Как ИИ за два года из помощника аналитика превратился в рабочий инструмент тимлида
Привет, Хабр! Меня зовут Даниил Иванов, я руководитель группы аналитики в департаменте CRM&BPM в КОРУСе. Два года назад я уже писал статью, как применяю ИИ в работе аналитика.Тогда это были первые эксперименты — просто смотрел, чем он может быть полезен. Теперь я стал руководителем, вместо отдельных чатов работаю с корпоративным ИИ-продуктом, у которого есть единый контекст по проектам. И мои запросы к ИИ тоже изменились. Раньше я спрашивал: «Может ли он помочь мне написать протокол?» Сейчас думаю: «Как встроить его в работу команды, чтобы это стало рутиной, как работа с Excel?»
Из хаоса закладок — в галерею визуализаций: история создания DataDrops
Если вы работаете с данными или просто любите графики и карты, то наверняка знаете то самое чувство. Увидели классную визуализацию, захотели сохранить, кинули в закладки или переслали себе в чат. А через пару недель она либо потерялась, либо вы уже не помните, зачем вообще её сохраняли.У меня было ровно так же. Моя личная коллекция датавиза выглядела как хаос из закладок в браузере, сохранённых постов в LinkedIn и случайных ссылок в Notion Obsidian. Найти что-то конкретное спустя время было почти невозможно.Поэтому в какой-то момент из всего этого хаоса появился DataDrops
Цифры верные, выводы ложные: AI‑аналитик нашёл тренды в шуме
Всем привет, меня зовут Сергей Прощаев и в этой статье расскажу про эксперимент, после которого я иначе читаю любые «инсайты» от AI‑ассистента. Я Tech Lead и руководитель направления Java | Kotlin разработки в FinTech & E‑commerce и преподаю на курсах разработки и архитектуры в ОТУС.В аналитике данных особенно важно отличать реальные закономерности от случайных колебаний. Как оказалось, даже правильные расчёты AI‑ассистента этого не гарантируют.
Как мы развиваем агентный сервис для работы с аналитическими данными
Привет! Меня зовут Артём, я старший аналитик данных в ЮMoney. Расскажу о проекте, который вырос из внутреннего хакатона, — Text2SQL-сервисе. В нём пользователь задаёт вопрос на обычном русском языке, а система сама находит нужные данные, пишет SQL-запрос, проверяет и выполняет его, после чего возвращает ответ: текст, таблицу, Excel-файл или график. Идея для бизнеса простая: зачем ждать, пока аналитик освободится, если ответ на типовой вопрос можно получить прямо сейчас?
Выручка за сентябрь: как AI‑агент получает три разных ответа
Всем привет, меня зовут Сергей Прощаев, я Tech Lead и руководитель направления Java | Kotlin разработки в FinTech & E‑commerce и преподаю на курсах разработки и архитектуры в ОТУС. В этой статье расскажу, почему AI‑агент, который блестяще отвечает на вопросы по демо‑базе, начинает путаться на настоящем хранилище данных, и что с этим может сделать аналитик ещё до выбора модели.Знакомая картина.
Нейрослоп не пройдёт: отбор в первую Школу аналитиков hh
Мы получили больше 250 тестовых на 25 мест в первую Школу аналитиков hh. Многие решения были сделаны с нейросетью, и это нормально — аналитики в работе тоже пользуются LLM-инструментами. Вопрос был в другом: как за аккуратным текстом от LLM разглядеть кандидата с пониманием того, что он делает.
Зачем мы жжём сутки машинного времени, если лидерборд уже есть
У нас внутри периметра работают открытые модели на ИИ-песочнице: свои видеокарты, свои сервисы, данные наружу не уходят. Регулярно появляется что-то новое, и надо решить, ставить это в контур или нет.Первое, что приходит в голову: открыть публичный лидерборд и посмотреть, у кого цифра выше. Мы так и попробовали. Не сработало, и в этой статье я расскажу почему, а заодно что мы намерили за полгода собственных прогонов.Почему чужие цифры не подошлиПричин набралось четыре, и все они выяснились не сразу.Наших моделей там почти нет.
Гайд по switchback‑экспериментам: длина окна, кластеризация ошибок и мощность
Привет, Хабр!Новая логика распределения заказов по курьерам выиграла A/B с запасом: время доставки минус восемь процентов, интервал узкий, p‑value с тремя нулями.Раскатали на сто, подождали две недели — время доставки осталось ровно там, где было. Логирование в порядке, сплит честный, пользователи делились случайно.Так ломается обычный тест в системах, где варианты дерутся за один ресурс.Курьер, доставшийся тестовой группе, отобран у контрольной, и разница надувается с обеих сторон сразу.Лечится это рандомизацией не по пользователям, а по времени:
ИИ делает аналитику доступной каждому, но значит ли это, что аналитиков станет меньше?
Аналитика сейчас изменяется, если раньше чтобы понять в каких регионах сильнее всего снизились те же продажи, либо выросла текучесть нужно было неплохо так шарить за сбор данных, их обработку и статистику, то сейчас всё намного проще.Мало того, что ИИ позволяет обрабатывать и разбирать данные намного быстрее, чем это делалось вручную, так еще и современные BI системы уже позволяют внутри себя задавать вопросы к данным. Это я узнал не так давно, так как сам с этим не сталкивался еще, но это натолкнуло меня на размышления аналитического бытия.Прощай часть работы
