Перейти к содержанию
Публикация AiManual

AWS Forward Deployed Engineering: как перевести AI из демо в продакшен за 45-дневные спринты

Инженеры AWS встраиваются в команды заказчиков и за 45-дневные спринты доводят один приоритетный AI-воркфлоу до продакшена в аккаунте клиента. Разбираем три сло

Коротко

Что будет в материале

  1. 01

    Что такое AWS Forward Deployed Engineering и зачем она появилась

  2. 02

    Три слоя проблем на пути от прототипа к продакшену

  3. 03

    Как устроена работа команды FDE: люди, методология AI-DLC и стек

  4. 04

    Кейсы: что получилось за 45 дней и за пару месяцев

AWS Forward Deployed Engineering (FDE): инженеры AWS встраиваются в команды заказчиков и за 45-дневные спринты доводят приоритетные AI-воркфлоу из демо до продакшена в аккаунте клиента. Программа стартовала в июне и работает в 15 странах: США, Мексика, Бразилия, Канада, Австралия, Сингапур, Индия, Южная Корея, Япония, Великобритания, Германия, Нидерланды, Франция, Швеция и Саудовская Аравия. Заказчики - коммерческие компании и государственный сектор (AWS Machine Learning Blog).

Критерий успеха AWS формулирует непривычно для поставщиков, которые продают AI-проекты: важен не факт запуска пилота, а то, что остаётся после ухода инженеров. А именно: фундамент, которым владеет команда клиента, workflow, которые продолжают учиться на новых данных, и governance, которому можно доверять. Это прямой ответ на типичную претензию к корпоративным AI-проектам: демо впечатлило, бюджет освоен, в продакшене ничего не изменилось.

Отрасли, в которых программа уже применялась: финансовые услуги, здравоохранение, спорт, медиа, ритейл и другие. Механика опирается на десятки встроенных production-ready акселераторов, то есть готовых строительных блоков под типовые задачи.

Что такое AWS Forward Deployed Engineering и зачем она появилась

Формат выглядит так: небольшая команда AWS (инженеры, учёные, продакт-менеджеры) работает вместе с инженерами заказчика над одним приоритетным сценарием. Спринт длится 45 дней. Цель спринта - работающий workflow в продакшен-аккаунте клиента, а не презентация с оценкой потенциала.

Второй элемент механики - передача управления. После спринта у заказчика остаются три вещи: фундамент, то есть общие компоненты, на которых можно строить следующие сценарии, сами workflow и governance, встроенный в архитектуру. Следующий use case стартует с этих наработок, а не с чистого листа. Год запуска программы в публичном объявлении AWS не указан, поэтому актуальный статус по конкретной стране стоит уточнять отдельно.

Чем FDE отличается от обычного интегратора или консалтинга

Акцент на трёх вещах. Первое: результат измеряется запущенным в продакшен workflow, а не отчётом и не дорожной картой. Второе: работа идёт в аккаунте заказчика, поэтому код, инфраструктура и данные остаются у него. Третье: команда строит повторяемый фундамент, чтобы каждый следующий агент подключался к общей системе, а не обрастал собственными интеграциями.

Конкуренция в этом сегменте плотная: инженеров к заказчикам направляют и модельные провайдеры, и облачные провайдеры, и консалтинговые фирмы. AWS в своём объявлении не сравнивает результаты такого формата у разных поставщиков, поэтому оценивать имеет смысл по собственным критериям: кто остаётся владельцем решения, что происходит при втором сценарии и сколько стоит его запуск.

Три слоя проблем на пути от прототипа к продакшену

AWS описывает путь от прототипа к продакшену как три слоя проблем, и каждый следующий опирается на предыдущий (публикация AWS). Порядок важен: начинать со workflow, у которого нет фундамента, значит оплачивать переделку в следующем спринте.

Узкие места редко связаны с моделью. Production-данные грязнее тестового набора, аудиторы требуют объяснить каждое решение агента, нагрузка растёт с пилотной группы на всю компанию, а самые важные правила живут в головах сотрудников. Это бизнес-проблемы, и решаются они организационно и архитектурно.

Слой 1. Фундамент: идентичность, безопасность, контекст и онтология данных

Фундамент включает идентичность, безопасность, контекст, governance и операционные контроли. Требование AWS: он должен быть готов к продакшену с первого дня и общим для всех последующих use case.

Самый частый пробел - контекст. Данные разбросаны по системам, а общей онтологии, разделяемой модели того, как устроен бизнес, нет. Без неё агент видит отдельные таблицы, но не понимает связи между клиентом, договором, платежом и продуктовой линейкой.

Экономика простая: без общего фундамента второй пилот стоит почти столько же, сколько первый. Интеграции пересобираются, уроки не переносятся. Момент, когда организация останавливается и сначала строит фундамент, AWS называет AI reset.

Слой 2. Workflow: автоматизация процессов и извлечение неявных бизнес-правил

Автоматизация процесса упирается не в качество модели, а в правила, которые нигде не записаны. Кто согласует исключение, при каком пороге заявка уходит на ручную проверку, почему один и тот же случай в филиале A трактуют иначе, чем в филиале B. Задача команды FDE - вытащить эти правила из людей, формализовать и встроить в workflow.

Практический тест на готовность процесса: попробуйте описать его правилами без оговорки «спросить у Марины». Если хотя бы один шаг требует человека-оракула, автоматизировать пока нечего, сначала нужно зафиксировать правило на бумаге и подтвердить его у владельца процесса.

Данные добавляют вторую порцию сюрпризов. Production-выборка грязнее тестовой, а объём растёт с пилотной группы на всю компанию: схема, которая держалась на 20 заявках в день, ломается на 2000.

Слой 3. Governance: контроль, объяснимость и аудит с первого дня

Аудиторы и регуляторы хотят знать, почему агент принял каждое конкретное решение. Ответ «так вышло у модели» не работает. Поэтому governance встраивают в архитектуру с первого дня: журналирование решений, политики, границы полномочий, точки ручного подтверждения.

На уровне платформы это выражается в единой плоскости управления: агенты регистрируются, им назначаются политики, доступы и лимиты. Такой контур разобран в материале про масштабируемый AI как систему из пяти компонентов, где управление стоит в одном ряду с данными и инженерией. Для агентных систем цена отсутствия такого контура выше: ошибка тиражируется на все сценарии сразу.

Как устроена работа команды FDE: люди, методология AI-DLC и стек

Роли: кто в команде и что делают инженеры заказчика

Со стороны AWS: инженеры, учёные и продакт-менеджеры. Со стороны заказчика нужны инженеры, которые работают вместе с командой, и руководитель с мандатом принимать решения по процессу и приоритетам.

Формулировка «FDE делает вместе с вами, а не за вас» здесь не вежливость, а условие передачи владения. Если инженеры заказчика наблюдают со стороны, после ухода команды некому поддерживать агентов и менять политики. В спринте на 45 дней времени на постепенное введение в курс дела нет, поэтому вторая сторона должна быть в работе с первого дня.

В процессе участвуют и специализированные AI-агенты: они берут на себя часть рутинной инженерной работы, что и помогает уложить сценарий в 45 дней. Конкретное распределение задач между людьми и агентами зависит от сценария.

Стек: Amazon Bedrock, AgentCore и control tower

Решения собирают на Amazon Bedrock, который даёт доступ к моделям, и Amazon Bedrock AgentCore, слое запуска и управления агентами. Сверху ставится control tower с единой точкой управления агентами: регистрация, назначение политик, контроль доступа.

Скорость часто даёт не модель, а готовая обвязка. Пример из практики AgentCore: Trane Technologies собрала агентное решение за 3-4 недели и превратила 20-минутную диагностику оборудования в 20-секундный диалог. Похожие архитектуры встречаются и в других отраслях: Mobileye довела обработку 66% рутинных тикетов до минуты на тикет с заявленной точностью 98% на гибридном агенте с MCP.

Часть блоков AWS открывает как production-ready open source: каталог из 23 компонентов включает RAG-пайплайны, обработку документов и каркасы агентов. Это экономит недели на старте, но требует своей проверки на ваших данных.

Методология AI-DLC (AI-Driven Lifecycle) описывает цикл работ, в котором AI-агенты участвуют в самом процессе разработки. Пошаговых артефактов по ней в открытом объявлении AWS нет, поэтому на старте спринта просите конкретный план: какие этапы, какой результат на выходе каждого этапа и что именно останется в вашем репозитории.

Про привязку: аккаунт AWS, Bedrock и AgentCore означают lock-in на уровне платформы. Переносимость на другое облако не гарантируется, и если мультиоблачная стратегия обязательна, это стоит обсудить до спринта, а не после.

Кейсы: что получилось за 45 дней и за пару месяцев

Три кейса ниже AWS приводит в своём объявлении (источник). Они иллюстрируют разные слои: платформу и governance, контекст и онтологию, скорость выхода в продакшен. Независимых замеров этих результатов в открытых источниках нет, поэтому цифры стоит читать как заявленные AWS.

ЗаказчикЗадачаРезультатСлой
Samsung Life Insuranceчетыре аффилированные структуры строили точечные AI-решения с нуляуправляемая агентная платформа за 45 днейфундамент и governance
Rio Tinto Iron Oreкартирование Oracle-системы возрастом около 30 лет, более 5000 таблицнедели вместо месяцевконтекст и онтология
Marshпервый use case в продакшенеоколо двух месяцев, рост эффективности до 70%скорость выхода в прод

Samsung Life Insurance: единая управляемая агентная платформа за 45 дней

Четыре аффилированные структуры строили собственные точечные AI-решения, каждое с нуля и со своими интеграциями. За 45 дней команда FDE собрала управляемую агентную платформу с единой control plane и встроенным compliance.

Практическая ценность видна не в моменте запуска, а в следующем шаге: новый агент разворачивается через регистрацию и назначение политик, а не через пересборку интеграций. Это и есть тот фундамент, который снижает стоимость второго и третьего сценария.

Rio Tinto Iron Ore: картирование 5000+ таблиц за недели вместо месяцев

Задача из слоя контекста: картировать Oracle-систему, которая живёт около 30 лет и содержит более 5000 таблиц. Агенты прошли эту работу за недели, тогда как ручное картирование обычно занимает месяцы.

Что здесь важно для похожих проектов: кейс про карту данных, а не про замену системы. Без такой карты агент не может рассуждать о бизнесе, потому что не знает, где лежит нужная сущность и как таблицы связаны между собой. Если у вас легаси возрастом 10-15 лет, начинать с похожей инвентаризации, скорее всего, придётся и без FDE.

Marsh: первый use case в продакшене примерно за два месяца и рост эффективности до 70%

Первый use case в продакшене примерно через два месяца, заявленный рост эффективности до 70%.

Оговорка, без которой цифра бесполезна: 70% относятся к конкретному workflow в конкретной компании. Что считалось базовой линией, сколько времени экономит сотрудник и как измеряли, в объявлении не раскрыто. Переносить такие проценты на свой процесс нельзя: нужен собственный замер до старта, иначе отчитываться будет нечем.

Кому подходит программа, а кому нет

Фильтр простой: FDE даёт эффект там, где есть один приоритетный процесс с измеримой ценностью и люди, готовые в нём разбираться.

Подходит:

  • коммерческая или государственная организация в одной из 15 стран программы;
  • есть процесс, где ошибка стоит денег, а результат можно проверить метрикой: обработка заявок, разбор документов, диагностика, поддержка клиентов;
  • данные лежат в AWS или компания готова их туда перенести;
  • выделены инженеры и руководитель с правом решать;
  • компания готова сама формулировать правила процесса, а не ждать, что их придумает подрядчик.

Не подходит или стоит подождать:

  • нет людей на стороне заказчика, все ждут «сделайте за нас»;
  • нет доступа к данным или непонятно, где они лежат;
  • процесс не определён: каждый раз его делают по-новому;
  • мультиоблачность зашита в требования как жёсткое условие;
  • нужна трансформация всей компании, а не один сценарий в продакшене.

Отдельно про тип системы. На greenfield-проекте двигаться быстро ничто не мешает, но фундамента, на который можно опереться, пока нет, его придётся строить в том же спринте. На brownfield агенты попадают в среду с десятилетиями данных, правил и интеграций: быстрее всего там окупается работа со слоем контекста.

Сколько стоит и как тарифицируется

Модель оплаты - фиксированная цена за спринт, счёт идёт через аккаунт AWS. Для бюджета это удобно: стоимость 45-дневного этапа известна до старта, а не собирается из человеко-часов по факту.

Конкретные суммы AWS в публичном объявлении не приводит, поэтому цифры придётся запрашивать у аккаунт-менеджера. Что остаётся за рамками спринта и что стоит посчитать заранее:

  • потребление сервисов AWS: модели, runtime агентов, хранилища, векторный поиск;
  • работа с данными: очистка, разметка, выгрузка из источников;
  • внутренние ресурсы: инженеры и эксперты по процессу на время спринта;
  • поддержка после передачи: кто дежурит, кто меняет политики и промпты.

Сравнивать цену спринта с часовой ставкой интегратора смысла мало: разные единицы измерения. Полезнее сопоставить два сценария: стоимость второго use case после FDE и стоимость второго пилота, собранного с нуля.

Что подготовить до старта: чек-лист готовности

Подготовка занимает меньше времени, чем исправление последствий её отсутствия. Шесть пунктов, по которым можно проверить себя до первого созвона.

  1. Руководитель с мандатом. Нужен человек, который может изменить процесс и подтвердить приоритет. Признак готовности: он называет процесс и метрику успеха без дополнительных совещаний.
  2. Инженеры заказчика в работе с первого дня. Они пишут код вместе с командой AWS, а не смотрят демо. Признак: 2-3 человека с зарезервированным временем в графике.
  3. Приоритетный workflow с измеримой ценностью. Один сценарий, а не список из десяти. Признак: понятно, сколько стоит одна операция и сколько их в месяц.
  4. Доступ к данным и карта источников. Признак: известно, в каких системах лежат нужные сущности и кто выдаёт доступы.
  5. Критерии успеха спринта, зафиксированные заранее. Не «внедрить AI», а конкретика: доля автоматически обработанных обращений, время на операцию, число ошибок. Признак: метрику можно посчитать на данных до старта.
  6. Владелец решения после ухода команды. Признак: есть команда или подрядчик, которые примут репозиторий, инфраструктуру и описание политик.

Граница самостоятельной проверки: выбор сценария и оценка зрелости данных требуют вашей внутренней экспертизы. Ни AWS, ни внешний консультант не знают, какой процесс болит сильнее и где спрятаны неявные правила. Это ваша часть работы, и от неё зависит, уложится ли спринт в 45 дней.

Ограничения и риски: что стоит взвесить до старта

  • Привязка к AWS. Стек строится на Bedrock и AgentCore в аккаунте AWS. Перенос на другое облако потребует переделки слоя агентов.
  • Зависимость от зрелости данных. Если источники не размечены и общей онтологии нет, часть спринта уйдёт на наведение порядка, а не на сценарий.
  • Неявные правила придётся извлекать вам. Инженеры AWS помогут с формализацией и архитектурой, но знание процесса живёт у ваших сотрудников.
  • Governance без внутренней экспертизы становится формальным. Политики и журналы надо читать и обновлять, без владельца они превращаются в архив логов.
  • 45 дней покрывают один приоритетный workflow. Организацию целиком такой спринт не меняет, эффект масштабируется следующими сценариями на общем фундаменте.
  • Публичные метрики кейсов не проверены независимо. Samsung Life, Rio Tinto и Marsh описаны AWS, для собственного решения нужна своя базовая линия и свой замер.

Если пункты про людей, данные и владельца закрыты, FDE выглядит рабочим вариантом: горизонт в 45 дней заставляет резать объём до одного сценария, а фиксированная цена спринта делает бюджет предсказуемым. Начните с формулировки метрики успеха и списка инженеров, которые сядут в одну комнату с командой AWS: без этого первый созвон закончится обсуждением возможностей вместо плана.

Подписаться на канал