Бурсов А. И. - все статьи автора в журнале
-
2026 № 6 Процесс создания агента на базе искусственного интеллекта для решения задач управленческой офтальмологии.
Цифровизация здравоохранения и рост рынка агентного искусственного интеллекта обостряют потребность в автоматизации конкурентной разведки, особенно в высококонкурентных сегментах частной медицины, таких как офтальмология, где коммерческий результат напрямую зависит от ценовой политики, спектра услуг и репутации на цифровых площадках.
На этом фоне традиционный ручной мониторинг сайтов и прайс-листов конкурентов оказывается трудозатратным, нерегулярным и плохо масштабируемым, что обосновывает необходимость создания специализированного ИИ-агента для поддержания управленческих решений.
Цель исследования: разработка и описание архитектурных подходов к созданию ИИ-агента конкурентного мониторинга для офтальмологической клиники, включающих методологию сбора и анализа данных о конкурентах, выбор технологического стека и способы интеграции агента в управленческие процессы медицинской организации.
Материалы и методы. Исследование выполнено в формате методологической разработки программного решения с использованием официальных веб-сайтов офтальмологических клиник в пределах МКАД, отобранных по данным
Яндекс.Карт и 2ГИС при наличии актуальной карточки организации и функционирующего сайта. Реализация базировалась на языке Python 3, фреймворке LangChain для построения агентных конвейеров и RAG-подхода, библиотеках requests и BeautifulSoup для веб-краулинга, pandas и SQLAlchemy для табличной обработки и работы с базами данных (SQLite3 и MariaDB), векторизации текстов моделью paraphrase-multilingual и локальном развёртывании LLM (Qwen 2.5 и Llama 3.1) через Ollama; сбор данных осуществлялся собственным веб-краулером с обновлением базы дважды в месяц.
Результаты. Разработан ИИ-агент, реализующий полный цикл конкурентного мониторинга: плановый обход сайтов клиник, извлечение и структурированное хранение текстового контента, семантический поиск по запросам управленческого персонала и формирование ответов в виде сравнительных таблиц. Агента успешно использовали для ценового мониторинга ключевых офтальмологических услуг, анализа спектра процедур и подготовки сводных отчётов; тестирование показало стабильную воспроизводимость результатов и отсутствие фактических ошибок за счёт RAG-архитектуры, при этом время выполнения типового запроса сократилось примерно с 2 часов ручной работы до менее чем 12 минут (до 1,5–2 минут при использовании облачных моделей), что обеспечивает многократную экономию трудозатрат и формирует заметный экономический эффект.
Выводы. ИИ-агент на основе локально развёрнутых языковых моделей и RAG-подхода продемонстрировал практическую применимость для задач конкурентного мониторинга в частной офтальмологии, обеспечивая достоверный, воспроизводимый и экономически эффективный инструмент поддержки управленческих решений. Предложенный методологический фреймворк, включающий векторную базу данных, многоуровневую фильтрацию запросов и отказ от внешних облачных сервисов, может быть адаптирован для медицинских организаций и других профилей при учёте доменной специфики, а дальнейшее развитие решения связано с расширением аналитических модулей и автоматизацией регулярной отчётности для руководства.