Мовна модель пише вільно і часом помиляється впевнено. У чаті це коштує однієї поганої відповіді. В агенті з пам’яттю — більше: агент зберігає помилку, міркує з неї й завтра повторює. Пошук не може сказати, яка з двох суперечливих нотаток правильна, а друга модель у ролі судді лише передбачає правдоподібний вердикт. Ліки не нові. До глибокого навчання експертні системи, як-от MYCIN і XCON, тримали знання у вигляді правил, застосовували їх щоразу однаково й відповідали на «чому?» і «як?». Підвело їх одне: внесення знань, бо кожне правило вводили вручну. Саме це LLM уміють дуже добре. Нейросимвольний ШІ знову з’єднує дві половини. Доповідь проходить цей шлях на одному наскрізному прикладі: асистент, чия LLM «пам’ятає» зустріч у Берліні, тоді як у календарі та сама людина в цю годину в Лісабоні. Ми розберемо дедукцію, індукцію й абдукцію і те, чому LLM сильні саме в останній; міркування над графом знань із Prolog і Datalog; і те, чому логічне програмування вищого порядку (λProlog) добре пасує агентам: типи, що відкидають некоректний вивід LLM, відношення як значення, локальні припущення «а що як», правила про правила й доведення, які перевіряє мале ядро. Наприкінці — робочий агент, чия LLM пише λProlog за шістьма вартовими, і чесні цифри про те, що логічний шар ловить, а чого не може. Для інженерів ШІ та агентів, які знають Python і LLM. Знань логіки чи математики не потрібно.

Впровадження ШІ у державний сервіс на 23+ млн користувачів — це шлях постійних продуктових відкриттів та викликів. У цій доповіді я поділюся реальним досвідом того, як екосистема «Дія» переходить від класичної Цифрової держави (де юзер сам шукає потрібні послуги) до Агентної (де ШІ проактивно виконує намір користувача). Про що поговоримо: - Product Discovery та зміна парадигми: Перехід від Digital State до Agentic State. Чому звичні інтерфейси досягли своєї межі, та як ми валідували потребу в проактивних AI-рішеннях. - AI у Підтримці як перший великий крок: Як ми автоматизували 90% звернень без втрати якості (CSAT). М'який AI UX: чому люди не вміють користуватися промптами і як ми допомагаємо їм гібридними інтерфейсами. - Кейс Upskill та трансформація команди: Ми не звільнили жодного оператора. Як ми створили внутрішні AI-тули для команди, а вчорашні оператори стали AI-тренерами. - Deep Dive у Дія.AI на Порталі: Запуск першої у світі агентивної послуги на державному рівні. Як працює наша RAG-архітектура, як ми захищаємо персональні дані (PII) від потрапляння в LLM та відбиваємо спроби джейлбрейків.

Під час виступу ми розберемо чому простого RAG уже недостатньо для організації з різними джерелами даних і як еволюціонують сучасні AI-системи: від класичного RAG до Deep Search, гібридного пошуку та Knowledge Graph як шару корпоративної пам’яті. Подивимось як поєднати неструктуровані документи, табличні дані, бази даних, внутрішні wiki, чати й бізнес-сутності в єдину систему, де AI знаходить релевантні джерела, будує маршрут пошуку, пояснює зв’язки між фактами та видає більш точні й перевірювані відповіді.

Дослідимо ключові виклики розробки RAG-систем для української мови. Обговоримо методи оцінки таких систем у конкретних доменних областях, як-от консультування з державних послуг, та розкриємо практичні аспекти та граблі, що виникають під час їх впровадження.