Как понять, нужен ли вашему продукту ИИ (часть 2)
В
прошлый раз мы рассмотрели подробно, в каких задачах хорошо себя показывают ML, LLM, RAG и ИИ-агенты — удобная сравнительная таблица на слайде 1. Но выбор решения должен исходить из стратегических вопросов. Разберем фреймворк, который помогает
точно выбрать подходящую ИИ-технологию или инструмент для вашего контекста.
❌
Частые ошибки при поиске ИИ-решения для продукта:
—
Выбирать модель раньше, чем продумали работу с данными: какие данные есть, хватит ли их, где они лежат, как получить к ним доступ? Этот этап занимает много времени, и если не оценить заранее его трудоемкость, можно сильно сдвинуть сроки.
—
Считать, что любая ИИ-функция должна отвечать мгновенно. На самом деле далеко не всегда — например, классификацию пользователей достаточно проводить раз в месяц. Работа в реальном времени резко повышает стоимость решения, поэтому такой режим стоит использовать только там, где он действительно необходим.
—
Надеяться на решение комплексной задачи одним инструментом. Если загрузить весь объем данных в одну модель, то результат будет в большей или меньшей степени состоять из галлюцинаций.
—
Запустить и забыть. Модель на проде нужно дообучать и переобучать в случае применения к другим продуктам, даже в схожих контекстах.
✅
Этапы использования ИИ в продукте
1️⃣
Четко сформулируйте бизнес-задачу, которую хотите решить с помощью ИИ.
Она должна быть:
— актуальна и значима для компании (автоматизация, сокращение времени);
— иметь измеримые последствия (деньги, время, ресурсы).
Для отслеживания прогресса сразу стоит:
— определить ключевую метрику;
— нарисовать схему процесса As Is → To Be.
2️⃣
Переведите бизнес-задачу в задачу для ИИ.
Классический ML
— К какому типу ML-задач относится ваш кейс?
— Что будет являться целевой переменной, что модель должна предсказывать?
— В чем бизнес-смысл этого предсказания?
— На каком этапе бизнес-процесса будет использоваться модельное решение?
— Какие математические метрики будут проверять качество модели?
Генеративные модели
— Какой тип генеративной архитектуры вы используете — LLM (GPT-подобная), diffusion, VAE, GAN или гибрид?
— Что именно должна генерировать модель и по каким правилам?
— В чем бизнесовая ценность этой генерации?
— На каком шаге пользовательского/операционного процесса запускается генерация?
— Какими метриками будете мерить качество вывода?
3️⃣
Подготовить данные.
— Какие данные планируется использовать для обучения модели? Какие ключевые признаки?
— На какую дату признаки должны собираться? Будут ли к этой дате известны показания по всем признакам?
— Требуются ли внешние источники данных?
— Требуются ли дополнительные действия для сбора данных?
— Есть ли ограничения по использованию данных/моделей?
— Можно ли отправлять данные за контур компании в вендорское решение?
— За какой период (срок наблюдения) собираются данные?
— Все ли данные уже есть в промышленных системах, или потребуется дополнительное подключение?
4️⃣
Выберите режим для модели.
— Как часто будет работать модель:
Batch — раз в день/неделю/месяц.
Online — в момент действия пользователя.
— Как часто нужно делать предсказание?
— Есть ли требования к скорости ответа?
5️⃣
Продумайте внедрение в продукт.
— Как модель будет интегрирована в бизнес-процессы и существующую архитектуру?
— Требуется ли API или встраивание в существующие сервисы?
— Нужно ли менять интерфейсы или бизнес-логику продукта?
— Кто отвечает за поддержку и обновление модели после внедрения?
— Как будет организована обратная связь от пользователей для улучшения качества предсказания?
6️⃣
Запланируйте регулярный мониторинг.
— Какие метрики качества будут отслеживаться?
— Как будет происходить мониторинг деградации модели?
— Кто отвечает за реакцию на падение качества?
— Как часто планируется переобучение модели?
— Есть ли процесс аварийного отключения модели и возврата к ручному процессу?
— Как будут учитываться требования по безопасности и хранению данных в эксплуатации?
7️⃣
Постройте систему метрик (слайд 5).
В ней важно учитывать:
— продуктовые метрики — от менеджера продуктов и бизнеса;
— ML-метрики — от дата-сайентиста;
— метрики связи продукта с ML.
Только после этого имеет смысл выбирать между классическим ML, LLM, RAG или агентной архитектурой.
И иногда правильным ответом окажется вовсе не генеративный ИИ.
По мотивам мастер-класса «Нужен ли вашему продукту искусственный интеллект?» Михаила Войтко на ProductSense’25
💙
VK
🖤
YouTube
@productsense