–5% WER** — превосходный результат, сопоставимый с качеством ручной расшифровки. - **5–10% WER** — отличное качество, текст почти не требует правок. Готово для production. - **10–20% WER** — приемлемое качество, может потребоваться постредактирование. - **20–30% WER** — удовлетворительное качество, заметное количество ошибок. Модель требует доработки. - **30% и выше** — низкое качество, расшифровка затруднена. Необходимо существенное улучшение. ## Ограничения метрики WER Несмотря на популярность, WER не является идеальной метрикой: - **Все слова равноценны.** WER одинаково оценит замену предлога «в» на «на» и замену слова «не» на «да», хотя вторая ошибка полностью меняет смысл предложения. - **Отсутствие учёта пунктуации.** Стандартный WER игнорирует знаки препинания, заглавные буквы и форматирование. - **Не измеряет читаемость.** Два текста с одинаковым WER могут иметь совершенно разную читаемость для человека. ## Заключение **WER** и **WRR** — фундаментальные инструменты для оценки производительности ASR-систем. Они дают быструю и стандартизированную оценку точности, позволяя сравнивать модели и отслеживать прогресс в обучении. Однако для глубокого анализа работы модели недостаточно смотреть только на итоговую цифру. Важно анализировать сами ошибки — преобладают ли замены, вставки или удаления? Какие именно слова модель путает? Ответы на эти вопросы — ключ к дальнейшему улучшению качества распознавания речи.[^1] [^1]: Для промышленной оценки точности ASR рекомендуется использовать WER совместно с другими метриками, такими как Character Error Rate (CER), Sentence Error Rate (SER) и Match Error Rate (MER), а также проводить тестирование на различных акустических условиях и доменах. --- # Теория мёртвого интернета: когда паранойя оказалась пророчеством URL: https://rtatex.ru/blog/dead-internet-theory Максим, 2025-04-01 > Разбираем теорию мёртвого интернета — от маргинальной конспирологии до технической реальности, которую теперь невозможно игнорировать. ## Откуда всё началось В 2021 году на форуме Agora Road's Macintosh Cafe (Небольшой англоязычный форум, посвящённый ностальгии по раннему интернету и цифровой культуре 80–90-х. Основан в 2021 году.) появился анонимный пост с необычным тезисом: большая часть интернет-активности — боты, а живые люди давно стали меньшинством в сети. Автор называл это «мёртвым интернетом». Тогда это звучало как конспирология. Сегодня это звучит как технический отчёт. ## Что говорит теория Теория мёртвого интернета утверждает три вещи: 1. **Большинство контента** генерируется автоматически — для SEO, накрутки трафика, манипуляции трендами 2. **Большинство взаимодействий** — лайки, комментарии, репосты — производятся ботами 3. **Алгоритмы платформ** целенаправленно продвигают синтетический контент, потому что он предсказуем и управляем Когда теория появилась, доказательств было мало. Теперь их много. ## Что изменилось с приходом LLM До 2022 года генерация убедительного текста требовала значительных усилий. GPT-3 существовал, но был дорог и сложен в использовании. (GPT-3 (2020) имел 175 млрд параметров, стоил ~$0.02 за 1000 токенов и требовал API-доступа. ChatGPT (2022) сделал ту же мощность бесплатной и доступной через браузер.) После ChatGPT порог вхождения упал до нуля. | Год | Оценка доли AI-контента в интернете | |-----|--------------------------------------| | 2019 | < 1% | | 2022 | ~3–5% | | 2024 | 15–20% (по данным Cloudflare) | | 2026 (прогноз) | > 50% | Это не нейтральная статистика — это изменение природы среды. ## Три уровня проблемы ```mermaid flowchart TD %% @title: Структура угроз мёртвого интернета classDef brand fill:#05227c,stroke:#4a7de0,color:#e4e4e7,stroke-width:1.5px,rx:6px,ry:6px; classDef warning fill:#fff8e1,stroke:#ffcc80,color:#795548,stroke-width:1.5px,rx:6px,ry:6px; classDef danger fill:#fde4e4,stroke:#ef9a9a,color:#b71c1c,stroke-width:1.5px,rx:6px,ry:6px; classDef accent fill:#f3e5f5,stroke:#ce93d8,color:#4a148c,stroke-width:1.5px,rx:6px,ry:6px; classDef default fill:#eef2fa,stroke:#a8c1e8,color:#1a438a,stroke-width:1.5px,rx:6px,ry:6px; DI(["Мёртвый интернет"]):::brand L1["Уровень 1\nИнформационный шум"]:::warning L2["Уровень 2\nСоциальная инженерия"]:::danger L3["Уровень 3\nОтравление обучающих данных"]:::accent L1 --> E1["AI slop заполняет\nпоисковую выдачу"]:::warning L2 --> E2["Боты формируют\nложный консенсус"]:::danger L3 --> E3["Следующие LLM\nучатся у предыдущих"]:::accent E3 -->|"Замкнутый цикл"| DI DI --> L1 DI --> L2 DI --> L3 ``` ### Уровень 1: Информационный шум Поисковые системы начали индексировать миллиарды AI-страниц, созданных для захвата трафика. Термин «AI slop» («AI slop» — жаргонное обозначение низкокачественного AI-контента, автоматически генерируемого ради трафика или монетизации. Аналог «спама», но для текстов и изображений.) вошёл в обиход именно для этого явления — контент, который выглядит как информация, но ею не является. ### Уровень 2: Социальная инженерия Фермы ботов в социальных сетях теперь способны вести связные диалоги, симулировать эмоциональные реакции и формировать ложное ощущение консенсуса.[^1] Отличить живого собеседника от языковой модели становится всё сложнее. ### Уровень 3: Отравление обучающих данных Самое тревожное: следующие поколения языковых моделей обучаются на интернете, который уже содержит контент от предыдущих поколений. Круг замыкается. > «Мы рискуем создать эхо-камеру, в которой ИИ учится у ИИ, постепенно удаляясь от реальности.» ## Почему это важно для корпоративного ИИ Если ваша система принимает решения на основе данных из открытых источников — новостей, отраслевых публикаций, форумов — вы уже работаете с частично синтетической реальностью. > **Конкретные последствия** > > - **Аналитические системы** дают искажённую картину рынка > - **RAG-пайплайны** на основе внешних источников деградируют > - **Модели настроений** реагируют на несуществующее мнение Решение — не паранойя, а **информационная гигиена**: приоритет внутренних данных, верификация источников, изоляция обучающих корпусов. ## Наш взгляд Мы строим ИИ-системы, которые работают на закрытых, верифицированных данных предприятия. Не потому что боимся интернета — а потому что проприетарные данные всегда точнее, актуальнее и надёжнее любого открытого источника. Мёртвый интернет — не повод для паники. Это аргумент в пользу того, что **собственные данные компании — это стратегический актив**.[^2] ## Заключение Теория мёртвого интернета начиналась как конспирология. Сегодня она описывает измеримую техническую реальность. Вопрос не в том, происходит ли это — а в том, как вы адаптируете свои информационные системы к среде, где синтетический контент стал нормой. [^1]: По данным исследования Stanford Internet Observatory (2023), в ходе ряда политических кампаний в Twitter/X до 80% «поддерживающих» комментариев генерировались скоординированными сетями ботов с LLM-бэкендами. [^2]: Gartner прогнозирует, что к 2027 году компании с верифицированными проприетарными корпусами данных будут демонстрировать на 35–40% более высокую точность корпоративных AI-систем по сравнению с компаниями, полагающимися на публичные источники. --- # AI Effect: почему мы всегда обесцениваем то, что ИИ уже умеет URL: https://rtatex.ru/blog/ai-effect Игорь, 2025-03-20 > Эффект ИИ — когнитивный феномен, из-за которого каждое достижение искусственного интеллекта перестаёт считаться интеллектом сразу после решения задачи. ## Парадокс, которому уже 70 лет В 1950-х исследователи были убеждены: как только компьютер научится играть в шахматы — это докажет наличие интеллекта. В 1997 году Deep Blue (Шахматный суперкомпьютер IBM. Победил чемпиона мира Гарри Каспарова в матче из 6 партий.) победил Каспарова. Реакция была обескураживающей: «Это не интеллект. Это просто перебор вариантов». Добро пожаловать в AI Effect — явление, которое впервые описал Джон Маккарти (Американский учёный, один из основателей AI как научной дисциплины. Ввёл термин «искусственный интеллект» в 1956 году.): **как только ИИ научается что-то делать, это перестаёт считаться интеллектом**. ## Механика смещения Памела Маккордак сформулировала это точнее всех: > «Это странная вещь — как только ИИ решает задачу, люди говорят: "Ну, это же просто вычисления. Настоящий интеллект — это совсем другое"». Паттерн повторяется с удивительной регулярностью: | Задача | Когда казалась «настоящим интеллектом» | Реакция после решения | |--------|----------------------------------------|----------------------| | Игра в шахматы | До 1997 | «Просто перебор» | | Распознавание изображений | До 2012 | «Просто статистика» | | Перевод текста | До 2016 | «Просто паттерны» | | Написание кода | До 2021 | «Просто автодополнение» | | Генерация изображений | До 2022 | «Нет понимания» | | Медицинская диагностика | До 2024 | «Нет эмпатии» | Каждый раз планка «настоящего интеллекта» поднимается ровно на один шаг вперёд. ## Почему так происходит Есть несколько конкурирующих объяснений. **Версия 1: Определение интеллекта тавтологично.** Интеллект — это то, что машины ещё не умеют. Как только умеют — это уже не интеллект. Определение движется вместе с горизонтом. **Версия 2: Дефляция через понимание (Когда мы понимаем механизм работы системы, нам психологически сложно считать её «умной». Это называют «эффектом разоблачения» или deflation through comprehension.).** Когда мы видим веса нейросети или дерево решений, нам сложно приписать системе «подлинность». Понятность убивает магию. **Версия 3: Угроза уникальности.** Человек нуждается в убеждённости, что его интеллект неповторим. Каждое достижение ИИ — экзистенциальный вызов, который проще отрицать, чем принять. ## Практические последствия для бизнеса AI Effect — не просто философская головоломка. Он имеет прямые операционные последствия. **Недооценка зрелых технологий.** Компании откладывают внедрение решений, которые уже работают, потому что воспринимают их как «всего лишь автоматизацию», а не «настоящий ИИ». Пока конкуренты автоматизируют — они ждут AGI (Artificial General Intelligence — гипотетический ИИ с общим интеллектом уровня человека. Дата появления неизвестна, оценки варьируются от 5 до 50+ лет.). **Завышенные ожидания от будущего.** Фокус всегда на следующем рубеже. Реальная ценность от уже существующих инструментов недооценивается. **Циклы разочарования.** Внедряют технологию с завышенными ожиданиями, получают реальный, но скромный результат, делают вывод «ИИ не работает» — хотя инструмент просто решил конкретную задачу. ```mermaid flowchart TD %% @title: Цикл AI Effect в корпоративном контексте classDef warning fill:#fff8e1,stroke:#ffcc80,color:#795548,stroke-width:1.5px,rx:6px,ry:6px; classDef info fill:#e1f5fe,stroke:#81d4fa,color:#01579b,stroke-width:1.5px,rx:6px,ry:6px; classDef success fill:#e8f5e9,stroke:#81c784,color:#1b5e20,stroke-width:1.5px,rx:6px,ry:6px; classDef danger fill:#fde4e4,stroke:#ef9a9a,color:#b71c1c,stroke-width:1.5px,rx:6px,ry:6px; classDef accent fill:#f3e5f5,stroke:#ce93d8,color:#4a148c,stroke-width:1.5px,rx:6px,ry:6px; A(["Хайп\n«ИИ революционизирует отрасль»"]):::warning B["Внедрение\nс завышенными ожиданиями"]:::info C["Задача решена\n«это просто автоматизация»"]:::success D(["Разочарование\n→ недоинвестирование"]):::danger E(["Конкуренты\nвырвались вперёд"]):::accent F(["Прагматичный игрок\nпродолжает внедрение"]):::success A --> B --> C --> D --> E C --> F F --> F ``` ## Как работать с этим эффектом Прагматичный подход требует нескольких сдвигов в мышлении. **Оценивайте по результату, не по механизму.** Неважно, «понимает» ли модель текст в философском смысле. Важно: сокращает ли она время обработки документов на 70%? Снижает ли количество ошибок?[^1] **Не ждите «настоящего» ИИ.** Его не существует как фиксированной точки — только как движущийся горизонт. Ценность создаётся инструментами, которые работают сегодня. **Называйте вещи своими именами.** «Автоматизация обработки заявок с помощью языковой модели» звучит менее захватывающе, чем «ИИ-революция» — но именно это точное описание помогает ставить реалистичные цели и измерять реальный ROI (Return on Investment — возврат на инвестиции. Базовая метрика оценки эффективности проекта: (прибыль − затраты) / затраты × 100%.). ## Заключение AI Effect — это когнитивная ловушка, которая одновременно обесценивает прошлые достижения и раздувает ожидания от будущих. Выход из неё один: оценивать ИИ-системы по конкретной бизнес-ценности, а не по соответствию философскому идеалу интеллекта. > Самые эффективные ИИ-внедрения — те, о которых через год говорят: «Ну, это же просто автоматизация». Значит, оно работает. [^1]: По данным McKinsey Global Institute (2024), компании, оценивающие ИИ-проекты через измеримые KPI, на 2,4× чаще достигают плановых показателей ROI, чем компании, ориентирующиеся на качественные характеристики «умности» системы. --- # Коллапс модели: что происходит, когда ИИ учится у ИИ URL: https://rtatex.ru/blog/model-collapse Дмитрий, 2025-03-10 > Модели, обученные на AI-генерированных данных, деградируют — теряют редкие знания, усиливают ошибки, теряют связь с реальностью. Разбираем механику и последствия. ## Ксерокс, копирующий ксерокс Представьте, что вы ксерокопируете документ. Затем копируете копию. Затем копию копии. После двадцати итераций текст ещё читаем, но изображения превратились в серые пятна, тонкие детали исчезли, артефакты усилились. Именно это происходит с языковыми моделями, которые обучаются на данных, сгенерированных другими языковыми моделями. Исследователи называют это **model collapse** — коллапсом модели.[^1] ## Механика деградации В 2023 году группа исследователей из Оксфорда опубликовала работу с простым, но тревожным выводом: последовательное обучение на AI-контенте систематически разрушает модель. Деградация происходит в два этапа: **Ранний коллапс (Первая стадия коллапса: редкие, но реальные события вымываются из обучающего распределения. Модель «забывает» нестандартные случаи.)** — модель начинает игнорировать редкие, нетипичные данные. Маловероятные, но реальные события «вымываются» из распределения. Модель становится более «средней». **Поздний коллапс (Финальная стадия: модель генерирует практически одинаковый контент на разные запросы. Разнообразие выходов стремится к нулю.)** — разнообразие выходных данных резко падает. В крайних случаях модель выдаёт один и тот же ответ на разные вопросы. ```mermaid flowchart LR %% @caption: Деградация распределения знаний через поколения AI-обучения classDef success fill:#e8f5e9,stroke:#81c784,color:#1b5e20,stroke-width:1.5px,rx:6px,ry:6px; classDef warning fill:#fff8e1,stroke:#ffcc80,color:#795548,stroke-width:1.5px,rx:6px,ry:6px; classDef danger fill:#fde4e4,stroke:#ef9a9a,color:#b71c1c,stroke-width:1.5px,rx:6px,ry:6px; subgraph G0["Поколение 0 — человеческие данные"] direction TB C0["Общие знания 70%"]:::success S0["Специализированные 20%"]:::success R0["Редкие случаи 10%"]:::success end subgraph G5["Поколение 5"] direction TB C5["Общие знания 92%"]:::warning S5["Специализированные 7%"]:::warning R5["Редкие случаи 1%"]:::warning end subgraph G10["Поколение 10"] direction TB C10["Общие знания 99%"]:::danger S10["Специализированные ~0.9%"]:::danger R10["Редкие случаи ~0.1%"]:::danger end G0 -->|"Обучение на AI-данных"| G5 G5 -->|"Обучение на AI-данных"| G10 style G0 fill:#f0fdf4,stroke:#16a34a,color:#14532d style G5 fill:#fef9c3,stroke:#ca8a04,color:#713f12 style G10 fill:#fee2e2,stroke:#dc2626,color:#7f1d1d ``` ## Масштаб проблемы Интернет — главный источник обучающих данных для больших языковых моделей. По различным оценкам, к 2026 году более половины публичного текстового контента будет создано или значительно переработано с помощью ИИ. | Проблема | Последствие | |----------|-------------| | Вымывание редких знаний | Снижение надёжности в нестандартных ситуациях | | Усиление ошибок | Артефакты предыдущих моделей закрепляются | | Потеря разнообразия | Гомогенизация языка и стиля в масштабах интернета | | Накопление предвзятостей | Систематические ошибки нарастают с каждым поколением | ## Почему редкие данные особенно важны Парадокс в том, что «редкие» данные зачастую самые ценные.[^2] Медицинская диагностика критических состояний встречается редко — но именно от качества этих знаний зависит жизнь пациента. Нестандартные юридические случаи редки — но именно они требуют наибольшей точности. Инциденты информационной безопасности редки — но цена ошибки катастрофична. Модель, которая хорошо знает «среднее» и плохо знает «края», — это модель с неприемлемым профилем риска для критических применений. ## Что это значит для корпоративного ИИ > **Ключевой вывод** > > Проприетарные данные компании не загрязнены AI-генерацией. Это делает их ценнее с каждым годом — по мере деградации открытых источников. **Проприетарные данные — защита от коллапса.** Внутренние данные компании — документация, операционные записи, исторические случаи — это «чистое» распределение реальных событий, включая редкие и нестандартные. **Синтетические данные (Генерация дополнительных обучающих примеров с помощью трансформаций или синтеза. Полезна для балансировки классов, но не должна заменять реальные данные.) требуют осторожности.** Синтетика полезна для аугментации — но не должна быть основой корпуса. **Версионирование данных (Практика хранения и отслеживания версий обучающих датасетов с метаданными о происхождении, дате сбора и составе. Аналог git для данных.) важнее версионирования кода.** Если вы не знаете, какой процент ваших обучающих данных был создан или переработан AI-системами — вы не контролируете качество модели. ## Возможные решения ```mermaid flowchart TD %% @title: Стратегии защиты от коллапса модели classDef danger fill:#fde4e4,stroke:#ef9a9a,color:#b71c1c,stroke-width:1.5px,rx:6px,ry:6px; classDef info fill:#e1f5fe,stroke:#81d4fa,color:#01579b,stroke-width:1.5px,rx:6px,ry:6px; classDef accent fill:#f3e5f5,stroke:#ce93d8,color:#4a148c,stroke-width:1.5px,rx:6px,ry:6px; classDef success fill:#e8f5e9,stroke:#81c784,color:#1b5e20,stroke-width:1.5px,rx:6px,ry:6px; Problem(["Коллапс модели"]):::danger W["Watermarking\nМетки в AI-контенте"]:::info H["Human data\nСбор верифицированных текстов"]:::info F["Selective fine-tuning\nДообучение на закрытых данных"]:::accent W -->|"Требует индустриального стандарта"| OK["Фильтрация AI-контента"]:::success H -->|"Оцифровка архивов, партнёрства"| OK2["Чистый обучающий корпус"]:::success F -->|"Наш подход"| OK3["Специализированная модель\nна данных клиента"]:::success Problem --> W Problem --> H Problem --> F ``` ## Заключение Коллапс модели — не гипотетическая угроза. Это математически предсказуемое следствие обучения на AI-данных. Интернет как источник обучающих корпусов деградирует быстрее, чем мы успеваем осознать. Для компаний это означает одно: **собственные данные — не просто актив, а условие выживания в эпоху AI**. Организации, которые накапливают, структурируют и защищают свои данные уже сегодня, через несколько лет окажутся владельцами того, что нельзя будет купить ни у OpenAI, ни у кого другого. [^1]: Shumailov I. et al. «The Curse of Recursion: Training on Generated Data Makes Models Forget» (2023). Оксфордский университет и соавторы показали, что уже через несколько поколений рекурсивного обучения модели теряют хвосты распределения и деградируют к «среднему». [^2]: Это явление известно в статистике как «проклятие усреднения» (tyranny of the majority): системы, оптимизированные на медиане, систематически проигрывают на хвостах распределения — именно там, где цена ошибки наивысшая. --- # OTAscribe URL: https://rtatex.ru/products/otascribe?lang=en > Advanced AI speech-to-text transcription: high recognition accuracy, speaker diarization and automatic meeting minutes. ## Overview **OTAscribe** is an advanced AI-powered speech-to-text transcription system. It delivers high recognition accuracy and supports many languages and dialects. ## Intelligent meeting processing Are important decisions lost in the flow of discussion? Hours spent transcribing recordings and preparing minutes, while action items go unrecorded? OTAscribe is your intelligent assistant that takes over all the routine of meeting processing. It doesn't just convert audio to text with high accuracy — it automatically produces structured reports, highlights key decisions and builds a task list. Free up time for strategic work while OTAscribe ensures full transparency and control over agreements. - **OTAscribe — meeting processing** — OTAscribe desktop interface ## Key metrics - **97.5%** — Word Recognition Rate in ideal conditions - **3–4×** — Faster meeting minutes - **100%** — Data stays within your perimeter - **4+** — Export formats: PDF, DOCX, SRT, JSON… ## Capabilities - **Speech-to-text conversion** — The recognition algorithm reaches a Word Recognition Rate of up to 97.5% in ideal conditions — accurate transcripts with no significant corrections needed. - **Convenient file processing** — Play, trim and edit audio right in the app: choose recording hardware, control volume, speed and seeking for a faster, simpler workflow. - **Speaker annotation** — Diarization automatically recognizes who spoke at each moment, while timestamps let you quickly locate key fragments of the conversation. - **Editable report export** — Ready-made meeting minutes and reports in convenient formats. Export to XML or JSON to integrate transcripts with other systems and applications. - **AI analysis & summarization** — The system doesn't just transcribe — it analyzes the text, extracting tasks, decisions and key takeaways to quickly form meeting summaries. - **Full confidentiality** — Deployment on your own servers or workstations guarantees that confidential information never leaves the company perimeter. > **Built-in editor & filtering** > > The visual editor highlights recognition confidence and timestamps, while profanity is detected and censored automatically. Three types of meeting summary are available. ## Supported formats OTAscribe works with major audio and video formats — **WAV, MP3, M4A, AVI** and many others. Finished materials are exported to **PDF, DOCX, SRT**, and **XML / JSON** is available for technical integrations. ## Why OTAscribe - **Full confidentiality** — Deploying the system on your own servers or workstations guarantees that confidential information never leaves the company perimeter. - **Flexible delivery options** — Install on a company server, a standalone workstation (including laptops), or use the cloud solution. - **Interface adaptation** — The interface can be fully adapted to your brand guidelines, including corporate style and terminology. - **AI analysis & summarization** — The system extracts tasks, decisions and key takeaways to quickly form meeting summaries. - **Time savings** — Automating routine meeting minutes reduces report preparation time by 3–4×. - **Support & customization** — Our team is ready to refine and adapt the solution to your unique business requirements and integrate it into existing processes. ## Pricing & delivery Two purchase options are available: a **cloud subscription** or a **boxed (on-premise) solution**. ### Cloud subscription | Plan | Transcription | Users | Price | |------|---------------|-------|-------| | Start | 20 hours / mo | 1 | ₽9,900 / mo | | Team | 100 hours / mo | up to 10 | ₽39,900 / mo | | Business | unlimited | up to 50 | ₽99,900 / mo | ### Boxed solution (on-premise) | License | Deployment | Support | Price | |---------|-----------|---------|-------| | Standard | 1 server / workstation | 12 months | from ₽3.8M | | Enterprise | unlimited nodes + customization | 12 months + SLA | on request | _Standard — price is for the minimum configuration._ ## Requirements Baseline configuration to get started: - 4 vCPU, 16 GB RAM (minimum) - NVIDIA GPU (recommended for real-time processing) - Linux or Windows — server or workstation (including laptops) - Docker / Kubernetes (for server deployment) - **Hardware requirements & deployment options** — Detailed configurations, supported GPUs and deployment scenarios — in the OTAscribe documentation. (https://rtatex.ru/docs/otascribe/placement/hardware) --- # Synapse Hub URL: https://rtatex.ru/products/synapse-hub?lang=en > An intelligent aggregator hub for LLMs, multimodal AI and computer vision with ready-made smart pipelines — within a secure perimeter. ## Overview **Synapse Hub** is an intelligent aggregator hub that unifies large language models (LLMs), multimodal AI and computer vision into a single system. It provides ready-made smart pipelines to automate workflows and deliver accurate results. ## A single AI hub for your organization Synapse Hub is more than just a local ChatGPT alternative. It's an intelligent aggregator hub that brings large language models, multimodal AI and computer vision together into a single system. The platform's key feature is **ready-made smart pipelines** that automatically chain different models and optimize user requests. As a result, even simple commands produce accurate, in-depth output. For example: - text can be translated to English before querying the LLM; - expert hints can be added to form the prompt correctly; - the response can be post-processed, or an image generated from just a few words. - **Synapse Hub — workspace** — Synapse Hub desktop interface ## Key metrics - **3-in-1** — LLM, multimodal AI and computer vision - **2–4×** — Faster reports and documents - **100%** — Data stays within your perimeter - **0** — Internet connections required ## Core platform capabilities - **Intelligent knowledge base** — Fast, accurate answers to questions about corporate algorithms, procedures and standards, based on your internal knowledge base. - **Competitor & market analysis** — Processing large volumes of news and reports, generating comparison tables and charts to support decision-making. - **Computer vision** — Object detection and recognition, image and video-stream analysis for quality control and process automation. - **Content generation** — Create text, images and infographics (including Stable Diffusion) from a description — speeding up marketing and training materials. > **Fully on-premise** > > The platform requires no internet connection and runs autonomously in your infrastructure — all data stays within the organization's secure perimeter. ## Why Synapse Hub - **Secure by default** — All data processing happens inside the company's secure perimeter, with no need for internet access. Your data stays confidential. - **Optimized performance** — Models are adapted and optimized for the customer's server hardware, ensuring high speed and lower operating costs. - **Smart pipelines** — Automatic prompt preparation, cross-model chaining and response post-processing deliver accurate, in-depth results even for simple commands. - **Flexible customization** — The platform adapts to unique business tasks, supports fine-tuning models on the customer's data and custom workflows. - **Time savings** — Automating routine processes (data analysis, search, generation) reduces report and document preparation time by 2–4×. - **Scalability** — Suitable for deployment on any hardware: from a local workstation to an enterprise cluster. ## Pricing Implementation cost ranges **from ₽3.5M to ₽75M**. It depends on the depth of plugin development, the set of loaded and/or fine-tuned models, and graph connections. Integrating external modules (NER, ImageGen and similar) may change the price. ## Requirements - 8 vCPU, 32 GB RAM (minimum) - NVIDIA GPU (recommended — for LLM inference and image generation) - Linux; Docker / Kubernetes - Scales from a workstation to an enterprise cluster --- # NeuroConsultant URL: https://rtatex.ru/products/neuroconsultant?lang=en > A virtual assistant trained on your company's documentation and knowledge base: instant 24/7 answers that offload help desks. ## Overview **NeuroConsultant** is a next-generation virtual assistant trained on your company's documentation and knowledge base. It answers questions in real time, offloads help desks and boosts efficiency. ## A 24/7 intelligent assistant for employees and clients NeuroConsultant turns your company's internal documents into a living, interactive knowledge base. Trained on your policies and instructions, it acts as an instant expert, helping employees and clients navigate complex procedures with no waiting. The system relieves the load on help desks and contact centers, ensuring 24/7 availability and high answer accuracy based solely on up-to-date corporate data. > **Try it right now** > > The chat bot on this site runs on NeuroConsultant technology — ask it a question in the widget in the bottom-right corner. - **NeuroConsultant — conversation** — NeuroConsultant desktop interface ## Key metrics - **24/7** — Availability for employees and clients - **100+** — Concurrent requests - **100%** — Answers from your documents - **0** — Internet connections required ## Advantages - **24/7 availability** — Instant answers to employee and client requests at any time of day, with no need to wait for an operator. - **Accuracy & relevance** — Answers are based solely on the company's internal knowledge bases and documents, eliminating errors and outdated information. - **Role flexibility** — Easily adapts to any task: HR assistant, product consultant, or a reference for the technical service desk. - **Scalability** — A single NeuroConsultant can serve hundreds of requests at once, handling peak loads efficiently. - **Confidentiality** — Runs inside the corporate perimeter, guaranteeing full protection against leaks of proprietary or personal information. - **Easy updates** — To refresh its knowledge, just upload a new document — the system automatically starts using it. ## Use cases - **Employee reference** — Answers to internal questions about HR, accounting, policies and labor matters. - **Customer support** — Consultations on tariffs, products and services, relieving the front line of support. - **Digital expert** — An assistant for training, onboarding new employees and quickly finding information in complex instructions. ## Pricing Boxed version (without developing the customer's knowledge base) — **₽499,000**. Preparation and integration of the corporate knowledge base is priced separately, based on the volume and format of your documents. ## Requirements - 8 vCPU, 32 GB RAM (minimum) - NVIDIA GPU (recommended for real-time answer generation) - Linux; Docker / Kubernetes - Knowledge-base storage: S3-compatible or local --- # Synapse Search URL: https://rtatex.ru/products/synapse-search?lang=en > AI search with answer generation over heterogeneous sources: relevance scoring, classification and fact-checking within a secure perimeter. ## Overview **Synapse Search** is an AI-powered program for aggregating, processing and analyzing data from heterogeneous sources, with relevant answer generation, relevance scoring, classification and fact-checking of search results. It runs entirely within the organization's secure perimeter. ## Generative search in a secure perimeter Synapse Search brings the generative-search experience familiar from services like Perplexity into your organization's closed perimeter. The system aggregates data from provided sources and search results, forms well-grounded answers and automatically scores the relevance of results. It is built on a modular architecture with flexible data-processing configurations and optimization for environments with limited access to external resources. ## Key metrics - **100%** — Data stays within your perimeter - **RAG** — Retrieval-augmented answer generation - **Auto** — Relevance scoring and fact-checking - **0** — Dependency on external resources ## Capabilities - **Answer generation** — Aggregates data from sources and search results and forms a relevant, well-grounded answer to the query. - **Relevance scoring** — Automatic relevance scoring of results and ranking by importance to the user's query. - **Result classification** — Classification of search results by type and topic for easy navigation. - **Fact-checking** — Matching statements against sources to improve the reliability and verifiability of answers. - **Heterogeneous sources** — Aggregation and processing of data from heterogeneous sources: documents, knowledge bases and search results. - **Modular architecture** — Flexible data-processing configurations and optimization for environments with limited access to external resources. > **Built for limited-access environments** > > Synapse Search is optimized for closed perimeters and networks with limited access to external resources — all data stays within the organization. ## Application areas Corporate systems, scientific research, business analytics, legal and financial organizations — wherever data processing is needed under limited access to external resources. ## Pricing | Delivery | What's included | Price | |----------|-----------------|-------| | Plugin for Synapse Hub | Search module within the Synapse Hub platform | from ₽239,000 | | Standalone solution | Independent deployment in the customer's perimeter | from ₽599,000 | ## Requirements - 8 vCPU, 32 GB RAM (minimum) - NVIDIA GPU (recommended — for embeddings and answer generation) - Linux; Docker / Kubernetes - Storage: S3-compatible or local (index and sources) --- # OTAmessage URL: https://rtatex.ru/products/otamessage?lang=en > Corporate communications platform: secure messaging, HD video conferencing and collaboration within a single perimeter. ## Overview **OTAmessage** is an advanced corporate communications platform that combines instant messaging, video conferencing and collaboration in an intelligent ecosystem. ## A single hub for corporate communications Tired of fragmented chats and constant switching between messengers, email and other work tools? OTAmessage is not just a place to talk — it's a full-fledged portal that brings all your communications together in one secure and intelligent space. Focus on what matters while the platform streamlines your workflows. ## Key metrics - **1000** — Participants in a single video conference - **100%** — Data stays within your perimeter - **SSO** — Sign-in via LDAP and OpenID - **24/7** — Communications availability ## Core platform capabilities - **User administration** — Flexible user management with LDAP and OpenID integration. Configure access rights, roles and security policies for different employee groups. - **Separated communication spaces** — Create isolated workspaces for different departments, projects or clients. Full control over your company's information flows. - **Calls & video conferencing** — Run large-scale HD video conferences with up to 1000 participants at once. Stable connection and high video quality thanks to LiveKit integration. > **More than a messenger** > > OTAmessage is a full-fledged ecosystem for the effective work of modern teams, where every feature solves a specific business task. ## Confidentiality Deployment on the organization's servers guarantees that messages, files and call recordings never leave the corporate perimeter. ## Pricing | Item | What's included | Price | |------|-----------------|-------| | Server installation | Deployment in the customer's infrastructure | from ₽5.5M | | Per-user license | Named platform access license | from ₽175,000 | ## Requirements - 8 vCPU, 32 GB RAM (minimum) — application server - Dedicated media node for video conferencing (LiveKit), scales with load - Linux; Docker / Kubernetes - Storage: S3-compatible or local (files and recordings) --- # AI Slider URL: https://rtatex.ru/products/ai-slider?lang=en > Control presentations with gestures and no wearables: an AI camera recognizes gestures to switch slides, zoom and control media. ## Overview **AI Slider** (Slide Navigator) is a system for controlling presentations with gestures, without any wearable devices. Using AI, the camera detects key gestures and lets you adaptively control the show: switch slides, zoom, and start or stop media. ## Natural presentation control A standalone software module for intuitive slide control using hand gestures and movements. AI Slider makes presentations more convenient and natural, letting the speaker switch slides and control the show discreetly, without the audience noticing. At its core: a gesture-recognition algorithm, a preview window showing the active hand and a horizontal response line, and components for starting and stopping the show via peripheral devices. ## Key metrics - **0** — Wearables — just a camera - **AI** — Key-gesture recognition - **Live** — Gesture preview window - **100%** — Standalone software module ## Capabilities - **Gesture recognition** — An AI algorithm recognizes key gestures and hand movements from the camera — no wearables or clickers. - **Slide switching** — Move slides forward and backward with specific gestures, discreetly from the audience. - **Zoom & media control** — Zoom, start and stop media, and control the show via peripheral devices. - **Gesture preview window** — Displays the active hand and a horizontal response line for precise gesture control. ## Where it's used Educational institutions, business environments, conferences and events — wherever convenient, intuitive presentation control is needed. ## Pricing Boxed solution — **₽89,789**. ## Requirements - Camera (web or built-in) - 4 vCPU, 8 GB RAM (minimum) - NVIDIA GPU (recommended for real-time recognition) - Windows or Linux --- # OTAshare URL: https://rtatex.ru/products/otashare?lang=en > Corporate file-sharing: upload via web and CLI, file links, reverse upload, resumable transfers and hash verification — within your perimeter. ## Overview **OTAshare** is a corporate file-sharing service for securely exchanging large volumes of data. Upload files through a convenient web interface or the command line, generate links and share them within the company and with customers and partners. ## Convenient large-file exchange OTAshare lets you upload files and get download links. It supports easy uploads via the web interface and access from the command line using standard Windows and Linux tools (e.g. curl). A **reverse upload** option is available: you create a link through which a customer or partner can upload data to you. Transfers of large volumes stay reliable thanks to resume-on-drop, while metadata and hash viewing lets you verify file integrity. ## Key metrics - **Web + CLI** — Upload via browser and command line - **100%** — Data stays within your perimeter - **TB+** — Exchange of large data volumes - **Resume** — Recovery after a dropped connection ## Capabilities - **Upload & file links** — Upload files through a convenient web interface and generate links for downloading. - **CLI access** — Upload and download from the command line using standard Windows and Linux tools (curl and similar). - **Reverse upload** — Create a link through which a customer or partner can upload data to you. - **Resume on drop** — Transfers resume from the point of interruption — reliable delivery of large data volumes. - **Metadata & hashes** — View file metadata and checksums (hashes) to verify integrity. - **Within your perimeter** — Deployed on the company's infrastructure — data never leaves the corporate perimeter. ## Where it's used Sharing files within the company and transferring large volumes of data to customers and partners through a convenient interface. ## Pricing Boxed solution — **from ₽39,000**. For customization, the price is calculated based on the scope of the work. ## Requirements - 2 vCPU, 8 GB RAM (minimum) - Storage: S3-compatible or local - Linux; Docker / Kubernetes --- # What Are WER and WRR in Speech Recognition Systems URL: https://rtatex.ru/blog/wer-wrr?lang=en Maksim, 2026-04-14 > Key ASR metrics: Word Error Rate (WER) and Word Recognition Rate (WRR). Formulas, worked examples and how to interpret the results. When working with ASR (Automatic Speech Recognition — technology that converts spoken language into text. The standard approach to measuring transcription quality in production systems.) systems, one of the first questions that arises is: "How well does this model perform?" To answer objectively, we need quantitative metrics. The industry standard for evaluating ASR accuracy is **Word Error Rate (WER)**. Let's explore what it is, how to calculate it, and how to interpret the results correctly. ## What Is Word Error Rate (WER)? **Word Error Rate (WER)** is a metric that measures the discrepancy between the text generated by an ASR system (the hypothesis) and the reference transcription verified by a human (the reference). The lower the WER, the more accurate the model. WER is based on the Levenshtein algorithm (Levenshtein distance — the minimum number of single-character edits (insertions, deletions, substitutions) required to transform one string into another. Named after Soviet mathematician Vladimir Levenshtein.), adapted to work with words instead of characters. To calculate WER, three types of errors must be identified: - **Substitutions (S):** Words the system recognized incorrectly. For example, "will" instead of "was". - **Deletions (D):** Words present in the reference transcription but missed by the system. - **Insertions (I):** Extra words the model "invented" that were not in the original audio. ```mermaid flowchart LR %% @title: Error Types in WER Calculation classDef success fill:#e8f5e9,stroke:#81c784,color:#1b5e20,stroke-width:1.5px,rx:6px,ry:6px; classDef danger fill:#fde4e4,stroke:#ef9a9a,color:#b71c1c,stroke-width:1.5px,rx:6px,ry:6px; classDef warning fill:#fff8e1,stroke:#ffcc80,color:#795548,stroke-width:1.5px,rx:6px,ry:6px; classDef info fill:#e1f5fe,stroke:#81d4fa,color:#01579b,stroke-width:1.5px,rx:6px,ry:6px; REF["Reference\n(Ground Truth)"]:::info HYP["Hypothesis\n(ASR Output)"]:::info S["Substitution (S)\nwill → was"]:::warning D["Deletion (D)\nword skipped"]:::danger I["Insertion (I)\nextra word"]:::danger WER["WER = (S + D + I) / N"]:::success REF --> S REF --> D HYP --> S HYP --> I S --> WER D --> WER I --> WER ``` ## Formula and Worked Example The WER formula: $$ \text{WER} = \frac{S + D + I}{N} \times 100\% $$ Where $S$ — substitutions, $D$ — deletions, $I$ — insertions, $N$ — total number of words in the reference transcription. > Because of insertions (I), WER can theoretically exceed 100%. ### Worked Example Let's calculate WER for a specific case: - **Reference:** the weather will be nice today *(N = 6 words)* - **Hypothesis:** the weather was be nice today yes Aligning the words: | Reference | Hypothesis | Result | S | D | I | |-----------|-----------|--------|---|---|---| | the | the | match | 0 | 0 | 0 | | weather | weather | match | 0 | 0 | 0 | | will | was | substitution | 1 | 0 | 0 | | be | be | match | 0 | 0 | 0 | | nice | nice | match | 0 | 0 | 0 | | today | today | match | 0 | 0 | 0 | | — | yes | insertion | 0 | 0 | 1 | Total: $S = 1$, $D = 0$, $I = 1$, $N = 6$ $$ \text{WER} = \frac{1 + 0 + 1}{6} = 0.33 \rightarrow 33\% $$ ## What Is Word Recognition Rate (WRR)? **Word Recognition Rate (WRR)**, sometimes called Word Accuracy, is the "inverse" metric to WER. It indicates the proportion of correctly recognized words. $$ \text{WRR} = 1 - \text{WER} $$ For our example: $\text{WRR} = 1 - 0.33 = 0.67 \rightarrow 67\%$ An alternative formula uses hits ($H$) directly: $$ \text{WRR} = \frac{H - I}{N} $$ For our example: $\text{WRR} = \frac{5 - 1}{6} = 0.67 \rightarrow 67\%$ > Different implementations may yield slightly different results. Always verify which formula is used when comparing models. ## How to Interpret Results? WER evaluation depends heavily on context: audio quality, domain, presence of accents. However, these general benchmarks apply: ```mermaid flowchart TD %% @title: WER Interpretation Scale classDef success fill:#e8f5e9,stroke:#81c784,color:#1b5e20,stroke-width:1.5px,rx:6px,ry:6px; classDef info fill:#e1f5fe,stroke:#81d4fa,color:#01579b,stroke-width:1.5px,rx:6px,ry:6px; classDef warning fill:#fff8e1,stroke:#ffcc80,color:#795548,stroke-width:1.5px,rx:6px,ry:6px; classDef danger fill:#fde4e4,stroke:#ef9a9a,color:#b71c1c,stroke-width:1.5px,rx:6px,ry:6px; classDef accent fill:#f3e5f5,stroke:#ce93d8,color:#4a148c,stroke-width:1.5px,rx:6px,ry:6px; A["0–5% WER\nExcellent\nHuman-level"]:::success B["5–10% WER\nGreat\nProduction-ready"]:::info C["10–20% WER\nAcceptable\nPost-editing needed"]:::warning D["20–30% WER\nFair\nModel needs tuning"]:::accent E["30%+ WER\nPoor\nSignificant improvement needed"]:::danger A --> B --> C --> D --> E ``` - **0–5% WER** — excellent, comparable to human transcription quality. - **5–10% WER** — great quality, text requires almost no corrections. Production-ready. - **10–20% WER** — acceptable quality, some post-editing may be needed. - **20–30% WER** — fair quality, noticeable errors. Model needs tuning. - **30% and above** — poor quality, transcription is hard to use. Significant improvement required. ## Limitations of WER Despite its popularity, WER is not a perfect metric: - **All words are equal.** WER treats replacing "in" with "on" the same as replacing "not" with "now", even though the second error completely changes the meaning. - **No punctuation awareness.** Standard WER ignores punctuation, capitalization and formatting. - **Does not measure readability.** Two texts with identical WER can have vastly different readability. ## Conclusion **WER** and **WRR** are fundamental tools for evaluating ASR system performance. They provide a fast, standardized accuracy assessment, enabling model comparison and training progress tracking. However, a deep analysis requires looking beyond the final number. It's essential to analyze the errors themselves — are substitutions, insertions, or deletions dominant? Which specific words does the model confuse? Answering these questions is key to further improving speech recognition quality.[^1] [^1]: For industrial ASR evaluation, it is recommended to use WER alongside other metrics such as Character Error Rate (CER), Sentence Error Rate (SER) and Match Error Rate (MER), and to test across various acoustic conditions and domains. --- # The Dead Internet Theory: When Paranoia Became Prophecy URL: https://rtatex.ru/blog/dead-internet-theory?lang=en Maksim, 2025-04-01 > The dead internet theory went from fringe conspiracy to measurable technical reality. Here's what it means for enterprise AI systems. ## Where It Started In 2021, an anonymous post appeared on Agora Road's Macintosh Cafe (A small English-language forum dedicated to nostalgia for the early internet and digital culture of the 80s–90s. Founded in 2021.) making an unusual claim: most internet activity is bots, and real humans have long become a minority online. The author called this the "dead internet." At the time, it sounded like conspiracy theory. Today, it sounds like a technical report. ## What the Theory Claims The dead internet theory makes three assertions: 1. **Most content** is generated automatically — for SEO, traffic inflation, and trend manipulation 2. **Most interactions** — likes, comments, shares — are produced by bots 3. **Platform algorithms** deliberately amplify synthetic content because it's predictable and controllable When the theory emerged, evidence was scarce. Now there's plenty. ## What Changed With LLMs Before 2022, generating convincing text required significant effort. GPT-3 existed but was expensive and complex to use. (GPT-3 (2020) had 175B parameters, cost ~$0.02 per 1K tokens, and required API access. ChatGPT (2022) made the same capability free and accessible through a browser.) After ChatGPT, the barrier dropped to zero. | Year | Estimated AI content share on the web | |------|----------------------------------------| | 2019 | < 1% | | 2022 | ~3–5% | | 2024 | 15–20% (Cloudflare estimates) | | 2026 (forecast) | > 50% | This isn't neutral statistics — it's a change in the nature of the medium. ## Three Levels of the Problem ```mermaid flowchart TD %% @title: The Dead Internet Threat Structure classDef brand fill:#05227c,stroke:#4a7de0,color:#e4e4e7,stroke-width:1.5px,rx:6px,ry:6px; classDef warning fill:#fff8e1,stroke:#ffcc80,color:#795548,stroke-width:1.5px,rx:6px,ry:6px; classDef danger fill:#fde4e4,stroke:#ef9a9a,color:#b71c1c,stroke-width:1.5px,rx:6px,ry:6px; classDef accent fill:#f3e5f5,stroke:#ce93d8,color:#4a148c,stroke-width:1.5px,rx:6px,ry:6px; classDef default fill:#eef2fa,stroke:#a8c1e8,color:#1a438a,stroke-width:1.5px,rx:6px,ry:6px; DI(["Dead Internet"]):::brand L1["Level 1\nInformation Noise"]:::warning L2["Level 2\nSocial Engineering"]:::danger L3["Level 3\nTraining Data Poisoning"]:::accent L1 --> E1["AI slop floods\nsearch results"]:::warning L2 --> E2["Bots manufacture\nfalse consensus"]:::danger L3 --> E3["Next LLMs\nlearn from previous ones"]:::accent E3 -->|"Closed loop"| DI DI --> L1 DI --> L2 DI --> L3 ``` ### Level 1: Information Noise Search engines began indexing billions of AI-generated pages created purely for traffic capture. The term «AI slop» ('AI slop' — informal term for low-quality AI-generated content produced purely for traffic or monetization. The text equivalent of spam.) entered common usage precisely for this — content that looks like information but isn't. ### Level 2: Social Engineering Bot farms on social networks can now hold coherent conversations, simulate emotional reactions, and create a false sense of consensus.[^1] Distinguishing a real person from a language model is becoming increasingly difficult. ### Level 3: Training Data Poisoning Most troubling: the next generation of language models trains on an internet that already contains content from previous generations. The circle closes. > "We risk creating an echo chamber where AI learns from AI, progressively drifting further from reality." ## Why This Matters for Enterprise AI If your system makes decisions based on data from open sources — news, industry publications, forums — you're already operating on a partially synthetic reality. > **Concrete consequences** > > - **Analytics systems** produce a distorted picture of the market > - **RAG pipelines** built on external sources degrade over time > - **Sentiment models** react to opinions that don't exist The solution isn't paranoia — it's **information hygiene**: prioritize internal data, verify sources, isolate training corpora. ## Our Perspective We build AI systems that operate on closed, verified enterprise data. Not because we fear the internet — but because proprietary data is always more accurate, current, and reliable than any open source. The dead internet isn't a reason to panic. It's an argument that **a company's own data is a strategic asset**.[^2] ## Conclusion The dead internet theory started as conspiracy. Today it describes a measurable technical reality. The question isn't whether this is happening — it's how you adapt your information systems to an environment where synthetic content has become the norm. [^1]: According to Stanford Internet Observatory research (2023), in several political campaigns on Twitter/X, up to 80% of "supportive" comments were generated by coordinated bot networks with LLM backends. [^2]: Gartner forecasts that by 2027, companies with verified proprietary data corpora will demonstrate 35–40% higher accuracy in enterprise AI systems compared to companies relying on public sources. --- # The AI Effect: Why We Always Devalue What AI Has Already Mastered URL: https://rtatex.ru/blog/ai-effect?lang=en Igor, 2025-03-20 > The AI Effect is a cognitive phenomenon where every achievement of artificial intelligence stops being considered intelligence the moment it's solved. ## A Paradox Seventy Years Old In the 1950s, researchers were convinced that once a computer learned to play chess, it would prove the existence of machine intelligence. In 1997, Deep Blue (IBM chess supercomputer. Defeated world champion Garry Kasparov in a 6-game match, becoming the first machine to beat a reigning world champion under standard tournament conditions.) defeated Kasparov. The reaction was deflating: "That's not intelligence. It's just brute-force search." Welcome to the AI Effect — a phenomenon first described by John McCarthy (American computer scientist, one of the founders of AI as a scientific discipline. Coined the term 'artificial intelligence' in 1956 at the Dartmouth Conference.): **as soon as AI learns to do something, that thing stops counting as intelligence**. ## The Mechanics of the Shift Pamela McCorduck put it most precisely: > "It's a strange thing — as soon as AI solves a problem, people say: 'Well, that's just computation. Real intelligence is something else entirely.'" The pattern repeats with striking regularity: | Task | When it seemed like "real intelligence" | Reaction after it was solved | |------|-----------------------------------------|------------------------------| | Playing chess | Before 1997 | "Just brute force" | | Image recognition | Before 2012 | "Just statistics" | | Language translation | Before 2016 | "Just pattern matching" | | Writing code | Before 2021 | "Just autocomplete" | | Generating images | Before 2022 | "No understanding" | | Medical diagnosis | Before 2024 | "No empathy" | Each time, the bar for "real intelligence" rises by exactly one step forward. ## Why This Happens There are several competing explanations. **Version 1: The definition is tautological.** Intelligence is whatever machines can't yet do. Once they can — it's no longer intelligence. The definition moves with the horizon. **Version 2: Deflation through understanding. (When we understand how a system works internally, we find it psychologically hard to attribute 'genuine' intelligence to it. Also called the 'deflation through comprehension' effect.)** When we see the mechanism (neural network weights, search tree traversal), comprehensibility kills the magic. **Version 3: Threat to uniqueness.** Humans need to believe their intelligence is irreplaceable. Every AI achievement is an existential challenge — easier to deny than accept. ## Practical Consequences for Business The AI Effect isn't just a philosophical puzzle. It has direct operational consequences. **Undervaluing mature technologies.** Companies delay adopting solutions that already work because they perceive them as "mere automation" rather than "real AI." While competitors automate, they wait for AGI (Artificial General Intelligence — a hypothetical AI with human-level general intelligence. Timeline estimates range from 5 to 50+ years depending on the researcher.). **Inflated expectations about the future.** Focus always falls on the next milestone. The real value from existing tools goes unrecognized. **Disappointment cycles.** A technology is adopted with inflated expectations, delivers real but modest results, and the conclusion drawn is "AI doesn't work" — even though the tool simply solved a specific problem. ```mermaid flowchart TD %% @title: The AI Effect Cycle in Corporate Contexts classDef warning fill:#fff8e1,stroke:#ffcc80,color:#795548,stroke-width:1.5px,rx:6px,ry:6px; classDef info fill:#e1f5fe,stroke:#81d4fa,color:#01579b,stroke-width:1.5px,rx:6px,ry:6px; classDef success fill:#e8f5e9,stroke:#81c784,color:#1b5e20,stroke-width:1.5px,rx:6px,ry:6px; classDef danger fill:#fde4e4,stroke:#ef9a9a,color:#b71c1c,stroke-width:1.5px,rx:6px,ry:6px; classDef accent fill:#f3e5f5,stroke:#ce93d8,color:#4a148c,stroke-width:1.5px,rx:6px,ry:6px; A(["Hype\n'AI will revolutionize the industry'"]):::warning B["Adoption with\ninflated expectations"]:::info C["Task solved\n'it's just automation'"]:::success D(["Disappointment\n→ underinvestment"]):::danger E(["Competitors\npulled ahead"]):::accent F(["Pragmatic player\ncontinues adoption"]):::success A --> B --> C --> D --> E C --> F F --> F ``` ## How to Work With This Effect **Evaluate by outcome, not mechanism.** It doesn't matter whether a model "understands" text in a philosophical sense. What matters: does it reduce document processing time by 70%? Does it reduce error rates?[^1] **Don't wait for "real" AI.** It doesn't exist as a fixed point — only as a moving horizon. Value is created by tools that work today. **Call things what they are.** "Automated application processing using a language model" sounds less exciting than "AI revolution" — but that precise description helps set realistic goals and measure real ROI (Return on Investment. Basic metric for evaluating project effectiveness: (profit − cost) / cost × 100%. The only metric that matters for AI adoption decisions.). ## Conclusion The AI Effect is a cognitive trap that simultaneously devalues past achievements and inflates expectations for future ones. The only way out: evaluate AI systems by concrete business value, not by conformity to a philosophical ideal of intelligence. > The most effective AI implementations are those people say a year later: "Well, that's just automation." That means it works. [^1]: According to McKinsey Global Institute (2024), companies that evaluate AI projects through measurable KPIs are 2.4× more likely to achieve planned ROI targets than companies relying on qualitative assessments of system "smartness." --- # Model Collapse: What Happens When AI Learns From AI URL: https://rtatex.ru/blog/model-collapse?lang=en Dmitry, 2025-03-10 > Models trained on AI-generated data degrade — losing rare knowledge, amplifying errors, drifting from reality. We break down the mechanics and consequences. ## A Photocopier Copying a Photocopy Imagine you photocopy a document. Then copy the copy. Then copy the copy of the copy. After twenty iterations, the text is still legible, but images have turned to grey blobs, fine details have vanished, and artifacts have compounded. This is exactly what happens to language models trained on data generated by other language models. Researchers call it **model collapse**.[^1] ## The Mechanics of Degradation In 2023, a group of researchers from Oxford published a paper with a simple but troubling conclusion: sequential training on AI-generated content systematically destroys models. Degradation occurs in two stages: **Early collapse (First stage of collapse: rare but real events are washed out of the training distribution. The model 'forgets' edge cases and atypical examples.)** — the model begins ignoring rare, atypical data. Unlikely but real events are "washed out" of the distribution. The model becomes more "average." **Late collapse (Final stage: the model generates nearly identical content for different prompts. Output diversity approaches zero.)** — diversity of outputs drops sharply. In extreme cases, it produces the same response to different questions. ```mermaid flowchart LR %% @caption: Knowledge distribution degradation across AI training generations classDef success fill:#e8f5e9,stroke:#81c784,color:#1b5e20,stroke-width:1.5px,rx:6px,ry:6px; classDef warning fill:#fff8e1,stroke:#ffcc80,color:#795548,stroke-width:1.5px,rx:6px,ry:6px; classDef danger fill:#fde4e4,stroke:#ef9a9a,color:#b71c1c,stroke-width:1.5px,rx:6px,ry:6px; subgraph G0["Generation 0 — human data"] direction TB C0["Common knowledge 70%"]:::success S0["Specialized 20%"]:::success R0["Rare edge cases 10%"]:::success end subgraph G5["Generation 5"] direction TB C5["Common knowledge 92%"]:::warning S5["Specialized 7%"]:::warning R5["Rare edge cases 1%"]:::warning end subgraph G10["Generation 10"] direction TB C10["Common knowledge 99%"]:::danger S10["Specialized ~0.9%"]:::danger R10["Rare edge cases ~0.1%"]:::danger end G0 -->|"Training on AI-generated data"| G5 G5 -->|"Training on AI-generated data"| G10 style G0 fill:#f0fdf4,stroke:#16a34a,color:#14532d style G5 fill:#fef9c3,stroke:#ca8a04,color:#713f12 style G10 fill:#fee2e2,stroke:#dc2626,color:#7f1d1d ``` ## The Scale of the Problem The internet is the primary source of training data for large language models. By various estimates, by 2026 more than half of all public text content will have been created or significantly reworked with AI assistance. | Problem | Consequence | |---------|-------------| | Erosion of rare knowledge | Reduced reliability in non-standard situations | | Error amplification | Artifacts from previous models become entrenched | | Loss of diversity | Homogenization of language and style across the internet | | Accumulated bias | Systematic errors compound with each generation | ## Why Rare Data Matters Most The paradox is that "rare" data is often the most valuable.[^2] Diagnosis of critical medical conditions is rare — but the quality of that knowledge determines whether a patient lives. Unusual legal cases are rare — but they demand the greatest precision. Information security incidents are rare — but the cost of a mistake is catastrophic. A model that knows the "average" well and the "edges" poorly has an unacceptable risk profile for critical applications. ## What This Means for Enterprise AI > **Key insight** > > A company's proprietary data is not contaminated by AI generation. This makes it more valuable every year — as open internet sources continue to degrade. **Proprietary data is protection against collapse.** Internal data — documentation, operational records, historical cases — is a "clean" distribution of real events, including rare and non-standard ones. **Synthetic data (Generating additional training examples via transformations or synthesis. Useful for class balancing, but should never replace real data as the foundation of a training corpus.) requires caution.** Synthetics are useful for augmentation — but shouldn't form the foundation of a corpus. **Data versioning (The practice of storing and tracking versions of training datasets with metadata about origin, collection date, and composition. The git equivalent for data.) matters more than code versioning.** If you don't know what percentage of your training data was created or reworked by AI systems — you don't control model quality. ## Potential Solutions ```mermaid flowchart TD %% @title: Strategies for Protecting Against Model Collapse classDef danger fill:#fde4e4,stroke:#ef9a9a,color:#b71c1c,stroke-width:1.5px,rx:6px,ry:6px; classDef info fill:#e1f5fe,stroke:#81d4fa,color:#01579b,stroke-width:1.5px,rx:6px,ry:6px; classDef accent fill:#f3e5f5,stroke:#ce93d8,color:#4a148c,stroke-width:1.5px,rx:6px,ry:6px; classDef success fill:#e8f5e9,stroke:#81c784,color:#1b5e20,stroke-width:1.5px,rx:6px,ry:6px; Problem(["Model Collapse"]):::danger W["Watermarking\nEmbed markers in AI content"]:::info H["Human data\nCollect verified text"]:::info F["Selective fine-tuning\nFine-tune on closed data"]:::accent W -->|"Requires industry standard"| OK["Filter AI content"]:::success H -->|"Archive digitization, partnerships"| OK2["Clean training corpus"]:::success F -->|"Our approach"| OK3["Specialized model\non client data"]:::success Problem --> W Problem --> H Problem --> F ``` ## Conclusion Model collapse isn't a hypothetical threat. It's a mathematically predictable consequence of training on AI-generated data. The internet as a source of training corpora is degrading faster than we can fully grasp. For companies, this means one thing: **proprietary data isn't just an asset — it's a survival condition in the AI era**. Organizations that accumulate, structure, and protect their data today will, in a few years, own something that can't be purchased from OpenAI or anyone else. [^1]: Shumailov I. et al. "The Curse of Recursion: Training on Generated Data Makes Models Forget" (2023). Oxford University and co-authors demonstrated that after just a few generations of recursive training, models lose the tails of their distribution and degrade toward the "average." [^2]: This is known in statistics as the "tyranny of the majority": systems optimized for the median systematically fail at the tails of the distribution — precisely where the cost of error is highest.