Вайбкодим конфигурацию MDM, а ядро — нет: три ИИ‑агента, 100+ правил и подогнанные автотесты
Около миллиона записей о физических лицах на арабском и английском и около ста правил обработки с учётом региональной специфики — такую задачу мы решали в пилоте внедрения клиентского MDM. Мы — команда Data Sapience, разработчика Data Ocean Governance MDM.Правила готовили три ИИ‑агента: больше ста правил очистки и больше двадцати пяти правил поиска дублей. Простое правило занимало около 10 минут, сложное — до часа, на каждое уходило от одной до трёх итераций. Пилот сдали. Но по дороге агент автотестов начал подгонять результаты под желаемые, и всплыло это только на очередной проверке.
ИИ для аналитиков и руководителей проектов: 28 выступлений на A&PM EVENT 2 026
ИИ уже пишет черновики ТЗ, ищет противоречия в требованиях, прикидывает трудозатраты и разбирает номенклатуру в 1 С, но каждый, кто пробовал это на живом проекте, знает, что между удачным экспериментом и рабочим инструментом лежит большое расстояние. О том, как его пройти, на
Нет записи о покупке — нет покупки? Как реальные данные изменили постановку задачи
При подготовке данных Coveo для сессионной рекомендательной системы мне пришлось разобраться, как учить и проверять модель, если неизвестно, все ли покупки попали в выгрузку.Для итоговой оценки на Coveo я подготовила 60 000 сессий. Но Hit@20 посчитала только по 748: в них есть зарегистрированная покупка после запроса. Модель дала 441 попадание — 58,96%.Что произошло с остальными 59 252 сессиями? Я не записала их в промахи. Если строки purchase нет, это ещё не значит, что посетитель ничего не купил.В первой статье
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.
Почему после успешного внедрения становится тяжелее, хотя ожидали, что станет легче
Мы ожидали, что работать станет легчеМы меняли морально устаревшую корпоративную систему на новую ERP. Функциональность прежней системы устраивала пользователей, поэтому исходная задача выглядела понятно: перенести привычные возможности и получить основу для дальнейшего развития. Старую систему масштабировать становилось трудно, в том числе из‑за недостатка данных для новых участков автоматизации.
Рынок «лимонов» в мире данных: почему современные исследования теряют контакт с реальностью
Размышления, вдохновленные статьей Марка Хау «Towards ‘augmented sociology’? A practice‑oriented framework for using large language model‑powered chatbots» (Hau, 2025) Джорджо де Кирико — «Беспокойные музы»
ML‑датасет для Data Scientist: практический гайд по проверке качества данных перед обучением модели
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 про восемь проверок датасета, которые нужно прогнать до того, как кто‑то в команде напишет model.fit().Пятница, релиз
