AI-ассистент — это не чат. Это рабочий процесс
Как бизнесу думать об AI-внедрении: не промпты ради промптов, а повторяемый процесс с входами, проверками и метриками качества.
AI и машинное обучение
Метрики моделей, оценка ассистентов и то, что происходит после запуска: дрейф, утечка признаков, откат на предыдущую версию.
AI
ML
RAG
качество
автоматизация
С чего начать
Три материала, которые задают базу для остальных.
Материалы по теме
7 материалов
Precision, recall, F1 и ROC-AUC: как выбрать метрику для ML-модели
Разбираем precision, recall, F1, ROC-AUC и PR-AUC на одной задаче: как цена ошибки, дисбаланс классов и порог решения меняют вывод о качестве модели.
RAG для бизнеса: как оценить качество поиска и ответа
Практический гайд по оценке RAG-системы: отдельно проверяем retrieval и генерацию, собираем тестовый набор, считаем groundedness и не путаем красивый ответ с полезным.
RAG: что это простыми словами и как работает поиск для ИИ
RAG ищет фрагменты в документах и передаёт их модели вместе с вопросом. Разбираем путь ответа, пример со словарём метрик, ошибки и границу с SQL.
LLM: что это — токены, контекст и температура на примерах
LLM — большая языковая модель, которая строит ответ из токенов. Объясняем контекст, температуру и границы расчётов на реальном примере аналитика.
ИИ-агент: что это и что агенты умеют в аналитике данных
ИИ-агент выбирает действия, вызывает инструменты и проверяет результат. Разбираем аналитику с агентом, права на чтение, журнал запросов и границы доверия.
Почему ML-модель ломается после запуска: утечка признаков и дрейф
Модель с ROC-AUC 0,94 на валидации даёт 0,68 в проде. Как найти утечку признаков по времени их доступности и как поймать дрейф данных и концепта по PSI, качеству и сегментам.