Аналитический марафон #18ИИ нового поколения в анализе

• понимание, что такое биометрия и как в принципе работают биометрические системы;
• чёткое различие между верификацией (1:1) и идентификацией (1:N) и сценариями, которые за ними стоят;
• представление, как устроены алгоритмы биометрического распознавания и где в них место нейросетям;
• обзор общих подходов к обучению нейросетей, которые применяются в биометрии;
• подходы к аугментации, балансировке и разнообразию обучающих данных;
• понимание, как организовать валидацию и не дать модели переобучиться;
• умение видеть за «магией распознавания» инженерную дисциплину: как готовятся данные и как проверяется качество.

• какие задачи аналитика действительно исчезают под давлением AI и агентных систем;
• какие привычные компетенции стремительно теряют ценность;
• куда смещается ценность аналитика;
• как определить, что выполняет человек, что — агент, где нужен контроль и как измерять качество работы human-AI системы.

Доклад будет полезен всем, кто хочет оставаться востребованным в ближайшие 5–10 лет и использовать AI как усилитель собственных возможностей, а не как конкурента.

• карту рисков делегирования ИИ из четырёх классов — когнитивные, технические, риски автономности, риски данных и доверия — и вопросы, которые стоит задавать себе по каждому из них;
• понимание, что происходит с навыками, вниманием, способностью проверять и самостоятельно рассуждать: почему решение задачи с ИИ не гарантирует ускорения, какие варианты взаимодействия с ИИ оказываются успешнее и почему когнитивное усилие при работе с ИИ даёт положительный эффект;
• взгляд на накапливаемый долг: что происходит с сопровождаемостью, сложностью и стоимостью изменений, когда производство кода ускоряется, и как фронтирные модели справляются с рефакторингом и многочасовой автономной работой;
• реальные примеры рисков автономности — что меняется, когда ИИ уже не только советует, но сам действует в среде и получает полномочия (разбор инцидента со взломом Hugging Face);
• вопросы к данным и доверию: куда уходят данные, кто ещё получает к ним доступ и какие посредники появляются в цепочке (случай из недавнего отчёта Anthropic);
• взгляд индустрии на риски ИИ: реестр рисков и свежие наблюдения;
• умение узнать «противника» в лицо — чтобы замечать риски раньше, чем они сами найдут вас.

• что делать, когда все вокруг уже используют AI, а вы ещё нет;
• что действительно важно освоить сегодня, а что можно смело игнорировать;
• с чего начать, чтобы не утонуть в инструментах и терминах;
• что изучить в первую очередь под свои задачи;
• как выглядит пошаговый, по-дневный план на 30 дней — от первого промпта до устойчивой практики.

Без обещания волшебной кнопки — зато с OpenCode, практическими примерами для BA/SA и конкретным планом действий. Доклад будет полезен специалистам и руководителям без технического бэкграунда, которые хотят войти в AI без паники и хаоса.

• организовать исследование незнакомой системы с AI;
• использовать чужой код как источник свидетельств, не превращая его в единственную истину;
• отделять факты от интерпретаций модели;
• находить конфликты между документацией, решениями и реализацией;
• собирать проверяемый контекст перед изменением системы;
• определять ситуации, в которых AI должен остановиться и запросить решение человека.

• что такое OKF;
• как этот стандарт может повлиять на структурирование постановки задачи и описание архитектуры решения;
• чем он похож на агентские навыки, а чем отличается.

Развитие языковых моделей меняет и форматы документации. И хотя единые форматы представления знаний для людей и AI-агентов ещё только формируются, начинать использовать их можно прямо сейчас.

• разбор реального пути корпоративного AI-ассистента — от идеи до работающего прототипа DocsGuru;
• понимание, как устроен RAG и какие настройки оказались критичны для качества ответов;
• ответ на вопрос, сколько стоила разработка AI-ассистента;
• подходы к поддержанию актуальности знаний при постоянных изменениях документации;
• архитектурные решения, которые остаются актуальными больше года эксплуатации, несмотря на быстрое развитие AI-технологий;
• практические выводы, полученные за время эксплуатации.