Друзья, в субботу весь день с семьей провел на ИТ-Пикнике в Коломенском. Помимо хорошей погоды, чудесного вайба, концерта понял участие в дискуссии с коллегами.
Зацепились с руководителем обработки естественного языка Т-банка Артемом Бондарем об элементе, без которого машинное обучение в компании остаётся красивой презентацией, пилотом и очередной строкой в стратегии.
❗️О ML-культуре❗️
И я поймал себя на мысли: именно здесь проходит настоящий водораздел между теми, кто использует ML, и теми, кто действительно строит бизнес с помощью ML.
🫡ML-культура — это не «у нас есть data science-команда». И не десяток моделей в корпоративном контуре.
Это привычка компании принимать решения на данных, быстро проверять гипотезы, не бояться признавать ошибку модели — и отвечать за результат после её запуска.
🤝Финтех и бигтех давно живут в этой логике.
Там модель — не музейный экспонат и не финальный отчёт по пилоту. Она ежедневно влияет на клиентский опыт: кому показать предложение, где предотвратить мошенничество, как ускорить решение, какой следующий шаг сделать в продукте.
Результат виден быстро — в конверсии, риске, удержании, выручке. А значит, у ML есть право быть частью операционной ткани бизнеса.
🤔В промышленности всё иначе. Длиннее циклы. Выше цена ошибки. Данные часто живут в разрозненных АСУ ТП, MES, ERP, исторических архивах и головах опытных специалистов. Здесь нельзя просто «взять модель из финтеха» и ожидать чуда.
❗️Но именно поэтому промышленности ML-культура нужна, возможно, ещё сильнее.
Потому что предиктивная модель без доверия инженера — не влияет на ремонт.
Модель контроля качества без интеграции в процесс — не снижает брак.
Прогноз без понятного владельца решения — остаётся графиком на дашборде.
Внедрять ML-культуру нужно не тогда, когда «данные будут идеальными» или появится огромный бюджет на корпоративную ИИ-платформу.
А тогда, когда у бизнеса появилась повторяющаяся, дорогая и измеримая проблема — и есть готовность изменить процесс, если данные покажут другой путь.
С чего начать?
✅Выбирать не самую модную, а самую болезненную бизнес-задачу.
✅Сразу договориться, какая бизнес-метрика докажет успех.
✅Собрать в одной команде бизнес, технологов, владельцев данных, ML-специалистов и эксплуатацию.
✅Сделать пилот, но с первого дня думать: кто будет пользоваться решением, что произойдёт при ошибке и как модель будет обновляться.
✅Учить руководителей и сотрудников говорить на языке данных, а не ждать «магии от нейросети».
✅Создавать пространство, где удачные эксперименты масштабируются, а неудачные — становятся знанием, а не поводом скрыть проблему.
ML-культура начинается в тот момент, когда компания перестаёт спрашивать:
«А можем ли мы внедрить искусственный интеллект?»
Вот тогда ML перестаёт быть технологией.
И становится новой управленческой культурой.
А в вашей практике ML стала частью менеджмента?
Зацепились с руководителем обработки естественного языка Т-банка Артемом Бондарем об элементе, без которого машинное обучение в компании остаётся красивой презентацией, пилотом и очередной строкой в стратегии.
❗️О ML-культуре❗️
И я поймал себя на мысли: именно здесь проходит настоящий водораздел между теми, кто использует ML, и теми, кто действительно строит бизнес с помощью ML.
🫡ML-культура — это не «у нас есть data science-команда». И не десяток моделей в корпоративном контуре.
Это привычка компании принимать решения на данных, быстро проверять гипотезы, не бояться признавать ошибку модели — и отвечать за результат после её запуска.
🤝Финтех и бигтех давно живут в этой логике.
Там модель — не музейный экспонат и не финальный отчёт по пилоту. Она ежедневно влияет на клиентский опыт: кому показать предложение, где предотвратить мошенничество, как ускорить решение, какой следующий шаг сделать в продукте.
Результат виден быстро — в конверсии, риске, удержании, выручке. А значит, у ML есть право быть частью операционной ткани бизнеса.
🤔В промышленности всё иначе. Длиннее циклы. Выше цена ошибки. Данные часто живут в разрозненных АСУ ТП, MES, ERP, исторических архивах и головах опытных специалистов. Здесь нельзя просто «взять модель из финтеха» и ожидать чуда.
❗️Но именно поэтому промышленности ML-культура нужна, возможно, ещё сильнее.
Потому что предиктивная модель без доверия инженера — не влияет на ремонт.
Модель контроля качества без интеграции в процесс — не снижает брак.
Прогноз без понятного владельца решения — остаётся графиком на дашборде.
Внедрять ML-культуру нужно не тогда, когда «данные будут идеальными» или появится огромный бюджет на корпоративную ИИ-платформу.
А тогда, когда у бизнеса появилась повторяющаяся, дорогая и измеримая проблема — и есть готовность изменить процесс, если данные покажут другой путь.
С чего начать?
✅Выбирать не самую модную, а самую болезненную бизнес-задачу.
✅Сразу договориться, какая бизнес-метрика докажет успех.
✅Собрать в одной команде бизнес, технологов, владельцев данных, ML-специалистов и эксплуатацию.
✅Сделать пилот, но с первого дня думать: кто будет пользоваться решением, что произойдёт при ошибке и как модель будет обновляться.
✅Учить руководителей и сотрудников говорить на языке данных, а не ждать «магии от нейросети».
✅Создавать пространство, где удачные эксперименты масштабируются, а неудачные — становятся знанием, а не поводом скрыть проблему.
ML-культура начинается в тот момент, когда компания перестаёт спрашивать:
«А можем ли мы внедрить искусственный интеллект?»
Вот тогда ML перестаёт быть технологией.
И становится новой управленческой культурой.
А в вашей практике ML стала частью менеджмента?