Кейсы / Лига Ставок — Разработали агентную ИИ-платформу и автоматизировали 20% задач QA и трейдинга Лиги Ставок

Разработали агентную ИИ-платформу и автоматизировали 20% задач QA и трейдинга Лиги Ставок

Контекст

В Лиге Ставок работают более 100 QA- и SRE-инженеров, а также команды поддержки и трейдинга. Их повседневная работа включает повторяющиеся задачи: анализ требований, подготовку тест-кейсов, первичный разбор инцидентов, поиск похожих кейсов в Jira и Confluence, обработку типовых заявок в HelpDesk.

До запуска проекта внутри компании проводились экспериментальные тесты с LLM в формате «запрос — ответ». Эти эксперименты показали ограничения: нестабильные результаты, галлюцинации при работе с большими и слабо структурированными документами, а также сложность безопасного внедрения в промышленную эксплуатацию.

Проект изначально был спроектирован не как чат-ассистент, а как набор специализированных ИИ-агентов, встроенных в реальные процессы QA, SRE и трейдинга.

Задача

Снизить объем ручной и рутинной работы, при этом обеспечив:

воспроизводимость и проверяемость результатов;
интеграцию с корпоративными системами;
контроль над уровнем автономности агентов и распределением ответственности.

Ключевым подходом стало разложение процессов на атомарные операции и определение сценариев: где возможна полная автоматизация, где нужен полуавтомат с подтверждением человека, а где ИИ ограничивается предоставлением контекста и навигацией по знаниям.

Столкнулись с похожей задачей? Поможем решить.

Трудности

Большой объем корпоративных артефактов (ТЗ, сценарии, инциденты, база знаний), с которыми сложно работать вручную и которые нельзя целиком передавать в LLM без предварительной подготовки и структурирования.
Необходимость встроить ИИ в реальные процессы QA, SRE и трейдинга, обеспечив воспроизводимость результата, проверяемость, интеграцию с корпоративными системами и контроль уровня автономности.
Требование разделить, какие задачи выполняет ИИ, а какие – backend по строгим правилам, чтобы система работала предсказуемо и без неконтролируемых решений.
Безопасная интеграция ИИ-агентов с корпоративными системами, включая структурированный поиск по знаниям и автоматическую передачу результатов через API, чтобы исключить ошибки, неконсистентность данных и сохранить контроль над процессами.

Результаты

Подключили аналитиков и экспертов, чтобы корректно описать требования и процессы, и обеспечить точную автоматизацию с интеграцией в корпоративные системы, включая поиск по знаниям и передачу результатов через API;
Разработали архитектуру ИИ-платформы с модульной структурой и единым контуром интеграций, чтобы обеспечить быстрое создание и подключение новых ИИ-агентов под различные бизнес-процессы без переработки базовой логики решения;
Разработали с нуля QA-агента как самостоятельное ИИ-решение для автоматизации аналитических процессов тестирования и интегрировали его в витрину агентов, обеспечив удобный доступ и взаимодействие с другими специализированными ИИ-агентами, при этом архитектура платформы позволяет подключать новых ИИ-агентов под новые процессы, тиражируя подход и масштабируя автоматизацию внутри компании;
Применили метод «арены агентов» на основе MoE, где несколько моделей с разными настройками одновременно анализируют одну задачу, а модель-арбитр агрегирует результаты, чтобы повысить полноту покрытия, исключить дубликаты и сформировать более качественные итоговые сценарии;
Организовали полный цикл работы с тестовыми артефактами через связку QA-агента, backend и LLM, чтобы автоматизировать интеграцию контента из Confluence, выгрузку тест-кейсов в TestOps, review ТЗ, формирование структуры тест-плана и генерацию атомарных тест-кейсов с возможностью интерактивного редактирования и повышения их консистентности;
Разработали BetChek-агента для трейдинга, чтобы автоматизировать обработку простых запросов по ставкам и подготовку сложных для ручного разбора, что позволило разгрузить команду поддержки, ускорить обработку заявок и повысить точность ответов пользователям;
Обучили агентов с использованием RAG-подхода на корпоративных данных, чтобы обеспечить релевантность рекомендаций и корректность аналитических выводов в рамках конкретных бизнес-процессов компании;
Разработали веб-панель, объединяющую всех ИИ-агентов в витрину, чтобы обеспечить удобный доступ через интерфейс чат-ботов, упростить взаимодействие пользователей с системой и ускорить принятие решений;
Получили ускорение аналитических процессов QA и автоматизировали до 20% операций в службе поддержки, что позволило командам сосредоточиться на более сложных задачах и повысить общую эффективность бизнеса.