Антон Воскресенский. AI консалтинг

Когда факты противоречат ожиданиям 🚀 Представьте, что эксперимент противоречит тому, что «все» считают бесспорной истиной. В одном из моих проектов я столкнулся с подобным: заказчик, являющийся экспертом в своей предметной области, был уверен, что данные по гидравлическому разрыву пласта должны демонстрировать определенные тренды и зависимости, но данные не совпадали с этими ожиданиями. По сути, некоторые зависимости в данных противоречили тем, которые клиент хотел включить в модель. 🎯 Вместо того чтобы сразу обсудить возникший конфликт, я сначала поддался соблазну «отфильтровать» набор данных под ожидания заказчика. Глядя назад, моя ошибка заключалась в том, что я не настаивал на том, что данные не согласуются с ожиданиями клиента. Теперь я начинаю проекты (если это возможно) с пилотной фазы, чтобы убедиться, что мы с клиентом понимаем ограничения данных проекта. Если данные «не дружат» с желаемыми результатами, нет смысла подгонять их под концепцию. Пилотные исследования помогают избежать впустую потраченного времени и сил, а еще упрощает возможность вовремя свернуть проект, сэкономив клиенту деньги.

Когда 100% точность — не цель: управление ожиданиями клиентов в AI-проектах Я часто сталкиваюсь с заказчиками, которые ожидают от модели 100% точности или нуля ошибок. Это всегда вызывает у меня некоторое удивление. Моя задача как консультанта — помочь им понять, что стремиться к абсолютному совершенству нереально и не обязательно. Правда в том, что мы не можем создать модель, которая никогда не ошибается. Но мы можем разработать ту, которая будет лучше их текущего решения. И ничего страшного, если модель иногда ошибается. Со временем, в среднем, она принесёт реальную пользу их бизнесу.