Как мы прокачиваем HealthScore для 6000+ витрин и готовим DWH к AI

⏳ 15 мин | 🟡🟡⚪️

Читать статью | @analysis_it

💙 Analyst IT | 💬 Analyst IT

🔥 SPRINT OFFER в YADRO для системных аналитиков: Телеком и BIOS/BMC!

В YADRO стартовал SPRINT OFFER для системных аналитиков. Это возможность пройти все этапы отбора и получить оффер в компанию всего за три дня. Мы в поиске специалистов в два направления:

🚀 Телеком
Разработка компонентов мобильных сетей и систем управления сетью. Команда работает с архитектурой базовых станций и телеком-платформами для стандартов GSM/LTE/5G.
Технологии: LTE/5G/GSM, 3GPP/RFC/O-RAN/ITU.

💻 BIOS/BMC
Разработка и поддержка системного ПО для серверов и модулей серверных платформ.
Технологии: BMS, BIOS/UEFI, Embedded, Linux, высокоскоростные интерфейсы, протоколы интеграции

Системные аналитики в этих командах работают с формализацией требований к продукту, технической документацией и взаимодействуют с командами архитектуры, разработки и тестирования.

Уровень: Специалист / Старший / Ведущий.

Формат работы: Удалённая работа или офис в городах присутствия — Москве, Санкт-Петербурге, Нижнем Новгороде, Екатеринбурге, Минске.

⚙️ Как проходит SPRINT OFFER:
1️⃣ Подайте заявку до 29 марта и пройдите HR-скрининг.
2️⃣ Пройдите техническое и менеджерское интервью.
3️⃣ Получите оффер в течение 3 дней.

💙 Подайте заявку до 29 марта и всего за 3 дня начните свой путь в компании, которая задает новые стандарты в технологической среде!

Эволюция подходов к работе со спецификациями: от бумажного ТЗ к  Everything as Code

⏳ 8 мин | 🟡⚪️⚪️

Читать статью | @analysis_it

💙 Analyst IT | 💬 Analyst IT

AI vs аналитик: кто кого заменит

⏳ 8 мин | 🟡🟡⚪️

Читать статью | @analysis_it

💙 Analyst IT | 💬 Analyst IT

Как изменилась работа системного аналитика с приходом ИИ

Салют! Я работаю в аналитике с 2013 года. Начинала с позиции младшего бизнес-аналитика в производственной компании со своим заводом, сейчас занимаюсь системным анализом в ИТ. За последние два года с распространением больших языковых моделей мой рабочий процесс изменился кардинально.

👋 Что исчезло из рутины

1️⃣ Ручная обработка неструктурированных данных.

Раньше сбор требований состоял из нескольких Word и PDF, и занимал несколько часов.
Сейчас я загружаю исходники в LLM и получаю структурированный список противоречий и расхождений за 20–30 минут.

2️⃣ Форматирование документации.

Составление разделов с общей информацией и глоссариев больше не отнимает пол дня. Я набрасываю черновик в маркдауне, ИИ приводит его к корпоративному шаблону. Моя роль сместилась от написания к редактированию.

3️⃣ Генерация типовых тестовых сценариев.

Матрицы граничных значений и базовые наборы позитивных и негативных кейсов теперь формирует нейросеть. Я дорабатываю только специфичные для бизнес-логики сценарии.

__________________

😱 Что стало сложнее

1️⃣ Иллюзия готового решения у заказчика.

Стейкхолдеры часто приходят с распечатками ChatGPT и уверены, что нейросеть уже спроектировала решение. Моя задача усложнилась: теперь я не только выявляю реальные потребности, но и проверяю сгенерированные модели на соответствие бизнес-логике и техническим ограничениям.

2️⃣ Риск потери глубины погружения.

ИИ ускоряет написание SQL и скриптов, но модель может упустить детали вроде специфики типов данных или кодировок. Ментальная нагрузка сместилась: раньше я тратила усилия на написание, теперь — на верификацию.

3️⃣ Фрагментация инструментов.

Раньше стек ограничивался Word, Excel, Draw.io и Jira. Сейчас я работаю с тремя-четырьмя LLM-сервисами одновременно. Количество инструментов выросло, время на переключение контекста — тоже.

______________

‼️ Как изменилась роль

Я перестала быть исполнителем, отвечающим за оформление документации, и стала архитектором, фокусирующимся на смысловых и структурных аспектах.

Распределение времени изменилось.
Если раньше 60% уходило на оформление и синхронизацию артефактов, то сейчас 80% времени я трачу на:

1. Аналитическое мышление — оценку долгосрочных последствий, выявление скрытых ограничений.

2. Коммуникацию — количество итераций согласования выросло, так как ускорилась генерация артефактов.

3. Валидацию — выявление галлюцинаций и неточностей в сгенерированных материалах.

В заключении хотела сказать, что ИИ не заменил аналитика, но изменил спектр требуемых навыков. Инструмент эффективен для обработки информации и генерации черновиков, но без системного мышления и опыта в предметной области его использование снижает качество.

Главное изменение — смещение фокуса с оформления и написания на архитектурное проектирование и валидацию. Скорость ожидания результата выросла, ответственность за решения осталась прежней.

В след раз я приведу кейс из рабочей жизни, и покажу прям на примере, как я сдружились с ИИ))

Источник: @ba_and_sa

💙 BA|SA | 💬 BA|SA

Тестирование ML-систем: сложности, факапы и рабочие практики

⏳ 8 мин | 🟡🟡⚪️ 

Читать статью | @analysis_it

💙 Analyst IT | 💬 Analyst IT

От нуля до продакшена: как команда без ML-экспертизы построила AI-ассистента для звонков

⏳ 11 мин | 🟡🟡⚪️

Читать статью | @analysis_it

💙 Analyst IT | 💬 Analyst IT

🔵🗣Вырасти до хардового Middle+ аналитика.
Как? Добавьте к своим скилам навыки в проектировании архитектуры и интеграций веб-сервисов!

Рассмотрите — авторский курс про архитектуру и интеграции
с практикой.
—————
По результатам курса вы:
▫️научитесь выбирать стиль интеграции под вашу задачу;
▫️сможете проектировать с нуля и описывать интеграции в современных стилях (API: REST, SOAP, gRPC и др. + брокеры сообщений);
▫️поймете, как правильно собирать требования и моделировать в UML;
▫️подготовитесь к собеседованию, решив более 100 тестов;
▫️разработаете свой API на Python;
—————
🟢Вы получите большую базу фундаментальных знаний, доступ к урокам и обновлениям остается навсегда 💡

• Всю программу и отзывы смотрите в боте курса.
• Бонусный модуль про проектирование баз данных — нормализация, транзакции, основы DWH, индексы.
• Результат после прохождения курса: 15 рабочих проектов в портфолио.
• Доступ к чату учеников (общение, обмен опытом, помощь внутри сообщества)

🔹🔹 С чего начать?🔹🔹
С открытых бесплатных уроков по архитектуре и интеграциям в чат-боте курса. Переходите.
👇
@studyit_help_bot

Скидка на курс от канала —
1 500₽ по промокоду ANALY до конца марта

Как проектировать интеграции с Kafka

⏳ 7 мин | 🟡⚪️⚪️

Читать статью | @analysis_it

💙 Analyst IT | 💬 Analyst IT

Observability в финтехе: связываем клик пользователя с падением интеграции

⏳ 10 мин | 🟡🟡⚪️

Читать статью | @analysis_it

💙 Analyst IT | 💬 Analyst IT

Салют! На днях писала пост про то, как ИИ повлиял на нашу работу. Сегодня привожу пример с моей рабочей жизни)

Пример: Интеграция с внешним API поставщика

Был проект по автоматизации закупок. Нужно было интегрироваться с API крупного поставщика, у которого документация была… как бы помягче… «исторической». Swagger-спеки не было, был PDF на 200 страниц, где описание полей шло вперемешку с юридическими оговорками и примерами на устаревшем XML.

Задача: спроектировать систему обмена данными (заказы, статусы, отгрузки), описать маппинги полей и написать ТЗ для разработки адаптера.

👩‍💻 Как я использовала ИИ

1. Структурирование «мусора»

Я скормила ИИ (через API, с соблюдением всех NDA и анонимизацией данных) выдержки из PDF — только описания методов и схемы объектов.

Промпт был такой:

У меня есть описание REST API (фрагменты). Документация неструктурированная. Выдели все эндпоинты, методы, обязательные и опциональные параметры. Приведи в виде таблицы: эндпоинт, метод, описание, входные параметры (с типами), выходные параметры. Если есть зависимости между вызовами — отметь. Не додумывай, только то, что явно написано

ИИ вытащил структуру за 15 мин, которую я вручную собирала бы 2–3 дня. Да, были неточности — нейросеть иногда путала description поля с примером значения. Но база была готова.

2. Генерация маппингов

Дальше нужно было сопоставить поля поставщика с нашей внутренней моделью данных.

Я подготовила таблицу с нашей схемой (поля, типы, ограничения) и дала задание:

Вот поля поставщика (колонка A), вот наши поля (колонка B). Предложи маппинг. Где нет прямого соответствия — отметь как “требует преобразования” и предложи вариант логики. Где данных не хватает — отметь как “требует уточнения у бизнеса”

ИИ выдал черновик маппинга с 40+ полями. Из них около 30 я приняла без изменений, в 7 добавила свои правки, а 3 действительно пошли на уточнение к заказчику (и оказалось, что эти поля реально не используются — я бы сама копалась полдня).

3. Написание ТЗ для разработчиков

Самый приятный момент. У меня была готова структура: эндпоинты, маппинги, бизнес-сценарии. Нужно было превратить это в ТЗ, которое не вызовет у разработчиков 100500 уточняющих вопросов.

Я использовала ИИ так:

У меня есть описание интеграции. Напиши раздел ТЗ “Логика обработки ошибок” для следующих сценариев: таймаут, 4xx, 5xx, невалидный JSON. Для каждого укажи: что логируем, нужен ли ретрай (с какой задержкой), переходим ли в ручной режим. Стиль — технически точный, без воды

ИИ сгенерировал матрицу обработки ошибок, которую я только немного адаптировала под наши корпоративные стандарты (у нас своя политика ретраев с экспоненциальной задержкой).

Аналогично я накидала:

- описание аутентификации
- примеры запросов/ответов (которые ИИ сгенерировал на основе структуры полей)
- чек-лист для приемки интеграции (разработчик сказал потом: «О, тут даже кейс с пустым массивом учтен — спасибо, я б забыл»)

4. Валидация (ключевой момент!)

И вот тут — самое важное. Я не просто скопировала результат.

Когда ИИ сгенерировал маппинг, я заметила странность: поле delivery_address.line2 он замаппил на наше address_extra, а поле delivery_address.full — на наше address_full. Но в документации поставщика было написано, что line2 используется только если full не заполнен. Это бизнес-логика, которую нейросеть упустила (или она была на другой странице PDF, которую я не скормила).

Я докрутила: добавила условие «если full не пуст — берем его, иначе формируем из line1 + line2».

‼️ Без моей экспертизы это уехало бы в разработку, а потом — баг на тестировании и лишняя итерация.

Что по итогу

Итого: вместо 4–5 рабочих дней я уложилась в 1,5 дня. При этом качество выросло — потому что время освободилось на сложную логику и валидацию, а не на перепечатывание полей из PDF в Excel.

‼️В комментариях оставила небольшой вывод👇

Источник: @ba_and_sa

💙 BA|SA | 💬 BA|SA

ИИ-агенты защищают друг друга от отключения: анализ уязвимостей в передовых моделях

⏳ 11 мин | 🟡⚪️⚪️

Читать статью | @analysis_it

💙 Analyst IT | 💬 Analyst IT