Делали ли вы работу в стол? Вопрос риторический…
Но больше, чем остальным, это грустное чувство “проекта в стол” знакомо тем, кто занимается разработкой и внедрением ИИ решений: по статистике за 2024 год из них доходят до продакшена только от 15 до 30%
И большинство неудач здесь не из-за плохих моделей или технической сложности, а из-за несогласованных бизнес-потребностей.
Наши партнеры из Яндекса на CTO Conf-2025 презентовали новый фреймворк – CRISP-DM Light –он призван исправить эту ситуацию.
Для кого этот фреймворк?
- ИИ-ассистенты превращают одинокого разработчика в целый оркестр
- Low-code, no-code решения открывают новые перспективы для не-инженерных ролей – бизнес-аналитиков, тестировщиков
- Стоимость инференса GPT 3.5 за два года упала в 380 раз...
Но эта демократичность избирательна и основными ее бенефициарами на текущий момент остаются энтерпрайз-компании. Среди компаний СМБ сектора адопшен технологий низкий – по собранной нами недавно статистике лишь у 13% организаций среднего и малого бизнеса в 2025 году автоматизирована хотя бы одна бизнес-функция за счет внедрения ИИ. Таким образом, и технологический, и экономический разрыв между секторами продолжает расти.
Ценность CRISP-DM Light фреймворк при этом представляет для обоих типов компаний – и для крупняка, и для середняков.
Энтерпрайзу он позволят добиться:
- Сокращения времени на проверку гипотез и построения PoC
- Сокращение затрат за счет минимизации ручного кодирования и сбора данных
- Валидации ценности для бизнеса на самых начальных этапах проекта.
Помогает решить он и проблемы СМБ: почему они не внедряют ИИ? Потому что им все еще дорого:
- Дорого содержать команду дата-инженеров
- Дорого налаживать инфраструктуру хранения данных
- Дорого ошибаться – зачастую у них только один выстрел
Данный фреймворк для них – возможность отвалидировать несколько идей без риска остаться без штанов, приоритезировав для имплементации уже наиболее перспективную.
Суть фреймворка CRISP-DM Light
Он построен на базе хорошо известного CRISP-DM (Cross-Industry Standard Process for Data Mining), где этапы сбора данных и обучения модели были заменены альтернативными активностями. CRISP-DM Light ни в коем случае не призван заменить традиционный фреймворк – его применение ограничивается построением прототипов и концептов, а не production-ready решений, ключевая задача – ускорить и удешевить проверку гипотез.
Итак, давайте разберем CRISP-DM Light пошагово:
Шаг 1: Определение бизнес-целей, требований и ограничений
1.1 Проведите CustDev
- Поговорите с ЛПР-ами? Поговорите с представителями конечных пользователей – четко определите какую проблему и как вы пытаетесь решить?
1.2 Подготовьте PRD (Product Requirements Doc)
- Сформулируйте гипотезу, определите подход к ее проверке, определите метрики и критерии успешности.
Шаг 2: Моделирование через промтинг на LLM
2.1 Выберите подходящую модель
- Используя бенчмарки, наилучшим образом отвечающие задаче, что вы пытаетесь решить, выберите лучшую модель из вам доступных
2.2 Используйте промтинг для разработки концепта решения
Задизайньте промт для проверки гипотезы и итеративно двигайтесь с использованием advanced техник, например: Chain-of-Thought (CoT), Self-Correction и т.д.
Шаг 3: Валидация
3.1 Используйте синтетические edge-кейсы для тестирования
- Эмулируйте worst-case сценарии; определите, когда система фейлится; сгенерите с помощью LLM сложные синтетические, но реалистичные кейсы
3.2 Проверьте решение на соответствие метрикам
- Выберите подходящие метрики, основываясь на изысканиях, что были проделаны на Шаге 1 при подготовке PRD; используйте недорогие методы валидации
Шаг 4: Проведите Демо для стейкхолдеров
Подготовьте минимально-необходимое демо для валидации результатов работы концепта решения (PoC) со стейколдерами:
· Минимизируйте инвестирование: используйте low-code\no-code решения
· Проработайте happy path сценарии и тестовые примеры для демонстрации ключевой ценности решения
Заключение
Используя CRISP-DM Light фреймворк вы сможете:
- Делать более быстрые итерации: базовая проверка гипотез в течение нескольких дней, а не месяцев.
- Делать дешевле: в рамках процесса тестирования гипотезы нет необходимости в предварительной проработке больших объемов данных и выстраивании хранилищ и ETL-пайплайнов.
- Делать для бизнеса: фокусироваться на реальных проблемах людей, а не только на точности модели😉
Пробуйте, делитесь вашими результатами, рассказывайте о проблемах, с которыми сталкиваетесь – так победим! 😊
Делюсь опытом внедрения ИИ в бизнес через поиск максимальной ценности: