Сегодня провел лекцию в рамках дисциплины "Управление данными" для студентов 3его курса на тему "Бизнес-аналитика и управление данными".
Разобрали четыре ключевых направления:
1⃣ Уровни данных: операционные (транзакции) vs аналитические (инсайты).
2⃣ Архитектуры: Data Lake, Data Warehouse, Data Mesh и Data Fabric.
3⃣ Эволюция аналитики по Gartner: от вопроса «Что произошло?» до «Что делать?».
4⃣ BI-процесс: 5 этапов от сбора данных до предсказаний на базе AI.
В рамках этой лекции проходим понятие Data Swamp (болото данных).
Data Swamp — это когда компания собирает тонны данных, но не может ими пользоваться.
Вспомните свой мобильник - это пример такого болота) 😁
С повсеместным внедрением ИИ я сейчас наблюдаю появление кучи "сгенерированной документации", когда разработчики просят ИИ описать уже написанный код, получается «болото документации»: текста много, но с этим невозможно работать.
Да, когда в команде нет системного аналитика такая документация - это лучше, чем совсем ничего. Но это пересказ работы кода, а не понимание того как это должно было работать и какую задачу должно было решать.
Так что каждый должен заниматься свои делом. Разработчики с помощью ИИ писать код, а системные аналитики с помощью ИИ писать технические задания или восстанавливать описание работы отдельных компонентов и встраивать его в бизнес-контекст. Просто md файл с портянкой комментариев к коду не поможет разобраться что и зачем работает так как работает.
——
А вы уже генерируете технические задания с помощью ИИ?
Какие модели используете?
✌️ ПРО СА|🆕 НЕКСТ СА