В AI-маркетплейс Selectel добавили сразу два инструмента для команд, которые собирают и готовят данные для обучения моделей: OpenClaw и LabelStudio. Оба сервиса, по заявлению компании, разворачиваются в изолированном виртуальном пространстве в один клик, а для разработчиков и ML-команд это означает вполне приземленную вещь: меньше ручной возни с инфраструктурой и быстрее путь от идеи до рабочего пайплайна.
О расширении каталога AI-маркетплейса Selectel сообщает Habr / Новости. Речь идет о двух разных по назначению продуктах: OpenClaw компания описывает как self-hosted AI-агента для автоматизации рутинных задач и работы с неструктурированными данными, а LabelStudio — как веб-платформу для разметки мультимодальных датасетов, где в одном интерфейсе могут работать и специалисты по Data Science, и асессоры.
Ключевой акцент Selectel делает не на самих инструментах как таковых, а на способе их поставки. Типичный сценарий для ML-команды выглядит знакомо: нужно поднять локальные утилиты, состыковать потоки данных, раздать права разметчикам, не сломать сетевую изоляцию и не утонуть в конфигурации веб-серверов и Docker Compose. Компания утверждает, что закрывает именно этот слой рутины. Вместо самостоятельной сборки окружения пользователь получает готовый инстанс с нужным софтом, развернутый внутри изолированной среды.
Если смотреть на OpenClaw без маркетингового тумана, идея понятна: это AI-агент, который может работать с файлами и окружением там, где его запустили, и брать на себя черновую часть подготовки данных. В описании Selectel он нужен для сбора неструктурированной информации из внешних источников и преобразования ее в более чистые потоки данных, пригодные для дальнейшего обучения моделей. Для команд, которые делают внутренние ML-сервисы, это может быть полезнее очередного «умного ассистента для всего»: не чат ради чата, а инструмент на стыке автоматизации и data engineering.
Вторая новинка, LabelStudio, закрывает следующий этап — аннотирование данных. Платформа давно известна как рабочий инструмент для разметки, но в данном случае важен не сам факт ее существования, а то, что она появилась внутри AI-маркетплейса Selectel как готовый разворачиваемый сервис. Selectel отдельно перечисляет сценарии использования: для Computer Vision это попиксельная сегментация, полигоны, маски, bounding boxes и классификация изображений; для NLP — извлечение именованных сущностей, разметка связей между токенами, классификация текстов и анализ тональности; для Audio & Speech — визуальная разметка звуковых волн, транскрибация речи и классификация аудиофайлов. Иными словами, компания метит не в узкую нишу, а в базовый инструментальный слой почти любого прикладного ML-проекта.
Отдельно Selectel подчеркивает, что разметка настраивается через XML-подобные шаблоны под конкретные задачи машинного обучения, а интерфейс можно кастомизировать без правки исходного кода платформы. Для команд это важная деталь: в реальных проектах разметка почти никогда не живет по учебнику. Где-то нужны сложные правила для текстов, где-то смешанные типы аннотаций, где-то несколько ролей с разными правами доступа. Если платформа позволяет подстроить процесс без переписывания половины стека, это уже не косметика, а экономия недель работы.
Еще одна практическая деталь — хранение данных. При создании сервера пользователь сам выбирает конфигурацию дисков для метаданных, а тяжелые массивы данных можно подключать через S3-совместимое объектное хранилище Selectel. Для тех, кто работает с архивами изображений, видео или аудио, это выглядит логично: локальный диск инстанса не превращается в свалку терабайтных датасетов, а данные можно подгружать порционно. Такой подход особенно полезен для команд, которые хотят держать пайплайн в собственной инфраструктурной зоне и при этом не упираться в ограничения одного виртуального сервера.
В более широком контексте новость хорошо ложится в текущий тренд: инфраструктурные провайдеры уже не хотят оставаться просто продавцами виртуалок и дисков. Им нужно подниматься выше по стеку и продавать не ресурсы, а готовые сценарии использования. В AI это особенно заметно, потому что спрос растет не только на GPU и хранилища, но и на удобную сборку среды для data preparation, разметки, обучения и экспериментов. Условно говоря, рынок устал платить инженерам за бесконечное «еще чуть-чуть настроить nginx, роли и проброс портов», когда те же часы можно потратить на качество датасета или на саму модель.
Для российского рынка у такого предложения есть еще один слой смысла. Часть команд по-прежнему предпочитает self-hosted-сценарии: из-за требований к данным, из-за внутренней политики безопасности или просто из-за нежелания строить критичный контур вокруг внешних SaaS-сервисов. На этом фоне связка из self-hosted AI-агента и платформы разметки внутри одного облачного каталога выглядит как попытка закрыть сразу несколько болей: контроль над средой, более предсказуемый деплой и меньше кустарной интеграции между отдельными инструментами. Не факт, что это снимет все вопросы, но для небольших и средних команд порог входа в собственный ML-контур точно становится ниже.
Самый интересный вопрос теперь не в том, что именно добавили в каталог, а в том, насколько быстро AI-маркетплейс Selectel превратится из витрины готовых сервисов в полноценный конструктор ML-инфраструктуры. Если провайдеры действительно смогут забирать на себя слой скучной, но дорогой в поддержке инженерной работы, выиграют не только стартапы без отдельной платформенной команды, но и крупные компании, уставшие каждый раз собирать один и тот же стек почти вручную.