Первый прототип дашборда с помощью ИИ стоит копейки. Нейросеть очень быстро выдаёт красивый HTML-дашборд, в который данные зашиты прямо в код, а открыть его может любой желающий. Но откуда взялись цифры и как они попали на экран, не знает никто, включая автора.

У нас, как и во многих компаниях, self-service в BI давно стало обычным делом, и теперь вопрос стоит так: какую роль ИИ должен играть там, где доступ к бизнес-аналитике и так открыт всем? Моя рабочая версия ответа: ИИ даёт скорость и гибкость в создании интерфейсов, но не отменяет корпоративного управления данными. Расскажу, как мы пытаемся совместить скорость и контроль и чему, на мой взгляд, нужно учить аналитиков.

Self-service BI в нашей компании и во многих других стало обыденной вещью. Мы довольно хорошо понимаем, где нужно закрутить гайки, а где дать свободу, чтобы самообслуживание не превратилось в хаос. Этот план действий нам понятен.

А теперь появилась новая вводная: инструменты искусственного интеллекта. Они очень разные. Где-то это просто чат-интерфейс, где-то более сложные платформы вроде Fine Dora, на которых можно сконфигурировать своего агента, а кто-то обходится хард-кодом. Вопрос в том, что они меняют для компании, у которой уже всё доступно каждому сотруднику.

С появлением ИИ скорость создания интерфейса, особенно нестандартного, становится очень высокой. В классическом инструменте она ограничена возможностями платформы или самого разработчика. То же можно сказать про гибкость визуализации. Первый прототип с ИИ обходится копейки, особенно если вы не платите за токены, а у вас локальные мощности. Первый прототип большого дашборда в классическом подходе может быть и дорогим, и долгим.

Я вижу много людей, ориентированных на результат, а хорошая нейросеть может выдать этот результат очень быстро. Но качество реализации бывает таким: HTML-дашборд, в котором данные зашиты прямо в код, доступен любому желающему, распространяется так же свободно, а прослеживаемость данных, то есть откуда они взяты и как попали в дашборд, нулевая.

Здесь я выступлю с консервативной точки зрения. Я часто вижу, как обученный аналитик, который прошёл наши внутренние курсы по качеству данных, по процессам публикации дашборда и по его описанию в каталоге данных, осознаёт важность этих навыков. Он использует их и при построении решений на базе ИИ. Он понимает, что важны data governance, ролевая модель и отслеживаемость данных. Важна и продуктивизация пайплайнов: их описание нужно для переиспользования и поддержки, например когда автор ушёл в отпуск и кто-то должен его заменить. Это особенно касается модели self-service.

Второе: умение проверять. Информацию от нейросети нужно уметь проверить, поставить под сомнение, посмотреть на её происхождение и воспроизвести.

Третье: постоянное обучение. Раньше казалось, что можно за год освоить программирование на курсах и на этом закончить образование. Многие открыли неприятную правду: прочитать одну книжку и выучить паттерны недостаточно, аналитик, который хочет расти, развивается всю жизнь. Сейчас рост ускорился ещё сильнее: каждую неделю выходит новая модель, и выходят модели нового типа. Если раньше были просто языковые модели, то теперь появились модели, специализирующиеся на принятии решений. Умение потреблять всё это быстро и при этом выбирать только нужное стало стоить в разы больше. Сегодня человек без такого навыка на высоких позициях не особенно востребован.