Verizon Connect запустила агентный ИИ, ежедневно генерирующий инсайты для 100 000 пользователей Reveal

Verizon Connect внедрила безсерверную архитектуру с агентным ИИ, которая автоматически обнаруживает аномалии в телеметрии автопарков и формирует объяснимые «generated insights» для ~100 000 пользователей в день.

Verizon Connect внедрила агентный ИИ, который ежедневно превращает обнаруженные аномалии в телеметрии автопарков в объяснимые рекомендации и доставляет эти выводы примерно 100 000 пользователям через приложение Reveal. Это важно, потому что платформа обрабатывает большой объём сигналов от автопарков и требовала автоматической маршрутизации критических событий в понятном виде для менеджеров и операционных команд. Масштаб нагрузки подталкивал к архитектурным изменениям: система обслуживает более 1,2 млн активных подписок и генерирует свыше 500 млн точек данных в день по примерно 80 000 уникальных индикаторов. Чтобы превратить потоки телеметрии в прикладные инсайты, Verizon Connect выстроила конвейер, который выделяет критические отклонения и переводит их в практические рекомендации для пользователей Reveal.

Технический поток начинается с ежедневного триггера: модуль обнаружения аномалий извлекает структурированные данные из хранилища, выполняет вычислительно тяжёлую статистическую обработку и записывает найденные случаи в отдельную таблицу аномалий. После этого запускаются AI‑агенты, которые обращаются к таблице аномалий и к исходным данным, формируют объясняющие отчёты и сохраняют итог как «generated insights», а затем эти выводы доставляются в интерфейс Reveal. Чтобы избежать ограничений крупных языковых моделей при работе с большими числовыми таблицами, числовая логика и первичный анализ реализованы в специализированном серверно‑бесшовном статистическом модуле на базе AWS Step Functions и AWS Lambda. Самих агентных AI‑компонентов построили с использованием Strands Agents — открытого SDK-также в безсерверной среде, что даёт возможность параллельной обработки сегментов клиентов и повышает пропускную способность системы.

Выбор агентного подхода продиктован ограничениями традиционных решений: статические дашборды и правило‑ориентированные системы фиксируют только заранее определённые шаблоны, а чистое использование LLM сталкивается с проблемами точности и масштабируемости при «поиске иголок в стоге сена». Агентный ИИ, по описанию, способен динамически исследовать новые паттерны, задавать уточняющие вопросы и адаптировать анализ под контекст конкретного клиента и операции. Авторы публикации подчёркивают несколько практических выводов для команд разработки и инжиниринга: чёткое разграничение обязанностей — специализированные сервисы выполняют числовой анализ, LLM используются на слое синтеза и объяснений; результаты детектирования следует хранить в отдельной таблице аномалий для быстрого доступа; параллелизация агентов в безсерверной среде улучшает время отклика и экономическую эффективность при масштабировании до десятков тысяч пользователей.

Matteo Simoncini, Luca Bravi, Alberto Rossettini, Martin Villarruel, Ceyhun Unlu, Adriel Zuquini и Andrea Benericetti.