Эпизод 34.
Повсюду «AI, AI, AI»: Generative AI, LLM, Fine-Tuning, RAG — но что это значит для системных и бизнес-аналитиков? Куда бежать, что изучать и с чего начать, если уже сейчас хочется новый виток в карьере в направлении AI?
В этом выпуске разбираем реальные проекты, задачи и роли в компании red_mad_robot: где место аналитика в Generative AI, какие навыки нужны на старте и как меняется работа команд по сравнению с «обычными» IT-проектами.
Telegram-канал сообщества: https://t.me/getanalysts
red_mad_robot: https://www.redmadrobot.com/
AI акселератор для БА и СА: https://getanalyst.ru/education/ai-for-systems-analysts
Анастасия и Игорь «раскрывают кухню» Generative AI-проектов: RAG vs Fine-Tuning, Small LLMs, метрики качества, безопасность и свой реальный опыт работы. К концу эпизода вы поймёте, с чего начать переход, какие артефакты добавить в портфолио и чего ожидать на собеседованиях.
Слушайте, делайте заметки и задавайте вопросы в комментариях, чтобы мы могли дать вам максимум пользы от этого выпуска!
Тайм-коды эпизода:
00:00 | Введение в Generative AI и машинное обучение. Знакомство с опытом аналитиков в AI-компании.
07:19 | Что такое Generative AI: короткое погружение и ключевые термины.
12:49 | Популярные направления внедрения Generative AI: типовые бизнес-задачи и запросы.
16:24 | RAG и Fine-Tuning: как адаптируют модели под задачи.
18:37 | Оценка работы AI: качество ответов, замена человека, типичные проблемы.
25:13 | Какие AI-модели внедряют в мире и РФ, безопасность использования AI.
30:22 | Small LLMs: что это и как повышают безопасность внедрения.
35:34 | Навыки для работы с Generative AI: отличия ролей аналитика, разработчика и тестировщика от обычных IT-команд.
40:01 | Как начать карьеру в Generative AI без опыта и компетенций.
50:30 | Страхи и барьеры компаний при внедрении Generative AI.
57:53 | Реальные кейсы и экономика: где Generative AI даёт эффект, а где убытки.
1:04:09 | Пожелания и рекомендации для бизнеса и IT-специалистов.
Generative AI — класс моделей, которые по запросу генерируют текст, код, изображения или аудио.
Пример: бот поддержки формирует ответ клиенту и краткий итог диалога по базе знаний.
LLM (Large Language Model) — большая языковая модель (обычно трансформер), понимает и создаёт текст/код по подсказке.
Пример: по описанию «нужен отчёт по продажам» генерирует черновик SQL и поля фильтров.
Машинное обучение (ML) — методы, где модель учится на данных для предсказаний/классификации/рекомендаций.
RAG (Retrieval-Augmented Generation) — схема, где перед ответом LLM получает релевантные документы из хранилища (векторный поиск) и опирается на них.
Пример: вопрос про тариф — ответ с цитатой из актуального PDF и ссылкой на страницу.
Fine-Tuning (дообучение) — дополнительное обучение базовой модели на ваших размеченных примерах для нужного стиля/формата/домена.
Пример: дообученная модель отвечает в стиле компании и заполняет поля строго по шаблону.
Small LLM (SLM) — уменьшенная языковая модель (сотни млн–неск. млрд параметров), дешевая/быстрая, часто работает on-prem.
Пример: внутри периметра компании извлекает реквизиты из заявок за <500 мс без отправки данных в облако.
Получайте полезные материалы и учитесь новому каждый день в наших социальных сетях.
*Instagram и LinkedIn — запрещенные на территории РФ организации
Мы используем файлы cookie, для персонализации сервисов и повышения удобства пользования сайтом. Если вы не согласны на их использование, поменяйте настройки браузера.