Жанна Липенкова о стратегии ИИ, продуктах ИИ и о том, как знание предметной области может полностью изменить облик решения ИИ.
Делиться
В серии «Автор в центре внимания» редакторы TDS беседуют с участниками нашего сообщества о своём карьерном пути в области науки о данных и искусственного интеллекта, о своих работах и источниках вдохновения. Сегодня мы рады поделиться нашей беседой с доктором Жанной Липенковой.
Доктор Жанна Липенкова — стратег в области искусственного интеллекта, предприниматель и автор книги «Искусство разработки продуктов с использованием искусственного интеллекта». Обладая докторской степенью в области компьютерной лингвистики, она сочетает глубокие технические знания с бизнес-стратегией, помогая организациям превращать ИИ в ощутимые результаты. Жанна основала и возглавила несколько проектов на стыке языка, данных и интеллекта, включая Anacode , специализирующуюся на трансформации корпоративного ИИ, и Equintel , платформу ИИ, поддерживающую корпоративную устойчивость. Благодаря своему лидерству и консалтинговой деятельности, Жанна постоянно формирует и совершенствует свою комплексную методологию разработки и интеграции ИИ.
Вы называете свой «Стратегический план действий для ИИ» набором ментальных моделей, которые помогают командам согласовывать, что и почему развивать. Какие модели чаще всего способствуют ясности в работе руководства и почему они находят отклик?
Одна из самых сложных задач в кабинетах руководителей — это коммуникация. Люди имеют в виду разные вещи, когда говорят об искусственном интеллекте, который блокирует исполнение. Я использую три ментальные модели для создания структурированной общей платформы, которая позволяет нам двигаться вперёд без оправданий и недопониманий.
Обычно я начинаю с Дерева возможностей ИИ (AI Opportunity Tree) , которое помогает нам составить картину возможных вариантов использования ИИ. Руководители часто приходят со смесью любопытства и энтузиазма — «нам нужно что-то сделать с ИИ», — но без чёткого понимания того, в чём заключается реальная ценность. Большинство команд по умолчанию выбирают путь создания чат-бота, но такие проекты редко получают успех (см. эту статью). Дерево возможностей разрушает эту схему, систематически выявляя потенциальные варианты использования ИИ и предоставляя структурированную, объективную основу для расстановки приоритетов.
Как только мы поймём, что и зачем создавать, мы перейдём к тому, как и заполним план системы ИИ . Эта модель помогает сопоставить данные, модели, пользовательский опыт и ограничения управления предполагаемой системой ИИ. Она особенно эффективна в многосторонних средах, где бизнесу, специалистам по анализу данных и обеспечению соответствия требованиям нужен общий язык. План превращает сложную систему ИИ в нечто осязаемое и итеративное — мы можем нарисовать её, обсудить и вместе доработать.
Наконец, я представляю вам карту пространства решений для ИИ . Она расширяет рамки доминирующих сегодня технологий — в основном, крупных языковых моделей и агентов — и помогает командам учитывать весь спектр типов решений: от классического машинного обучения до гибридных архитектур, систем поиска и подходов, основанных на правилах или моделировании. Этот более широкий взгляд позволяет нам сосредоточиться на разработке правильного решения, а не только модного.
Вместе эти модели формируют путь, отражающий эволюцию успешных продуктов ИИ: от поиска возможностей до проектирования систем и непрерывного исследования. Они находят отклик у руководителей, поскольку связывают стратегию и реализацию.
В ваших работах говорится, что экспертные знания в предметной области важны для создания продуктов ИИ. Где вы видели, как знание предметной области полностью меняет концепцию решения ИИ, а не просто повышает точность на периферии?
Ярким примером того, как экспертиза в предметной области полностью изменила подход к решению, стал логистический проект, изначально задуманный для прогнозирования задержек поставок. Когда к проекту присоединились эксперты в предметной области, они переосмыслили проблему: задержки были не случайными событиями, а симптомами более глубоких бизнес-рисков, таких как зависимость от поставщиков, узкие места в нормативно-правовой базе или уязвимость сети. Мы, «эксперты по ИИ», не смогли обнаружить эти закономерности.
Чтобы включить эти знания в предметную область, мы расширили уровень данных, включив в него не только сигналы о рисках, связанных с поставщиками, но и графы зависимостей. Архитектура ИИ эволюционировала от единой прогностической модели к гибридной системе, сочетающей прогнозирование, графы знаний и логическое мышление на основе правил. Пользовательский интерфейс был расширен от реактивных прогнозов задержек до сценариев рисков с предлагаемыми мерами по снижению, которые были более применимы для экспертов.
В конечном итоге, знание предметной области не просто повысило точность, но и переосмыслило проблему, структуру системы и ценность, которую получил бизнес. Это превратило модель ИИ в полноценный инструмент поддержки принятия решений. После этого опыта я всегда настаиваю на участии экспертов в предметной области на ранних этапах внедрения ИИ.
Помимо публикаций на TDS, вы также написали книгу «Искусство разработки продуктов на основе ИИ: создание ценности для бизнеса». Какие наиболее важные выводы изменили ваш подход к созданию продуктов на основе ИИ (особенно те, которые вас удивили или перевернули ваши прежние убеждения)?
Написание книги побудило меня осмыслить все фрагменты теоретических знаний, практического опыта и собственных убеждений и структурировать их в многоразовые структуры. Поскольку книга должна оставаться актуальной долгие годы, она также заставила меня различать фундаментальные принципы, с одной стороны, и шумиху, с другой. Вот несколько моих собственных выводов:
- Во-первых , я узнал, как находить ценность для бизнеса в технологиях. Часто мы колеблемся между двумя крайностями — либо гонимся за ИИ ради ИИ, либо полагаемся исключительно на открытия, инициированные пользователями. В первом случае вы не создаете реальной ценности. Во втором случае, кто знает, сколько вам придется ждать, пока к вам придет «идеальная» проблема с ИИ. На практике золотая середина находится посередине: использовать уникальные сильные стороны технологий, чтобы раскрыть ценность, которую пользователи могут почувствовать, но не обязательно сформулировать. Мы знаем это по великим новаторам, таким как Стив Джобс и Генри Форд, которые создавали радикально новый опыт до того, как клиенты его запросили. Но чтобы сделать это успешно, вам нужно это волшебное сочетание технических знаний, смелости и интуиции относительно потребностей рынка.
- Во-вторых , я осознал ценность пользовательского опыта для успеха ИИ. Многие проекты ИИ терпят неудачу не из-за слабости моделей, а из-за того, что интеллект не донесен, не объяснен или не сделан пригодным к использованию. Успех продукта ИИ зависит от того, насколько интуитивно пользователи могут взаимодействовать с его возможностями и насколько они доверяют его результатам. Во время написания книги я перечитывал классику дизайна, например, «Дизайн повседневных вещей» Дона Нормана, и всегда задавал себе вопрос: как это применимо к ИИ? Я думаю, что мы все еще находимся на ранних стадиях новой эры UX. Чат — важный компонент, но он, безусловно, лишь часть полного уравнения. Я очень рад видеть развитие новых концепций пользовательского интерфейса, таких как генеративный UX.
- В-третьих , системы ИИ должны развиваться, проходя через циклы обратной связи и улучшений, и этот процесс никогда не заканчивается. Именно поэтому я использую в книге метафору дервиша: прядение, совершенствование, непрерывное обучение. Команды, которые осваивают ранний релиз и постоянную итерацию, как правило, приносят гораздо больше пользы, чем те, кто ждёт «идеальной» модели. К сожалению, я всё ещё вижу, как многие команды слишком долго задерживаются с выпуском первой базовой версии и тратят недостаточно времени на итеративную оптимизацию. Эти системы могут попасть в эксплуатацию, но внедрения, скорее всего, не произойдёт, и они будут отложены как очередной эксперимент с ИИ.
Какие привычки вы бы порекомендовали командам, которые планируют запустить функцию ИИ в следующем квартале, и каких ключевых ошибок им следует избегать, чтобы сосредоточиться на создании реальной бизнес-ценности, а не гнаться за шумихой?
Во-первых, как и выше, освойте искусство итераций. Выпускайте продукт как можно раньше, но делайте это ответственно: выпустите что-то достаточно полезное, чтобы завоевать доверие пользователей, а затем неустанно его совершенствуйте. Каждое взаимодействие приносит вам новые данные, а каждый отзыв — это новый обучающий сигнал.
Во-вторых, смотрите шире. Легко зациклиться на последних выпусках LLM или моделей, но настоящие инновации часто возникают благодаря сочетанию технологий — поиска, рассуждений, аналитики, пользовательского опыта и доменной логики. Проектируйте свою систему модульной, чтобы иметь возможность расширять её, и постоянно отслеживайте решения и разработки ИИ, которые могут её улучшить (см. также наш предстоящий выпуск AI Radar).
В-третьих, проводите тестирование с участием реальных людей как можно раньше и как можно чаще. Жизнь и смерть продуктов ИИ зависят от того, как их воспринимают и используют люди. Внутренние демонстрации и синтетические тесты не заменят хаотичные, неожиданные данные и обратную связь от реальных пользователей.
В своих полноформатных работах (книга, глубокие исследования) вы избегаете шумихи и фокусируетесь на предоставлении ценности организациям. Каков ваш подход к выбору тем, и помогает ли вам работа над этими темами лучше их понимать?
Письмо всегда было для меня способом размышлять вслух. Я использую его для обучения, обработки сложных идей и генерации новых. Обычно я прислушиваюсь к своей интуиции и пишу о подходах, в которые искренне верю и которые, как я видел, работают в реальных организациях.
В то же время, у нас в компании есть свой собственный «секретный ингредиент». За годы работы мы разработали систему на базе искусственного интеллекта для мониторинга новых тенденций и инноваций. Мы предоставляем её нескольким избранным клиентам в таких отраслях, как аэрокосмическая промышленность и финансы, но, конечно же, используем её и в своих собственных целях. Это сочетание данных и интуиции помогает мне выявлять темы, которые актуальны сейчас и, вероятно, будут иметь значение не только через несколько месяцев, но и через два-три года.
Например, в начале 2025 года мы опубликовали отчёт о тенденциях в области корпоративного ИИ, и почти каждая тема из него оказалась крайне актуальной в течение года. Поэтому, хотя мои тексты интуитивно понятны и индивидуальны, они также основаны на фактах.
Чтобы узнать больше о работе Джанны и быть в курсе ее последних статей, вы можете подписаться на нее на TDS, Substack или LinkedIn.
Источник: towardsdatascience.com
