В материале японского издания WEEL разбирают другую часть задачи: что подготовить, чтобы AI надёжно работал с данными компании. Это не инструкция по настройке генерации картинок. Но если вы собираете поиск по ассетам, брендбуку и сценариям, схема может пригодиться.
Что такое AI-инфраструктура и почему важны данные
WEEL называет AI-инфраструктурой техническую основу для сбора, хранения, обработки и передачи данных генеративному ИИ и системам машинного обучения. Если проще, это путь от разрозненных файлов до информации, которую модель получает в подходящий момент и в нужном виде.
В переводе из материала WEEL: AI-инфраструктура — это техническая основа для сбора, хранения, обработки, предоставления данных и управления ими.
Инфраструктуру легко спутать с foundation model. GPT и Claude — сами модели, условные «мозги». А инфраструктура — всё вокруг: откуда берутся данные, кто их подготовил, кому открыт доступ и как информация попадает в модель.
Разница хорошо видна на примере RAG — схемы, в которой модель перед ответом ищет сведения во внешних документах. Если файл устарел, в нём ошибка или он не попал в индекс, точного ответа не получится. Сильная модель плохой источник не исправит.
Пять слоёв и пять этапов ниже — схема WEEL, а не обязательный отраслевой стандарт. Я бы использовал её как чек-лист: так проект не сведётся к выбору модели и эффектной демке.
Пять слоёв: от файлов до ответа модели
Первый слой — сбор. Данные поступают из рабочих систем, внешних API и других источников. Их можно загружать по расписанию или получать почти сразу после появления. Если подключить только один удобный источник, позже схему, возможно, придётся переделывать.
Второй слой — хранение. WEEL различает data lake и DWH. В lake складывают данные разных форматов, например изображения и тексты. DWH — хранилище структурированных данных для анализа. В работе творческой команды это могут быть отдельные места для исходников, описаний ассетов и сводных таблиц.
Третий слой — обработка. ETL сначала преобразует данные, а затем загружает их в хранилище. ELT работает в обратном порядке: сначала загрузка, потом преобразование. Здесь исправляют пропуски, дубли и разное написание. Если у персонажа три имени в каталоге, поиск может не связать все материалы с одним героем.
Четвёртый слой — выдача. Подготовленные данные передают модели или другому инструменту. Для быстрого ответа используют API, для регулярного отчёта — пакетную обработку. В RAG документы могут проходить через векторную базу, которая помогает находить материалы по смыслу.
Пятый слой — управление данными, или governance. Здесь задают права доступа, правила качества и каталог: что хранится, кто отвечает за источник и кому разрешено им пользоваться. Для личных материалов и брендбука это вполне практичный способ не передать модели лишнее.
Как собрать AI-инфраструктуру без стройки на весь этаж
WEEL предлагает пять шагов. Я бы воспринимал их как порядок проверок, а не как единственный способ построить инфраструктуру.
Сначала сформулируйте задачу и критерий результата. Вместо «хотим внедрить AI» лучше определить конкретную цель: например, находить нужные ассеты в архиве или готовить ответы по внутренним инструкциям. WEEL приводит пример измеримой цели — сократить время обработки запросов вдвое. Это пример, а не заявленный результат внедрения.
Затем разберитесь, где лежат материалы, в каких они форматах и как часто обновляются. Заодно выясните, кто за них отвечает. После этого можно выбрать архитектуру и сервисы, ограничить тестовый сценарий и провести PoC — проверить идею на небольшой выборке. Расширять решение стоит уже по результатам проверки.
В PoC мало получить одну красивую выдачу. Проверьте, находит ли система нужные документы и использует ли свежие версии. Посмотрите, сколько ручной возни осталось, и прикиньте стоимость поддержки. Если тест прошёл, но никто не отвечает за обновление данных, до стабильного инструмента ещё далеко.
Для небольшой студии всё это можно начать с одной повторяющейся задачи или одного архива. Приведите файлы к понятной структуре, настройте доступ и проверьте поиск на настоящих запросах команды. Это моя рекомендация по мотивам гайда, не готовая схема для креаторов от WEEL.
Облако или локальный контур: что проверить до выбора
WEEL сравнивает четыре критерия: облако или собственная инфраструктура, безопасность, расширение и поддержка после запуска. В облаке не нужно самому заботиться о серверах, а ресурсы проще наращивать. Собственный контур может подойти при строгих требованиях к размещению данных. Но поддерживать его тоже кому-то придётся.
Есть риск привязаться к поставщику. Если решение глубоко зависит от его форматов и инструментов, переезд может обойтись дорого. До выбора стоит выяснить, получится ли выгрузить данные и насколько сложно заменить отдельные компоненты.
В статье WEEL перечислены Snowflake, Google BigQuery, Amazon Redshift и Databricks. У сервисов разные специализации и модели оплаты: стоимость зависит от использования или выделенных ресурсов. Конкретных сумм в материале нет, поэтому бюджет придётся считать для своего сценария. Формулировка «оплата по потреблению» ещё не говорит, каким будет итоговый счёт.
Есть и более закрытые варианты. Web担当者Forum сообщил, что Sakura Internet начала предлагать Sakura no AI Engine Private Edition 8 октября 2026 года. Это выделенная среда для размещения моделей компании с доступом через API; инфраструктурой управляет поставщик. Цена указана как ежемесячная оплата за GPU, но точной суммы в публикации нет. Это японский пример — его доступность нельзя автоматически переносить на российский рынок.
Что можно забрать креатору уже сейчас
Если вы собираете поиск по референсам, персонажам или брендбуку, начните с файлов, а не с выбора LLM. Проверьте, актуальны ли они, как названы и кому доступны. Потом возьмите один сценарий и протестируйте его на настоящих запросах.
Если строите локальный генератор промптов, разделите задачу на ту, где нужны чёткие правила, и ту, где нужно понимание языка. Категории, шаблоны и запасное поведение при сбое модели можно держать в коде. Модели оставить перевод и переформулирование — там, где важно понять намерение.
Гайд WEEL помогает взглянуть на путь данных, а заметка креатора — на границы автоматизации. Когда вокруг модели есть понятные правила, с ней проще работать. Иногда для этого нужна система хранения и доступа, иногда хватит пары аккуратных Python-скриптов.
Источники
さくらインターネットが企業専用の生成AI基盤「さくらのAI Engine プライベートエディション」提供
Источникweel.co.jp
