На прошлой неделе у меня был чистый эксперимент по замерам возможностей GPT, в рамках классического баттла Platform vs Point Solution.
Об этой дилемме можно почитать тут: https://getmosaic.ai/blog/ai-platform-vs-point-solution
Она актуальна и для аналитики, сейчас особенно, когда каждый аналитик в бизнесе с помощью AI на коленке собирает тебе ML питончиком и вместо экселек несет тебе дашбордик в оберточке стримлит.
Что в итоге: платформы пока все равно уделывают точечные решения с ИИ, как бы мы ни старались. И это вопрос денег.
Итак, в рамках теста была задачка за пару дней написать себе desctop-приложение для аналитики с одним коннектором (odbc).
На выходе: псевдо-BI с olap- движком (своим), филигранной работой с кэшированием, собственным сжатием и форматом хранения, визуальным моделированием с помощью ER-диаграмм а-ля Power BI и прочими ништяками, которые мне так нравятся - например, set и экстеншены как у Qlik Sense, отделяемые и отдельно сохраняемые аппликейшены и пр. Почему псевдо: это инсталлируемое десктоп-приложение только с функциональной частью. Немасштабируемо. Минимальное количество свободы вне основного сценария. Короче, как Qlik лет 10-15 назад.
Теперь про универсальность:
-попытки делать универсальные продукты на AI упираются в то, что все кейсы использования надо закладывать изначально. Мы сначала проектируем самолет, а потом его строим, не иначе. А AI не способны держать весь этот контекст сразу.
Бизнес-аналитикам в IT и солюшн-архитекторам безработица пока не грозит, в общем.
-Я прямо вживую пощупала, что такое ‘стоимость решения’. Одно дело, когда ты считаешь абстрактное TCO или акты работ внедрения подписываешь, и совсем другое - когда ты физически выжрал месячный объем токенов за 1 итерацию.
-стоимость эксплуатации более важна, чем пользовательский опыт: мы можем выдать детализированные данные типа 5 млн строк за 1 день в куб, но давайте посчитаем, сколько это будет стоить.
