Задумываетесь ли вы, что AI-агенты уже сейчас сами принимают решения в физическом мире?

И я хочу сказать, что это происходит в крупных бизнесах, которыми мы с вами пользуемся ежедневно

Послушал доклад Станислава Макеева «AI-managed Лавка: как AI становится управляющим слоем физического мира»

Главные мысли, которые зацепили:

🎒 Самой Лавке уже 7 лет и, как и любой оффлайновый бизнес, она обросла множеством процессов, завязанных на людей. Встроить в эти процессы AI-агентов становится непростой задачей, поэтому внедрение идет постепенное: сначала AI-агент дает рекомендации по процессу, супервайзер валидирует эти решение. Потом, AI можно отдавать принятие решений и валидировать их на более высоком уровне через бизнес-метрики и других агентов.

🎒 Второй подход - это представить, что Лавка строится с нуля, но есть предыдущий опыт и текущие технологии. Таким образом выделяется поле для эксперимента. И это уже не «натянуть AI на текущие процессы», а сделать, где это возможно, AI-managed решение с учетом всего опыта и общего контекста компании

🎒 Я уже слышал от знакомых, что в Яндексе экспериментируют с применением AI в продуктовых командах. И судя по докладу этот эксперимент показывает, что в принципе граница между профессиональными ролями может стираться:при наличии соответствующих AI-инструментов backend-разработчик может писать front end, или наоборот, или брать на себя менеджерские задачи. А эффективность таких команд возросла втрое . При этом багов и обращений в поддержку не увеличилось.

Отдельно Станислав подчеркивает с какими трудностями они сталкивались на всем пути и как их решали. Рад, что мы живем в таком времени стремительного развития технологий. И тот кто за ними следует, обязательно останется востребованным 😎

Что такое аналитическая витрина данных

Представь, тебя попросили создать аналитический отчет для отслеживания необходимых метрик: количество успешно закрытых сделок отделом продаж и количество новых привлеченных клиентов на каждый день, а также конверсию в продажу.

Результатом может быть дашборд, обновляющаяся Google-таблица или даже ежедневное сообщение от бота с рассчитанными метриками.

Для реализации отчета тебе скорее всего понадобиться создать таблицу, но изначально данные могут быть разрознены и храниться в разных местах, иметь необработанный вид и непроверенное качество.

Ты как аналитик сделал 2 шага

1️⃣ Собрал данные с помощью SQL в одну таблицу. очистил, обогатил, посчитал метрики.
2️⃣ Сделал автоматизацию, чтобы данные в этой таблице обновлялись по нужному для анализа расписанию

Такая таблица для твоей задачи и будет являться витриной данных 👇

Витрина данных (Data Mart) - таблица с достаточным, очищенным, преобразованным набором данных для решения конкретной аналитической задачи или набора подобных задач.

Если хочешь правильно работать с данными и делать качественный и полезный бизнесу анализ - ты это просто обязаны знать. Не зря на всех схемах хранилищ данных указывается слой Data Marts. На картинке это слой между данными в аналитическом хранилище (или может быть обычная база данных) и конечными отчетами для пользователей.

Про процесс создания витрин и преимущества их для аналитики распишу в отдельном посте. Это сильно упрощает и оптимизирует аналитику данных и сокращает время сборки дашбордов и других отчетов. Ставь реакции 👍 если хочешь узнать про аналитические витрины больше