Недавно познакомился с Димой, топит за Data Science, разрабатывает ИИ для бизнеса (GenAI, LLM, Агенты) и помогает вкатится в профессию через свой сервис ds-mentor.ru.

Попросил Диму рассказать о том как запускать проекты в ML, наслаждайтесь ❤️

——
С вами Дима, а теперь погнали затирать про то зачем вам ML, когда и как его нужно применять

1️⃣ Зачем?
Представьте, что у вас онлайн-сервис, который получает 100 заявок в день.
Из них 70 - мусор или нецелевые, 20 - «так себе», и только 10 - реально горячие лиды.
Ваш менеджер обзванивает всех подряд и тратит по 4 часа в день, чтобы найти этих 10 горяченьких лидов 👎

И тут возникает мысль: а зачем менеджеру тратить время, если можно сделать ML-модель, которая предскажет наших сочных лидов и станет неким помогатором в принятии решений? Это же в несколько раз сократит косты менеджера 😂

Модель обучена и теперь менеджер тратит 1 час, а не 4, и мы, как бизнес, не теряем на него много деняк. Это и есть мощь машинного обучения в бизнесе: помогатор, который на себя берёт рутинные задачи, такой ML-помогатор окупается за недели.

2️⃣ Когда?
Если вы задаётесь вопросом: "Да как же я устал писать одно и то же руками? Программно уже не затащить - всё ломается и падает", то тут стоит прибегнуть к ML решению. Есть несколько признаков, которые говорят о том, что пора внедрять ML:
🟣 Рутина мешает росту - вместо 100 if-ов для оценки клиента - ML-модель, которая сама решает, кто из них «горячий»
🟡 Когда бизнес-метрики чувствительны к точности - в кредитной компании точность ML-модели = меньше дефолтов, а значит больше прибыли
🔵 Когда доступен качественный и достаточный объём данных - в магазине куча кликов и покупок - можно рекомендовать товары, а не просто показывать «топ продаж»
🟢 Когда требуется масштабируемость - модераторы вручную проверяют 500 объявлений в день, но скоро будет 5000 — ML-модель справится, люди - нет

3️⃣ Первые шаги для внедрения

1. Определи пространство проблем
Задай себе (и бизнесу) честные вопросы:
🟣 Что мы хотим решить?
🟡 Зачем нам вообще нужен ML?
🔵 Как это повлияет на бизнес-показатели?
Иногда ML вообще не нужен - задача решается простой логикой или эвристикой, и это окей. Будет очень круто, если ты поймёшь, что проблема решается не ML, а обычным алгосом. Тогда сэкономишь кучу времени на разработку громоздкого ML-сервиса 😖

2. Перейди в пространство решений
Когда ясно, что мы хотим, переходим к как:
🟣 Какие данные есть?
🔵 Какой подход (ML или не ML) подойдёт?
🟢 Какие метрики успеха?
На этом этапе фиксируем ключевые смыслы, гипотезы и критерии — лучше на бумаге, чем в головах.

3. Говори с бизнесом на одном языке
Даже если ты всё понял сам — это ничего не значит, пока ты и бизнес не синхронизировались.
Используй «перевёрнутую пирамиду»:
🟣 Сначала - простое объяснение (понятное CEO или инвестору)
🟡 Потом - уточняющие вопросы (что именно за проблема, что считается успехом)
🟢 И только потом - технические детали (как определить фрод, как считать метрику, как валидировать модель)

Кстати, вот пост про пространство проблем/решений, а вот про "говори с бизнесом на одном языке" 🤨

Итог:
ML стоит внедрять тогда, когда он решает конкретную бизнес-проблему, сокращает косты и окупается быстрее, чем его разработка
——

Если вам интересно держать руку на пульсе ML, то подписывайтесь на канал Димы: https://t.me/eboutdatascience