Искусственный Интеллект в Аналитической Инженерии: Зрелость AI для Процессов

Компании всех видов и специальностей чувствуют необходимость погрузиться в мир искусственного интеллекта, и это включает аналитическую инженерию. Возможности реальны и интересны, но организации, стремящиеся получить от них максимальную пользу, должны реализовать свою структуру процессов вдумчивым и реалистичным образом, основываясь на их зрелости AI. Давайте исследуем, как это сделать.

Уровни Зрелости AI

Когда речь идет об описании сложности используемого AI, уровни зрелости AI полезны как простая, разъясняющая структура.

Уровень 1: Помощный Интеллект (Автоматизация): Базовая автоматизация повторяющихся задач и рабочих процессов. Примеры: чат-боты с фиксированными ответами, веб-краулеры, внутренние инструменты поиска.

Уровень 2: Расширенный Интеллект (Руководящий Анализ): Вы указываете AI метод/модель и то, что необходимо проанализировать, и он выполняет остальное. Примеры: алгоритмы аукционов рекламы, суммирователи контента.

Уровень 3: Автономный Интеллект (Самообучающийся AI): AI выбирает методы, находит закономерности и предлагает рекомендации. Примеры: самоходные автомобили, автономные роботы для торговли акциями.

Давление на “AI”

Конечно, сегодня существует большое давление, чтобы “быть на уровне 3”. Но это в значительной степени зависит от ресурсов, активов, основных возможностей, знаний и людей вашей компании. Лучший подход – начать с того, что имеет смысл, даже если это уровень 1.

Сейчас в интернете миллионы статей, которые бомбардируют вас идеями для AI. Но идеи не приносят пользы. Согласно Adobe, только 12% компаний в настоящее время имеют работающие решения AI, которые демонстрируют четкую отдачу от инвестиций. Большинство из них все еще находятся на пилотных этапах, оценивают эффективность или сталкиваются с проблемами при расширении инициатив AI. Многие команды борются с определением того, где AI может быть осмысленно интегрирован в их рабочие процессы, и даже когда выявлен случай использования, многие организации не имеют внутренних возможностей для создания пользовательских инструментов AI или нахождения надежных внешних решений.

Давайте будем придерживаться реалистичных применений. Существуют отличные способы постепенного внедрения AI в реалистичные элементы работы для лидеров, готовых масштабировать ответственность.

Что можно автоматизировать, когда вы строите аналитику для электронной коммерции/продукта SaaS

На мой взгляд, есть два общих процесса внутри успешных команд аналитической инженерии, которые являются отличными кандидатами для построения зрелости AI:

1. AI для Управления Знаниями и Адаптацией
2. AI для Автоматизации QA и Аудита

1. AI для Управления Знаниями и Адаптацией

Документация является ключевым инструментом для отслеживания сложных систем. Согласно Структуре Процесса, SDR (Справочник Проектного Дизайна) необходимо документировать каждый из пяти шагов. Это может выглядеть так:

• Процесс #1: Документирование ожидаемых результатов.
• Процесс #2: Отслеживание ключевых историй сбора данных, которые регулярно проверяются.
• Процесс #3: Запись истории требований данных третьих сторон.
• Процесс #4: Подробное описание слоя данных во всех приложениях и поверхностях.
• Процесс #5: Описание и подробное описание инженерной архитектуры с диаграммами, иерархиями и требованиями.

Теперь давайте добавим к этому немного AI.

Уровень 1

На уровне 1 вы можете начать использовать внутренние чат-боты AI для извлечения документов.

Многие компании сейчас имеют внутренние чат-боты, которые можно обучить на проприетарной документации. Если у вас нет внутреннего чат-бота, вы можете использовать режим инкогнито или удалить свою документацию перед тем, как подать ее боту.

Подайте боту ваши SDR, руководства по QA, соглашения об именах и стандарты реализации.

После успешного выпуска подайте боту заметки проекта или планы реализации, чтобы добавить к документации. Затем задайте AI следующие вопросы:

• «Какой лучший метод реализации X, если я хочу использовать ту же логику, что и Y?»
• «Какие данные необходимы для сбора для отслеживания покупок?»
• «Какие теги отсутствуют на этой новой странице продукта?»

Результатом этого процесса является то, что вы тратите меньше времени на просмотр документов или опрос коллег, новые члены команды могут сами находить ответы, а племенное знание становится масштабируемым.

Есть некоторые оговорки здесь. Этот метод действительно работает, если вы хорошо справляетесь с документацией, и он становится масштабируемым только в том случае, если вы обучите и заставите своих людей использовать этот инструмент.

Уровень 2

Если это работает для вашего отдела, подумайте о масштабировании до прямого подключения вашего чат-бота к вашей технике. Вы можете автоматизировать автоматизацию.

Уровень 3

Я уверен, что здесь нет предела. Направление, которое я бы преследовал, заключается в создании проактивного AI, который флагирует несоответствия и предлагает улучшения. Реальность такова, что немногие компании достигают этого уровня, и я пишу эту статью для большинства из нас, которые все еще учатся основам.

2. AI для Автоматизации QA и Аудита

Регулярная проверка методов сбора данных является одним из лучших практик для Структуры Процесса. Очень часто аудитором будет либо команда QA, либо альтернативно используется инструмент аудита. Например, ObservePoint – это инструмент с высоким уровнем настройки, который позволяет создавать сложные потоки аудита. Даже с роботом вы всегда можете использовать немного больше AI, верно?

Уровень 1

Давайте начнем с автоматизации технических аспектов. Создание путей в роботизированных инструментах аудита, таких как ObservePoint, часто является техническим и требует много поддержки. Чтобы автоматизировать некоторые из этих повторяющихся технических задач при построении путей аудита, вы можете снова обратиться за помощью к чат-боту AI. Задайте AI следующие вопросы:

«Дайте мне селектор CSS для кнопки “Следующий шаг”».

«Напишите пользовательский код, который автоматически соглашается со всеми файлами cookie».

Результатом этого должно быть большее удобство использования при работе с высокотехническими инструментами, более быстрая диагностика и устранение неполадок, а также меньшая зависимость от поддержки и разработчиков фронтенда.

Некоторые оговорки здесь заключаются в том, что если вы не используете роботизированный инструмент аудита для аудита данных, вы можете использовать команду QA. Команда QA может принять меры для внедрения автоматизации для общих шагов. Начните с малого, наращивайте, когда будете готовы; ваши следующие шаги станут яснее, когда вы сделаете первый шаг.

Уровень 2

Для использования AI на уровне 2 изучите возможность интеграции вашего чат-бота с инструментом напрямую, избегая ручного управления чат-ботом.

Уровень 3

Наконец, для использования AI на уровне 3 небо – это предел. Откройте, как можно сделать ваши автоматизации более проактивными в выявлении улучшений и предложении решений. Переходите к этому варианту только в том случае, если вы комфортно чувствуете себя на уровне 2.

Что Не Следует Автоматизировать (Пока)

Давайте рассмотрим Лучшую Практику #3: Сотрудничество с третьими сторонами. Это то, что люди все еще делают лучше. Вы можете использовать AI для подготовки к звонкам поставщикам, суммировать контракты или создавать планы интеграции. Но на данный момент построение отношений остается человеческим.

Окончательные Мысли

Даже если у вас нет бюджета на разработку пользовательских решений AI, вы можете начать с инструментов, которые у вас уже есть. Хороший процесс и хороший чат-бот могут многое сделать.

Начните просто, с уровня 1 или 2, и пусть ваша команда привыкнет. Как только вы увидите, где AI экономит время и повышает согласованность, вы будете знать, где инвестировать в более продвинутые инструменты. Самая трудная часть внедрения AI часто заключается в определении того, где он вам нужен в первую очередь. Как только вы установили эту базовую линию, попробуйте поднять все на более высокий уровень с вашей командой и посмотрите, насколько более гладкой может быть аналитическая инженерия, оснащенная AI.

Хотите узнать больше об AI в аналитической инженерии и, более конкретно, о лучших процессах для чистой коллекции данных? Посетите мою статью о создании Чистой Фреймворк Данных Электронной Коммерции.