Аналитика нет, а его функции выполняются

Иногда без системных аналитиков действительно можно обойтись. В ситуации разработки простых продуктов (одностраничный сайт, развлекательное мобильное приложение без бизнес-логики) исключение системного аналитика из процесса разработки действительно приносит положительный эффект, сокращая T2M. Задачи можно перераспределить между участниками команды, сэкономив время, которое можно направить на разработку. Но в крупных продуктах (онлайн-кинотеатр, музыкальный стриминг, корпоративная шина данных) извлечения системных аналитиков из процесса не приносит положительных результатов. При переносе функции системного аналитика на уровень выше требовалось расширение штата продакт менеджеров, часть которых затем выделялась под эти задачи. А при переносе функций на уровень ниже команды разработки начинали тратить существенно больше времени на анализ и обсуждение задач, и меньше времени на разработку. Дело в том, что, получив функцию аналитика, разработчик должен уделить дополнительное внимание альтернативным сценариям, чтобы учесть потенциальные ветвления логики и параметров. Примером может быть классический кейс получения в обязательном параметре пустого значения, не предусмотренного в постановке. В ряде случаев командам, работавшим над крупными проектами, приходилось возвращать функцию системного аналитика.

Первое, что нужно сделать для освоения ИИ-инструментов — это научиться «промт-инжинирингу» — умению правильно формулировать задачу и запрашивать нужный формат ответа для используемой языковой модели. Корректно заданный запрос, в котором заложена не только задача, но и контекст, а также требуемый формат ответа, существенно упростит работу с нейросетями. Например, спросим у ИИ «стоимость одного эскимо в Боливии». Ответы будут отличаться в зависимости от промта.

• С промтом, запрос «Сколько стоит 1 эскимо в Боливии»: «1 эскимо в Боливии стоит 5 боливиано и 20 сентаво».
• С промтом, запрос «Сколько стоит 1 эскимо в Боливии. Ответ должен быть в формате: 1 эскимо = <стоимость в местной валюте> = <стоимость в рублях>»: «1 эскимо = 5,2 боливиано = 66,8 рублей».

Во-вторых, необходимо формулировать запросы в нейросети грамотным русским языком. Чем меньше ошибок в вашем промте, тем с меньшей вероятностью ИИ начнет галлюцинировать, то есть уверенно выдавать ошибочные ответы за верные. Пример галлюцинации: «Пушкин родился 6 июня 1799 года и ему сейчас 25 лет». Проверять промты на грамотность можно с помощью ботов, онлайн-сервисов или расширений для браузера.

Первый сценарий использования ИИ-инструментов для системного аналитика — это подготовка чек-листов. Например, можно использовать ИИ на этапе первичного анализа требования к продукту. Сначала ИИ отдается обезличенное требование с промтом: «Подготовить чек-лист для проверки реализации бизнес-требования: <бизнес-требование>». На выходе мы получим список пунктов, который нужно изменить в зависимости от контекста и продукта. Готовый чек-лист может быть использован аналитиком по назначению, например, для сверки реализовано/не реализовано, а еще он может быть взят за основу QA-инженерами на этапе ручного и автоматического тестирования.

Второй — подготовка визуальных материалов. Что делать системному аналитику при общении с человеком, хорошо воспринимающим информацию в визуальном виде – готовить диаграммы, схемы и ассоциативные ряды, и сделать это можно с помощью ИИ-инструментов. Например, excalidraw и eraser, под капотом которых работают языковые модели, преобразуют текст в mermaid-код и уже его визуализируют в виде красивых диаграмм последовательности. В итоге аналитик сможет за несколько минут превратить текст в схему с процессом взаимодействия.

Третий — подготовка и сопровождение сценариев. В зависимости от построения процесса работы с гипотезами в продуктовой команде может возникнуть ситуация отложенного анализа альтернативных сценариев. Часто команды берут в работу основной «счастливый» сценарий, а остальные ответвления остаются за бортом анализа. В результате при возвращении команды к альтернативным сценариям, возникает задача по переделке уже работающих функций системы. Это хорошо заметно, когда компании выпускают новую версию популярного продукта с глубокой переработкой дизайна. В результате которого, часть функций не попадает в новую версию, а поставляется последующими обновлениям. В 90% случаев этого можно было избежать, если на этапе анализа и реализации основного сценария учесть наличие альтернативных сценариев. В этом случае системного аналитику может помочь ИИ-инструментарий. Языковая модель подскажет, что может пойти не так, аналитик, уже погруженный в контекст задачи, отфильтрует «галлюцинации» от реальных сценариев и оценит их влияние на основной «счастливый» сценарий. Так, простой запрос к ИИ: Какие альтернативные сценарии могут быть у user story: «Я как пользователь хочу создать нового цифрового аватара в личном кабинете, чтобы записывать новый контент без камеры» может дать интересные варианты для размышления и анализа.

Хороший аналитик должен оставаться в курсе событий в команде. Для этого ему требуется обладать всей полнотой знаний о процессах, которые происходят в компании, а также иметь под рукой агрегированные данные о решениях, принятых на встречах. В этом случае помогут ИИ-сервисы с поддержкой транскрибирования (speech to text) видео и суммаризации текста. Выжимка сути из статей, документов, расшифровок встреч ускоряет процесс принятия решений.

В качестве ВКС мы используем «МТС Линк», который предоставляет транскрибацию разговоров, а с суммаризацией нам помогает локальная языковая модель. В нашем случае мы записываем все встречи, по тогу которых сервис предоставляет запись и расшифровку, которую с небольшим дополнением мы загружаем в ИИ, чтобы он выделил ключевые пункты. Так мы получаем текстовую расшифровку встречи и выжимку, которую можно использовать для фиксации договоренностей.

Но зачастую данные нужно не обработать, а найти, особенно, когда аналитик вынужден переключаться между совершенно разными задачами и погружаться в специфические области знаний. Например, с задач, касающихся биллинга на задачи по документообороту. В этом случае аналитику также помогут языковые модели. При правильном промте они обнаружат нужный стандарт, формулировку или нормативный акт.

Зачастую, данные, в том числе и учебные материалы, нужно еще и перевести на русский язык. Ведь любой аналитик, который прекращает учиться и узнавать новое – останется в хвосте прогресса. Сегодня ИИ помогает переводить на русский и английский язык выступления экспертов с сильным иноязычным акцентом и даже изучать печатные материалы на китайском и японском. Список языковых моделей, которые используются в рабочих задачах через различные интерфейсы (боты, API, веб-интерфейс):

• Локально развернутая Mistral 7В;
• ChatGPT от Open AI;
• Gemini от Google;
• Claude от Anthropic;
• Copilot от Microsoft;
•  Perplexity от Perplexity AI;
• YaGPT от Яндекс;
• GigaChat от Сбер.

Это далеко не полный список полезных ИИ-инструментов. В работе мы используем разные инструменты, список не конечный и он постоянно обновляется и расширяется. Если есть решения, которыми вы успешно пользуетесь и готовы посоветовать, то пишите, будем рады опробовать новое и полезное.