«Наш “AI Навигатор” встроен в онлайн-платформу “РосНавык”, созданную в 2022 году при поддержке Университетского консорциума исследователей больших данных (Консорциум Big Data) для анализа рынка труда. Она накапливает информацию с сайтов Headhunter, SuperJob, Работа.ру, Работа в России. В настоящий момент в базе “РосНавыка” более 50 миллионов вакансий. Сервис позволяет узнать требования работодателей по любой вакансии, в каких регионах наиболее востребована та или иная профессия, где больше платят, где больше возможностей для карьеры. “AI Навигатор” объединяет эти данные с информацией из университетских образовательных программ. Абитуриент заходит на платформу, заполняет анкету и проходит профориентационный тест. ИИ выбирает подходящие вакансии для абитуриента, извлекает из них нужные компетенции и подбирает соответствующие им образовательные программы. В итоге “AI Навигатор” дает абитуриенту интерактивные карточки, в которых представлен его возможный карьерный путь – какие программы и в каких вузах ему подходят, на работу в каких компаниях и с какой зарплатой он может рассчитывать», – объясняют в пресс-службе «РосНавыка».

Я пришёл в аналитику, когда увидел в данных реальную ценность: с помощью инструментов можно показать зависимости и ключевые показатели, проверять гипотезы на фактах и напрямую влиять на бизнес. Путь начался с позиции джуна в корпоративном хранилище банка и привёл меня к роли эксперта по данным в e-commerce, где сегодня на больших объёмах я быстро нахожу ответы, на которых можно строить решения для бизнеса.

Дата-аналитика для бизнеса — это способ превратить данные в полезные выводы: найти закономерности, понять, что происходит в компании, и на этой основе принимать решения. Мы собираем разрозненные данные в отчёты и показатели, чтобы команды видели ясную картину происходящего и могли вовремя на что-то повлиять.

Я убеждён, что у ML-команд, которые работают над AI-системами разного масштаба, есть своя специфика и подход к разработке. Это нужно учитывать на каждом этапе управления проектом: от сбора требований и данных до отстраивания процессов управления командой. Если относиться к ML-разработке как к работе над обычным IT-проектом, можно случайно «скатиться» в атмосферу стартапа. Это не всегда плохо, но в дорогой продуктовой разработки это, как правило, неприемлемо и очень опасно.

Многие стейкхолдеры прежде всего думают про бизнес-процессы и бизнес-метрики, при этом слабо погружены в машинное обучение. Разработчики чаще думают про технические метрики качества моделей и редко обращают внимание на бизнес-специфичные вещи. Отсюда и проблема коммуникации: бизнес не знает, на что способно машинное обучение, а команда разработки не понимает, что от них хотят. Методологии управления ML-проектами призваны решить эту проблему.