Після «великого вибуху», який спричинив ChatGPT, ШІ-інструменти почали з’являтися масово. Великі компанії та стартапи запускають платформи під різні завдання — і для різних фахівців. Які з них підходять для роботи бізнес-аналітика? Про це у колонці для High Bar Journal розповідає Микита Мельник, Business Analysis Manager у EPAM та викладач курсів з бізнес-аналітики та Generative AI. Він також розмірковує, чому промпт-інженер — це професія минулого, та наводить кілька прикладів підводних каменів, на які варто зважати всім, хто працює з ШІ-інструментами.
AI-toolkit для бізнес-аналітика
Серед моїх професійних напрямів — бізнес-аналіз, робота над проєктами, продакт-менеджмент, викладання тощо. Для завдань у кожному з них, таких як опис вимог, формулювання ТЗ, написання SQL чи XML-коду для діаграм, я періодично застосовую ШІ. Основних інструментів три:
ChatGPT від Open AI — допомагає з будь-якими тасками, де потрібна генерація тексту — і звичайного, і коду. Останнім часом я використовую GPTs — вони дають змогу написати інструкцію один раз, і користуватися нею далі для багатьох схожих завдань.
Gemini від Google — схожий на попередній, але, на відміну від ChatGPT, він з самого початку підтримував можливість працювати з таблицями, які потім легко копіювалися в Google Sheets чи Exсel. Крім того, Gemini може інтегруватися в GCP та працювати з SAS-додатками, як-от BigQuery.
Claude від Anthropic останнім часом використовую частіше, адже у ньому з’явилися артефакти. Це фічі, які дають змогу, наприклад, згенерувати прототип вебсторінки, поклікати на кнопки та одразу побачити, як все працюватиме. Такий «фокус» можна зробити й з іншими нейронками, але тут це найзручніше.
Окрім них, я користуюся низкою інших інструментів. Правда, ситуативно, під різні завдання на кшталт генерації діаграм чи інших зображень. Це, наприклад, Poe AI — платформа, яка працює як агрегатор, і дає доступ до різних чат-ботів та агентів на кшталт GPTs.
Багато з «великих» продуктів, які використовують аналітики, також мають вбудовані ШІ-асистенти. Наприклад, існує цілий маркетплейс асистентів для Jira і Confluence; функції Miro дають змогу генерувати графіки та діаграми, а розширення для Figma — зображення та прототипи. Утім, особисто я у роботі з графіками та діаграмами надаю перевагу тим, що створені через XML-код. Його можна згенерувати через Draw.io. Тоді на виході у мене є якісна діаграма, а не просто зображення, яке може бути неточним. Крім того, раніше ми користувалися інструментами для запису дзвінків, але коли подібні функції з’явилися у Google Meet і Microsoft Teams, потреба у них відпала.
Якщо завдання вимагає особливої уваги до кібербезпеки, я використовую наші внутрішні інструменти. Наприклад, EPAM Dial — це open-source інструмент, він підходить для великих або середніх компаній, яким потрібна особлива увага до безпеки даних. Вони можуть розгорнути цей інструмент у своєму середовищі, підключити потрібні моделі й безпечно використовувати ШІ безпечно для своїх цілей. Інший інструмент, Elitea (Alita), дозволяє створювати агентів різної складності з підключенням різних джерел даних. Таким, наприклад, може бути база знань конкретного продукту.
Чи справді необхідний вдалий промпт
Фреймворки для промптів, яких нині безліч, не завжди гарантують якісний результат. Є цілі бібліотеки, де користувачам пропонують подібні шаблони, однак я не чув про жодну справді успішну ініціативу. Ба більше — існує ціла професія промпт-інженера, яка свого часу спричинила багато галасу. Однак я вважаю, що напрям переоцінений. Якщо минулого року на сайтах пошуку роботи з’являлося багато вакансій з зарплатами у $200 000-300 000 на рік, то нині я знайшов лише чотири подібні позиції на Djinni. І то — після більш уважного погляду вони виявилися пропозиціями для розробників.
Моя думка: навряд чи ця професія буде розвиватися. Промпт-інженерів потребуватимуть тільки справді великі компанії, які розробляють LLM або великі продукти на основі LLM. В інших випадках промт-інженерія має стати додатковою навичкою, яка має бути у різних фахівців.
Ефективний промпт іноді може складатися з одного слова. Наприклад, «далі» або «продовжуй». Крім того, ШІ-продукти, які ми використовуємо, мають вбудовані системні промпти. Це означає, що навіть коли ви пишете простий запит з одного або кількох слів, він покращується автоматично, і модель одержує вдосконалену версію. Через це відповідь на виході буде більш-менш точною, навіть якщо запит написаний з помилками.
Головне, про що варто пам’ятати — необхідність «заонбордити» модель у завдання та декомпозиція великих завдань на менші. Наприклад, якщо вам потрібно написати вимоги до функціональності великого проєкту чи фічі, краще розкласти ТЗ на кілька кроків, і попросити інструмент почати з окремої ідеації цієї функціональності. «Порізавши» на шматочки весь функціонал, ви зможете відстежити, що і де пішло не так, а не генерувати усе завдання спочатку.
Підводні ШІ-камені
Їх може бути кілька:
зникнення певних навичок. Наприклад, вміння бренштормити, сторітелінгу, критичного мислення тощо. Якщо довго не користуватися, то скіл можна втратити.
погіршення розуміння продукту, чого бізнес-аналітик не може собі дозволити.
погіршення комунікаційних навичок. Йдеться про те, що взаємодія з ШІ у наказовому тоні може переноситися і на комунікацію з колегами в проєкті — у нас уже траплялися подібні випадки. Тому краще формулювати запити для інструменту більш ввічливо.
Як викладач, я веду два курси: з генеративного ШІ та бізнес-аналізу. Студентам останнього я забороняю використовувати штучний інтелект впродовж навчання. Виняток — останній блок, де ми знайомимося з різними інструментами для виконання конкретних завдань. Але тоді люди уже мають знання, яких достатньо для того, щоб розрізнити, де ШІ помиляється і пише нісенітниці.
Загалом, думаю, що бізнес-аналітики будуть останніми, кого змінить ШІ, якщо таке взагалі трапиться. Більш ймовірно те, що люди стануть виконувати більше завдань за одиницю часу, та використовувати ШІ як свою конкурентну перевагу.