Эпизод 24.
Полный гид по AI для системных аналитиков: как выбирать нейросети и для каких задач использовать
Сегодня Искусственный Интеллект (Artificial Intelligence - AI) это не просто “хайп”, а рабочий инструмент, который уже помогает миллионам специалистов автоматизировать и ускорять их работу.
В этом эпизоде вы найдёте обзор основных AI-инструментов для системных аналитиков. Разберёмся, чем они отличаются, какие возможности предлагают, что и для каких задач подходит лучше всего.
Здесь мы не просто восхищаемся технологиями — мы даём готовые инструкции, как системный аналитик может применять нейросети на практике, чтобы оставаться конкурентоспособным в быстро меняющемся мире IT.
Эпизод основан на исследовании работы AI в “чистых” и обученных аккаунтах.
Он будет полезен как опытным системным аналитикам, которые хотят убедиться, что используют нейросети по максимуму, так и новичкам, только начинающим путь в мир AI и желающим понять, с чего начать и как встроить нейросети в рабочие процессы.
Реальные кейсы, примеры и личный опыт.
Подкаст, который точно стоит послушать сегодня!
Тайм-коды эпизода
Часть 1. Общий обзор нейросетей
00:00 | Введение. Начало эры нейросетей и почему тема искусственного интеллекта актуальна для системных аналитиков.
02:37 | Обзор и история появления ChatGPT и DeepSeek. Сравнение возможностей.
12:47 | Обзор Gemini AI от Google и YandexGPT. Сравнение возможностей.
15:44 | Для каких задач лучше всего подходит каждая из нейросетей. API для разработки собственных приложений. Стоимость и доступность для пользователей разных стран.
22:38 | Особенность, которая привела меня к использованию Gemini AI: почему я выбираю его для задач, где мне нужна проверенная информация.
Часть 2. Применение нейросетей для решения задач системных аналитиков
31:55 | Введение в тему использования нейросетей системными и бизнес-аналитиками.
32:57 | Разработка требований с использованием нейросетей. Рекомендации к формированию промптов (запросов).
43:26 | Анализ голоса и преобразование в структурированный текст. Личный опыт в помощи для рабочих задач. Дополнительные инструменты для анализа, поиска и генерации информации со встроенными возможностями AI.
49:43 | Создание UML диаграмм через нейросети.
54:57 | Создание BPMN диаграмм через нейросети.
59:36 | Визуализация информации и её структурирование: mind map, user story mapping и другие. Разработка презентаций.
01:01:04 | Диаграмма C4 для проектирования схем архитектуры.
01:03:49 | ER-диаграмма для описания БД на логическом и физическом уровнях. SQL-запросы к БД на основе загруженной ER-диаграммы.
1:12:22 | Проектирование API и требования к брокерам.
1:15:35 | Другие задачи аналитиков, с которыми могут помочь нейросети.
Ключевые нейросети для системного аналитика
Основные инструменты для системных аналитиков:
- ChatGPT — это языковая модель на архитектуре GPT от OpenAI, обученная на большом объёме текстов для генерации, анализа и трансформации естественного языка.
https://chatgpt.com/ - DeepSeek — open-source языковая модель семейства DeepSeek LLM, ориентированная на задачи программирования, анализа текста и генерации SQL. Отличается высокой точностью при решении технических задач.
https://www.deepseek.com/ - Gemini AI — мультимодальная нейросеть от Google, объединяющая обработку текста, изображений и аудио. Основана на модели Gemini, интегрируется с Google Workspace и предоставляет API-доступ к функциям ИИ.
https://gemini.google.com - YandexGPT — языковая модель, разработанная Яндексом, предназначена для генерации и анализа текстов в русскоязычном Интернет. Доступна через голосового ассистента Алиса, YandexGPT чат и API Yandex Cloud.
https://alice.yandex.ru/
Дополнительные инструменты со встроенным AI для системных аналитиков:
- Miro - для разработки диаграмм и интеллектуальных карт (mind map), дизайна презентаций.
- Confluence Cloud - для разработки документации.
- Postman - для разработки автотестов к API.
- Canva - создание презентаций и обработка изображений.
Как сделать факт-чек информации через Gemini AI
Обзор возможностей нейросети на примерах:
- описание технического Use Case (сценария работы системы);
- запрос для получения теоретической информации о брокере Kafka и его настройках.
Специализированные мини-чаты GPTs
Специализированные мини-чаты в OpenAI (ChatGPT), обученные специалистами на их собственной базе знаний и знаниях нейросети:
- gRPC Guru - специализированный AI-чат для работы с проектированием и анализом gRPC API
https://chatgpt.com/g/g-FqZQlwFOl-grpc-guru - UML Sequence Diagrams | GetAnalyst - специализированный AI-чат для создания UML Sequence диаграмм
https://chatgpt.com/g/g-67ef187bc6148191b9b2c62c04f6e13d-uml-sequence-diagrams-getanalyst
Промпт-инжиниринг:
рекомендации к формированию промтов для системных аналитиков
Промпт — это входной запрос, который пользователь формулирует для генеративной модели (Generative AI).
Он может содержать:
Текст — например, вопрос, задание или описание задачи;
Код — фрагменты программ, которые нужно дополнить, проанализировать или сгенерировать;
Изображения, видео, аудио, документы — любые медиафайлы или структурированные данные, на основе которых модель должна сгенерировать результат.
Промпт можно рассматривать как структуру входных данных, которую подаёт конечный пользователь нейросети. Он играет ту же роль, что и пользовательский ввод в традиционных системах — только тут запрос подаётся в виде естественного языка или мультимодальных данных (могут быть переданы данные сразу нескольких видов, например: изображение и текст с требованиями к его обработке на естественном языке).
Generative AI (генеративный искусственный интеллект) — это тип ИИ-моделей, способных создавать новый контент на основе заданных пользователем входных данных разного вида (текст, изображения, видео, файлы и другие).
Они обучены на больших объёмах данных и умеют:
Генерировать текст (статьи, описания, письма);
Писать или анализировать код;
Создавать или редактировать изображения, видео, аудио;
Обрабатывать и интерпретировать документы.
Результатом работы Generative AI является новый контент, созданный на основе запроса пользователя. Ответы всегда разные. Качество ответа зависит от того, как четко пользователь нейросети задал инструкции для генеративной модели.
10 критериев хорошего промпта: рекомендации для системных аналитиков
1. Указание роли и опыта
Уточняйте, от чьего лица ИИ должен действовать.
Например:
"Ты — опытный системный аналитик, работающий с FinTech-продуктами."
Это помогает модели лучше интерпретировать контекст и подобрать стиль ответа.
2. Разбиение большой задачи на маленькие шаги
ИИ лучше справляется с конкретными подзадачами.
Разбивайте сложные запросы на части.
Вместо: "Сделай техническое задание для платформы дистанционного обучения",
Лучше: "Сформулируй функциональные требования для модуля регистрации пользователей."
3. Задание контекста
Добавьте вводные данные: цели проекта, тип системы, ограничения.
Без этого ИИ может сгенерировать слишком общий ответ.
4. Точные требования к результату
Уточняйте формат, стиль и объем.
Пример:
Сформулируй Use Case для функции «Поиск товара в каталоге» в интернет-магазине. Используй следующий шаблон:
Название Use Case
Акторы
Предусловия
Основной поток событий (до 20 шагов)
Альтернативные потоки (если есть)
Исключения
Постусловия
Текст должен быть написан в деловом, но понятном стиле, как для документации. Не используй технических сокращений без расшифровки. Используй нумерацию шагов в основном потоке. Ответ должен быть пригоден для включения в проектную документацию по требованиям.
5. Выбор правильных источников информации
Ссылайтесь на конкретные источники из которых нужно брать информацию, если это возможно.
Добавляйте к запросу документы для анализа.
Включайте режим поиска, если вам важно найти информацию, которая актуальна именно сегодня.
6. Использование шаблонов и образцов
Покажите пример — это поможет ИИ повторить нужную структуру.
"Вот пример одного требования: ..... . Сформулируй остальные в таком же виде."
7. Ясность и отсутствие двусмысленностей
Формулируйте запрос так, чтобы исключить разночтения. Чем точнее описана задача, тем качественнее результат.
8. Форматирование и использование разметки
Используйте списки, подзаголовки, буллеты и разделители. Можно использовать произвольные символы. Главное, чтобы это разделение было понятно человеку. Это помогает модели лучше анализировать ваши запросы и формировать более точные ответы.
9. Знайте связки инструментов
Понимайте, как можно использовать AI в совокупности с другими программными инструментами.
Например, шаги, чтобы сделать UML-диаграмму:
- запросить код для PlantUML у нейросети,
- и затем вставить его в PlantUML.
10. Оптимизация длины запроса при разработке собственного ПО
Если вы используете AI для разработки собственных приложений, которые интегрируются с ним по API, то обязательно учитывайте:
ограничения по токенам на один запрос (кол-во символов на запрос);
стоимость обработки запроса: чем больше токенов в запросе (промпте) и ответе, тем дороже использование AI;
необходимость контролировать длину как входа, так и выхода, чтобы избежать перерасхода бюджета и перегрузки модели.
Хороший промпт — это спооб управления качеством результатов генерации данных, которые выдаёт AI. Это как техническое задание для человека: чем чётче и понятнее вы сформулируете запрос, тем лучше и точнее будет результат.
Примеры промтов для системных аналитиков
Написание требований в формате Use case
Работай как опытный системный аналитик в сфере медицины.
Сделай описание Use Case для записи пациента к врачу через мобильное приложение.
Шаблон:
Системы (сервисы, микросервисы, мобильные и веб-приложения и другие)
Внешние системы
Входные данные
Предусловие
Алгоритм работы
Альтернативные сценарии к каждому шагу в формате 1А, 1Б, 2А, 3А, 3Б, 3С...
Результат
Учти:
+ в процессе надо выбрать время приема, врача, специализацию, но сделай правильный логический порядок. Возможно я что-то не учел.
+ после записи надо отправить email и SMS с подтверждением пациенту
+ только авторизованные в системе пациенты могут записаться на прием
+ в процессе предлагать ввести номер страхового полиса и выбрать тип: омс, дмс
Разработка ER-диаграммы (схемы БД)
Пример промпта для генерации ER-диаграммы (схемы БД) в связке с инструментом dbdiagram.io.
Работай как опытный системный аналитик в области медицинских информационных систем и систем для аптек.
Создай ER-диаграмму для базы данных системы продажи лекарств онлайн.
СУБД: PostgreSQL.
Первичные ключи: UUID.
Ключевые сущности, которые надо показать: товар (со всеми возможными основными и дополнительными параметрами лекарств + инструкции - надо изучить в интернете что можно хранить про каждое лекарство), категория товара, аптека (с ее адресом и информацией по организации), пользователь, корзина, заказ на основании корзины, платеж.
Проработай данные о каждой сущности максимально детально.
Результат представь в виде кода dbdiagram.io.
Пример кода по оформлению и детализации, который я ожидаю:
Table book {
id uuid [primary key, not null, unique, note: 'Уникальный идентификатор книги']
title varchar[512] [not null, note: 'Название книги']
author_id uuid [not null, note: 'Автор книги']
primary_genre_id uuid [note: 'Жанр книги']
published_year integer [note: 'Год публикации']
file_url varchar[256] [not null, note: 'Ссылка на файл книги в файловом хранилище']
created_at timestamp[0] [not null, note: 'Дата добавления книги']
updated_at timestamp[0] [note: 'Дата обновления книги']
isbn varchar[64] [not null, note: 'ISBN номер']
number integer [note: 'номер книги в библиотеке']
rating decimal [note: 'рейтинг в звездах']
publisher varchar[512] [not null, note: 'Издательство']
country_code varchar[3] [not null, note: 'Код страны']
cover_image_url varchar[256] [not null, note: 'Ссылка на обложку книги в файловом хранилище']
}
Table user_book_saved {
user_id uuid [not null, note: 'Идентификатор пользователя-читателя']
book_id uuid [not null, note: 'Книга, которую добавили в закладки']
created_at timestamp[0] [not null, note: 'Дата добавления книги в избранное']
}
Table genre {
id uuid [primary key, not null, unique, note: 'Уникальный идентификатор жанра']
name varchar[128] [not null, note: "Название жанра на русском"]
}
Разработка UML диаграммы
Пример промпта для генерации UML-Sequence диаграммы в связке с инструментом plantUML.
Работай как опытный системный аналитик.
Сделай код plantUML для создания UML-Sequence диаграммы для Use Case, описанного ниже.
На UML-диаграмме покажи:
+ бары активации
+ стрелки ответов (сообщений в ответ на запросы) должны быть пунктирные -->
+ всех участников процесса: пользователь, веб-приложение, Backend, внешнюю систему DaData, в этом случае давай без БД
+ показывать альтернативные сценарии и обработку ошибок
Use Case:
Пользователи:
Пользователь-арендатор
Системы:
Frontend (Мобильное приложение iOS, Android / Web-приложение для Арендатора)
Backend-приложение:
API Gateway
Сервис управления пользователями (с его БД)
Брокер Kafka, топик notifications.property_updates_subscriptions
Сервис уведомлений (с его БД)
Внешние системы:
Unisender
Входные данные:
id пользователя-арендатора (на основании токена)
id города
Предусловие:
Пользователь не подписан на обновления по объектам недвижимости.
Пользователь переходит в настройки уведомлений и хочет подключить уведомления о новых и выгодных объектах недвижимости в одном выбранном городе.
Алгоритм работы:
Пользователь-арендатор переходит в раздел «Настройки уведомлений» в любом из frontend-приложений (iOS / Android / Web).
Для отображения справочника городов в поле выбора и их поиска Frontend вызывает метод API Gateway:
GET /cities
при входе на форму.
API Gateway возвращает данные по списке городов.
Детали работы метода описаны в его API-документации.
Поведение поля выбора городов описано далее, в требованиях к UI/UX.
Пользователь-арендатор выбирает город для получения уведомлений из списка.
Frontend формирует и отправляет запрос на подписку к API Gateway.
POST /user-notifications/cities/{cityId}/subscribe
Запрос включет:
ID города,
токен авторизации (из которого backend определяет ID пользователя).
API Gateway маршрутизирует запрос в Cервис авторизации для проверки токена авторизации и получения id пользователя.
API Gateway маршрутизирует запрос в Сервис управления пользователями, где:
Проверяется, подписан ли пользователь уже на уведомления по выбранному городу в БД Сервис управления пользователями.
Фиксируется отметка о включении подписки в БД Сервис управления пользователями.
После успешной подписки Сервис управления пользователями:
Публикует сообщение в Kafka (топик: notifications.property_updates_subscriptions) с деталями подписки:
ID пользователя,
ID города,
email пользователя,
время запроса - timestamp.
Возвращает успешный ответ на API Gateway о том, что запрос на включение подписки успешно обработан.
Пользователь получает уведомление в интерфейсе о том, что подписка успешно оформлена.
Сервис уведомлений подписан на указанный Kafka-топик и получает сообщение о новой подписке.
После чего он получает id листа подписки в Unisender для выбранного города по его id из БД уведомлений.
Сервис уведомлений формирует запрос во внешнюю email-систему Unisender через REST API, передавая email пользователя + id листа подписки в Unisender:
POST https://api.unisender.com/ru/api/subscribe
Сервис уведомлений получает ответ об успешной подписке от Unisender.
Тут еще можно добавить про письмо от Unisender, которое приходит пользователю, чтобы он подтвердил подписку и развернуть сценарий далее. Но пока делаем упрощенно.
Сервис уведомлений сохраняет информацию в своей БД уведомлений об успешной активации подписки.
Сервис уведомлений публикует сообщение в Kafka (топик: notifications.property_updates_subscriptions_status) с деталями подписки и её статусом для синхронизации данных о подписке с Сервисом управления пользователями:
ID пользователя,
ID города,
статус подписки,
время запроса - timestamp.
Сервис управления пользователями подписан на указанный Kafka-топик и получает сообщение об успешной подписке на город и актуализирует данные в своей БД.
Связки инструментов для создания диаграмм через нейросети
Вы можете использовать любую из нейросетей для генерации программного кода (ChatGPT, Gemini, DeepSeek), который затем вставляется в инструменты визуализации диаграмм на основе сгенерированного кода.
Идеально, когда вы получаете шаблон кода от нейросети. Но его в 100% случаев хотя бы минимально нужно дорабатывать, так как нейросети ошибаются и не знают всех деталей ваших проектов.
UML диаграммы для описания процессов и алгоритмов работы систем
- PlantUML
Обязательно добавляйте примеры хорошего кода в запрос, которые можно взять в этом боте. - MermaidChart
ER-диаграммы для БД
- dbdiagram.io
С инструментом можно познакомиться тут. - MermaidChart
C4 диаграммы - схемы архитектуры
- Structurizr
Обязательно приводите примеры кода нейросетям, так как они пока плохо знакомы с ним. Примеры кода можно взять здесь.
Дополнительные материалы
Про диаграммы для системных аналитиков:
Слушайте эпизод на любимых подкаст-площадках, подписывайтесь и делитесь с коллегами!
Контакты
+7 (499) 686-15-46
Лицензия №Л035-01255-50/01366872 от 28.08.2024
*Instagram — запрещенная на территории РФ организация
Практический опыт здесь, 2021-2025
Мы используем файлы cookie, для персонализации сервисов и повышения удобства пользования сайтом. Если вы не согласны на их использование, поменяйте настройки браузера.