Платформенный подход к ИИ: почему точечные инструменты не масштабируются
При внедрении инструментов на базе ИИ компании часто совершают одну и ту же ошибку — начинают с набора функций под отдельные задачи, а не с выстраивания общей инфраструктуры, которую можно масштабировать, контролировать, измерять и обновлять по единым стандартам. На уровне одного департамента такой подход кажется рациональным, но в масштабе всей организации он приводит к фрагментации, росту издержек и неконтролируемым рискам.
Почему разрозненные ИИ-решения мешают масштабированию и как платформенный подход помогает перевести ИИ из экспериментов в управляемую инфраструктуру — разобрали в карточках ➡️
При внедрении инструментов на базе ИИ компании часто совершают одну и ту же ошибку — начинают с набора функций под отдельные задачи, а не с выстраивания общей инфраструктуры, которую можно масштабировать, контролировать, измерять и обновлять по единым стандартам. На уровне одного департамента такой подход кажется рациональным, но в масштабе всей организации он приводит к фрагментации, росту издержек и неконтролируемым рискам.
Почему разрозненные ИИ-решения мешают масштабированию и как платформенный подход помогает перевести ИИ из экспериментов в управляемую инфраструктуру — разобрали в карточках ➡️
👍4❤2👏2💯1
Парадокс, с которым столкнулись многие компании: ИИ ускоряет отдельные задачи, но общая нагрузка на сотрудников только растет.
В новом материале Газета.Ru Айканыш Орозбаева, директор по развитию бизнеса в Embedika разбирает корень проблемы — попытку встроить современные инструменты в устаревшие и неэффективные процессы. Подробности👇
В новом материале Газета.Ru Айканыш Орозбаева, директор по развитию бизнеса в Embedika разбирает корень проблемы — попытку встроить современные инструменты в устаревшие и неэффективные процессы. Подробности👇
👍3🔥3💯1
Forwarded from Газета.Ru
😐 Нейросети повышают нагрузку россиян на работе.
За последние два года компании активно встраивали ИИ в рабочие процессы, но нагрузка на офисных сотрудников при этом наоборот только растет, рассказала «Газете.Ru» директор по развитию бизнеса Embedika Айканыш Орозбаева.
Большинство работодателей встраивают нейросети в уже существующие неэффективные процессы, подчеркнула эксперт:
💬 «ИИ не сокращает объем работы, а перераспределяет ее между человеком и цифровыми системами. Если при этом процессы и роли остаются прежними, нагрузка работников может даже вырасти: к привычным задачам добавляется необходимость изучать и контролировать новые инструменты».
По словам Орозбаевой, полезно задать себе несколько вопросов:
▪️ Можно ли описать повторяющуюся задачу четкой инструкцией?
▪️ Приходится ли каждый раз собирать одни и те же данные из разных источников?
▪️ Накапливается ли из-за текущей нагрузки то, что важно сделать, но постоянно сдвигается?
Такой список становится готовой основой для конкретного разговора с руководителем о том, что именно стоит попробовать автоматизировать и как это повлияет на работу сотрудника, отдела или даже компании, заключила эксперт.
❤ Читайте «Газету.Ru» в MAX
За последние два года компании активно встраивали ИИ в рабочие процессы, но нагрузка на офисных сотрудников при этом наоборот только растет, рассказала «Газете.Ru» директор по развитию бизнеса Embedika Айканыш Орозбаева.
Большинство работодателей встраивают нейросети в уже существующие неэффективные процессы, подчеркнула эксперт:
💬 «ИИ не сокращает объем работы, а перераспределяет ее между человеком и цифровыми системами. Если при этом процессы и роли остаются прежними, нагрузка работников может даже вырасти: к привычным задачам добавляется необходимость изучать и контролировать новые инструменты».
По словам Орозбаевой, полезно задать себе несколько вопросов:
▪️ Можно ли описать повторяющуюся задачу четкой инструкцией?
▪️ Приходится ли каждый раз собирать одни и те же данные из разных источников?
▪️ Накапливается ли из-за текущей нагрузки то, что важно сделать, но постоянно сдвигается?
Такой список становится готовой основой для конкретного разговора с руководителем о том, что именно стоит попробовать автоматизировать и как это повлияет на работу сотрудника, отдела или даже компании, заключила эксперт.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍2🔥2👏1💯1
Два подхода к ИИ в бизнесе: ML и генеративные модели
В корпоративной разработке сегодня сосуществуют два подхода к искусственному интеллекту: классический ML и GenAI. Они решают разные задачи, по-разному устроены и требуют разной степени контроля. Сегодня сравним оба подхода — как они устроены, чем отличаются по управлению и в каких сценариях применяются.
Классический ML строится на управлении данными. Качество модели в этом случае напрямую зависит от объёма, разметки и предобработки данных. Ошибки — это отклонения от ожидаемого поведения, которые можно измерить и локализовать. Для классического ML можно выделить несколько особенностей:
➖ Детерминированный результат: один запрос → один ответ с известной вероятностью ошибки (ложноположительные или ложноотрицательные срабатывания).
➖ Прогнозируемая стоимость: основные затраты приходятся на обучение, инференс остается дешевым.
➖ Мониторинг и контроль: отслеживается дрифт данных и деградация метрик, при необходимости модель переобучается.
Генеративный ИИ работает иначе. Вместо обучения с нуля система управляется через промпты, RAG и контекст. Это дает гибкость. Модель можно быстро адаптировать под новую задачу без переобучения, она способна генерировать связные тексты, отвечать на сложные вопросы, писать код или резюмировать документы. Однако у такой гибкости есть обратная сторона:
➖ Качество становится вероятностным — один и тот же запрос может давать разные ответы, а модель может выдавать правдоподобные, но ложные сведения (галлюцинации).
➖ GenAI чувствителен к формулировкам и контексту, требует контроля безопасности (промпт-инъекции, утечка данных) и обходится дороже. Каждый запрос оплачивается по токенам, и при росте пользователей затраты растут линейно.
Для задач с высокими требованиями к точности, предсказуемости и контролю (интеллектуальный поиск, классификация документов, прогнозирование) ML предоставляет измеримые KPI, стабильную стоимость и понятные механизмы управления ошибками. В сценариях же, где требуется генерация связного ответа на вопрос (например, в RAG), основным, напротив, становится GenAI. ML в этом случае получает вспомогательную роль для ускорения генеративной системы. Так, отдельные модули в RAG-системе могут быть реализованы на ML, поскольку они решают задачу быстрее, чем если бы они были сделаны на LLM, что повышает общую скорость работы.
В корпоративной разработке сегодня сосуществуют два подхода к искусственному интеллекту: классический ML и GenAI. Они решают разные задачи, по-разному устроены и требуют разной степени контроля. Сегодня сравним оба подхода — как они устроены, чем отличаются по управлению и в каких сценариях применяются.
Классический ML строится на управлении данными. Качество модели в этом случае напрямую зависит от объёма, разметки и предобработки данных. Ошибки — это отклонения от ожидаемого поведения, которые можно измерить и локализовать. Для классического ML можно выделить несколько особенностей:
➖ Детерминированный результат: один запрос → один ответ с известной вероятностью ошибки (ложноположительные или ложноотрицательные срабатывания).
➖ Прогнозируемая стоимость: основные затраты приходятся на обучение, инференс остается дешевым.
➖ Мониторинг и контроль: отслеживается дрифт данных и деградация метрик, при необходимости модель переобучается.
Генеративный ИИ работает иначе. Вместо обучения с нуля система управляется через промпты, RAG и контекст. Это дает гибкость. Модель можно быстро адаптировать под новую задачу без переобучения, она способна генерировать связные тексты, отвечать на сложные вопросы, писать код или резюмировать документы. Однако у такой гибкости есть обратная сторона:
➖ Качество становится вероятностным — один и тот же запрос может давать разные ответы, а модель может выдавать правдоподобные, но ложные сведения (галлюцинации).
➖ GenAI чувствителен к формулировкам и контексту, требует контроля безопасности (промпт-инъекции, утечка данных) и обходится дороже. Каждый запрос оплачивается по токенам, и при росте пользователей затраты растут линейно.
Для задач с высокими требованиями к точности, предсказуемости и контролю (интеллектуальный поиск, классификация документов, прогнозирование) ML предоставляет измеримые KPI, стабильную стоимость и понятные механизмы управления ошибками. В сценариях же, где требуется генерация связного ответа на вопрос (например, в RAG), основным, напротив, становится GenAI. ML в этом случае получает вспомогательную роль для ускорения генеративной системы. Так, отдельные модули в RAG-системе могут быть реализованы на ML, поскольку они решают задачу быстрее, чем если бы они были сделаны на LLM, что повышает общую скорость работы.
🔥5👍3❤2
Дайджест событий в области искусственного интеллекта
Май отметился усилением промышленного AIoT, а также выходом ИИ-агентов в ресторанный бизнес и юридическую практику. Собрали главные новости месяца и ключевую аналитику.
В России:
📦 «Сбер» разрабатывает собственную ERP-платформу с AI-Native-архитектурой, выход на рынок запланирован на 2027 год.
🏭 МТС запускает «МТС AIoT» — платформу для создания цифровых двойников промышленных активов и управления ими на базе ИИ.
🍽 Платформа Restik представила ИИ-агента для ресторанов и кафе. Он собирает меню, анализирует данные, формирует акции, оформляет поставки и управляет настройками заведения.
🔬 В Центральном университете открыли шесть научных лабораторий в области глубоких технологий, включая направления по развитию искусственного интеллекта.
📚 К началу осени правительство планирует актуализировать образовательные стандарты, интегрировав в них ИИ и междисциплинарный подход.
В мире:
💳 OpenAI тестирует в ChatGPT предварительную версию инструмента для управления личными финансами.
🌐 Дубай запустил двухлетнюю инициативу по внедрению агентного ИИ в бизнес-процессы.
📊 Perplexity выпустил специализированную версию агента Computer для финансовых подразделений.
🛡 Microsoft, xAI и Google согласились предоставлять властям США ранний доступ к новым ИИ-моделям для тестирования безопасности.
⚖️ Microsoft анонсировал Legal Agent — ИИ-помощника для работы с юридическими документами в Word.
Аналитика:
⏱️ ВТБ подсчитал: применение генеративного ИИ в колл-центрах сэкономит около 50 тысяч часов рабочего времени операторов в 2026 году.
📊 Минцифры сообщило, что финансирование федерального проекта «Искусственный интеллект» в 2025 году выросло на 19% и достигло 9 млрд рублей.
#дайджест
Май отметился усилением промышленного AIoT, а также выходом ИИ-агентов в ресторанный бизнес и юридическую практику. Собрали главные новости месяца и ключевую аналитику.
В России:
📦 «Сбер» разрабатывает собственную ERP-платформу с AI-Native-архитектурой, выход на рынок запланирован на 2027 год.
🏭 МТС запускает «МТС AIoT» — платформу для создания цифровых двойников промышленных активов и управления ими на базе ИИ.
🍽 Платформа Restik представила ИИ-агента для ресторанов и кафе. Он собирает меню, анализирует данные, формирует акции, оформляет поставки и управляет настройками заведения.
🔬 В Центральном университете открыли шесть научных лабораторий в области глубоких технологий, включая направления по развитию искусственного интеллекта.
📚 К началу осени правительство планирует актуализировать образовательные стандарты, интегрировав в них ИИ и междисциплинарный подход.
В мире:
💳 OpenAI тестирует в ChatGPT предварительную версию инструмента для управления личными финансами.
🌐 Дубай запустил двухлетнюю инициативу по внедрению агентного ИИ в бизнес-процессы.
📊 Perplexity выпустил специализированную версию агента Computer для финансовых подразделений.
🛡 Microsoft, xAI и Google согласились предоставлять властям США ранний доступ к новым ИИ-моделям для тестирования безопасности.
⚖️ Microsoft анонсировал Legal Agent — ИИ-помощника для работы с юридическими документами в Word.
Аналитика:
⏱️ ВТБ подсчитал: применение генеративного ИИ в колл-центрах сэкономит около 50 тысяч часов рабочего времени операторов в 2026 году.
📊 Минцифры сообщило, что финансирование федерального проекта «Искусственный интеллект» в 2025 году выросло на 19% и достигло 9 млрд рублей.
#дайджест
👍4🔥2👏2💯1
Почему AI-пилоты не становятся продуктами
Большинство AI-проектов успешно проходят стадию пилота, но до промышленной эксплуатации доходят единицы. На практике ключевые ограничения часто находятся не в самой модели, а в данных, процессах и организационной структуре. Разбираемся, что на самом деле мешает масштабированию.
Ключевые барьеры, которые не дают AI-пилотам перерасти в работающий продукт:
➡️ Фрагментированные данные. Данные разрознены по системам, не унифицированы и часто не готовы к использованию без длительной предобработки. Это превращает пилот в проект по очистке и подготовке данных, а не по извлечению ценности.
➡️ Отсутствие владельца. За пилотом не закрепляется продуктовый менеджер или бизнес-лидер, отвечающий за его развитие после завершения эксперимента. Без четкой ответственности в конечном итоге проект теряет приоритет и останавливается.
➡️ Нет связи с операционными процессами. AI не встроен в регламенты, повседневные сценарии и контур принятия решений. Сотрудники не меняют привычные маршруты работы, потому что инструмент существует параллельно, а не внутри их реальной деятельности.
➡️ Неопределенный бизнес-эффект. Пилот демонстрирует интересные возможности технологии, но не показывает измеримое влияние на выручку, затраты или производительность. В результате проекту сложно обосновать дальнейшие инвестиции.
Без слоя исполнения AI остаётся лишь демо-версией реальных возможностей системы, не привязанной к реальным задачам бизнеса.
Например, компания внедрила AI-ассистента для поиска по внутренним регламентам. На этапе пилота система показывает хорошие результаты, однако через несколько месяцев сотрудники возвращаются к привычным способам работы: обращаются к коллегам, ищут документы вручную и используют корпоративные чаты. Причина не в качестве модели, а в том, что инструмент так и не стал частью повседневного рабочего процесса.
Enterprise AI начинает приносить ценность только тогда, когда становится частью операционного контура компании. Пока решение не вписано в регламенты, роли и ежедневные сценарии, оно так и останется пилотом, не дойдя до масштабирования. Масштабируются не лучшие модели, а решения, встроенные в процессы компании.
Большинство AI-проектов успешно проходят стадию пилота, но до промышленной эксплуатации доходят единицы. На практике ключевые ограничения часто находятся не в самой модели, а в данных, процессах и организационной структуре. Разбираемся, что на самом деле мешает масштабированию.
Ключевые барьеры, которые не дают AI-пилотам перерасти в работающий продукт:
➡️ Фрагментированные данные. Данные разрознены по системам, не унифицированы и часто не готовы к использованию без длительной предобработки. Это превращает пилот в проект по очистке и подготовке данных, а не по извлечению ценности.
➡️ Отсутствие владельца. За пилотом не закрепляется продуктовый менеджер или бизнес-лидер, отвечающий за его развитие после завершения эксперимента. Без четкой ответственности в конечном итоге проект теряет приоритет и останавливается.
➡️ Нет связи с операционными процессами. AI не встроен в регламенты, повседневные сценарии и контур принятия решений. Сотрудники не меняют привычные маршруты работы, потому что инструмент существует параллельно, а не внутри их реальной деятельности.
➡️ Неопределенный бизнес-эффект. Пилот демонстрирует интересные возможности технологии, но не показывает измеримое влияние на выручку, затраты или производительность. В результате проекту сложно обосновать дальнейшие инвестиции.
Без слоя исполнения AI остаётся лишь демо-версией реальных возможностей системы, не привязанной к реальным задачам бизнеса.
Например, компания внедрила AI-ассистента для поиска по внутренним регламентам. На этапе пилота система показывает хорошие результаты, однако через несколько месяцев сотрудники возвращаются к привычным способам работы: обращаются к коллегам, ищут документы вручную и используют корпоративные чаты. Причина не в качестве модели, а в том, что инструмент так и не стал частью повседневного рабочего процесса.
Enterprise AI начинает приносить ценность только тогда, когда становится частью операционного контура компании. Пока решение не вписано в регламенты, роли и ежедневные сценарии, оно так и останется пилотом, не дойдя до масштабирования. Масштабируются не лучшие модели, а решения, встроенные в процессы компании.
👍6💯4❤3👏1
Жизненные циклы ML и GenAI и их отличия
При внедрении ИИ компании используют различные подходы, среди которых наиболее распространены классический ML и GenAI. Они решают разные типы задач и требуют разной логики разработки.
В чем их ключевые отличия — рассказывает Валерия Басова, руководитель ИИ-разработки в Embedika
Подробнее в карточках 👉
При внедрении ИИ компании используют различные подходы, среди которых наиболее распространены классический ML и GenAI. Они решают разные типы задач и требуют разной логики разработки.
В чем их ключевые отличия — рассказывает Валерия Басова, руководитель ИИ-разработки в Embedika
Подробнее в карточках 👉
🔥6❤3👍3💯2❤🔥1👏1
От требований до релиза: как QA помогает предотвращать ошибки и снижать риски в продукте
В ИТ-командах роль QA часто воспринимают как финальную проверку уже готового кода. Но на практике Quality Assurance начинается гораздо раньше и влияет не только на стабильность системы, но и на сам продукт.
В новой статье для TProger ведущий QA-инженер Embedika Екатерина Акименко рассказывает, почему QA должен участвовать в проекте на всех этапах жизненного цикла решения — от анализа требований до поддержки после релиза.
В материале разобрали:
▫️ почему ошибки, найденные на этапе требований, обходятся дешевле, чем исправление багов релиза;
▫️ как QA помогает проверять согласованность, техническую реализуемость и влияние новых функций на данные и процессы;
▫️ какие объективные критерии используются при проверке проектных решений и пользовательских сценариев;
▫️ что QA оценивает на этапе активного тестирования помимо базовой функциональности;
▫️ как QA участвует в сопровождении продукта после релиза, анализе инцидентов и доработке архитектуры.
🔗 Полная версия статьи доступна на сайте TProger
В ИТ-командах роль QA часто воспринимают как финальную проверку уже готового кода. Но на практике Quality Assurance начинается гораздо раньше и влияет не только на стабильность системы, но и на сам продукт.
В новой статье для TProger ведущий QA-инженер Embedika Екатерина Акименко рассказывает, почему QA должен участвовать в проекте на всех этапах жизненного цикла решения — от анализа требований до поддержки после релиза.
В материале разобрали:
▫️ почему ошибки, найденные на этапе требований, обходятся дешевле, чем исправление багов релиза;
▫️ как QA помогает проверять согласованность, техническую реализуемость и влияние новых функций на данные и процессы;
▫️ какие объективные критерии используются при проверке проектных решений и пользовательских сценариев;
▫️ что QA оценивает на этапе активного тестирования помимо базовой функциональности;
▫️ как QA участвует в сопровождении продукта после релиза, анализе инцидентов и доработке архитектуры.
🔗 Полная версия статьи доступна на сайте TProger
🔥6👍5💯4👏2
Как GenAI меняет правила ведения проектов и на что бизнесу стоит обращать внимание
В классическом ML ошибки контролируются через метрики качества. В GenAI полностью исключить ошибки невозможно, поэтому система требует дополнительных механизмов контроля. Если пытаться управлять генеративными проектами так же, как традиционными ML-решениями, проект с высокой вероятностью провалится.
В предыдущих постах мы уже разобрали, чем отличаются жизненные циклы классического ML и GenAI, а также их ключевые особенности. Теперь разберем главное: почему те же правила управления не работают для генеративных проектов.
Исследование Gartner показывает: 30% GenAI-инициатив прекращаются уже после проверки концепции. Основная причина кроется не в качестве модели, а в том, что системой сложно управлять в продакшене. Среди ключевых отличий, которые меняют логику:
🔹 В классическом ML ошибки обычно заметны через ухудшение метрик качества. В GenAI некорректный ответ может выглядеть правдоподобно и не содержать явных признаков ошибки. Для снижения подобных рисков используются валидация, Human-in-the-Loop и привязка к проверенным источникам данных (RAG).
🔹 В классическом ML основные риски — дрифт данных и деградация метрик. В GenAI добавляются новые категории:
— Безопасность данных — использование внешних LLM-сервисов требует контроля за тем, какие внутренние данные передаются модели и где они обрабатываются;
— Промпт-инъекции — специально сформулированный ввод может изменить поведение модели, обойти ограничения или привести к раскрытию конфиденциальной информации;
— Юридические риски — нарушение лицензий или генерация запрещенного контента;
— Операционные риски — общие затраты на генерацию растут вместе с объемом использования, а высокие задержки могут сделать систему непригодной для отдельных бизнес-сценариев.
🔹 В классическом ML качество модели обычно оценивается через фиксированный набор метрик. GenAI на один и тот же запрос может дать разные ответы, а метрики становятся контекстными: релевантность, корректность, уровень галлюцинаций. Их оценивают через вспомогательные модели (LLM-as-a-Judge) или экспертную оценку. Нельзя просто достичь целевых показателей, нужно калибровать качество под каждый кейс.
🔹 В ML основные затраты — на данные и обучение, инференс не требует больших вложений. В GenAI каждый запрос = токены = деньги. Даже успешные GenAI-продукты часто убыточны, т.к. затраты на инфраструктуру растут быстрее выручки. Некоторые проекты закрывают, потому что стоимость одного ответа превышает бизнес-ценность. Например, OpenAI Sora требовал около $1 млн в день на вычисления, что сделало его экономически нецелесообразным и привело к закрытию.
GenAI требует вероятностного мышления, встроенного риск-менеджмента и постоянного контроля экономики. Без этого даже технологически успешный проект может не принести бизнесу ожидаемого эффекта.
В классическом ML ошибки контролируются через метрики качества. В GenAI полностью исключить ошибки невозможно, поэтому система требует дополнительных механизмов контроля. Если пытаться управлять генеративными проектами так же, как традиционными ML-решениями, проект с высокой вероятностью провалится.
В предыдущих постах мы уже разобрали, чем отличаются жизненные циклы классического ML и GenAI, а также их ключевые особенности. Теперь разберем главное: почему те же правила управления не работают для генеративных проектов.
Исследование Gartner показывает: 30% GenAI-инициатив прекращаются уже после проверки концепции. Основная причина кроется не в качестве модели, а в том, что системой сложно управлять в продакшене. Среди ключевых отличий, которые меняют логику:
🔹 В классическом ML ошибки обычно заметны через ухудшение метрик качества. В GenAI некорректный ответ может выглядеть правдоподобно и не содержать явных признаков ошибки. Для снижения подобных рисков используются валидация, Human-in-the-Loop и привязка к проверенным источникам данных (RAG).
🔹 В классическом ML основные риски — дрифт данных и деградация метрик. В GenAI добавляются новые категории:
— Безопасность данных — использование внешних LLM-сервисов требует контроля за тем, какие внутренние данные передаются модели и где они обрабатываются;
— Промпт-инъекции — специально сформулированный ввод может изменить поведение модели, обойти ограничения или привести к раскрытию конфиденциальной информации;
— Юридические риски — нарушение лицензий или генерация запрещенного контента;
— Операционные риски — общие затраты на генерацию растут вместе с объемом использования, а высокие задержки могут сделать систему непригодной для отдельных бизнес-сценариев.
🔹 В классическом ML качество модели обычно оценивается через фиксированный набор метрик. GenAI на один и тот же запрос может дать разные ответы, а метрики становятся контекстными: релевантность, корректность, уровень галлюцинаций. Их оценивают через вспомогательные модели (LLM-as-a-Judge) или экспертную оценку. Нельзя просто достичь целевых показателей, нужно калибровать качество под каждый кейс.
🔹 В ML основные затраты — на данные и обучение, инференс не требует больших вложений. В GenAI каждый запрос = токены = деньги. Даже успешные GenAI-продукты часто убыточны, т.к. затраты на инфраструктуру растут быстрее выручки. Некоторые проекты закрывают, потому что стоимость одного ответа превышает бизнес-ценность. Например, OpenAI Sora требовал около $1 млн в день на вычисления, что сделало его экономически нецелесообразным и привело к закрытию.
GenAI требует вероятностного мышления, встроенного риск-менеджмента и постоянного контроля экономики. Без этого даже технологически успешный проект может не принести бизнесу ожидаемого эффекта.
🔥5👍4💯2
Data Place: о данных, AI и технологиях корпоративной аналитики
Продолжаем делиться каналами, посвященными практическому применению современных технологий. Один из них — Data Place. Канал рассказывает о работе с данными, аналитике и AI-инструментах, которые сегодня становятся частью корпоративных ИТ-систем.
Автор рассматривает не только технологические новинки, но и прикладные вопросы: как выстраивается работа с данными, какие подходы используются в аналитике и как ИИ внедряется в реальные бизнес-процессы.
В канале регулярно появляются материалы о:
◾️ Архитектуре data-платформ и организации работы с корпоративными данными;
◾️ Использовании AI и ML в аналитических и цифровых сервисах;
◾️ Практиках data governance и повышении качества данных;
◾️ Инструментах и подходах для построения современных аналитических систем;
◾️ Технологических трендах в области Data Science, BI и искусственного интеллекта.
Курс развития data-направлений, внедрении ИИ-решений и построении корпоративных аналитических систем – эти и многие другие экспертные материалы о работе с данными можно найти в канале @dataplace
Продолжаем делиться каналами, посвященными практическому применению современных технологий. Один из них — Data Place. Канал рассказывает о работе с данными, аналитике и AI-инструментах, которые сегодня становятся частью корпоративных ИТ-систем.
Автор рассматривает не только технологические новинки, но и прикладные вопросы: как выстраивается работа с данными, какие подходы используются в аналитике и как ИИ внедряется в реальные бизнес-процессы.
В канале регулярно появляются материалы о:
◾️ Архитектуре data-платформ и организации работы с корпоративными данными;
◾️ Использовании AI и ML в аналитических и цифровых сервисах;
◾️ Практиках data governance и повышении качества данных;
◾️ Инструментах и подходах для построения современных аналитических систем;
◾️ Технологических трендах в области Data Science, BI и искусственного интеллекта.
Курс развития data-направлений, внедрении ИИ-решений и построении корпоративных аналитических систем – эти и многие другие экспертные материалы о работе с данными можно найти в канале @dataplace
❤3👏3💯2👍1
Следующий этап цифровизации — прозрачность исполнения
10-15 лет назад главной задачей была оцифровка процессов. Компании внедрили ERP, BPM, BI и многие другие системы. Это решало вопрос учета и хранения данных, но также порождало новую проблему: систем стало много, а управляемости — не всегда.
Это происходит из-за того, что большинство enterprise-систем отвечают за процесс, но ни одна не отвечает за качество исполнения требований в масштабе компании:
➡️ ERP знает, что процесс существует, но не видит, где копится риск;
➡️ BPM/Workflow показывает, что задача закрыта, но не понимает, решена ли проблема реально;
➡️ BI показывает что произошло, но не объясняет системную причину и повторяемость нарушений.
В результате у компании копятся данные и отчеты, но нет прямого ответа на вопрос, что в действительности происходит на объектах. Масштаб данных уже превышает возможности ручного контроля.
Роль AI заключается в создании семантического слоя, который связывает требования, события, риски и корректирующие действия в единую логику.
Ограниченность традиционных BI и BPM систем проявляется в том, что после проверок нарушения часто устраняются только на бумаге. Акт сохраняется в архиве, поручения помечаются выполненными, а в аналитических отчетах отображается положительный статус, но через время та же проблема возникает снова уже на другом объекте. Это происходит потому, что системы фиксируют действия, но не видят связь между требованием, нарушением, подрядчиком и риском для актива. В итоге они показывают статус исполнения, но не отражают реальную картину процесса.
Слой прозрачности исполнения помогает не просто фиксировать статус, а получать ответы на ключевые вопросы:
➖ Устранена ли первопричина?
➖ Повторяется ли проблема системно?
➖ Где корректирующие действия выполняются формально?
Проблема кроется не в отсутствии ИТ-систем, а в отсутствии слоя, который понимает смысл исполнения. Именно этот слой становится фундаментом для перехода от оцифрованных процессов к реальному управлению эффективностью.
10-15 лет назад главной задачей была оцифровка процессов. Компании внедрили ERP, BPM, BI и многие другие системы. Это решало вопрос учета и хранения данных, но также порождало новую проблему: систем стало много, а управляемости — не всегда.
Это происходит из-за того, что большинство enterprise-систем отвечают за процесс, но ни одна не отвечает за качество исполнения требований в масштабе компании:
➡️ ERP знает, что процесс существует, но не видит, где копится риск;
➡️ BPM/Workflow показывает, что задача закрыта, но не понимает, решена ли проблема реально;
➡️ BI показывает что произошло, но не объясняет системную причину и повторяемость нарушений.
В результате у компании копятся данные и отчеты, но нет прямого ответа на вопрос, что в действительности происходит на объектах. Масштаб данных уже превышает возможности ручного контроля.
Роль AI заключается в создании семантического слоя, который связывает требования, события, риски и корректирующие действия в единую логику.
Ограниченность традиционных BI и BPM систем проявляется в том, что после проверок нарушения часто устраняются только на бумаге. Акт сохраняется в архиве, поручения помечаются выполненными, а в аналитических отчетах отображается положительный статус, но через время та же проблема возникает снова уже на другом объекте. Это происходит потому, что системы фиксируют действия, но не видят связь между требованием, нарушением, подрядчиком и риском для актива. В итоге они показывают статус исполнения, но не отражают реальную картину процесса.
Слой прозрачности исполнения помогает не просто фиксировать статус, а получать ответы на ключевые вопросы:
➖ Устранена ли первопричина?
➖ Повторяется ли проблема системно?
➖ Где корректирующие действия выполняются формально?
Проблема кроется не в отсутствии ИТ-систем, а в отсутствии слоя, который понимает смысл исполнения. Именно этот слой становится фундаментом для перехода от оцифрованных процессов к реальному управлению эффективностью.
❤4👍4👏2💯1