Дискуссия: Как ИИ меняет данные, как изменится работа с данными и ИИ в ближайшем будущем
00:00:00 Введение в тему — Обсуждение влияния ИИ на управление данными, история развития с внедрением MDM и Big Data. 00:00:56 Новые типы данных и ИИ — Появление изображений, звуков, видео, изменение роли ролей и архитектуры, важность больших языковых моделей. 00:01:49 Проблемы и возможности — Новые данные требуют особого подхода, нагрузка на хранилища, необходимость перепроверки данных ИИ. 00:02:47 Автоматизация — ИИ помогает автоматизировать управление данными, пример использования агентов для разметки. 00:04:09 Опыт Альфа-Банка — Классификация данных, автоматизация описания атрибутов, выявление аномалий и пробелов. 00:06:24 Проблемы и решения — «Галлюцинации» ИИ, необходимость объяснений, постепенное внедрение бизнес-ориентированными подходами. 00:08:54 Опыт НСПК — Надежность и аккуратность, избегание разрушения систем, пилотные проекты и исследования. 00:10:36 Результаты — Внутренние результаты, помощь разработчикам, перспектива развития. 00:11:53 Работа с документами — Особенности обработки платежных документов, обучение сотрудников, отсутствие автоматической разметки. 00:12:35 Атрибутный состав — Большие объемы данных при небольшом количестве атрибутов, вариативность выше в розничных банках. 00:13:01 Применение ИИ — Требования исходных данных, сценарии при высокой вариативности. 00:13:59 Иллюзии и реальность — ИИ как «волшебная кнопка», заблуждения о полном автоматическом сборе и очистке данных. 00:15:57 Реальные возможности — ИИ не заменит полностью ручной труд и процессы, важна прикладная ценность. 00:17:41 Технологическая зрелость — Использование последних моделей ИИ для бизнес-задач, не просто технология ради технологии. 00:19:36 Экономическая эффективность — Оценка стоимости, ROI, окупаемость инвестиций в ИИ. 00:21:52 ИИ и рынок — Высокие издержки, мало стимулов для многих бизнесов, отсутствие ясных показателей отдачи. 00:23:25 Влияние на бизнес — Замещение неквалифицированной работы, автоматизация поддержки, быстрое развитие ИИ и его неопределенность. 00:24:55 Риски и перспективы — Появление пузыря аналогично доткомам, выгода у нескольких, вложения без немедленной отдачи. 00:25:55 Оценка проектов — Высокие затраты, отсутствие четкого ROI, сегментация задач для повышения эффективности. 00:27:18 Внутренние модели — Внутренние ИИ модели повышают эффективность, альтернативы — простые регулярные выражения. 00:28:37 Банковский опыт — До и после 2010-х: от уменьшения ошибок транзакций к антифроду и кредитным потокам, новые возможности. 00:30:26 Внутренние и внешние модели — Внешние проще, быстрая адаптация, вопрос о миграции, постоянная оптимизация не всегда оправдана. 00:31:12 Эффективность и оптимизация — Множество моделей может быть лучше одной, ИИ помогает повысить эффективность сотрудников, а не сократить штат. 00:33:51 Планирование и данные — Этика данных важнее самой модели, плохие данные подрывают эффективность, влияние ИИ на рынок труда минимально. 00:34:40 Итог — Не всегда нужно покупать последнюю модель, важнее структурировать данные и сохранять правильный контекст. 00:35:01 Бизнес-задачи — Главное — достигать бизнес-метрик, выбор архитектуры зависит от типа продукта. 00:35:55 Технологическая песочница — Тестирование новых решений параллельно с бизнес-операциями, точность модели — не единственный показатель. 00:36:50 Влияние на бизнес — Точность важна, но не всё определяет; учитывайте маркетинговые мероприятия и внешние факторы. 00:37:18 Универсальная модель — Имеется сомнение, лучше использовать несколько моделей, каждую — по своему циклу. 00:38:57 Итоги
00:00:00 Введение в тему — Обсуждение влияния ИИ на управление данными, история развития с внедрением MDM и Big Data. 00:00:56 Новые типы данных и ИИ — Появление изображений, звуков, видео, изменение роли ролей и архитектуры, важность больших языковых моделей. 00:01:49 Проблемы и возможности — Новые данные требуют особого подхода, нагрузка на хранилища, необходимость перепроверки данных ИИ. 00:02:47 Автоматизация — ИИ помогает автоматизировать управление данными, пример использования агентов для разметки. 00:04:09 Опыт Альфа-Банка — Классификация данных, автоматизация описания атрибутов, выявление аномалий и пробелов. 00:06:24 Проблемы и решения — «Галлюцинации» ИИ, необходимость объяснений, постепенное внедрение бизнес-ориентированными подходами. 00:08:54 Опыт НСПК — Надежность и аккуратность, избегание разрушения систем, пилотные проекты и исследования. 00:10:36 Результаты — Внутренние результаты, помощь разработчикам, перспектива развития. 00:11:53 Работа с документами — Особенности обработки платежных документов, обучение сотрудников, отсутствие автоматической разметки. 00:12:35 Атрибутный состав — Большие объемы данных при небольшом количестве атрибутов, вариативность выше в розничных банках. 00:13:01 Применение ИИ — Требования исходных данных, сценарии при высокой вариативности. 00:13:59 Иллюзии и реальность — ИИ как «волшебная кнопка», заблуждения о полном автоматическом сборе и очистке данных. 00:15:57 Реальные возможности — ИИ не заменит полностью ручной труд и процессы, важна прикладная ценность. 00:17:41 Технологическая зрелость — Использование последних моделей ИИ для бизнес-задач, не просто технология ради технологии. 00:19:36 Экономическая эффективность — Оценка стоимости, ROI, окупаемость инвестиций в ИИ. 00:21:52 ИИ и рынок — Высокие издержки, мало стимулов для многих бизнесов, отсутствие ясных показателей отдачи. 00:23:25 Влияние на бизнес — Замещение неквалифицированной работы, автоматизация поддержки, быстрое развитие ИИ и его неопределенность. 00:24:55 Риски и перспективы — Появление пузыря аналогично доткомам, выгода у нескольких, вложения без немедленной отдачи. 00:25:55 Оценка проектов — Высокие затраты, отсутствие четкого ROI, сегментация задач для повышения эффективности. 00:27:18 Внутренние модели — Внутренние ИИ модели повышают эффективность, альтернативы — простые регулярные выражения. 00:28:37 Банковский опыт — До и после 2010-х: от уменьшения ошибок транзакций к антифроду и кредитным потокам, новые возможности. 00:30:26 Внутренние и внешние модели — Внешние проще, быстрая адаптация, вопрос о миграции, постоянная оптимизация не всегда оправдана. 00:31:12 Эффективность и оптимизация — Множество моделей может быть лучше одной, ИИ помогает повысить эффективность сотрудников, а не сократить штат. 00:33:51 Планирование и данные — Этика данных важнее самой модели, плохие данные подрывают эффективность, влияние ИИ на рынок труда минимально. 00:34:40 Итог — Не всегда нужно покупать последнюю модель, важнее структурировать данные и сохранять правильный контекст. 00:35:01 Бизнес-задачи — Главное — достигать бизнес-метрик, выбор архитектуры зависит от типа продукта. 00:35:55 Технологическая песочница — Тестирование новых решений параллельно с бизнес-операциями, точность модели — не единственный показатель. 00:36:50 Влияние на бизнес — Точность важна, но не всё определяет; учитывайте маркетинговые мероприятия и внешние факторы. 00:37:18 Универсальная модель — Имеется сомнение, лучше использовать несколько моделей, каждую — по своему циклу. 00:38:57 Итоги