Как посчитать профит дата-команды
Однажды аналитик Максим получил задачу от продуктового директора Марии: «Максим, докажи, что ваша дата-команда реально приносит пользу». Максим вспомнил статью How to think about the ROI of data work и решил с помощью простой формулы и эмодзи доказать зумеру Марии, что его команда не зря получает зарплату.
Максим объяснил Марии:
🎳 — Это число специалистов или систем, которые пользуются нашим решением.
🖇 — Насколько наша работа ускоряет или упрощает их жизнь.
💰 — Сколько каждая единица этой экономии стоит для бизнеса.
⏳ — Сколько человеко-дней мы потратили.
Чтобы убедить Марию, Максим привел свой недавний кейс:
Он автоматизировал отчет, который раньше вручную собирали шесть аналитиков по два часа каждый рабочий день. Новая система стала делать все сама — экономия 100% времени. Один час работы аналитика в их компании стоит примерно $50, значит каждый из шести коллег теперь зарабатывал для бизнеса по $100 в день. Сам проект занял у команды 8 человеко-дней.
Подставив все это в формулу, Максим получил:
Столько выгоды в день получает компания от работы команды.
Когда Мария увидела цифру, она улыбнулась: «Понятно и наглядно!»
Но Максим предупредил: «Не все так просто. Вендоры часто рисуют красивые ROI-презентации, обещают сверхприбыль от еще несуществующих фич — это больше маркетинг, чем реальность. Реальный ROI всегда ниже, потому что мы забываем учесть скрытые издержки: зарплаты, поддержку, последующие доработки».
Вместо того, чтобы увязнуть в бесконечных расчетах, Максим предложил переходить на OKR-подход: привязывать каждую задачу к бизнес-целям и ключевым результатам, чтобы уже по факту спринта можно было увидеть Impact и Value. Так дата-команда получала четкий фокус на самых окупаемых задачах и одновременно создавала платформы и инструменты для масштабного эффекта.
Когда в конце встречи Мария спросила: «А как быть с ROI, например, от покупки нового iPhone для работы?»
Максим улыбнулся и ответил: «Здесь та же формула: посчитайте, сколько вы сэкономите времени и получите пользы, и поделите на затраты. Но сначала лучше завести OKR и измерять настоящий вклад данных!»
И с тех пор в их команде ROI перестал быть пугающим набором цифр — он превратился в понятный инструмент, который помогает выбирать правильные проекты и показывать реальную ценность данных.
#аналитика #деньги #статьи
Однажды аналитик Максим получил задачу от продуктового директора Марии: «Максим, докажи, что ваша дата-команда реально приносит пользу». Максим вспомнил статью How to think about the ROI of data work и решил с помощью простой формулы и эмодзи доказать зумеру Марии, что его команда не зря получает зарплату.
ROI = (🎳 × 🖇 × 💰) / ⏳
Максим объяснил Марии:
🎳 — Это число специалистов или систем, которые пользуются нашим решением.
🖇 — Насколько наша работа ускоряет или упрощает их жизнь.
💰 — Сколько каждая единица этой экономии стоит для бизнеса.
⏳ — Сколько человеко-дней мы потратили.
Чтобы убедить Марию, Максим привел свой недавний кейс:
Он автоматизировал отчет, который раньше вручную собирали шесть аналитиков по два часа каждый рабочий день. Новая система стала делать все сама — экономия 100% времени. Один час работы аналитика в их компании стоит примерно $50, значит каждый из шести коллег теперь зарабатывал для бизнеса по $100 в день. Сам проект занял у команды 8 человеко-дней.
Подставив все это в формулу, Максим получил:
ROI = (6 🎳 × 1 🖇 × $50 💰) / 8 дн ⏳ ≈ $37,5
Столько выгоды в день получает компания от работы команды.
Когда Мария увидела цифру, она улыбнулась: «Понятно и наглядно!»
Но Максим предупредил: «Не все так просто. Вендоры часто рисуют красивые ROI-презентации, обещают сверхприбыль от еще несуществующих фич — это больше маркетинг, чем реальность. Реальный ROI всегда ниже, потому что мы забываем учесть скрытые издержки: зарплаты, поддержку, последующие доработки».
Вместо того, чтобы увязнуть в бесконечных расчетах, Максим предложил переходить на OKR-подход: привязывать каждую задачу к бизнес-целям и ключевым результатам, чтобы уже по факту спринта можно было увидеть Impact и Value. Так дата-команда получала четкий фокус на самых окупаемых задачах и одновременно создавала платформы и инструменты для масштабного эффекта.
Когда в конце встречи Мария спросила: «А как быть с ROI, например, от покупки нового iPhone для работы?»
Максим улыбнулся и ответил: «Здесь та же формула: посчитайте, сколько вы сэкономите времени и получите пользы, и поделите на затраты. Но сначала лучше завести OKR и измерять настоящий вклад данных!»
И с тех пор в их команде ROI перестал быть пугающим набором цифр — он превратился в понятный инструмент, который помогает выбирать правильные проекты и показывать реальную ценность данных.
#аналитика #деньги #статьи
👍5🙏3❤🔥2🔥1
SQL Basics.pdf
102.8 KB
Если майские праздники пройдут по плану
И после вам понадобятся шпаргалки по SQL, вы знаете, где их найти.
- SQL для дата-аналитиков.
- Простые и сложные JOIN-операции.
- Оконные функции.
- SQL для самых маленьких.
Сохраняйте и поделитесь с коллегами.
#sql
И после вам понадобятся шпаргалки по SQL, вы знаете, где их найти.
- SQL для дата-аналитиков.
- Простые и сложные JOIN-операции.
- Оконные функции.
- SQL для самых маленьких.
Сохраняйте и поделитесь с коллегами.
#sql
👍6
Будущее трансформеров: без Майкла Бэя и Оптимуса Прайма
На Хабре вышла статья про ограниченность крупных языковых моделей в части хранения контекста и адаптации в реальном времени. Автор рассказывает, как семантический поиск, квантование и внешние базы знаний помогают создавать компактные и обучаемые агенты, готовые работать прямо на устройствах пользователя.
Разбираем главные тезисы и инсайты:
Mem-векторы: долгосрочная память для LLM
Большие языковые модели не запоминают информацию за пределами фиксированного окна контекста. Решение — внедрение долговременной памяти в виде специальных mem-векторов. Архитектуры вроде LongMem сохраняют промежуточные представления из внутренних слоев модели, которые позже можно извлекать. Это позволяет расширять контекст до десятков тысяч токенов без потери качества и сдерживать рост вычислительных затрат. Новые методы позволяют также эффективно сжимать контекст до 20-70 раз, сохраняя смысл.
Модульные трансформеры: разделение знаний и мышления
Трансформеры становятся более модульными. В новых архитектурах знания выносятся в отдельные модули, а ризонинг — в ядро модели. Концепция Transformer 2.0 предполагает замену жестко запрограммированного feed-forward слоя на вызов внешней базы знаний через механизм внимания. Подход Mixture-of-Experts (MoE) активирует при запросе только те подсети, которые действительно нужны, позволяя сильно увеличить объём доступных знаний без пропорционального роста вычислений.
Персонализация без полного переобучения
Дообучение больших моделей с нуля невозможно для большинства пользователей. Вместо этого применяются методы параметро-эффективного обучения (PEFT) — такие как LoRA, адаптеры и prompt-tuning. Они позволяют дообучать только небольшую часть параметров модели (1–2%) без изменения базовых весов. Это дает возможность быстро адаптировать модель под задачи конкретного пользователя, избегая катастрофического забывания и сохраняя приватность.
Семантическая память: ключ-значение и поиск знаний
Вместо того чтобы хранить все знания в весах модели, современный подход использует Retrieval-Augmented Generation (RAG). Модель запрашивает информацию из внешних векторных баз знаний, таких как FAISS, Milvus или Qdrant, и генерирует ответы на основе релевантных документов. Семантический поиск по векторам ключ-значение позволяет интегрировать внешнюю память в работу модели, обеспечивая масштабируемость и свежесть знаний.
Эффективность и запуск на устройствах пользователя
Модели становятся компактнее. С помощью методов вроде квантования (например, 4-битные QLoRA) и дистилляции их можно запускать на ноутбуках и даже смартфонах без значительных потерь качества. Это открывает возможность создания автономных ИИ-агентов, которые работают локально, быстрее реагируют и не передают данные в облако — важный шаг в сторону приватности и персонального контроля над ИИ.
Конфликт знаний и галлюцинации: вызовы большого мозга
С ростом объема знаний возникает проблема противоречий и галлюцинаций. Модели могут воспроизводить устаревшие, выдуманные или конфликтующие факты. Чтобы с этим бороться, предлагается внедрять механизмы явного управления источниками, верификации информации и приоритезации. Это особенно важно для систем, которые хранят долгосрочную память и работают в реальных приложениях.
Заключение: от больших моделей к умным агентам
Будущее — не за все более громоздкими моделями, а за умными агентами, которые умеют учиться на ходу, помнить прошлый опыт, обращаться к внешним базам знаний и работать на пользовательских устройствах. Такие ИИ-системы будут адаптивными, эффективными и персонализированными. Это шаг от просто большого мозга к осмысленному и автономному мышлению в реальном времени.
#ии #статьи
На Хабре вышла статья про ограниченность крупных языковых моделей в части хранения контекста и адаптации в реальном времени. Автор рассказывает, как семантический поиск, квантование и внешние базы знаний помогают создавать компактные и обучаемые агенты, готовые работать прямо на устройствах пользователя.
Разбираем главные тезисы и инсайты:
Mem-векторы: долгосрочная память для LLM
Большие языковые модели не запоминают информацию за пределами фиксированного окна контекста. Решение — внедрение долговременной памяти в виде специальных mem-векторов. Архитектуры вроде LongMem сохраняют промежуточные представления из внутренних слоев модели, которые позже можно извлекать. Это позволяет расширять контекст до десятков тысяч токенов без потери качества и сдерживать рост вычислительных затрат. Новые методы позволяют также эффективно сжимать контекст до 20-70 раз, сохраняя смысл.
Модульные трансформеры: разделение знаний и мышления
Трансформеры становятся более модульными. В новых архитектурах знания выносятся в отдельные модули, а ризонинг — в ядро модели. Концепция Transformer 2.0 предполагает замену жестко запрограммированного feed-forward слоя на вызов внешней базы знаний через механизм внимания. Подход Mixture-of-Experts (MoE) активирует при запросе только те подсети, которые действительно нужны, позволяя сильно увеличить объём доступных знаний без пропорционального роста вычислений.
Персонализация без полного переобучения
Дообучение больших моделей с нуля невозможно для большинства пользователей. Вместо этого применяются методы параметро-эффективного обучения (PEFT) — такие как LoRA, адаптеры и prompt-tuning. Они позволяют дообучать только небольшую часть параметров модели (1–2%) без изменения базовых весов. Это дает возможность быстро адаптировать модель под задачи конкретного пользователя, избегая катастрофического забывания и сохраняя приватность.
Семантическая память: ключ-значение и поиск знаний
Вместо того чтобы хранить все знания в весах модели, современный подход использует Retrieval-Augmented Generation (RAG). Модель запрашивает информацию из внешних векторных баз знаний, таких как FAISS, Milvus или Qdrant, и генерирует ответы на основе релевантных документов. Семантический поиск по векторам ключ-значение позволяет интегрировать внешнюю память в работу модели, обеспечивая масштабируемость и свежесть знаний.
Эффективность и запуск на устройствах пользователя
Модели становятся компактнее. С помощью методов вроде квантования (например, 4-битные QLoRA) и дистилляции их можно запускать на ноутбуках и даже смартфонах без значительных потерь качества. Это открывает возможность создания автономных ИИ-агентов, которые работают локально, быстрее реагируют и не передают данные в облако — важный шаг в сторону приватности и персонального контроля над ИИ.
Конфликт знаний и галлюцинации: вызовы большого мозга
С ростом объема знаний возникает проблема противоречий и галлюцинаций. Модели могут воспроизводить устаревшие, выдуманные или конфликтующие факты. Чтобы с этим бороться, предлагается внедрять механизмы явного управления источниками, верификации информации и приоритезации. Это особенно важно для систем, которые хранят долгосрочную память и работают в реальных приложениях.
Заключение: от больших моделей к умным агентам
Будущее — не за все более громоздкими моделями, а за умными агентами, которые умеют учиться на ходу, помнить прошлый опыт, обращаться к внешним базам знаний и работать на пользовательских устройствах. Такие ИИ-системы будут адаптивными, эффективными и персонализированными. Это шаг от просто большого мозга к осмысленному и автономному мышлению в реальном времени.
#ии #статьи
🔥7❤🔥3
Сколько денег уйдет на модернизацию дата-центров в ближайшие 5 лет
По прогнозам McKinsey, к 2030 году мировые расходы на расширение и модернизацию дата-центров достигнут $6,7 трлн, из которых $5,2 трлн — только на удовлетворение потребностей ИИ.
Это базовый сценарий. При ускоренном росте к 2030 году на покрытие ИИ-потребностей уйдет и того больше — $7,9 трлн.
Откуда такие цифры?
Потребление искусственным интеллектом электричества стабильно растет. Если график этого роста продлить до 2030 года, то выйдет, что через 5 лет ИИ потребует дополнительных 156 ГВт.
Остается посчитать, сколько будет стоить произвести 156 ГВт энергии и нарастить сами вычислительные мощности.
И в McKinsey посчитали:
- $0,8 трлн на землю и строительство.
- $1,3 трлн на электроснабжение и охлаждение.
- $3,1 трлн на оборудование.
Итого $5,2 трлн.
Очевидное невероятное:
На возобновляемые источники приходится 33% в энергетическом балансе дата-центров. К 2030 году их доля может вырасти до 50%, если вложить еще $1 трлн в чистую энергогенерацию и сеть.
Верим?
#ии #деньги #исследования
По прогнозам McKinsey, к 2030 году мировые расходы на расширение и модернизацию дата-центров достигнут $6,7 трлн, из которых $5,2 трлн — только на удовлетворение потребностей ИИ.
Это базовый сценарий. При ускоренном росте к 2030 году на покрытие ИИ-потребностей уйдет и того больше — $7,9 трлн.
Откуда такие цифры?
Потребление искусственным интеллектом электричества стабильно растет. Если график этого роста продлить до 2030 года, то выйдет, что через 5 лет ИИ потребует дополнительных 156 ГВт.
Остается посчитать, сколько будет стоить произвести 156 ГВт энергии и нарастить сами вычислительные мощности.
И в McKinsey посчитали:
- $0,8 трлн на землю и строительство.
- $1,3 трлн на электроснабжение и охлаждение.
- $3,1 трлн на оборудование.
Итого $5,2 трлн.
Очевидное невероятное:
На возобновляемые источники приходится 33% в энергетическом балансе дата-центров. К 2030 году их доля может вырасти до 50%, если вложить еще $1 трлн в чистую энергогенерацию и сеть.
Верим?
#ии #деньги #исследования
👍4❤🔥2⚡2🔥2
Рейтинг стран по доступности и открытости статистических данных
На Open Data Watch подъехал обзор по 197 странам за 2024 год.
Глобальный вывод: в мире тренд на рост открытости и доступности статистических данных.
К методологии можно придираться: составители отчета не роют носом всевозможные источники статистики, а учитывают только то, что на поверхности и давно известно. Так что с конкретными местами стран в рейтинге можно спорить, но в целом картина довольно достоверная.
В аутсайдерах Южный Судан (196 место) и Туркменистан (197).
В лидерах Малайзия (1) и Северная Европа: Финляндия (3), Дания (4), Норвегия (6).
Все неплохо и в арабском мире: Оман (9), ОАЭ (10).
Интересна разница между соседними Туркменистаном (197) и Узбекистаном (12). Больше разница могла бы быть только между Северной и Южной Кореей (35), но по КНДР данных нет.
Кто на каком месте из больших ребят:
- США и Канада (21)
- Россия (76)
- Китай (159)
Интересно отметить Сальвадор (185), который такой весь из себя про блокчейн, биткоин, свободу и все такое, а вот с открытостью данных у него так себе.
#исследования
На Open Data Watch подъехал обзор по 197 странам за 2024 год.
Глобальный вывод: в мире тренд на рост открытости и доступности статистических данных.
К методологии можно придираться: составители отчета не роют носом всевозможные источники статистики, а учитывают только то, что на поверхности и давно известно. Так что с конкретными местами стран в рейтинге можно спорить, но в целом картина довольно достоверная.
В аутсайдерах Южный Судан (196 место) и Туркменистан (197).
В лидерах Малайзия (1) и Северная Европа: Финляндия (3), Дания (4), Норвегия (6).
Все неплохо и в арабском мире: Оман (9), ОАЭ (10).
Интересна разница между соседними Туркменистаном (197) и Узбекистаном (12). Больше разница могла бы быть только между Северной и Южной Кореей (35), но по КНДР данных нет.
Кто на каком месте из больших ребят:
- США и Канада (21)
- Россия (76)
- Китай (159)
Интересно отметить Сальвадор (185), который такой весь из себя про блокчейн, биткоин, свободу и все такое, а вот с открытостью данных у него так себе.
#исследования
👍5🔥3❤🔥2🏆2
Кейс: как наружка заменяет таргетинг. И причем тут большие данные и нейросети
Рекламные бюджеты все чаще уходят в цифру, но коллаборация Билайна и Делимобиля показывает: наружная реклама может быть не менее эффективной, особенно когда ее подкрепляет аналитика больших данных и ИИ.
Суть проекта
Делимобиль разместил стикеры на 300 авто в Москве, чтобы продвинуть новый сервис. Раньше метрики ограничивались подсчетом арендаторов оклеенных машин каршеринга, но это не отражало реального охвата — рекламу видели и пешеходы, и другие водители. Задача была амбициозной: оцифровать охват, частоту контактов и процент аудитории, которая фактически видела сообщение.
Роль больших данных и искусственного интеллекта
1. Геоданные от Делимобиля
Автомобили оснащены телематикой, фиксирующей их местоположение каждые 5–10 секунд. Это дало точную карту маршрутов.
2. Анонимизированные данные Билайна
Сотовый оператор предоставил агрегированные данные о перемещении людей через нагрузку на базовые станции. Так можно было определить, сколько пользователей находились рядом с рекламными авто.
3. Искусственный интеллект для очистки данных
Алгоритмы исключили шум — места вроде торговых центров или развязок, где высокая проходимость не гарантирует внимания к рекламе. Также ИИ сегментировал аудиторию и рассчитал частоту контактов.
Результаты, которые перевернули подход к наружке
Охват: 7,6 млн уникальных пользователей за кампанию против прежних 100 тысяч (только арендаторы).
Частота: до 20 контактов с сообщением на человека.
39% жителей Москвы увидели рекламу уже в первый месяц.
Парковки против движения: припаркованные машины генерировали на 16% больше просмотров благодаря пешеходному трафику. Старыми методами аналитики это вообще не учитывалось.
Вывод
Этот кейс — пример того, как большие данные и ИИ превращают наружную рекламу в умный инструмент с измеримой эффективностью. Вместо точечного таргетинга — широкий охват с аналитикой, которая раньше была недоступна. Для брендов это шанс выйти за рамки диджитал-пузыря и достучаться до аудитории там, где она живет: в офлайне.
Поделитесь со знакомыми таргетологами. Интересно, что они скажут.
#ии #аналитика #деньги
Рекламные бюджеты все чаще уходят в цифру, но коллаборация Билайна и Делимобиля показывает: наружная реклама может быть не менее эффективной, особенно когда ее подкрепляет аналитика больших данных и ИИ.
Суть проекта
Делимобиль разместил стикеры на 300 авто в Москве, чтобы продвинуть новый сервис. Раньше метрики ограничивались подсчетом арендаторов оклеенных машин каршеринга, но это не отражало реального охвата — рекламу видели и пешеходы, и другие водители. Задача была амбициозной: оцифровать охват, частоту контактов и процент аудитории, которая фактически видела сообщение.
Роль больших данных и искусственного интеллекта
1. Геоданные от Делимобиля
Автомобили оснащены телематикой, фиксирующей их местоположение каждые 5–10 секунд. Это дало точную карту маршрутов.
2. Анонимизированные данные Билайна
Сотовый оператор предоставил агрегированные данные о перемещении людей через нагрузку на базовые станции. Так можно было определить, сколько пользователей находились рядом с рекламными авто.
3. Искусственный интеллект для очистки данных
Алгоритмы исключили шум — места вроде торговых центров или развязок, где высокая проходимость не гарантирует внимания к рекламе. Также ИИ сегментировал аудиторию и рассчитал частоту контактов.
Результаты, которые перевернули подход к наружке
Охват: 7,6 млн уникальных пользователей за кампанию против прежних 100 тысяч (только арендаторы).
Частота: до 20 контактов с сообщением на человека.
39% жителей Москвы увидели рекламу уже в первый месяц.
Парковки против движения: припаркованные машины генерировали на 16% больше просмотров благодаря пешеходному трафику. Старыми методами аналитики это вообще не учитывалось.
Вывод
Этот кейс — пример того, как большие данные и ИИ превращают наружную рекламу в умный инструмент с измеримой эффективностью. Вместо точечного таргетинга — широкий охват с аналитикой, которая раньше была недоступна. Для брендов это шанс выйти за рамки диджитал-пузыря и достучаться до аудитории там, где она живет: в офлайне.
Поделитесь со знакомыми таргетологами. Интересно, что они скажут.
#ии #аналитика #деньги
👍5❤🔥4🔥3👌1
Как-то не ладится в логистике ни с большими, ни с персональными данными
Мы уже писали, что пока Амазон оптимизирует логистику с помощью больших данных, российские логистические компании этого по каким-то причинам чураются.
И вот сфера российской логистики снова в повестке больших данных в дурном свете.
Федеральный координатор проекта «Цифровая Россия» Антон Немкин заявил, что наибольшее количество утечек персональных данных в 2025 году связано с логистическими компаниями:
Что дальше?
Хочется верить, что на фоне сильно выросших штрафов и повышенного внимания к отрасли логистические компании займутся данными по-взрослому и достигнут с их помощью результатов, как это вышло у того же Амазона.
#безопасность
Мы уже писали, что пока Амазон оптимизирует логистику с помощью больших данных, российские логистические компании этого по каким-то причинам чураются.
И вот сфера российской логистики снова в повестке больших данных в дурном свете.
Федеральный координатор проекта «Цифровая Россия» Антон Немкин заявил, что наибольшее количество утечек персональных данных в 2025 году связано с логистическими компаниями:
В логистике много подрядчиков, внутренних платформ и мобильных приложений, что создает уязвимую среду с большим числом потенциальных точек входа.
Что дальше?
Хочется верить, что на фоне сильно выросших штрафов и повышенного внимания к отрасли логистические компании займутся данными по-взрослому и достигнут с их помощью результатов, как это вышло у того же Амазона.
#безопасность
👍5❤3❤🔥2🔥2
Архитектура_и_моделирование_данных.pdf
560 KB
Рекомендации по архитектуре и моделированию данных от Банка России
Свежее руководство для организаций, стремящихся систематизировать работу с данными и повысить их ценность для бизнеса.
Что внутри?
Практические инструменты: шаблоны, концептуальные модели, регламенты, метрики эффективности, примеры типовых проблем и решений.
В рекомендациях учитывается как внутренняя разработка, так и интеграция с коробочными айти-решениями. Авторы сделали акцент на гибкость и адаптивность архитектуры данных к изменениям бизнес-требований.
Кому пригодится?
Участникам финансового рынка: банкам, страховым компаниям, инвестиционным фондам.
Специалистам по данным: архитекторам, руководителям айти-проектов, аналитикам.
Руководителям, заинтересованным в трансформации управления данными и повышении зрелости СУД.
Делитесь с коллегами из финансового сектора.
#деньги
Свежее руководство для организаций, стремящихся систематизировать работу с данными и повысить их ценность для бизнеса.
Что внутри?
Практические инструменты: шаблоны, концептуальные модели, регламенты, метрики эффективности, примеры типовых проблем и решений.
В рекомендациях учитывается как внутренняя разработка, так и интеграция с коробочными айти-решениями. Авторы сделали акцент на гибкость и адаптивность архитектуры данных к изменениям бизнес-требований.
Кому пригодится?
Участникам финансового рынка: банкам, страховым компаниям, инвестиционным фондам.
Специалистам по данным: архитекторам, руководителям айти-проектов, аналитикам.
Руководителям, заинтересованным в трансформации управления данными и повышении зрелости СУД.
Делитесь с коллегами из финансового сектора.
#деньги
👍5🙏4🔥2❤🔥1
456 страниц отчета об ИИ в 1 посте
В Стэнфордском институте человеко-ориентированного искусственного интеллекта выпустили большой отчет о рынке ИИ в 2025 году.
Главные выводы:
1. Малые модели становятся лучше
В 2022 году единственной моделью с показателем выше 60% по бенчмарку MMLU была PaLM с 540 млрд параметров. К 2024 году Phi-3-mini от Microsoft с 3,8 млрд параметров достиг того же порога — это сокращение в 142 раза за два года.
2. Модели становятся дешевле в эксплуатации
Стоимость запроса к модели с точностью 64,8% по MMLU (аналог GPT-3.5) упала с $20 за миллион токенов в ноябре 2022 до $0,07 к октябрю 2024 (Gemini-1.5-Flash-8B) — это снижение более чем в 280 раз за 18 месяцев.
3. Китайские модели сокращают отставание
В 2024 году в США было разработано 40 заметных моделей ИИ, в Китае — 15, в Европе — 3. Хотя США сохраняют лидерство по количеству, китайские модели практически сравнялись по качеству: разрыв по MMLU и HumanEval сократился с двузначных чисел в 2023 до почти паритета в 2024.
4. Увеличение числа проблемных инцидентов с ИИ
По данным AI Incidents Database, число инцидентов, связанных с ИИ, включая дипфейки и случаи, когда чат-боты якобы способствовали суициду подростка, в 2024 году достигло 233 — это рекордный показатель и рост на 56,4% по сравнению с 2023.
5. Появление более полезных ИИ-агентов
В 2024 году запущен бенчмарк RE-Bench для оценки сложных задач ИИ-агентов. В краткосрочных сценариях (до 2 часов) лучшие системы обходят экспертов в 4 раза, но при более длительной работе (32 часа) люди опережают ИИ в 2 раза. Тем не менее в отдельных задачах, например в написании кода, ИИ-агенты уже сопоставимы с людьми и работают быстрее.
6. Колоссальные инвестиции в ИИ
В 2024 году частные инвестиции в ИИ в США достигли $109 млрд — это в 12 раз больше, чем в Китае ($9,3 млрд), и в 24 раз больше, чем в Великобритании ($4,5 млрд). В генеративном ИИ разрыв США и союзников (ЕС и Великобритания) вырос до $25,5 млрд.
7. ИИ проникает в корпорации
Доля организаций, использующих ИИ, выросла с 55% в 2023 году до 78% в 2024. Применение генеративного ИИ в хотя бы одной бизнес-функции выросло с 33% до 71%.
8. Одобрение медицинских ИИ-устройств FDA
FDA одобрило первое медицинское ИИ-устройство в 1995. К 2015 году их было всего 6, а к 2023 — уже 223.
9. В США регулирование переходит на уровень штатов
В 2016 году принят лишь один штатный закон об ИИ, к 2023 году их стало 49, а за последний год число более чем удвоилось до 131. На федеральном уровне количество предложений растет, но принятие законов остается низким.
10. Азия оптимистична в отношении ИИ
Большинство жителей Китая (83%), Индонезии (80%) и Таиланда (77%) считают, что выгоды ИИ-продуктов перевешивают риски. В США (39%), Канаде (40%) и Нидерландах (36%) большинство не разделяют этого мнения.
Проверьте, насколько круто вы знаете рынок ИИ: пройдите квиз на сайте Стэнфорда. Ну и с коллегами посоревнуйтесь.
#ии #исследования
В Стэнфордском институте человеко-ориентированного искусственного интеллекта выпустили большой отчет о рынке ИИ в 2025 году.
Главные выводы:
1. Малые модели становятся лучше
В 2022 году единственной моделью с показателем выше 60% по бенчмарку MMLU была PaLM с 540 млрд параметров. К 2024 году Phi-3-mini от Microsoft с 3,8 млрд параметров достиг того же порога — это сокращение в 142 раза за два года.
2. Модели становятся дешевле в эксплуатации
Стоимость запроса к модели с точностью 64,8% по MMLU (аналог GPT-3.5) упала с $20 за миллион токенов в ноябре 2022 до $0,07 к октябрю 2024 (Gemini-1.5-Flash-8B) — это снижение более чем в 280 раз за 18 месяцев.
3. Китайские модели сокращают отставание
В 2024 году в США было разработано 40 заметных моделей ИИ, в Китае — 15, в Европе — 3. Хотя США сохраняют лидерство по количеству, китайские модели практически сравнялись по качеству: разрыв по MMLU и HumanEval сократился с двузначных чисел в 2023 до почти паритета в 2024.
4. Увеличение числа проблемных инцидентов с ИИ
По данным AI Incidents Database, число инцидентов, связанных с ИИ, включая дипфейки и случаи, когда чат-боты якобы способствовали суициду подростка, в 2024 году достигло 233 — это рекордный показатель и рост на 56,4% по сравнению с 2023.
5. Появление более полезных ИИ-агентов
В 2024 году запущен бенчмарк RE-Bench для оценки сложных задач ИИ-агентов. В краткосрочных сценариях (до 2 часов) лучшие системы обходят экспертов в 4 раза, но при более длительной работе (32 часа) люди опережают ИИ в 2 раза. Тем не менее в отдельных задачах, например в написании кода, ИИ-агенты уже сопоставимы с людьми и работают быстрее.
6. Колоссальные инвестиции в ИИ
В 2024 году частные инвестиции в ИИ в США достигли $109 млрд — это в 12 раз больше, чем в Китае ($9,3 млрд), и в 24 раз больше, чем в Великобритании ($4,5 млрд). В генеративном ИИ разрыв США и союзников (ЕС и Великобритания) вырос до $25,5 млрд.
7. ИИ проникает в корпорации
Доля организаций, использующих ИИ, выросла с 55% в 2023 году до 78% в 2024. Применение генеративного ИИ в хотя бы одной бизнес-функции выросло с 33% до 71%.
8. Одобрение медицинских ИИ-устройств FDA
FDA одобрило первое медицинское ИИ-устройство в 1995. К 2015 году их было всего 6, а к 2023 — уже 223.
9. В США регулирование переходит на уровень штатов
В 2016 году принят лишь один штатный закон об ИИ, к 2023 году их стало 49, а за последний год число более чем удвоилось до 131. На федеральном уровне количество предложений растет, но принятие законов остается низким.
10. Азия оптимистична в отношении ИИ
Большинство жителей Китая (83%), Индонезии (80%) и Таиланда (77%) считают, что выгоды ИИ-продуктов перевешивают риски. В США (39%), Канаде (40%) и Нидерландах (36%) большинство не разделяют этого мнения.
Проверьте, насколько круто вы знаете рынок ИИ: пройдите квиз на сайте Стэнфорда. Ну и с коллегами посоревнуйтесь.
#ии #исследования
❤4🔥3
Говорим «данные» — подразумеваем «искусственный интеллект»
В «Открытых системах» подвели итоги форума DATA&AI. Главный инсайт: управление на основе данных постепенно переходит к использованию ИИ, причем не только в бизнесе, но и в области аналитики и работы с данными.
Рассказываем, кто чем хвастался и делаем выводы.
1. Бизнес: от анализа к генерации данных
ИИ стал ключевым инструментом не только для анализа, но и для создания данных. Ростелеком внедрил ИИ-помощника Василису, которая генерирует код, тесты и скрипты. Сбер использует ИИ для прогнозирования сбоев в кластерах и синтеза данных.
ИИ переводит управление данными из ручного режима в автоматизированный, сокращая время на рутинные задачи.
2. Аналитика: динамика вместо рутины
В аналитике ИИ трансформирует процессы через обработку запросов на естественном языке и стриминговые решения. Инструмент Easy Report (Sapiens Solutions) позволяет создавать аналитические дашборды без ETL-конвейеров, интерпретируя запросы пользователей. Компания Visiology сократила время отклика систем до реального времени за счет интеграции YDB и Polymatica BI.
ИИ делает аналитику интерактивной и адаптивной, заменяя статичные отчеты.
3. Инфраструктура: новые архитектуры для ИИ
Управление данными требует современных архитектур, таких как Data Lakehouse, которая объединяет хранилища и озера данных, решая технологические и бюджетные задачи. Контейнерная архитектура позволяет масштабироваться даже при сокращении затрат. Выбор открытых стеков вроде Trino (обработка данных) и HDFS (хранение) для ИИ-ориентированных систем ускоряет интеграцию агентов.
4. Проблемы перехода
Несмотря на прогресс, 62% компаний не оценивают влияние данных на бизнес, а 26% начинающих внедрять ИИ уже ощутили его пользу. Ключевые барьеры: несогласованные данные в источниках, проблемы конфиденциальности и ограниченный контекст языковых моделей.
Переход к ИИ требует не только технологий, но и пересмотра методологий работы с данными.
ИИ становится основой для управления данными на всех уровнях — от генерации информации до архитектурных решений и аналитики в реальном времени.
#ии #статьи
В «Открытых системах» подвели итоги форума DATA&AI. Главный инсайт: управление на основе данных постепенно переходит к использованию ИИ, причем не только в бизнесе, но и в области аналитики и работы с данными.
Рассказываем, кто чем хвастался и делаем выводы.
1. Бизнес: от анализа к генерации данных
ИИ стал ключевым инструментом не только для анализа, но и для создания данных. Ростелеком внедрил ИИ-помощника Василису, которая генерирует код, тесты и скрипты. Сбер использует ИИ для прогнозирования сбоев в кластерах и синтеза данных.
ИИ переводит управление данными из ручного режима в автоматизированный, сокращая время на рутинные задачи.
2. Аналитика: динамика вместо рутины
В аналитике ИИ трансформирует процессы через обработку запросов на естественном языке и стриминговые решения. Инструмент Easy Report (Sapiens Solutions) позволяет создавать аналитические дашборды без ETL-конвейеров, интерпретируя запросы пользователей. Компания Visiology сократила время отклика систем до реального времени за счет интеграции YDB и Polymatica BI.
ИИ делает аналитику интерактивной и адаптивной, заменяя статичные отчеты.
3. Инфраструктура: новые архитектуры для ИИ
Управление данными требует современных архитектур, таких как Data Lakehouse, которая объединяет хранилища и озера данных, решая технологические и бюджетные задачи. Контейнерная архитектура позволяет масштабироваться даже при сокращении затрат. Выбор открытых стеков вроде Trino (обработка данных) и HDFS (хранение) для ИИ-ориентированных систем ускоряет интеграцию агентов.
4. Проблемы перехода
Несмотря на прогресс, 62% компаний не оценивают влияние данных на бизнес, а 26% начинающих внедрять ИИ уже ощутили его пользу. Ключевые барьеры: несогласованные данные в источниках, проблемы конфиденциальности и ограниченный контекст языковых моделей.
Переход к ИИ требует не только технологий, но и пересмотра методологий работы с данными.
ИИ становится основой для управления данными на всех уровнях — от генерации информации до архитектурных решений и аналитики в реальном времени.
#ии #статьи
👍4🔥4❤🔥2👌1
Будет ли работа у дата-инженеров после майских
Пока вы будете отдыхать, ИИ будет работать и развиваться. Зак Уилсон попробовал разобраться, в каких задачах дата-инженеров в ближайшем будущем заменит ИИ, а в каких — нет.
Поделим задачи на три группы: большая, средняя и низкая вероятность замещения человека машиной.
Большая вероятность замещения
Отладка пайплайнов: большинство сбоев — ложные срабатывания или ошибки памяти, которые ИИ может быстро устранить.
Ответы на бизнес-вопросы: при условии корректного моделирования данных и качественной документации ИИ сможет обрабатывать 90-95% запросов.
Средняя вероятность замещения
Написание кода на Spark/SQL: инструменты ускоряют генерацию кода, но проверка и тестирование пока остаются за людьми.
Проверка качества данных: базовые проверки упростятся, но контекстные решения все еще требуют человека.
Написание тестов: ИИ эффективен в генерации тестовых данных, но бизнес-логика требует ручного контроля.
Низкая вероятность замещения
Концептуальное моделирование данных: требует бизнес-контекста, переговоров и согласований между людьми.
Стратегические и мягкие навыки: планирование спринтов, документация, коммуникация с заинтересованными сторонами останутся за людьми. Но ИИ упрощает эти задачи.
Создание лучших практик: согласование стандартов внутри команд — социальный процесс, сложный для ИИ.
Разработка инфраструктуры обработки данных: улучшение инструментов вроде Airflow и Spark требует креативности и глубокого понимания систем.
Вывод
Без работы дата-инженеры останутся только на 4 праздничных дня. После снова придется вернуться к большинству задач, но какие-то процессы скоро изменятся. Нужно развиваться и адаптировать навыки под новую реальность. Встраивайте ИИ в работу, чтобы не лишиться ее.
#ии #статьи
Пока вы будете отдыхать, ИИ будет работать и развиваться. Зак Уилсон попробовал разобраться, в каких задачах дата-инженеров в ближайшем будущем заменит ИИ, а в каких — нет.
Поделим задачи на три группы: большая, средняя и низкая вероятность замещения человека машиной.
Большая вероятность замещения
Отладка пайплайнов: большинство сбоев — ложные срабатывания или ошибки памяти, которые ИИ может быстро устранить.
Ответы на бизнес-вопросы: при условии корректного моделирования данных и качественной документации ИИ сможет обрабатывать 90-95% запросов.
Средняя вероятность замещения
Написание кода на Spark/SQL: инструменты ускоряют генерацию кода, но проверка и тестирование пока остаются за людьми.
Проверка качества данных: базовые проверки упростятся, но контекстные решения все еще требуют человека.
Написание тестов: ИИ эффективен в генерации тестовых данных, но бизнес-логика требует ручного контроля.
Низкая вероятность замещения
Концептуальное моделирование данных: требует бизнес-контекста, переговоров и согласований между людьми.
Стратегические и мягкие навыки: планирование спринтов, документация, коммуникация с заинтересованными сторонами останутся за людьми. Но ИИ упрощает эти задачи.
Создание лучших практик: согласование стандартов внутри команд — социальный процесс, сложный для ИИ.
Разработка инфраструктуры обработки данных: улучшение инструментов вроде Airflow и Spark требует креативности и глубокого понимания систем.
Вывод
Без работы дата-инженеры останутся только на 4 праздничных дня. После снова придется вернуться к большинству задач, но какие-то процессы скоро изменятся. Нужно развиваться и адаптировать навыки под новую реальность. Встраивайте ИИ в работу, чтобы не лишиться ее.
#ии #статьи
😁5👍4😈3❤🔥2
Вредные советы: как не внедрить data-driven с помощью магии
Есть выражения, произнося которые, даже очень рациональные люди скатываются в магическое мышление. Печально, но модные слова часто становятся самостоятельными трендами, отвлекая на себя внимание от тех самых трендов, для которых были придуманы.
Новая этика, импортозамещение, здравый смысл, права человека, цифровая трансформация, управление на основе данных.
Корпоративная культура — это не тон оф войс, это гайдлайн. Одним расширением лексикона не отделаться, нужно переосмыслять подходы, привычки, уклады. Это трудно и дорого, а слова бесплатные.
В статье «Data-driven в одном iGaming проекте: когда культура работы с данными не приживается» автор делится своим опытом и предлагает разделить с ним негодование. Как и почему корпоративная культура, в которой полно ML-специалистов, аналитиков и всяких инженеров, отторгла data-driven подход, когда ей его попытались привить?
Делимся его вредными советами для топ-менеджеров и главными инсайтами:
1. Управляйте словами, люди лучше всего понимают образы и абстракции. Профессионалы сами разберутся, какие цифры и когда им нужны.
2. Следите, чтобы сотрудники были проактивны и любознательны. Если отчеты есть, то пущай привыкают и пользуются. Главное, чтобы отчеты были, а то нечем будет пользоваться.
3. Отчеты и цифры нужны только аналитикам. Им это близко и понятно, вот от них и ожидайте инсайты и основанные на данных решения.
4. Ставьте цели в цифрах, разрабатывайте метрики, но не утруждайте себя поиском и оценкой ресурсов, которые позволят этих целей добиться.
5. Если сотрудники сообщили о баге, немедленно бросьте все силы на решение. Похвалите за разрешение проблемы и постарайтесь замять разбор причин, это только добавит перчинки в работу коллег.
Опыт, в котором автор выстрадал эти советы, описан в статье, а мы сфокусируемся на интересной детали. Ничего в этих советах не покажется инновационным тому, кто ни разу не слышал про data-driven. Если в какой-то компании производят отчеты, которыми никто не пользуется, то им выражение data-driven нужнее остальных, ибо им можно заменить напрашивающуюся брань.
Неважно, как где называется подход к управлению на основе данных. Вон, на юге России баклажаны называют синенькими. Еще раз: слова бесплатные, а баклажаны на рынке за деньги продаются.
#аналитика #статьи
Есть выражения, произнося которые, даже очень рациональные люди скатываются в магическое мышление. Печально, но модные слова часто становятся самостоятельными трендами, отвлекая на себя внимание от тех самых трендов, для которых были придуманы.
Новая этика, импортозамещение, здравый смысл, права человека, цифровая трансформация, управление на основе данных.
Корпоративная культура — это не тон оф войс, это гайдлайн. Одним расширением лексикона не отделаться, нужно переосмыслять подходы, привычки, уклады. Это трудно и дорого, а слова бесплатные.
В статье «Data-driven в одном iGaming проекте: когда культура работы с данными не приживается» автор делится своим опытом и предлагает разделить с ним негодование. Как и почему корпоративная культура, в которой полно ML-специалистов, аналитиков и всяких инженеров, отторгла data-driven подход, когда ей его попытались привить?
Делимся его вредными советами для топ-менеджеров и главными инсайтами:
1. Управляйте словами, люди лучше всего понимают образы и абстракции. Профессионалы сами разберутся, какие цифры и когда им нужны.
2. Следите, чтобы сотрудники были проактивны и любознательны. Если отчеты есть, то пущай привыкают и пользуются. Главное, чтобы отчеты были, а то нечем будет пользоваться.
3. Отчеты и цифры нужны только аналитикам. Им это близко и понятно, вот от них и ожидайте инсайты и основанные на данных решения.
4. Ставьте цели в цифрах, разрабатывайте метрики, но не утруждайте себя поиском и оценкой ресурсов, которые позволят этих целей добиться.
5. Если сотрудники сообщили о баге, немедленно бросьте все силы на решение. Похвалите за разрешение проблемы и постарайтесь замять разбор причин, это только добавит перчинки в работу коллег.
Опыт, в котором автор выстрадал эти советы, описан в статье, а мы сфокусируемся на интересной детали. Ничего в этих советах не покажется инновационным тому, кто ни разу не слышал про data-driven. Если в какой-то компании производят отчеты, которыми никто не пользуется, то им выражение data-driven нужнее остальных, ибо им можно заменить напрашивающуюся брань.
Неважно, как где называется подход к управлению на основе данных. Вон, на юге России баклажаны называют синенькими. Еще раз: слова бесплатные, а баклажаны на рынке за деньги продаются.
#аналитика #статьи
🤓5👀4
Как дата-аналитики вытеснили голливудских режиссеров с больших экранов на маленькие
Редактор на майских много залипал в сериалы. Уверен, подписчики тоже. Продажи билетов в кино падают каждый год, а количество сериалов и их аудитория множатся. И да, причина в дата-аналитике.
Как так вышло?
Раньше кинотеатры приобщали к таинствам. На мистерии Тарковского и Линча шли за смыслами, историями и метафорами, которых ни по одному каналу не показывали. Эфир телека состоял из ситкомов для и про домохозяек и прочих незамысловатых шоу.
Одна из причин в том, что стримингов в начале века еще не было. Не хотите пропустить серию, которую больше не покажут в этом году, тогда вам надо быть у экрана ровно в 10 вечера. Как ни старайтесь, а пару серий за сезон точно пропустите: то к врачу сходите, то на день рождения.
Поэтому и снимали в основном сериалы без сквозного сюжета: каждая серия — отдельная история, которую с другими ничего кроме персонажей и сеттинга не увязывает. Так что сегодняшние сериалы стали такими крутыми во многом просто потому, что теперь авторы могут позволить себе сюжетные линии длиною не в 30 минут, а в 10-20 часов экранного времени.
Производство сериала в те годы — это по сути работа для дата-аналитика. Каким бы авторитетным ни был режиссер, если он снимает для телевидения, то ему придется плясать под дудку продюсера, который постоянно будет бурчать про рейтинги, охваты, фокус-группы, опросы, графики, сегменты аудитории, окна Овертона и так далее.
Важно: телевизионная часть бизнеса у Сони, Ворнер Бразерс и прочих студий всегда приносила значительно больше денег, чем кинопроизводство. Потому что для телепродюсера единственная задача сериала — собрать у экрана аудиторию, чтоб та посмотрела рекламу, за которую каналу заплатили.
С деньгами в кино все иначе. Рекламодатели не заносят чеки раз в квартал, чтобы вы закрыли кассовый разрыв.
И в самый лучший год у любой студии все равно наберется фильмов пять-семь, которые должны били принести сотни миллионов прибыли, но оказались убыточными. В переводе на язык высоких кабинетов в Голливуде: это очень тяжелый бизнес, потому что главный враг любого бизнеса — непредсказуемость. И нет ничего более непредсказуемого, чем сборы фильма, который еще снимается.
Так было лет 15 назад, но потом появился Человек Паук и все изменил.
Редактор на майских много залипал в сериалы. Уверен, подписчики тоже. Продажи билетов в кино падают каждый год, а количество сериалов и их аудитория множатся. И да, причина в дата-аналитике.
Как так вышло?
Раньше кинотеатры приобщали к таинствам. На мистерии Тарковского и Линча шли за смыслами, историями и метафорами, которых ни по одному каналу не показывали. Эфир телека состоял из ситкомов для и про домохозяек и прочих незамысловатых шоу.
Одна из причин в том, что стримингов в начале века еще не было. Не хотите пропустить серию, которую больше не покажут в этом году, тогда вам надо быть у экрана ровно в 10 вечера. Как ни старайтесь, а пару серий за сезон точно пропустите: то к врачу сходите, то на день рождения.
Поэтому и снимали в основном сериалы без сквозного сюжета: каждая серия — отдельная история, которую с другими ничего кроме персонажей и сеттинга не увязывает. Так что сегодняшние сериалы стали такими крутыми во многом просто потому, что теперь авторы могут позволить себе сюжетные линии длиною не в 30 минут, а в 10-20 часов экранного времени.
Производство сериала в те годы — это по сути работа для дата-аналитика. Каким бы авторитетным ни был режиссер, если он снимает для телевидения, то ему придется плясать под дудку продюсера, который постоянно будет бурчать про рейтинги, охваты, фокус-группы, опросы, графики, сегменты аудитории, окна Овертона и так далее.
Важно: телевизионная часть бизнеса у Сони, Ворнер Бразерс и прочих студий всегда приносила значительно больше денег, чем кинопроизводство. Потому что для телепродюсера единственная задача сериала — собрать у экрана аудиторию, чтоб та посмотрела рекламу, за которую каналу заплатили.
С деньгами в кино все иначе. Рекламодатели не заносят чеки раз в квартал, чтобы вы закрыли кассовый разрыв.
И в самый лучший год у любой студии все равно наберется фильмов пять-семь, которые должны били принести сотни миллионов прибыли, но оказались убыточными. В переводе на язык высоких кабинетов в Голливуде: это очень тяжелый бизнес, потому что главный враг любого бизнеса — непредсказуемость. И нет ничего более непредсказуемого, чем сборы фильма, который еще снимается.
Так было лет 15 назад, но потом появился Человек Паук и все изменил.
🔥7👍6❤🔥5❤1
Смерть оригинальности
Современное кино намеренно убивает оригинальность. Оригинальные сценарии не пускают в производство, потому что оригинальность непредсказуема, а непредсказуемость приносит киностудиям убытки.
Как же быть? Надо быть, как Доктор Стрендж с камнем времени. Просто загляните в будущее и узнаете, какой фильм понравится публике, а какой нет.
Как? С помощью дата-аналитики, конечно.
Если вы не смотрели «Карточный домик» с отмененным Кевином Спейси, то наверняка хотя бы слышали про него. Если бы не дата-аналитики, этот сериал не случился бы.
Обычно все устроено так: нашли сценарий, собрали актеров, наняли режиссера, сняли пилотную серию, показали и только потом вам разрешат тратить большие деньги на производство. Пилотный выпуск — типа MVP в мире телевидения.
И в 2011 году в Нетфликсе поступили немыслимо самонадеянно: сразу заказали в производство 2 сезона «Карточного домика», съемки которых обошлись в $100 млн. Без пилотной серии и сомнений в будущем успехе.
Почему они так рискнули?
Риска не было. Аналитики сопоставили 3 фактора, обработав колоссальные объемы данных: зрителям нравятся сериалы с Кевином Спейси, зрители любят Дэвида Финчера, просмотры политических драм растут.
В Нетфликсе предсказали 20 млн зрителей в первый месяц, фактически вышло 23. Это невероятная точность для кинобизнеса.
Отрывок из книги Бена Фритца «Битва за прокат. Как легендарные франшизы убивают оригинальность в Голливуде»:
То, что режиссеры-визионеры создавали, прислушиваясь к своему профессиональному чутью и таланту мировосприятия, Нетфликс оцифровал, разложил на дашборды и поставил на конвейер.
Сегодня в Нетфликсе работает 350 собственных исследователей, ML-инженеров и аналитиков. В Диснее, Ворнер Бразерс и Юниверсал по 100-200 человек в командах Data & Analytics, Marketing Science и Audience Insights.
Эпоха, когда ради сборов в фильме нужно было непременно снять звезду, прошла. Раньше гарантировать прибыль могли только те проекты, у которых хватало бюджета на заоблачные гонорары Тому Крузу, Брэду Питту и Ди Каприо. Сегодня можно обойтись без актеров первого эшелона, если вместо них пригласить дата-аналитиков.
Первые Мстители не произвели фурора в китайских кинотеатрах? Изучите, сколько экранного времени у китайских актеров в западных фильмах, тепло встреченных китайской публикой. Если у ваших китайцев этого времени меньше, поправьте сценарий.
Если не знаете, какого персонажа следующим лучше ввести в сюжет, чтобы история была более захватывающей, то вы не о том думаете. Хотите, чтобы зрителю понравился новый герой? Обратитесь к исследованиям в других индустриях: от каких игрушек дети пищат и какие принты на футболках у взрослых фанатов?
Причем тут Человек Паук?
Не только дата-аналитики убили оригинальность, но и киновселенные.
Зачем рисковать, снимая фильм по оригинальному сценарию, если можно просто выпустить следующую часть успешной франшизы? А началось засилие кинофраншиз не с киновселенной Марвел, а с Человека Паука в исполнении Тоби Магуайра.
Теперь кино — это про простые и развлекательные проекты, а телевидение и сериалы — про сложные авторские идеи. Все перевернулось, как только пришли аналитики и начали считать.
#аналитика #деньги
Современное кино намеренно убивает оригинальность. Оригинальные сценарии не пускают в производство, потому что оригинальность непредсказуема, а непредсказуемость приносит киностудиям убытки.
Как же быть? Надо быть, как Доктор Стрендж с камнем времени. Просто загляните в будущее и узнаете, какой фильм понравится публике, а какой нет.
Как? С помощью дата-аналитики, конечно.
Если вы не смотрели «Карточный домик» с отмененным Кевином Спейси, то наверняка хотя бы слышали про него. Если бы не дата-аналитики, этот сериал не случился бы.
Обычно все устроено так: нашли сценарий, собрали актеров, наняли режиссера, сняли пилотную серию, показали и только потом вам разрешат тратить большие деньги на производство. Пилотный выпуск — типа MVP в мире телевидения.
И в 2011 году в Нетфликсе поступили немыслимо самонадеянно: сразу заказали в производство 2 сезона «Карточного домика», съемки которых обошлись в $100 млн. Без пилотной серии и сомнений в будущем успехе.
Почему они так рискнули?
Риска не было. Аналитики сопоставили 3 фактора, обработав колоссальные объемы данных: зрителям нравятся сериалы с Кевином Спейси, зрители любят Дэвида Финчера, просмотры политических драм растут.
В Нетфликсе предсказали 20 млн зрителей в первый месяц, фактически вышло 23. Это невероятная точность для кинобизнеса.
Отрывок из книги Бена Фритца «Битва за прокат. Как легендарные франшизы убивают оригинальность в Голливуде»:
Если Нетфликс не может рассчитывать на Голливуд [телеканалы и студии отказывались продавать Нетфликсу контент, видя в нем опасного конкурента], значит, ему придется производить контент самому. Но процесс его отбора должен быть совершенно иным. Вместо того чтобы полагаться на фокус-группы, субъективные сравнения с аналогичным контентом и интуицию руководителей, Нетфликс использовал данные.
То, что режиссеры-визионеры создавали, прислушиваясь к своему профессиональному чутью и таланту мировосприятия, Нетфликс оцифровал, разложил на дашборды и поставил на конвейер.
Сегодня в Нетфликсе работает 350 собственных исследователей, ML-инженеров и аналитиков. В Диснее, Ворнер Бразерс и Юниверсал по 100-200 человек в командах Data & Analytics, Marketing Science и Audience Insights.
Эпоха, когда ради сборов в фильме нужно было непременно снять звезду, прошла. Раньше гарантировать прибыль могли только те проекты, у которых хватало бюджета на заоблачные гонорары Тому Крузу, Брэду Питту и Ди Каприо. Сегодня можно обойтись без актеров первого эшелона, если вместо них пригласить дата-аналитиков.
Первые Мстители не произвели фурора в китайских кинотеатрах? Изучите, сколько экранного времени у китайских актеров в западных фильмах, тепло встреченных китайской публикой. Если у ваших китайцев этого времени меньше, поправьте сценарий.
Если не знаете, какого персонажа следующим лучше ввести в сюжет, чтобы история была более захватывающей, то вы не о том думаете. Хотите, чтобы зрителю понравился новый герой? Обратитесь к исследованиям в других индустриях: от каких игрушек дети пищат и какие принты на футболках у взрослых фанатов?
Причем тут Человек Паук?
Не только дата-аналитики убили оригинальность, но и киновселенные.
Зачем рисковать, снимая фильм по оригинальному сценарию, если можно просто выпустить следующую часть успешной франшизы? А началось засилие кинофраншиз не с киновселенной Марвел, а с Человека Паука в исполнении Тоби Магуайра.
Теперь кино — это про простые и развлекательные проекты, а телевидение и сериалы — про сложные авторские идеи. Все перевернулось, как только пришли аналитики и начали считать.
#аналитика #деньги
👍8❤🔥6🎉4
Искусственный интеллект в российском здравоохранении
В Superjob выяснили, что только 1% россиян готов довериться искусственному интеллекту в случае болезни. При этом в «Яков и Партнеры» и «Медси» считают, что к 2030 году российский рынок ИИ в медицине может вырасти в 6 раз и достичь ₽78 млрд.
Мнение людей:
- В случае болезни 52% россиян предпочли бы, чтобы их лечил человек с применением ИИ, 38% хотят, чтобы в лечении принимал участие только человек, 1% — чтобы только ИИ.
- Полностью или частично довериться искусственному интеллекту готовы 57% мужчин и 44% женщин. К применению ИИ более склонны люди до 35 лет (53%) и россияне с доходом от 100 тысяч (54%).
- 38% респондентов против ИИ в медицине. Их основные аргументы: «ИИ недостаточно развит», «Человека должен лечить только человек», «Должна быть ответственность за диагноз и лечение».
Мнение аналитиков:
- Российский рынок ИИ в медицине может вырасти более чем в шесть раз и достигнуть ₽78 млрд к 2030 году, составив 1% от мирового. В 2024 году показатель находился на уровне ₽12 млрд. Рост заметен и на мировом рынке: в 2024 году он оценивался в $22 млрд, а через пять лет показатель увеличится до $130–160 млрд, доля медицины составит около 8% всего рынка ИИ (расчет на основе данных MarketsandMarkets, Grand View Research).
- Всего эксперты выделили четыре направления продуктов с наибольшим потенциалом внедрения в российских медицинских учреждениях: цифровые ассистенты, клиническая сводка, помощник врача, экспертный контроль. Их объем к 2030 году может составить ₽65 млрд.
- Отдельно аналитики рассмотрели продуктовое и техническое описание этих четырех групп продуктов, в частности обозначили основные риски их внедрения. Для категории «Цифровые ассистенты» это галлюцинации и низкое качество ответов; для «Клинической сводки» — ошибки и галлюцинации в суммаризации, в том числе упущение фактов из анамнеза; для «Помощника врача» — потеря важной информации из транскрипта на этапе суммаризации, а для «Экспертного контроля» — недоверие врачей к рекомендациям, подсказкам и предиктивным моделям.
Думаем, здесь нет противоречия. Врачи будут пользоваться ИИ, вряд ли этому что-то помешает. Но вот собственную практику машине не дадут открыть, все-таки принимать решение должен врач. Хотя бы потому, что его можно наказать, если что.
#ии #деньги
В Superjob выяснили, что только 1% россиян готов довериться искусственному интеллекту в случае болезни. При этом в «Яков и Партнеры» и «Медси» считают, что к 2030 году российский рынок ИИ в медицине может вырасти в 6 раз и достичь ₽78 млрд.
Мнение людей:
- В случае болезни 52% россиян предпочли бы, чтобы их лечил человек с применением ИИ, 38% хотят, чтобы в лечении принимал участие только человек, 1% — чтобы только ИИ.
- Полностью или частично довериться искусственному интеллекту готовы 57% мужчин и 44% женщин. К применению ИИ более склонны люди до 35 лет (53%) и россияне с доходом от 100 тысяч (54%).
- 38% респондентов против ИИ в медицине. Их основные аргументы: «ИИ недостаточно развит», «Человека должен лечить только человек», «Должна быть ответственность за диагноз и лечение».
Мнение аналитиков:
- Российский рынок ИИ в медицине может вырасти более чем в шесть раз и достигнуть ₽78 млрд к 2030 году, составив 1% от мирового. В 2024 году показатель находился на уровне ₽12 млрд. Рост заметен и на мировом рынке: в 2024 году он оценивался в $22 млрд, а через пять лет показатель увеличится до $130–160 млрд, доля медицины составит около 8% всего рынка ИИ (расчет на основе данных MarketsandMarkets, Grand View Research).
- Всего эксперты выделили четыре направления продуктов с наибольшим потенциалом внедрения в российских медицинских учреждениях: цифровые ассистенты, клиническая сводка, помощник врача, экспертный контроль. Их объем к 2030 году может составить ₽65 млрд.
- Отдельно аналитики рассмотрели продуктовое и техническое описание этих четырех групп продуктов, в частности обозначили основные риски их внедрения. Для категории «Цифровые ассистенты» это галлюцинации и низкое качество ответов; для «Клинической сводки» — ошибки и галлюцинации в суммаризации, в том числе упущение фактов из анамнеза; для «Помощника врача» — потеря важной информации из транскрипта на этапе суммаризации, а для «Экспертного контроля» — недоверие врачей к рекомендациям, подсказкам и предиктивным моделям.
Думаем, здесь нет противоречия. Врачи будут пользоваться ИИ, вряд ли этому что-то помешает. Но вот собственную практику машине не дадут открыть, все-таки принимать решение должен врач. Хотя бы потому, что его можно наказать, если что.
#ии #деньги
❤🔥3👍3🔥2👌2
Progres Post
Искусственный интеллект в российском здравоохранении В Superjob выяснили, что только 1% россиян готов довериться искусственному интеллекту в случае болезни. При этом в «Яков и Партнеры» и «Медси» считают, что к 2030 году российский рынок ИИ в медицине может…
Точность постановки диагноза заметно растет при использовании LLM
В продолжение темы искусственного интеллекта в медицине: на Хабре вышла большая статья об исследовании ученых из Google DeepMind, где автор разбирается, может ли ИИ заменить врача-терапевта.
Статья сложная, время на чтение — 30 минут. Поэтому приводим кратко главные тезисы и инсайты.
В самостоятельной работе AMIE превзошла клиницистов без помощи ИИ в точности постановки дифференциальных диагнозов (ДД). Клиницисты и AMIE предлагали список из 10 диагнозов, и если в него попадал правильный, это засчитывалось за успех. Точность топ-10 составила 59,1% против 33,6% у врачей. В 29% случаев AMIE ставила правильный диагноз на первое место (топ-1).
Клиницисты с AMIE демонстрировали более высокое качество ДД. Точность топ-10 с AMIE — 51,7%, против 44,4% при использовании простого поиска. Полнота ДД также улучшилась: 55% списков с AMIE содержали все разумные варианты против 36,1% без помощи.
Клиницисты с AMIE составляли более полные списки ДД. Например, в 73 случаях правильный диагноз был добавлен в список только после использования AMIE, против 37 случаев без модели.
Исследование подтверждает, что LLM, такие как AMIE, могут значительно улучшить диагностику, но их роль — ассистирование, а не замена врачей. Ключевые направления для будущего — интеграция мультимодальных данных, снижение рисков конфабуляций и адаптация технологий к реальным клиническим условиям.
#ии #исследования
В продолжение темы искусственного интеллекта в медицине: на Хабре вышла большая статья об исследовании ученых из Google DeepMind, где автор разбирается, может ли ИИ заменить врача-терапевта.
Статья сложная, время на чтение — 30 минут. Поэтому приводим кратко главные тезисы и инсайты.
В самостоятельной работе AMIE превзошла клиницистов без помощи ИИ в точности постановки дифференциальных диагнозов (ДД). Клиницисты и AMIE предлагали список из 10 диагнозов, и если в него попадал правильный, это засчитывалось за успех. Точность топ-10 составила 59,1% против 33,6% у врачей. В 29% случаев AMIE ставила правильный диагноз на первое место (топ-1).
Клиницисты с AMIE демонстрировали более высокое качество ДД. Точность топ-10 с AMIE — 51,7%, против 44,4% при использовании простого поиска. Полнота ДД также улучшилась: 55% списков с AMIE содержали все разумные варианты против 36,1% без помощи.
Клиницисты с AMIE составляли более полные списки ДД. Например, в 73 случаях правильный диагноз был добавлен в список только после использования AMIE, против 37 случаев без модели.
Исследование подтверждает, что LLM, такие как AMIE, могут значительно улучшить диагностику, но их роль — ассистирование, а не замена врачей. Ключевые направления для будущего — интеграция мультимодальных данных, снижение рисков конфабуляций и адаптация технологий к реальным клиническим условиям.
#ии #исследования
👍3💊3❤🔥2
Что такое Data as a Product (DaaP) и почему это меняет правила игры
Очень интересную тему затронули IBM в своем блоге. Разбираемся.
Представьте, что данные в компании — не просто разрозненные файлы или записи в базах, а полноценные продукты, такие же продуманные и удобные, как мобильное приложение или облачный сервис. Именно так работает концепция Data as a Product (DaaP) — подход, который превращает сырые данные в ценные, готовые к использованию активы.
Суть DaaP: данные как готовый продукт
В этом подходе данные:
- Структурированы и очищены, как товар на полке магазина.
- Имеют чёткую документацию, словно инструкция к гаджету.
- Доступны через API — как онлайн-сервис с удобным интерфейсом.
- Безопасны и соответствуют стандартам (например, GDPR).
DaaP можно сравнить с авиаперелетами. Данные — это пассажиры, у которых есть билеты (метаданные), четкий маршрут (линейка данных) и надежный самолет (инфраструктура). Если что-то идет не так (например, данные теряются или искажаются), это похоже на отмену рейса — последствия для бизнеса могут быть серьезными.
Чем DaaP отличается от обычных Data Products
DaaP — это методология управления данными на всех этапах: от сбора до доставки пользователям.
Data Products — это уже готовые решения на основе данных, например, дашборды аналитики или рекомендательные системы (как у Amazon).
Проще говоря, DaaP — это кухня, где данные готовят, а Data Products — блюда, которые подают клиентам.
DaaP — это не просто технологический тренд, а фундаментальный сдвиг в восприятии данных. Превращая информацию в готовые к использованию продукты, компании получают три ключевых преимущества: оперативность (данные всегда под рукой в нужном формате), качество (стандартизированные и проверенные наборы) и безопасность (встроенные механизмы защиты и соответствия нормам).
Такой подход устраняет главную проблему современного бизнеса — когда 80% времени уходит на поиск и подготовку данных, и только 20% — на их анализ и принятие решений.
#статьи
Очень интересную тему затронули IBM в своем блоге. Разбираемся.
Представьте, что данные в компании — не просто разрозненные файлы или записи в базах, а полноценные продукты, такие же продуманные и удобные, как мобильное приложение или облачный сервис. Именно так работает концепция Data as a Product (DaaP) — подход, который превращает сырые данные в ценные, готовые к использованию активы.
Суть DaaP: данные как готовый продукт
В этом подходе данные:
- Структурированы и очищены, как товар на полке магазина.
- Имеют чёткую документацию, словно инструкция к гаджету.
- Доступны через API — как онлайн-сервис с удобным интерфейсом.
- Безопасны и соответствуют стандартам (например, GDPR).
DaaP можно сравнить с авиаперелетами. Данные — это пассажиры, у которых есть билеты (метаданные), четкий маршрут (линейка данных) и надежный самолет (инфраструктура). Если что-то идет не так (например, данные теряются или искажаются), это похоже на отмену рейса — последствия для бизнеса могут быть серьезными.
Чем DaaP отличается от обычных Data Products
DaaP — это методология управления данными на всех этапах: от сбора до доставки пользователям.
Data Products — это уже готовые решения на основе данных, например, дашборды аналитики или рекомендательные системы (как у Amazon).
Проще говоря, DaaP — это кухня, где данные готовят, а Data Products — блюда, которые подают клиентам.
DaaP — это не просто технологический тренд, а фундаментальный сдвиг в восприятии данных. Превращая информацию в готовые к использованию продукты, компании получают три ключевых преимущества: оперативность (данные всегда под рукой в нужном формате), качество (стандартизированные и проверенные наборы) и безопасность (встроенные механизмы защиты и соответствия нормам).
Такой подход устраняет главную проблему современного бизнеса — когда 80% времени уходит на поиск и подготовку данных, и только 20% — на их анализ и принятие решений.
#статьи
🔥5❤🔥4👍4