GetAnalyst_Хореография_МС_процесс_публикации_рекламного_объявления.pdf
563.2 KB
🟢 Решение к задаче, которой проверяют опыт Senior СА 🟢
Ранее я публиковала задачу по архитектуре, с помощью которой можно проверить, насколько системный аналитик понимает как строится интеграция микросервисов.
👉 Условие задачи
В этом посте делюсь решением с применением шаблона проектирования Saga / Хореография:
✔️ схема архитектуры со всеми связями и шагами процесса
✔️ текстовое описание алгоритма
✔️ исходники в draw io + png
Это хороший пример для тех, кто хочет не просто посмотреть на красивую схему, а действительно разобраться, как проектируются подобные процессы в микросервисной архитектуре.
#АрхитектураGA
Ранее я публиковала задачу по архитектуре, с помощью которой можно проверить, насколько системный аналитик понимает как строится интеграция микросервисов.
👉 Условие задачи
В этом посте делюсь решением с применением шаблона проектирования Saga / Хореография:
✔️ схема архитектуры со всеми связями и шагами процесса
✔️ текстовое описание алгоритма
✔️ исходники в draw io + png
Это хороший пример для тех, кто хочет не просто посмотреть на красивую схему, а действительно разобраться, как проектируются подобные процессы в микросервисной архитектуре.
#АрхитектураGA
1❤18🔥6💯2
Forwarded from 👩🏻💻 Подкаст Системных Аналитиков | GetAnalyst
Всё чаще в разговорах о собеседованиях можно услышать про формат System Design Interview, связанный с проектированием архитектуры.
Но что именно под ним имеется в виду, как он проводится и какие навыки проверяет?
В этом эпизоде разбираем, что такое System Design Interview для системного аналитика, какие вопросы и задачи могут встретиться на таком собеседовании, какие компетенции оценивают и почему этот формат становится всё более актуальным.
Эпизод доступен в:
⏯ Apple Podcast
⏯ Яндекс.Музыка
⏯ Telegram
⏯ Castbox
⏯ Звук
⏯ Spotify
⏯ RuTube
⏯ YouTube
⏯ VK Video
📚 GetAnalyst — про архитектуру, системный анализ и развитие аналитиков уровня Middle+ / Senior.
Please open Telegram to view this post
VIEW IN TELEGRAM
1❤10🔥9⚡1
🤖 Промпт-инжиниринг: 5 элементов хорошего промпта 🤖
Промпт-инжиниринг — это умение поставить задачу для AI так, чтобы получить не случайный текст, а полезный и управляемый результат.
По сути, это очень близко к тому, что и так делает аналитик в работе:
+ дай чёткое ТЗ на программиста,
+ получи ожидаемый результат.
👉 Чем лучше составлен промпт, тем меньше AI фантазирует и тем ближе ответ к тому, что вам реально нужно.
📌 5 ключевых элементов хорошего промпта:
1️⃣ Роль
Это указание, кем должен “стать” AI, чтобы лучше понять стиль мышления и взять в работу над задачей необходимую базу знаний.
2️⃣ Контекст
Это описание, для какого проекта, процесса или предметной области нужен результат.
Без контекста AI начинает додумывать.
С контекстом — отвечает намного точнее.
Здесь вы как будто вводите его в курс дела:
+ что за система,
+ кто пользователи,
+ какая предметная область,
+ какой процесс или проблема рассматривается.
Рекомендация:
Сделать эту часть промпта переиспользуемой для вашего проекта, чтобы каждый раз не описывать его нейросети заново.
3️⃣ Задача
Это самая главная часть: что именно нужно сделать.
Здесь НЕ надо писать слишком общо.
Чем конкретнее задача, тем полезнее будет результат.
👉 Именно здесь можно сразу добавить ваши идеи по решению, ожидаемую глубину проработки, важные требования и нюансы, которые AI может просто не знать.
4️⃣ Формат ответа
Это описание, в каком виде AI должен вернуть результат.
👉 Очень важный пункт, который многие пропускают.
А потом получают “простыню текста” вместо нормальной структуры.
Если заранее указать формат, ответ становится гораздо удобнее для дальнейшей работы с ним.
5️⃣ Примеры
Если вы уже решали похожие задачи и у вас есть удачные примеры требований, их полезно добавлять в промпт.
Тогда нейросеть видит не только что нужно сделать, но и как именно вы ожидаете это оформить.
Это работает так же, как и в обычной работе:
👉 по готовому образцу новую задачу почти всегда делать быстрее и точнее.
С AI то же самое.
Если показать пример, он будет меньше угадывать, а значит, и доработок после него будет меньше.
👉 Что можно добавить в качестве примера:
+ фрагмент готовой постановки задачи;
+ пример Use Case;
+ пример JSONиз вашего проекта;
+ сослаться на прикреплённый файл с образцом.
📌 Удобный шаблон промпта
——————
ТОП AI-инструментов для аналитиков:
🤖 ChatGPT
🔥 Gemini AI
🔥 Qwen
🤖 DeepSeek
🤖 Алиса AI
🔥 Claude
🎧 Полный гид по AI для системных аналитиков
——————
👉 Хороший промпт — это грамотно поставленная задача.
И если проверять свои промпты по этому чек-листу из 5 частей, то качество результатов от AI становится намного выше 🚀
#AI_for_analysts
Промпт-инжиниринг — это умение поставить задачу для AI так, чтобы получить не случайный текст, а полезный и управляемый результат.
По сути, это очень близко к тому, что и так делает аналитик в работе:
+ дай чёткое ТЗ на программиста,
+ получи ожидаемый результат.
👉 Чем лучше составлен промпт, тем меньше AI фантазирует и тем ближе ответ к тому, что вам реально нужно.
📌 5 ключевых элементов хорошего промпта:
1️⃣ Роль
Это указание, кем должен “стать” AI, чтобы лучше понять стиль мышления и взять в работу над задачей необходимую базу знаний.
Работай как опытный системный аналитик с опытом более 10 лет.
Работай как опытный разработчик БД, который уже 10 лет пишет сложные SQL-запросы.
2️⃣ Контекст
Это описание, для какого проекта, процесса или предметной области нужен результат.
Без контекста AI начинает додумывать.
С контекстом — отвечает намного точнее.
Здесь вы как будто вводите его в курс дела:
+ что за система,
+ кто пользователи,
+ какая предметная область,
+ какой процесс или проблема рассматривается.
Рекомендация:
Сделать эту часть промпта переиспользуемой для вашего проекта, чтобы каждый раз не описывать его нейросети заново.
3️⃣ Задача
Это самая главная часть: что именно нужно сделать.
Здесь НЕ надо писать слишком общо.
Чем конкретнее задача, тем полезнее будет результат.
👉 Именно здесь можно сразу добавить ваши идеи по решению, ожидаемую глубину проработки, важные требования и нюансы, которые AI может просто не знать.
4️⃣ Формат ответа
Это описание, в каком виде AI должен вернуть результат.
👉 Очень важный пункт, который многие пропускают.
А потом получают “простыню текста” вместо нормальной структуры.
Если заранее указать формат, ответ становится гораздо удобнее для дальнейшей работы с ним.
5️⃣ Примеры
Если вы уже решали похожие задачи и у вас есть удачные примеры требований, их полезно добавлять в промпт.
Тогда нейросеть видит не только что нужно сделать, но и как именно вы ожидаете это оформить.
Это работает так же, как и в обычной работе:
👉 по готовому образцу новую задачу почти всегда делать быстрее и точнее.
С AI то же самое.
Если показать пример, он будет меньше угадывать, а значит, и доработок после него будет меньше.
👉 Что можно добавить в качестве примера:
+ фрагмент готовой постановки задачи;
+ пример Use Case;
+ пример JSONиз вашего проекта;
+ сослаться на прикреплённый файл с образцом.
📌 Удобный шаблон промпта
Роль
Кем должен быть AI.
Контекст
Для какого проекта, процесса или системы нужен результат.
Задача
Что именно нужно сделать.
Формат ответа
В каком виде должен быть результат.
Примеры
Образцы решения аналогичных задач.
——————
ТОП AI-инструментов для аналитиков:
🤖 ChatGPT
🔥 Gemini AI
🔥 Qwen
🤖 DeepSeek
🤖 Алиса AI
🔥 Claude
🎧 Полный гид по AI для системных аналитиков
——————
👉 Хороший промпт — это грамотно поставленная задача.
И если проверять свои промпты по этому чек-листу из 5 частей, то качество результатов от AI становится намного выше 🚀
#AI_for_analysts
🔥22❤14👍2❤🔥1💯1
C4 : Container - AdFlowGA - GetAnalyst.png
1.3 MB
🟦 Нотация С4: примеры схем архитектуры для проекта #AdFlowGA 🟦
Если вы никогда не работали с архитектурой, и на текущем или новом проекте появляется задача описать её в C4, то хочется увидеть полноценные образцы, а не учебные примеры на "три квадратика".
Поэтому я продолжаю собирать для вас базу полезных материалов и подготовила примеры схем архитектуры в нотации C4 для нового проекта.
Что внутри:
🟦 C4 / Context
Показывает систему на самом верхнем уровне:
▫️ саму систему,
▫️ всех пользователей и роли,
▫️ внешние системы, с которыми есть интеграции.
На этом уровне уже удобно знакомиться с системой,
с ролями пользователей и внешними взаимодействиями.
Протоколы интеграций здесь указывать не обязательно,
но если их добавить, схема становится полезнее.
🟦 C4 / Container
Показывает внутреннюю организацию системы:
▫️ пользователей и внешние системы,
▫️ приложения,
▫️ сервисы и микросервисы,
▫️ API Gateway,
▫️ базы данных,
▫️ файловые хранилища,
▫️ брокеры.
На что здесь стоит обратить внимание:
✔️ как отличаются контейнеры пользовательских приложений и backend-компонентов;
✔️ везде подписаны технологии - выяснять обязательно;
✔️ как на стрелках обозначены REST API, GraphQL, gRPC, SDK;
✔️ как показаны связи сервисов с БД и файловыми хранилищами.
Из практики:
+ API Gateway я показываю шестиугольником — так на схеме он читается удобнее (по нотации - прямоугольник);
+ микросервисы тоже показываю прямоугольниками, чтобы не было лишнего смешения разных форм (по нотации - шестиугольники).
+ главное — не просто повторять нотацию, а делать схему понятной с первого взгляда.
🟦 C4 / Component и C4 / Code
Это уже более глубокие уровни, которые показывают внутреннюю организацию кода внутри конкретного контейнера.
На практике они нужны не всегда.
Во многих задачах достаточно качественно проработанных Context и Container, чтобы понимать архитектуру системы.
⌛️ Сколько заняла подготовка: около 90 минут
Но важно: я не рисовала архитектуру с нуля.
У меня уже были исходники и понимание проекта, и я переводила почти готовую схему в C4.
Мои исходные схемы:
+ схема 1 с API Gateway, без внутренних интеграций
+ схема 2 с внутренними взаимодействиями
Если бы архитектуру пришлось собирать полностью с нуля, без исходников и без знания проекта, на такую работу легко мог уйти целый рабочий день — и больше.
Что помогает ускорить работу с C4:
🔹 AI + код Structurizr
🔹 AI + код PlantUML
🔹 AI + код MermaidChart
🔹 Встроенный AI в Draw.io (кривой черновик)
⚙️ Создано в draw.io
🔗 Исходники С4 для AdFlowGA
Сохраняйте эти схемы C4 в личную базу знаний — они не раз выручат, когда нужно будет быстро вспомнить, как наглядно показать архитектуру🔖
📱 TG | 💙 VK | 💬 Max
#АрхитектураGA
Если вы никогда не работали с архитектурой, и на текущем или новом проекте появляется задача описать её в C4, то хочется увидеть полноценные образцы, а не учебные примеры на "три квадратика".
Поэтому я продолжаю собирать для вас базу полезных материалов и подготовила примеры схем архитектуры в нотации C4 для нового проекта.
Что внутри:
🟦 C4 / Context
Показывает систему на самом верхнем уровне:
▫️ саму систему,
▫️ всех пользователей и роли,
▫️ внешние системы, с которыми есть интеграции.
На этом уровне уже удобно знакомиться с системой,
с ролями пользователей и внешними взаимодействиями.
Протоколы интеграций здесь указывать не обязательно,
но если их добавить, схема становится полезнее.
🟦 C4 / Container
Показывает внутреннюю организацию системы:
▫️ пользователей и внешние системы,
▫️ приложения,
▫️ сервисы и микросервисы,
▫️ API Gateway,
▫️ базы данных,
▫️ файловые хранилища,
▫️ брокеры.
На что здесь стоит обратить внимание:
✔️ как отличаются контейнеры пользовательских приложений и backend-компонентов;
✔️ везде подписаны технологии - выяснять обязательно;
✔️ как на стрелках обозначены REST API, GraphQL, gRPC, SDK;
✔️ как показаны связи сервисов с БД и файловыми хранилищами.
Из практики:
+ API Gateway я показываю шестиугольником — так на схеме он читается удобнее (по нотации - прямоугольник);
+ микросервисы тоже показываю прямоугольниками, чтобы не было лишнего смешения разных форм (по нотации - шестиугольники).
+ главное — не просто повторять нотацию, а делать схему понятной с первого взгляда.
🟦 C4 / Component и C4 / Code
Это уже более глубокие уровни, которые показывают внутреннюю организацию кода внутри конкретного контейнера.
На практике они нужны не всегда.
Во многих задачах достаточно качественно проработанных Context и Container, чтобы понимать архитектуру системы.
⌛️ Сколько заняла подготовка: около 90 минут
Но важно: я не рисовала архитектуру с нуля.
У меня уже были исходники и понимание проекта, и я переводила почти готовую схему в C4.
Мои исходные схемы:
+ схема 1 с API Gateway, без внутренних интеграций
+ схема 2 с внутренними взаимодействиями
Если бы архитектуру пришлось собирать полностью с нуля, без исходников и без знания проекта, на такую работу легко мог уйти целый рабочий день — и больше.
Что помогает ускорить работу с C4:
🔹 AI + код Structurizr
🔹 AI + код PlantUML
🔹 AI + код MermaidChart
🔹 Встроенный AI в Draw.io (кривой черновик)
Сохраняйте эти схемы C4 в личную базу знаний — они не раз выручат, когда нужно будет быстро вспомнить, как наглядно показать архитектуру
#АрхитектураGA
Please open Telegram to view this post
VIEW IN TELEGRAM
❤13🔥9❤🔥2🦄1
——————————————————
Основные факты о скорости голубей:
▫️ Обычная скорость: 60-70 км/ч.
▫️ Максимальная скорость: до 100 км/ч (почтовые и гоночные породы).
▫️ Рекордная скорость: до 160 км/ч у тренированных гоночных голубей.
▫️ Почтовый голубь может находиться в воздухе до 20 часов подряд, пролетая за день 800–1200 км.
——————————————————
Подписывайтесь, пока всех не разобрали 🕊
@getanalysts — здесь самые полезные IT-обновления 😎
Please open Telegram to view this post
VIEW IN TELEGRAM
1😁91❤9🦄3🤔2😢1
Последние пол года я учусь минимум по 10 часов в неделю. Лучший технический университет США - программа по Generative AI.
Много программирования на Python: алгоритмы машинного обучения для LLM моделей, NLP, AI-агенты, Fine-Tuning и много других тем. Погружение "под капот" нейросетей по полной программе.
👉 А параллельно с этим я создала AI-Акселератор для аналитиков в GetAnalyst, который стартует уже 2 апреля.
Большая загрузка, мало времени на отдых, выходных за пол года почти не было...
Но моя учеба почти завершена! И сейчас на финишной прямой! 🤩
Испытываю настоящий восторг от нового опыта!
В апреле ожидаю все результаты.
А все лучшие практики и знания я уже передаю в GetAnalyst! 💙
👉 Программа по AI для аналитиков — это не база про ChatGPT.
Я собираю весь тот опыт, который получила за последние 3 года учёбы и работы:
+ принципы работы нейросетей,
+ что надо знать, прежде чем их использовать,
+ как безопасно встроить AI в свою работу,
+ инструменты,
+ развертывание локальных LLM,
+ интеграции по API,
+ автоматизация процессов через low code,
+ разработка AI-агентов,
+ где AI реально экономит время, а где только создаёт иллюзию продуктивности.
Мой перфекционист в восторге от содержания 🫠
Для меня это стал особенно вдохновляющий период в GetAnalyst:
🔹 Удалось привлечь экспертов из США, которые делали ревью материалов по отдельным урокам и помогли докрутить контент
🔹 В курсе есть занятия, записанные специально для GetAnalyst экспертом по AI из Стэнфорда
🔹 Много практики, разбор ошибок и лайфхаки
Последний год я сознательно посвятила обучению, чтобы сместить фокус на AI-проекты. И сейчас искренне рада, что могу делиться своим опытом с вами.
И чем глубже во всё это погружаюсь, тем сильнее вижу - направление всё ещё очень не развито.
👉 Здесь ещё можно занять сильную позицию, начать применять новые инструменты раньше других и стать одним из тех, кто действительно меняет профессию изнутри.
Радостно видеть, что первый поток получил много сильных и тёплых отзывов. Мы уже собрали пожелания студентов, учли обратную связь, готовим обновления и пополнения базы знаний.
Именно такие результаты дают мне сильную мотивацию двигаться дальше и делать для вас ещё более полезное и глубокое обучение 💙
🔗 Узнать подробнее об AI-Акселераторе
Много программирования на Python: алгоритмы машинного обучения для LLM моделей, NLP, AI-агенты, Fine-Tuning и много других тем. Погружение "под капот" нейросетей по полной программе.
👉 А параллельно с этим я создала AI-Акселератор для аналитиков в GetAnalyst, который стартует уже 2 апреля.
Большая загрузка, мало времени на отдых, выходных за пол года почти не было...
Но моя учеба почти завершена! И сейчас на финишной прямой! 🤩
Испытываю настоящий восторг от нового опыта!
В апреле ожидаю все результаты.
А все лучшие практики и знания я уже передаю в GetAnalyst! 💙
👉 Программа по AI для аналитиков — это не база про ChatGPT.
Я собираю весь тот опыт, который получила за последние 3 года учёбы и работы:
+ принципы работы нейросетей,
+ что надо знать, прежде чем их использовать,
+ как безопасно встроить AI в свою работу,
+ инструменты,
+ развертывание локальных LLM,
+ интеграции по API,
+ автоматизация процессов через low code,
+ разработка AI-агентов,
+ где AI реально экономит время, а где только создаёт иллюзию продуктивности.
Мой перфекционист в восторге от содержания 🫠
Для меня это стал особенно вдохновляющий период в GetAnalyst:
🔹 Удалось привлечь экспертов из США, которые делали ревью материалов по отдельным урокам и помогли докрутить контент
🔹 В курсе есть занятия, записанные специально для GetAnalyst экспертом по AI из Стэнфорда
🔹 Много практики, разбор ошибок и лайфхаки
Последний год я сознательно посвятила обучению, чтобы сместить фокус на AI-проекты. И сейчас искренне рада, что могу делиться своим опытом с вами.
И чем глубже во всё это погружаюсь, тем сильнее вижу - направление всё ещё очень не развито.
👉 Здесь ещё можно занять сильную позицию, начать применять новые инструменты раньше других и стать одним из тех, кто действительно меняет профессию изнутри.
Радостно видеть, что первый поток получил много сильных и тёплых отзывов. Мы уже собрали пожелания студентов, учли обратную связь, готовим обновления и пополнения базы знаний.
Именно такие результаты дают мне сильную мотивацию двигаться дальше и делать для вас ещё более полезное и глубокое обучение 💙
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥27❤6🦄5👍2❤🔥1👎1
📝🔥 NotebookLM — AI-инструмент, который меняет парадигму работы с информацией 🤖
NotebookLM от Google — это ваш персональный AI-ассистент, который работает исключительно на базе ваших данных.
В отличие от обычных чат-ботов как ChatGPT или DeepSeek, он не ищет ответ на ваш вопрос "где-то в интернете", а строит ответы только на тех документах, ссылках и видео, которые вы туда загрузили.
👉 Помогает в:
✔️ обучении,
✔️ анализе,
✔️ исследованиях,
✔️ структурировании сложной информации.
Особенно полезен, когда у вас есть пачка PDF-документов, статьи, записи встреч, спецификации, YouTube-видео или учебные материалы, и нужно быстро вытащить из них суть.
📌 Ключевые возможности:
▫️ Работа по вашим источникам
Можно загрузить PDF, сайты, YouTube-видео, аудиофайлы, Google Docs, изображения, csv, pptx, ePub и другие.
▫️ Ответы со ссылками на источники
Показывает ссылки на конкретные фрагменты из ваших документов.
▫️ Чат с “блокнотом”
Можно буквально общаться со своими материалами: просить краткое резюме, сравнить документы, найти противоречия, объяснить термин простыми словами и так далее.
▫️ Преобразование текста в удобные форматы
+ презентации
+ ментальные карты (mind map)
+ инфографика
+ отчеты
+ квизы
+ таблицы данных
🔥 Audio Overviews — “подкаст” по вашим материалам
🔥 Video Overviews — видео-обзор по вашим материалам
Для аналитика это ускоритель всех задач: подготовка ко встречам, анализ предметной области, изучение огромного количества документации, разбор интеграций, проектирование архитектуры и не только.
👉 Лимиты бесплатной версии:
+ 100 блокнотов,
+ 50 источников.
Для начала работы достаточно иметь Google-аккаунт.
👉 Ссылка на инструмент:
https://notebooklm.google
👉 В картинках к посту показала пример использования инструмента:
🔺 Загрузила в NotebookLM видео с YouTube нашего последнего подкаста по архитектуре — System Design Interview для СА.
🔺 Сгенерировала инфографику, аудио, видео, презентацию и mind map.
🔺 Результат — максимально адекватные данные по нашему подкасту + красивые дизайны.
😍 Смотрите результаты сами:
https://notebooklm.google.com/notebook/6211bb65-ffea-44f9-9099-e742e8845f4e
Этот AI-инструмент однозначно востребован для работы СА и БА.
Сохраняйте этот пост и ставьте задачу в календарь, чтобы точно попробовать🔖 🗓
📱 GetAnalyst | 💙 VK | 💬 Max
#AI_for_analysts
NotebookLM от Google — это ваш персональный AI-ассистент, который работает исключительно на базе ваших данных.
В отличие от обычных чат-ботов как ChatGPT или DeepSeek, он не ищет ответ на ваш вопрос "где-то в интернете", а строит ответы только на тех документах, ссылках и видео, которые вы туда загрузили.
👉 Помогает в:
✔️ обучении,
✔️ анализе,
✔️ исследованиях,
✔️ структурировании сложной информации.
Особенно полезен, когда у вас есть пачка PDF-документов, статьи, записи встреч, спецификации, YouTube-видео или учебные материалы, и нужно быстро вытащить из них суть.
📌 Ключевые возможности:
▫️ Работа по вашим источникам
Можно загрузить PDF, сайты, YouTube-видео, аудиофайлы, Google Docs, изображения, csv, pptx, ePub и другие.
▫️ Ответы со ссылками на источники
Показывает ссылки на конкретные фрагменты из ваших документов.
▫️ Чат с “блокнотом”
Можно буквально общаться со своими материалами: просить краткое резюме, сравнить документы, найти противоречия, объяснить термин простыми словами и так далее.
▫️ Преобразование текста в удобные форматы
+ презентации
+ ментальные карты (mind map)
+ инфографика
+ отчеты
+ квизы
+ таблицы данных
🔥 Audio Overviews — “подкаст” по вашим материалам
🔥 Video Overviews — видео-обзор по вашим материалам
Для аналитика это ускоритель всех задач: подготовка ко встречам, анализ предметной области, изучение огромного количества документации, разбор интеграций, проектирование архитектуры и не только.
👉 Лимиты бесплатной версии:
+ 100 блокнотов,
+ 50 источников.
Для начала работы достаточно иметь Google-аккаунт.
👉 Ссылка на инструмент:
https://notebooklm.google
👉 В картинках к посту показала пример использования инструмента:
🔺 Загрузила в NotebookLM видео с YouTube нашего последнего подкаста по архитектуре — System Design Interview для СА.
🔺 Сгенерировала инфографику, аудио, видео, презентацию и mind map.
🔺 Результат — максимально адекватные данные по нашему подкасту + красивые дизайны.
😍 Смотрите результаты сами:
https://notebooklm.google.com/notebook/6211bb65-ffea-44f9-9099-e742e8845f4e
Этот AI-инструмент однозначно востребован для работы СА и БА.
Сохраняйте этот пост и ставьте задачу в календарь, чтобы точно попробовать
#AI_for_analysts
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥25❤17👍7
🧠 RAG и Fine-Tuning: про обучение нейросетей 🤖
Когда AI придёт и в ваш проект, эти два термина вам точно пригодятся.
👉 Да и в обычной работе с AI для задач СА и БА полезно знать не только промпт-инжиниринг, но и эти два подхода.
Они тоже помогают получать от AI более качественный результат.
Донастройку AI под себя через RAG и Fine Tuning можно сделать почти в любой нейросети, включая ChatGPT, Алиса AI, Qwen и другие.
Подробнее 👇
1️⃣ RAG = AI ищет ответ по вашим данным
RAG (Retrieval-Augmented Generation) — генерация, дополненная поиском.
Это подход, при котором AI отвечает на основе ваших документов и базы знаний.
Вы загружаете свои файлы: PDF, HTML-страницы, статьи, инструкции, регламенты и другие материалы, а система ищет ответ по ним.
То есть модель не переобучают.
Ей просто дают нужный контекст из ваших данных для ответов на вопросы.
Технически это реализуется так:
1) Векторизация запроса — преобразование запроса в числовое представление (без AI).
2) Поиск релевантных фрагментов — система ищет в векторной БД наиболее близкие числа, т.е. фрагменты документов (без AI).
3) генерация ответа на основе этих фрагментов — найденные фрагменты добавляются в запрос к AI-модели, и она формирует ответ с их учётом.
Пример:
NotebookLM работает по принципу RAG.
Вы загружаете материалы, и AI далее работает именно по ним.
2️⃣ Fine-Tuning = меняем саму модель под нужную задачу
Это дообучение модели под конкретные задачи, формат ответов или предметную область.
Другими словами — "улучшение мозгов" 🧠
То есть здесь меняются не внешние документы рядом с моделью, а сама модель адаптируется под нужный сценарий.
Например, если вы хотите, чтобы модель:
* писала Use Case в вашем формате,
* генерировала REST API методы по шаблону,
* лучше понимала терминологию конкретной отрасли,
* стабильно отвечала в нужном стиле.
Тогда Fine-Tuning может быть уместен.
🔻 Это более сложный и дорогой путь, который требует качественной подготовки обучающих данных.
Пример:
AI-ассистент “слушает” встречу врача с пациентом,
выделяет из разговора важные данные
и автоматически оформляет запись в медицинской карте в нужном формате и помогает с предварительным определением диагноза.
Для этого модель дообучают на большом количестве реальных врачебных записей, которые ранее заполнялись вручную.
Данные делят на "обучающие" и "тестовые". На обучающих модель учится, а на тестовых проверяют, что она отвечает как настоящий доктор.
👉 В чём разница
RAG
➡️ модель не дообучается
➡️ даёт ей доступ к внешним документам
➡️ удобно, когда данные часто меняются
Fine-Tuning
➡️ модель дообучается
➡️ меняется её внутреннее поведение
➡️ удобно, когда нужно глубже адаптировать её под задачу
👉 Когда выбирают RAG:
✔️ есть база документов
✔️ знания часто обновляются
✔️ нужен быстрый и более дешёвый запуск AI в продукте
👉 Когда выбирают Fine-Tuning:
✔️ нужен стабильный формат ответов
✔️ знания меняются редко
✔️ важна адаптация под узкую предметную область, простой RAG уже не даёт нужного качества
👉 Иногда в проекте используют оба подхода сразу:
▫️ RAG — для получения актуальных данных,
▫️ Fine-Tuning — для лучшего поведения модели.
Системному аналитику полезно знать оба термина.
Потому что в AI-проектах это уже не “что-то для ML-инженеров”, а часть обсуждения архитектуры решения.
📱 GetAnalyst | 💙 VK | 💬 Max
#AI_for_analysts
Когда AI придёт и в ваш проект, эти два термина вам точно пригодятся.
👉 Да и в обычной работе с AI для задач СА и БА полезно знать не только промпт-инжиниринг, но и эти два подхода.
Они тоже помогают получать от AI более качественный результат.
Донастройку AI под себя через RAG и Fine Tuning можно сделать почти в любой нейросети, включая ChatGPT, Алиса AI, Qwen и другие.
Подробнее 👇
1️⃣ RAG = AI ищет ответ по вашим данным
RAG (Retrieval-Augmented Generation) — генерация, дополненная поиском.
Это подход, при котором AI отвечает на основе ваших документов и базы знаний.
Вы загружаете свои файлы: PDF, HTML-страницы, статьи, инструкции, регламенты и другие материалы, а система ищет ответ по ним.
То есть модель не переобучают.
Ей просто дают нужный контекст из ваших данных для ответов на вопросы.
Технически это реализуется так:
1) Векторизация запроса — преобразование запроса в числовое представление (без AI).
2) Поиск релевантных фрагментов — система ищет в векторной БД наиболее близкие числа, т.е. фрагменты документов (без AI).
3) генерация ответа на основе этих фрагментов — найденные фрагменты добавляются в запрос к AI-модели, и она формирует ответ с их учётом.
Пример:
NotebookLM работает по принципу RAG.
Вы загружаете материалы, и AI далее работает именно по ним.
2️⃣ Fine-Tuning = меняем саму модель под нужную задачу
Это дообучение модели под конкретные задачи, формат ответов или предметную область.
Другими словами — "улучшение мозгов" 🧠
То есть здесь меняются не внешние документы рядом с моделью, а сама модель адаптируется под нужный сценарий.
Например, если вы хотите, чтобы модель:
* писала Use Case в вашем формате,
* генерировала REST API методы по шаблону,
* лучше понимала терминологию конкретной отрасли,
* стабильно отвечала в нужном стиле.
Тогда Fine-Tuning может быть уместен.
🔻 Это более сложный и дорогой путь, который требует качественной подготовки обучающих данных.
Пример:
AI-ассистент “слушает” встречу врача с пациентом,
выделяет из разговора важные данные
и автоматически оформляет запись в медицинской карте в нужном формате и помогает с предварительным определением диагноза.
Для этого модель дообучают на большом количестве реальных врачебных записей, которые ранее заполнялись вручную.
Данные делят на "обучающие" и "тестовые". На обучающих модель учится, а на тестовых проверяют, что она отвечает как настоящий доктор.
👉 В чём разница
RAG
➡️ модель не дообучается
➡️ даёт ей доступ к внешним документам
➡️ удобно, когда данные часто меняются
Fine-Tuning
➡️ модель дообучается
➡️ меняется её внутреннее поведение
➡️ удобно, когда нужно глубже адаптировать её под задачу
👉 Когда выбирают RAG:
✔️ есть база документов
✔️ знания часто обновляются
✔️ нужен быстрый и более дешёвый запуск AI в продукте
👉 Когда выбирают Fine-Tuning:
✔️ нужен стабильный формат ответов
✔️ знания меняются редко
✔️ важна адаптация под узкую предметную область, простой RAG уже не даёт нужного качества
👉 Иногда в проекте используют оба подхода сразу:
▫️ RAG — для получения актуальных данных,
▫️ Fine-Tuning — для лучшего поведения модели.
Системному аналитику полезно знать оба термина.
Потому что в AI-проектах это уже не “что-то для ML-инженеров”, а часть обсуждения архитектуры решения.
#AI_for_analysts
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11❤6👍3❤🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
Как бесплатно сделать своего AI аватара? 🧐
0. Снимите видео. Сделайте скриншот любого кадра из середины.
1. Откройте AI чат-бот Gemini от Google - нужна модель Nano Banana Pro для генерации изображений.
2. Авторизуйтесь через свой Google-аккаунт
3. В настройках сообщения выберите "Создание изображений" и модель "Pro"
4. Загрузите своё фото и далее запросите у AI по шагам:
✔️ Заменить фон
✔️ Добавить укладку
✔️ Добавить макияж
Так ваше фото не будет искажено и не появится третья рука 🫳
5. Откройте приложение Kling AI для генерации видео и авторизуйтесь через Google-аккаунт
6. Выберите функцию Motion Control
7. Загрузите:
✔️ Обработанное через Nano Banana Pro фото
✔️ Видео с жестами для обработки
8. Промт:
9. Запустите генерацию
Готово!
Бесплатных лимитов от Google хватает на генерацию изображений, а вводных кредитов от Kling как минимум на одно видео 😃
Совершенно бесполезно для работы, но даёт много идей по творческой работе с AI. Попробуйте! Возможно пригодится для ведения личных соц сетей или генерации профессиональных фотосессий 😉
📱 GetAnalyst | 💙 VK | 💬 Max
#AI_for_analysts
0. Снимите видео. Сделайте скриншот любого кадра из середины.
1. Откройте AI чат-бот Gemini от Google - нужна модель Nano Banana Pro для генерации изображений.
2. Авторизуйтесь через свой Google-аккаунт
3. В настройках сообщения выберите "Создание изображений" и модель "Pro"
4. Загрузите своё фото и далее запросите у AI по шагам:
✔️ Заменить фон
✔️ Добавить укладку
✔️ Добавить макияж
Так ваше фото не будет искажено и не появится третья рука 🫳
5. Откройте приложение Kling AI для генерации видео и авторизуйтесь через Google-аккаунт
6. Выберите функцию Motion Control
7. Загрузите:
✔️ Обработанное через Nano Banana Pro фото
✔️ Видео с жестами для обработки
8. Промт:
Перенеси изображение на движения человека, не меняй внешность и не добавляй артефактов.
9. Запустите генерацию
Готово!
Бесплатных лимитов от Google хватает на генерацию изображений, а вводных кредитов от Kling как минимум на одно видео 😃
Совершенно бесполезно для работы, но даёт много идей по творческой работе с AI. Попробуйте! Возможно пригодится для ведения личных соц сетей или генерации профессиональных фотосессий 😉
#AI_for_analysts
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥24❤12👍6😁3🤔2❤🔥1
🔴 21 задача аналитика, которую можно ускорить с ИИ 🤖🚀
Искусственный интеллект (ИИ) уже меняет работу системного и бизнес-аналитика.
ИИ сегодня — это полноценный рабочий инструмент, который можно указывать в резюме.
Задачи, решение которых можно ускорить с ИИ:
▫️ анализ требований,
▫️ исследование предметной области,
▫️ написание БТ, ФТ и НФТ,
▫️ разработка User Stores + критериев приемки,
▫️ разработка обычных и интеграционных Use Case,
▫️ BPMN-диаграммы,
▫️ UML-диаграммы,
▫️ проектирование БД (ERD),
▫️ SQL-запросы,
▫️ анализ API внешних систем для интеграций,
▫️ проектировать REST API, SOAP API, gRPC, GraphQL, WebSocket API, SSE API,
▫️ разработка контрактов REST API в OpenAPI (Swagger),
▫️ постановки задач на Backend, Frontend и Mobile по корпоративным шаблонам,
▫️ проработка архитектуры,
▫️ схемы архитектуры в нотации C4,
▫️ прототипирование UI,
▫️ задачи на настройку RabbitMQ и Kafka,
▫️ переписка с коллегами и заказчиками,
▫️ работа в международных командах (английский)
И всё это — не в одном чате, а через связки инструментов, переиспользуемые промпты и грамотный промптинг под разные типы задач.
Но дальше — ещё интереснее.
Следующий уровень для СА и БА — это уже разработка агентных AI-систем, самостоятельное создание приложений под свои рабочие задачи и их деплой без необходимости разработчиков и DevOps 😍
То есть аналитик может не просто пользоваться AI для отдельных артефактов, но и:
✔️ собирать полноценные AI-решения,
✔️ автоматизировать процессы команды,
✔️ автоматизировать рутину,
✔️ и делать рабочие MVP своими руками.
Всё это есть здесь:
💙 ИИ-Акселератор для СА и БА
🗓 Старт — 2 апреля.
📱 GetAnalyst | 💙 VK | 💬 Max
#AI_for_analysts
Искусственный интеллект (ИИ) уже меняет работу системного и бизнес-аналитика.
ИИ сегодня — это полноценный рабочий инструмент, который можно указывать в резюме.
Задачи, решение которых можно ускорить с ИИ:
▫️ анализ требований,
▫️ исследование предметной области,
▫️ написание БТ, ФТ и НФТ,
▫️ разработка User Stores + критериев приемки,
▫️ разработка обычных и интеграционных Use Case,
▫️ BPMN-диаграммы,
▫️ UML-диаграммы,
▫️ проектирование БД (ERD),
▫️ SQL-запросы,
▫️ анализ API внешних систем для интеграций,
▫️ проектировать REST API, SOAP API, gRPC, GraphQL, WebSocket API, SSE API,
▫️ разработка контрактов REST API в OpenAPI (Swagger),
▫️ постановки задач на Backend, Frontend и Mobile по корпоративным шаблонам,
▫️ проработка архитектуры,
▫️ схемы архитектуры в нотации C4,
▫️ прототипирование UI,
▫️ задачи на настройку RabbitMQ и Kafka,
▫️ переписка с коллегами и заказчиками,
▫️ работа в международных командах (английский)
И всё это — не в одном чате, а через связки инструментов, переиспользуемые промпты и грамотный промптинг под разные типы задач.
Но дальше — ещё интереснее.
Следующий уровень для СА и БА — это уже разработка агентных AI-систем, самостоятельное создание приложений под свои рабочие задачи и их деплой без необходимости разработчиков и DevOps 😍
То есть аналитик может не просто пользоваться AI для отдельных артефактов, но и:
✔️ собирать полноценные AI-решения,
✔️ автоматизировать процессы команды,
✔️ автоматизировать рутину,
✔️ и делать рабочие MVP своими руками.
Всё это есть здесь:
💙 ИИ-Акселератор для СА и БА
🗓 Старт — 2 апреля.
#AI_for_analysts
Please open Telegram to view this post
VIEW IN TELEGRAM
❤15👍7🔥5