ИИ-Айсберг
Увидела на днях отличную, на мой взгляд, презентацию авторства Максима Перфильева по мотивам подкаста "Архитектор систем". Полная презентация есть тут, а пока некоторые #заметки со слайдов
Почему проекты искусственного интеллекта проваливаются в первый год и как построить систему, которая работает?
Причина провалов не в том, что модели плохие. Проблема в том, что ИИ часто строят как «дополнительную кнопку», а не как полноценный инфраструктурный слой бизнеса.
Прототип (лабораторные условия):
• Собран за один вечер
• Используются тестовые, «чистые» данные
• Отсутствует нагрузка
• Никто не задает сложных вопросов
Продукт (реальная эксплуатация):
• Грязные данные и непредсказуемые действия пользователей
• Постоянные изменения процессов
• Резкие скачки нагрузки
10% - модель ИИ, 90% - система, которая лежит под ней, состоящая из 5 уровней
Уровень 1
Данные — это не просто папка
Если данные не управляются, ИИ генерирует случайный шум.
ИИ не может навести порядок в данных за вас. Он работает только с тем, что вы ему дадите.
Уровень 2
Конвейер обработки
Система ИИ — это цепочка процессов, а не прямая линия. Прямое подключение модели к источнику данных ломается при первой же нагрузке
Уровень 3:
Вычисления
Без контроля инфраструктура может стать бесконечно дорогой
Уровень 4:
Бизнес-логика
Если ИИ не встроен в реальный бизнес-процесс, он так и останется дорогим экспериментом.
Уровень 5.
Безопасность
ИИ создает новый класс рисков: утечка данных через диалог с моделью
Любая реальная система требует проработки каждого из этих слоев. Пропуск любого уровня гарантирует сбой.
Всем, кто до конца не понимает как в компании считается численность, но запускает ИИ-бота по HR-аналитике посвящается ;)
🔜📱Телеграм |📲Max @whrdata
Увидела на днях отличную, на мой взгляд, презентацию авторства Максима Перфильева по мотивам подкаста "Архитектор систем". Полная презентация есть тут, а пока некоторые #заметки со слайдов
ИИ — это не магия. Это архитектура.
Почему проекты искусственного интеллекта проваливаются в первый год и как построить систему, которая работает?
Причина провалов не в том, что модели плохие. Проблема в том, что ИИ часто строят как «дополнительную кнопку», а не как полноценный инфраструктурный слой бизнеса.
Контраст между прототипом и реальной эксплуатацией огромен.
Прототип (лабораторные условия):
• Собран за один вечер
• Используются тестовые, «чистые» данные
• Отсутствует нагрузка
• Никто не задает сложных вопросов
Продукт (реальная эксплуатация):
• Грязные данные и непредсказуемые действия пользователей
• Постоянные изменения процессов
• Резкие скачки нагрузки
По итогам прототипа возникает иллюзия, что ИИ уже внедрен
10% - модель ИИ, 90% - система, которая лежит под ней, состоящая из 5 уровней
Уровень 1
Данные — это не просто папка
Если данные не управляются, ИИ генерирует случайный шум.
ИИ не может навести порядок в данных за вас. Он работает только с тем, что вы ему дадите.
Уровень 2
Конвейер обработки
Система ИИ — это цепочка процессов, а не прямая линия. Прямое подключение модели к источнику данных ломается при первой же нагрузке
Уровень 3:
Вычисления
Без контроля инфраструктура может стать бесконечно дорогой
Уровень 4:
Бизнес-логика
Если ИИ не встроен в реальный бизнес-процесс, он так и останется дорогим экспериментом.
Уровень 5.
Безопасность
ИИ создает новый класс рисков: утечка данных через диалог с моделью
Любая реальная система требует проработки каждого из этих слоев. Пропуск любого уровня гарантирует сбой.
Всем, кто до конца не понимает как в компании считается численность, но запускает ИИ-бота по HR-аналитике посвящается ;)
🔜📱Телеграм |📲Max @whrdata