радиоЭксперт рассказала, как встроить ИИ в бизнес для создания продуктов
ИИ‑агентов следует внедрять выборочно, тестируя их в parallel run и сверяя результаты с эталоном, советует Лариса Малькова. После внедрения ИИ человеку будет нужно «задавать смыслы»
[00:00] Как ошибка в единицах измерения погубила аппарат NASA
[01:06] Data governance vs data management: управленческая надстройка над данными
[02:40] ИИ вскрыл проблему фрагментарного управления данными
[04:25] Эффект от ИИ без governance — всего 10–15%, затраты на токены не окупаются
[05:34] Опорный слой: контекстные данные и метаданные для агентов
[08:37] Драфт vs curated: автоматическая генерация метаданных и ручное одобрение
[13:34] Практический совет: встроить data governance в жизненный цикл создания продуктов
[16:44] Человек остается — он задает смыслы, а агент их исполняет
Внедрение ИИ-агентов для работы с данными в компаниях стоит осуществлять, основываясь на выборочном подходе, а не на тотальном описании всех данных. Об этом в эфире Радио РБК рассказала управляющий директор практики «Данные и прикладной искусственный интеллект» компании Axenix Лариса Малькова.
Под контроль при таком подходе берутся только критические для бизнеса атрибуты, а остальная информация может генерироваться автоматически в статусе черновика для последующей проверки.
Перед запуском ИИ-агентов «в автономное плавание» на предприятии проводятся тесты в формате parallel run (Паралелльный запуск, метод внедрения нейросистем, при котором старая и новая модель работают одновременно — РБК).
«Сейчас в любой компании есть масса отчетов, дешбордов и так далее. Собственно говоря, допустим, можно тестировать [агентов] на известных дешбордах», — пояснила она. Таким образом проверяется воспроизводимость результата. Если ИИ-агент генерирует схожие цифры, добавила Малькова, то это значит, что модель научилась ориентироваться в данных компании.
Полученные данные, если они верны, станут «эталоном» для модели. Запускать ИИ-продукт без такого тестирования и сравнения с «эталоном» эксперт не рекомендовала.
Она также затронула человеческие ограничения для внедрения нейросетей на производстве. В большинстве компаний знания о данных — их контекст, качество и правила использования — нигде не задокументированы и существуют лишь в головах сотрудников. С приходом ИИ-агентов это становится серьезным барьером: цифры могут быть правильными, но без контекста их легко неверно интерпретировать.
По мнению Мальковой, главная сложность состоит в том, чтобы замотивировать сотрудников аккуратно работать с данными, поскольку описывают информацию не только для себя, но и для тех, кто будет работать с ними в будущем.
Наконец, эксперт затронула вопрос места людей в работе с данными в будущем. «Человеку, может быть, и не нужно будет знать, где физически лежат данные, но ему всегда нужно будет задавать смыслы. Не агент определяет, что такое активный клиент для вашего бизнеса», — считает она.
Кроме того, Малькова рассказала о том, чем отличаются надстройки data governance и data management, какой эффект дает использование ИИ без data governance. Она затронула тему контекстных данных и метаданных для работы с ИИ-агентами, а также об автоматической генерации метаданных.
Оставайтесь на связи с РБК в «Максе».
