Verizon Connect, глобальный провайдер решений для управления автопарками, столкнулся с типичной для больших данных проблемой: 1,2 млн активных подписок на транспортные средства генерировали более 500 млн точек данных ежедневно по 80 000 уникальным показателям. Ручной анализ фрагментированных бумажных журналов и реактивных таблиц не позволял менеджерам вовремя выявлять проблемы безопасности, потребности в обслуживании или операционные неэффективности.
Компания выбрала агентный ИИ — подход, при котором система не просто выполняет заданный алгоритм, а динамически исследует новые паттерны, задаёт уточняющие вопросы и адаптирует анализ по мере получения данных. Это принципиально отличается от статических дашбордов или правил, которые ловят только заранее известные сценарии. Вместо того чтобы просить языковую модель «найти иголку в стоге сена», архитектура разделила вычислительно тяжёлую работу и этап рассуждений.
На первом этапе серверная статистическая модель на базе AWS Step Functions и AWS Lambda выявляет аномалии в структурированных данных — определяет, где произошло отклонение. Это позволяет избежать типичных ошибок LLM при работе с большими таблицами и числовыми данными. Затем подключаются ИИ-агенты, построенные с помощью открытого SDK Strands Agents. Каждый агент запускается в отдельном экземпляре Lambda, что позволяет горизонтально масштабировать систему под любую нагрузку.
Агентный ИИ динамически исследует аномалии, а не следует жёстким правилам, как классические дашборды.
Агент использует два этапа генерации инсайтов. На первом он собирает из базы данных аномалий информацию о том, что произошло, и обращается к сырым данным за контекстом — почему это могло случиться. На втором этапе LLM синтезирует эти сведения в связное объяснение. Результат сохраняется и затем отображается в платформе Reveal. Система не хранит состояние между сессиями — контекст каждый раз собирается заново, что упрощает отказоустойчивость.
Внедрение позволило Verizon Connect снять бремя ручного анализа с менеджеров автопарков: теперь система ежедневно формирует до 100 000 персонализированных наборов инсайтов. Технически решение отличается от традиционных BI-инструментов тем, что не только подсвечивает аномалии, но и объясняет их возможные причины, а также предлагает корректирующие действия. Для fleet-операторов это означает переход от реактивного управления к проактивному: проблемы выявляются до того, как они приведут к серьёзным потерям.
