Как создать AI-платформу для e-learning с мультимедиа в 2026 году

Почему Фора Софт написала этот гайд

Фора Софт занимается мультимедийным софтом с 2005 года — 20+ лет работы с видео, WebRTC и AI, 239+ выпущенных продуктов, 100% Job Success на Upwork и статус Clutch Global Leader по разработке кастомного видео. Мы не «балуемся» e-learning: виртуальные классы, LMS и обучающее видео — наша основная практика.

В 2017 году мы выпустили первый в мире WebRTC+HTML5-класс для BrainCert — браузерную платформу с интерактивной доской и живым видео, которая впоследствии перешагнула отметку в 750 млн ₽ годовой выручки и взяла бронзу Brandon Hall в номинации «Best Advance in Unique Learning Technology», обойдя 30+ конкурентов. С тех пор мы построили на той же инфраструктуре инструменты адаптивного обучения, AI-видеоаналитику, прототипы AI-тьюторов и корпоративные обучающие видеоплатформы. Эта статья — тот самый план, который мы даём фаундерам и руководителям L&D, когда они спрашивают, как реально выпустить мультимедийный AI-продукт для e-learning в 2026 году и не вляпаться в технические или регуляторные проблемы.

Что на самом деле представляет собой AI-платформа e-learning с мультимедиа

Если убрать маркетинговую обёртку, AI-платформа e-learning с мультимедиа — это три слоя, поставленных друг на друга: медиаслой, который принимает, транскодирует и стримит видео и аудио; AI-слой, который извлекает смысл, генерирует контент и персонализирует опыт; и обучающий слой, который оборачивает всё это в курсы, потоки, тесты и сертификаты. Если хотя бы один из трёх слабый, продукт ощущается как фокус ради фокуса.

Базовый набор возможностей, которого покупатели ждут в 2026 году: адаптивные траектории обучения по результатам ученика, автоматические субтитры и перевод для доступности и охвата, AI-сгенерированные тесты, конспекты и карточки из исходного видео, разговорные AI-тьюторы, опирающиеся на ваш учебный материал (а не ChatGPT, выдумывающий Шекспира), видеоаналитика для вовлечённости и контроля, и измеримые результаты через xAPI или SCORM — чтобы корпоративные покупатели могли отчитаться по ROI. Этот список мы видим почти в каждом RFP.

Три слоя, по одному предложению на каждый

Медиаслой. Адаптивный стриминг HLS/DASH, WebRTC в реальном времени для живых классов, интерактивное видео (закладки, хотспоты, встроенные опросы), запись и транскодирование — та самая «сантехника», которая отдаёт 480p на 3G и 4K по оптике без потери кадров.

AI-слой. Speech-to-text, перевод, разделение по дикторам, детекция сцен и тем, аналитика лиц и эмоций, семантический поиск на эмбеддингах, retrieval-augmented generation (RAG) для тьюторов и рекомендательные модели для адаптивных траекторий.

Обучающий слой. Авторинг курсов, потоки, задания, прокторинг, журнал оценок, бейджи, интеграции xAPI/SCORM/LTI с существующими LMS (Moodle, Canvas, Blackboard, Google Classroom), сертификаты и всё чаще — привязка к таксономии навыков.

Снимок рынка — почему запускать стоит именно сейчас

Рынок e-learning уже измеряется сотнями миллиардов долларов, и AI — это рычаг, который двигает рост. По прогнозам, мировой e-learning к 2026 году перешагнёт 30 трлн ₽, при этом сегмент США — около 7,5 трлн ₽ с темпами роста от средних до низких двузначных в зависимости от подсегмента. Адаптивное обучение работает: метаанализ 37 исследований по адаптивному обучению (2024) показал положительный эффект на результаты обучения в 86% случаев. Флагманские потребительские примеры подтверждают масштаб — у Duolingo AI-функции работают на 83 млн+ MAU, а GPT-4-тьютор Khanmigo от Khan Academy пилотируется в 266+ школьных округах США.

Пять AI-сценариев с мультимедиа, которые реально двигают результаты обучения

Все AI-функции, которые мы разворачивали в e-learning-продуктах за последние четыре года, ложатся в один из пяти сценариев. Если функция не попадает ни в один из них, чаще всего это демо — а не причина, по которой ученик возвращается на 14-й день.

1. Адаптивные траектории обучения. Система меняет следующий урок, подсказку или вопрос в зависимости от результатов ученика, темпа и предпочтений. Реализация: Bayesian knowledge tracing, item-response theory или лёгкий рекомендатель на глубоком обучении поверх событий xAPI. У этой функции самая сильная доказательная база — 86% исследований показывают измеримый прирост.

2. Автоматические субтитры, транскрипты и перевод. Каждое видео получает машинные субтитры (WCAG 2.2 AA), поисковый транскрипт и перевод на язык ученика по запросу. Только эта одна функция расширяет потенциальную аудиторию в 5–10 раз и юридически обязательна для большинства покупателей из госсектора и крупного бизнеса в США и ЕС.

3. AI-тьюторинг (с опорой на RAG). Чат- или голосовой тьютор, который отвечает строго по вашим материалам. Ключевое архитектурное решение здесь — «заземление» через ретрив: RAG-пайплайн поверх ваших лекций, PDF и транскриптов, чтобы тьютор не мог придумать фейковую ссылку или противоречить преподавателю. Без заземления вы выпускаете на рынок юридический риск.

4. AI-генерация контента. Превращение 60-минутной лекции в микро-уроки, конспекты, карточки и банки вопросов за минуты. Время на авторинг падает с часов до десятков секунд на единицу контента. Контроль качества — human-in-the-loop — обязателен для всего, что идёт в оценивание.

5. Видеоаналитика вовлечённости и контроль честности. Детекция расфокусировки, отвлечения взгляда, нескольких лиц в кадре (прокторинг), второго экрана, скопированных ответов, аномальных паттернов времени ответа. Польза двойная: продуктовые команды получают дашборды удержания, администраторы — контроль честности на экзаменах. Только этот блок мы видели как срезающий «отвал» на видеомодулях на 15–25 процентных пункта, если использовать правильно.

Эталонная архитектура AI-платформы e-learning с мультимедиа

Это базовая архитектура, которую мы используем в большинстве проектов. Она чисто разделяет ответственности, масштабируется на десятки тысяч одновременных учеников на скромной инфраструктуре и не привязывает вас к одному AI-вендору.

Чаще всего покупатели недоинвестируют в два места: LRS и шину событий и слой соответствия и наблюдаемости. Пропустите их — и через 18 месяцев придётся переделывать продукт, потому что вы не сможете ответить на вопросы «какая адаптивная траектория действительно сработала?» или «кто получал доступ к данным этого несовершеннолетнего?».

Build vs buy — матрица решений по каждой AI-возможности

Наше правило большого пальца: покупайте всё, что превратилось в коммодити, и стройте сами всё, что касается ваших учебных данных или бренда. Вот как это разбивается на практике.

Как построить AI-тьютора на RAG, который не галлюцинирует

Самая рискованная функция в AI-обучении — тьютор. Без заземления он будет уверенно выдумывать факты; с заземлением — становится самой любимой функцией продукта. Архитектура простая, когда вы её выкатили дважды.

1. Загрузка. Складываете лекции, PDF, слайды и транскрипты в контент-хранилище. Сохраняйте ссылку на исходный медиафайл — позже захочется цитировать («Лекция 4, 08:22»).

2. Чанкинг и эмбеддинги. Разбиваете по смысловой границе (абзац, слайд, глава видео), считаете эмбеддинги через text-embedding-3-large или открытую модель, складываете в pgvector или Qdrant вместе с метаданными (курс, модуль, таймстемп, локаль).

3. Ретрив. На запрос гибридный поиск (BM25 + векторный) возвращает top-k чанков. Если точность критична — пересортируйте кросс-энкодером.

4. Генерация с цитатами. Промптом обяжите LLM отвечать только по предоставленному контексту и ставить ссылки на ID чанков. Если ни один чанк не подходит, тьютор так и говорит. Это одно ограничение убирает 80+% галлюцинаций.

5. Оценка. Гоните ночные прогоны на эталонном датасете (golden Q&A) и на «ловушечном» наборе (вопросы, на которые система отвечать не должна), отслеживайте заземлённость и корректность отказов. Регрессия больше 2 пунктов по любой из метрик блокирует релиз.

System prompt (abridged)
--------------------------------
You are an AI tutor for {course_name}.
Answer ONLY from CONTEXT below.
If CONTEXT does not contain the answer,
reply: "The course material doesn’t cover that."
Cite every claim as [chunk_id].

CONTEXT:
{retrieved_chunks}

QUESTION:
{user_question}

Тот же паттерн мы используем, когда добавляем AI-тьюторинг в клиентские продукты — сначала ретрив с заземлением, потом выбор модели.

Проектируем движок адаптивного обучения

Адаптивное обучение звучит как AI-магия; на практике это плотный цикл «событие → оценка навыка → следующий лучший элемент». Семейство моделей выбираете по тому, сколько у вас данных и сколько мнения о вашей предметной области.

Bayesian Knowledge Tracing (BKT). Работает с первого дня — хватает нескольких сотен учеников. Для каждого навыка свои вероятности «промаха», «угадывания» и перехода. Интерпретируемо, дёшево, хороший baseline.

Item Response Theory (IRT). Считает у заданий сложность и дискриминативность; оценивает способности ученика на непрерывной шкале. Силён в продуктах с большой долей тестов (сертификации, стандартизированные экзамены).

Deep Knowledge Tracing (DKT) / трансформеры. RNN или трансформер поверх последовательности событий ученика предсказывает вероятность правильного следующего ответа. Лучшая точность от ~10 тыс. учеников, худшая интерпретируемость — обзаведитесь инструментами для объяснимости.

Контекстные бандиты / RL. Для упорядочивания контента или выбора между равнозначными следующими шагами. Обязательно ставьте guard-rails, чтобы политика никогда не рекомендовала материал выше оценённого уровня ученика.

На клиентских проектах мы по умолчанию стартуем с BKT или IRT, всё инструментуем через xAPI в Learning Record Store и обновляемся до DKT, когда набирается ~8–10 тыс. активных учеников.

Видеопайплайн: загрузка, транскодирование, стриминг, анализ

Примерно две трети времени ученика на современной e-learning-платформе проходит внутри видеоплеера. Если пайплайн шаткий — вся AI-обвязка сверху выглядит плохо.

Загрузка. Возобновляемые аплоады (TUS, Mux Direct Upload) для записанных лекций; WebRTC для живых классов. Для масштаба и задержек до 500 мс на live мы по умолчанию ставим SFU на Mediasoup или LiveKit.

Транскодинг и упаковка. Асинхронные воркеры выдают лестницу разрешений (например, 240p/480p/720p/1080p/4K), упакованную в HLS и/или DASH. Под AI разветвите пайплайн: вынимайте аудио для STT и ключевые кадры для зрительных моделей — вам точно не нужно дважды декодировать всё видео.

Стриминг. Адаптивный битрейт на плеере (Video.js, Shaka, HLS.js) с CDN на краю сети. Прокидывайте события плеера — долю столлов, ребуферы, переключения битрейта — в ту же шину, что и xAPI-события ученика, чтобы коррелировать проблемы QoE с отвалом в обучении.

Анализ. Запускайте STT + диаризацию для поисковых транскриптов, детекцию смены слайдов для разбиения на главы, аналитику лиц/вовлечённости для прокторинга, и — если хочется уменьшить нагрузку — используйте небольшую vision-модель на выборочных кадрах вместо полнопроходного инференса на каждом видео. Только это сокращает расходы на AI на 70+% без потери сигнала.

Соответствие требованиям — FERPA, COPPA, GDPR, доступность, AI-политика

Любой серьёзный покупатель в e-learning — университеты, школьные округа, регулируемый корпорат, оборонка — отсеет вас по соответствию ещё до того, как посмотрит на функционал. Переделка после факта стоит в 3–5 раз дороже, чем проектирование с нуля.

FERPA (учебные записи в США). Данные учеников защищены: нужен ролевой доступ, журналы согласий и экспорт данных для родителей и учеников. Подход: каждого AI-тьютора и аналитический пайплайн рассматривайте как субподрядчика данных с аудит-трейлом.

COPPA (дети до 13 лет). Подтверждаемое родительское согласие, без поведенческой рекламы, минимизация собираемых данных. Большинство платформ для pre-K–12 заваливаются именно здесь — кормят необезличенные события сторонним LLM API. Так делать нельзя.

GDPR / UK DPA. Правовое основание, DPIA на AI-функции, резидентность данных (регион ЕС), реализация права на удаление вплоть до векторного хранилища, DPA с каждым AI-вендором. HeyGen, Synthesia, Azure, AWS Bedrock и OpenAI Enterprise предлагают совместимые регионы и DPA — потребительские эндпоинты их не дают.

WCAG 2.2 AA — доступность. Субтитры, транскрипты, аудиоописание, навигация с клавиатуры, контраст, метки для скринридеров. Многие тендеры в госсекторе требуют отчёт о соответствии (ACR/VPAT) прямо в заявке.

SOC 2 Type II и ISO 27001. Всё чаще это базовое требование для корпората. Заложите окно наблюдения SOC 2 Type II (6–12 месяцев) до того, как пойдёте на корпоративные сделки.

Этичная AI-политика. Model cards, раскрытие использования AI ученикам, human-in-the-loop для всего, что оценивается, тесты на смещение на репрезентативных данных и план реагирования на инциденты с AI. EU AI Act относит большую часть образовательного AI к категории высокого риска — лучше идти на опережение.

Мини-кейс — BrainCert и первый в мире WebRTC+HTML5-класс

Ситуация. В 2017 году BrainCert пришёл в Фора Софт с тезисом: современным ученикам нужны живые классы в браузере — с видео, доской и совместной работой, без скачивания клиентов. Рынок тогда состоял из Flash-плагинов и десктопных приложений. Никто ещё не выпускал в продакшен WebRTC+HTML5-класс.

План на 12 недель. Мы собрали медиаслой на WebRTC (SFU, запись, адаптация под канал), интерактивную HTML5-доску, живой чат и модерирование, и встроили всё это в существующую LMS BrainCert. Постепенный раскат по регионам, инструментирование QoE с первой недели.

Результат. BrainCert стал первым в мире продакшен-WebRTC+HTML5-классом, дошёл до десятков тысяч преподавателей, перешагнул отметку в 750 млн ₽ годовой выручки и взял бронзу Brandon Hall Group 2017 в номинации «Best Advance in Unique Learning Technology» — из 30+ заявок. Та же медиа- и событийная инфраструктура — это то, к чему сегодня подключаются AI-тьюторинг и аналитика у наших новых клиентов. Хотите такую же оценку для вашей платформы? Позвоните или напишите.

Стоимость — во что реально обходится сборка и эксплуатация AI-платформы e-learning

Имеют значение две кривые расходов: разовые затраты на сборку и текущие расходы на ученика. Мы видим стабильные цифры по проектам в EdTech и L&D в 2025–2026 годах. Наш подход Agent Engineering — AI-ассистированный код, генерация тестов, циклы ревью — сокращает срок от прескоупинга до MVP примерно на 30–40% относительно классической поставки, и это отражено ниже.

Это ориентировочные цифры для планирования — финальные зависят от объёма, количества контента, требований к соответствию и охвату устройств. Точную оценку под ваш кейс мы готовим как письменный план за один созвон — позвоните или напишите, чтобы запланировать его.

Шорт-лист инструментов — к чему мы тянемся в первую очередь

Это инструменты и API, на которые мы опираемся, чтобы быстро двигаться в AI-обучении с мультимедиа в 2026 году. Они не догма — устройте бейк-офф двух кандидатов на ваших данных — но как дефолт работают сильно.

Транскрипция и субтитры. OpenAI Whisper (самый дешёвый, хорош на английском), AssemblyAI (лучшая диаризация и аналитика, ~15,75 ₽/час), Azure Speech (корпоративные DPA, модели под доменную лексику), Verbit (регулируемые кейсы, нужен человеческий контроль качества и заявленная точность 99%).

LLM и эмбеддинги. GPT-4o / GPT-4o-mini через OpenAI или Azure OpenAI для регулируемых проектов; Claude Sonnet/Opus через Anthropic или AWS Bedrock; Gemini Pro/Flash через Google Cloud; self-hosted Llama 3.1 / Mistral для суверенитета данных.

Векторные хранилища и ретрив. Postgres + pgvector (дёшево, хватает до ~10 млн чанков), Qdrant или Weaviate (специализированные, на масштабе), LlamaIndex / LangChain для самого пайплайна ретрива.

Медиа. Mux — управляемый HLS/DASH; AWS MediaConvert + CloudFront для AWS-shops; Mediasoup или LiveKit для self-hosted WebRTC SFU, если важны задержки и стоимость.

AI-аватары и TTS. HeyGen или Synthesia для видео с аватарами (100+–240+ аватаров, 160+ языков); ElevenLabs или Azure Neural TTS для голоса; D-ID для «говорящих портретов».

Видеоаналитика. Google Cloud Video Intelligence и AWS Rekognition закрывают типовую детекцию (~7,5 ₽/мин); кастомные CV-пайплайны на YOLO или CLIP + небольшой LLM дают вам собственные сигналы вовлечённости и контроля честности без помесячных вендорских сборов.

Фреймворк решения — выбираем AI-стек для e-learning по пяти вопросам

В1. Кто ваш ученик и где он? Регулируемый сегмент (K–12, здравоохранение, госсектор) против взрослого/потребительского — это определяет базовый уровень соответствия и ограничения по резидентности данных.

В2. Какой один главный результат? Доля сдавших сертификацию, время до компетенции, выручка от продлений, удержание места. Без него вы не выберете между адаптивным обучением и AI-тьюторингом.

В3. Живые занятия, записанные или гибрид? От этого зависит медиастек (WebRTC SFU против HLS), цена пиковой конкурентности и стратегия на edge.

В4. Насколько чувствительны ваши материалы и данные учеников? Корпоративная интеллектуальная собственность, PII, данные детей, оборонные материалы — каждый из факторов сдвигает вас выше по кривой self-hosting и single-tenant.

В5. На какой масштаб ставите? 5 тыс. учеников или 5 млн? Модель, эффективная на 5 тыс. (single-tenant Postgres, кэшированный AI), ломается на 5 млн (multi-tenant, шардирование, потоковый инференс).

Пять ловушек, которые мы видим в проектах по AI-обучению

1. Выпуск незаземлённого тьютора. Если LLM может ответить «из своих весов», он ответит — и ошибётся. Всегда ограничивайте контекстом, всегда тестируйте отказы.

2. Отношение к субтитрам как к опции. Их отсутствие отсекает корпоративных покупателей и большие пласты мировой аудитории. Делайте автогенерацию на загрузке, дайте людям редактировать, отслеживайте точность.

3. Бесконтрольный рост расходов на AI. Стоимость AI на ученика — самая частая причина смерти юнит-экономики. Агрессивно кэшируйте, для ретрива используйте более дешёвые модели, GPT-классы оставьте на финальный ответ.

4. Пропуск xAPI. Без чистого слоя событий адаптивное обучение и аналитика — гадание. Спроектируйте схему событий до первого спринта, а не после шестого.

5. Соответствие требованиям «сбоку». Накручивать FERPA/COPPA/GDPR после запуска — верный путь переписывать модель тенантов и аутентификацию. Закладывайте это в модели данных и контракты с первого дня.

KPI: что измерять после запуска

Метрики качества. Доля завершивших курс (≥60% на платных потоках), доля сдавших экзамены, заземлённость AI-тьютора (≥95% на эталонном датасете), WER субтитров (≤8% для английского, ≤12% для других языков), доля столлов в видео QoE (≤1,5%).

Бизнес-метрики. Недельные активные ученики, выручка на активного ученика, окупаемость CAC (≤9 месяцев для B2C, ≤14 месяцев для B2B), доля продлений (≥85% по B2B-контрактам), NPS по потокам.

Метрики надёжности. Доступность медиа (минимум SLO 99,9%), p95-задержка AI (≤2,5 с для тьютора), частота релизов (≥еженедельно), MTTR (≤30 мин), оповещения по сжиганию error budget.

Когда не стоит строить AI-платформу e-learning с мультимедиа

Долгосрочные рекомендации для нас важнее любого отдельного проекта, поэтому вот случаи, когда мы вежливо отговорим от сборки.

Если вам нужно продать горстку записанных курсов аудитории меньше тысячи человек, возьмите Teachable, Thinkific, Kajabi или Podia. Хотите AI-контент — добавьте подписку Descript или HeyGen. Кастомный код вам ничего не даст.

Если у вас уже стоят Moodle, Canvas или Blackboard и нужен AI-тьютор сверху — обычно правильный первый шаг это LTI-интегрированный тьютор. Соберём за недели, а не за месяцы, и не придётся переделывать саму LMS.

Если вы не можете сформулировать главный результат (см. В2) — сборка преждевременна. Сделайте двухнедельный discovery, а не 12-месячный MVP.

FAQ

Сколько времени занимает разработка MVP AI-платформы e-learning с мультимедиа?

Закладывайте 10–16 недель на сфокусированный MVP с аутентификацией, курсами, записанным видео с автосубтитрами, одной ключевой AI-функцией (обычно RAG-тьюторинг или адаптивные тесты) и базовой аналитикой. Живые классы, мобильные приложения, сертификация по соответствию и продвинутые движки адаптивного обучения сдвигают вас в диапазон 5–8 месяцев на Production v1.

Какие AI-модели стоит использовать для e-learning-тьютора?

Гибридный стек: text-embedding-3-large (или открытый эквивалент) для ретрива, средняя модель (GPT-4o-mini, Claude Haiku, Gemini Flash) для пересортировки и простых ответов, топовая модель (GPT-4o, Claude Sonnet/Opus, Gemini Pro) для ответов, требующих рассуждения. Закрепляйте версии моделей, держите эталонный датасет и меняйте провайдеров только когда метрика на нём улучшается.

Нужны ли xAPI, SCORM и LTI — или можно их пропустить?

Если планируете продавать в крупный бизнес, университеты или школьные округа — как минимум xAPI (для детальной аналитики) и либо SCORM, либо LTI (для интеграции с LMS) нужны. Для чистого D2C-сегмента их можно отложить, но проектируйте схему событий так, чтобы xAPI оказался тонкой прослойкой, а не переписыванием.

Как предотвратить галлюцинации AI в уроках и тестах?

Три слоя: retrieval-augmented generation, строго заземлённая на ваш учебный материал, политика отказов («курс не покрывает этот вопрос») и human-in-the-loop ревью всего, что идёт в оценивание. Заведите эталонный датасет с golden answers и набор «ловушек» — вопросов вне области — и блокируйте релизы по метрикам заземлённости и корректности отказов.

Сколько сам AI стоит на одного активного ученика?

По порядку величины для умеренно активного ученика — от нескольких рублей до пары сотен в месяц, в зависимости от частоты использования тьютора, кэширования и выбранных моделей. Субтитры, перевод и эмбеддинги дёшевы; «дорогим» становится per-chat reasoning на топовой модели. Всегда ставьте лимиты и мониторинг.

Лучше строить поверх Moodle/Canvas или с нуля?

Если ваши покупатели уже используют Moodle, Canvas, Blackboard или Google Classroom — сначала выпустите LTI-инструмент под их LMS: это самый дешёвый путь к адопции. Стройте с нуля, когда бренд, UX или AI-функции и есть продукт, а LMS-как-оболочка станет ограничением.

Как работать с FERPA, COPPA и GDPR при использовании сторонних AI API?

Берите вендоров с совместимыми регионами и реальными DPA (Azure OpenAI, AWS Bedrock, OpenAI Enterprise, Anthropic, Gemini через Google Cloud). Маскируйте PII учеников перед отправкой в модель, логируйте каждый AI-вызов с целью и категориями данных, поддерживайте propagation удаления. Для K–12 — лучше self-hosted или private deployment, потребительские эндпоинты не используйте.

Может ли Фора Софт собрать и медиа-, и AI-слои?

Да — это наша основная практика. Мы выпускаем продукты для видеообучения с 2005 года (BrainCert, адаптивные LMS, корпоративное обучение, AI-видеоаналитика) и отдельно ведём AI-интеграционную практику поверх этого стека.

Что почитать дальше

Готовы выпустить AI-платформу e-learning с мультимедиа?

AI-обучение — это не одна функция, а три слоя — медиа, AI, learning — оркестрованные через чистую событийную и комплаенс-основу. Покупайте коммодити, стройте то, что даёт преимущество: адаптивные траектории, заземлённый RAG-тьюторинг и аналитика по вашим материалам — там и кроется защищаемая позиция.

Проектируйте под соответствие требованиям с первого дня, ограничивайте расходы на AI с первой недели и измеряйте результаты через xAPI с нулевого дня. При правильном объёме и поставке с Agent Engineering реальный AI MVP для e-learning выходит за 10–16 недель — а не за 12+ месяцев, как назовут вам легаси-вендоры. Если хотите, чтобы Фора Софт помогла, — мы на расстоянии одного сообщения.