Главная проблема ИИ в аналитике – не ИИ 🐈‍⬛️

За последний год вокруг ИИ появилось столько ожиданий, что иногда кажется: достаточно подключить модель к данным... и она сама всё найдёт, объяснит и даже подскажет, что делать дальше.

🫣На практике, как всегда, всё иначе. Чаще всего проблема не в том, какую модель вы выбрали, а в том, что вы ей дали.

Под общим словом «ИИ» сегодня обычно скрываются два совершенно разных класса систем: ML и LLM. И работают они тоже по-разному.

➡️ ML обучается на исторических данных и выдаёт прогноз, вероятность или сегмент. Обучили один раз, а дальше модель работает по регламенту. Но если изменились бизнес-процессы, логика скидок или промо, а признаки не обновили, модель продолжит уверенно прогнозировать прошлое.

➡️ LLM работает с текстом и контекстом. Она позволяет задавать вопросы о данных на естественном языке, не вспоминая SQL и структуру хранилища. Но без контекста модель не знает, где лежат данные, какую метрику считать правильной и нужно ли, например, учитывать НДС.

Можно, конечно, подробно объяснять всё в каждом запросе. Но тогда инструкция быстро становится длиннее самого SQL. А иногда модель ещё и начинает слишком стараться: вместо одного запроса предлагает целую хранимую процедуру с обработкой сценариев, о которых никто не просил.

🙂Поэтому в зрелой аналитике всё чаще говорят не только о моделях, но и об инфраструктуре вокруг них. Для LLM это семантический слой, который связывает бизнес-термины со структурой хранилища. Для ML – MLOps, который автоматизирует жизненный цикл моделей: от обучения и контроля качества до мониторинга и своевременного переобучения.

Получается любопытная вещь: чем умнее становятся модели, тем важнее становится всё, что находится вокруг них.

ИИ не отменяет хорошую архитектуру данных. Он лишь очень быстро показывает, где её не хватает.

📝Подробнее о возможностях ML и LLM, сценариях их применения и о том, как семантический слой помогает подружить LLM с корпоративными данными – собрали в статье по ссылке.