Онлайн-курс

«ОСНОВИ АІ»
Зміст

Зміст 2
Модуль 1 4
Кому потрібен AI? 4
1.1. Вступ: що таке AI і як він може мені допомогти? 4
1.2. Переваги штучного інтелекту для бізнесу та особистого використання 5
1.3. Структура курсу та як пройти його ефективно 7
1.4. Поради для навчання 7
Модуль 2 9
Принципи AI та ML 9
2.1. Парадигми вирішення задач машинного навчання 9
2.2. Як використовувати AI для роботи з табличними, візуальними та текстовими
даними 11
2.3. Як уникнути помилок на початкових етапах впровадження ML? 12
2.4. Упередження та поширені помилки щодо АІ 14
2.5. Відповідальний AI 16
Модуль 3 17
Стратегії трансформації бізнесу з AI та ML 17
3.1. Як штучний інтелект та машинне навчання впливають на бізнес? 17
3.2. Машинне навчання у бізнесі: на що треба зважати 17
3.3. Рівні інтеграції штучного інтелекту в різних компаніях 20
3.4. Оцінка ризиків у проєктах із AI 21
Модуль 4 23
Використання AI та ML у різних сферах 23
4.1. У маркетингу та PR 23
4.2. У роздрібній торгівлі й електронній комерції 24
4.3. В HR та рекрутингу 25
4.4. У фінансовій сфері 27
4.5. У виробництві 28
4.6. У готельно-ресторанній справі 30
4.7. В освіті 32
4.8. У сільському господарстві 33
Модуль 5 36
Приклади використання інструментів на основі AI 36
5.1. Приклади використання AI у повсякденному житті 36
5.2. Як створювати запити для GenAI 38
5.3. Робота з ChatGPT 39
5.4. Робота з Midjourney 39
5.5. Робота з Bard від Google 41
5.6. Як працювати з ML, якщо я вмію користуватися лише Google Sheets? 42
Модуль 6 44
 Як побудувати ML-команду з 0 44
6.1. Типи ML-команд 44
6.2. Наймаємо таланти в ML: основні компетенції та досвід 45
6.3. Софт скіли й культура ML-команди 46
6.4. Як управляти ML-проєктами та пріоритезувати задачі 47
6.5. Типові помилки в ML-проєктах і командах 49
6.6. Збір та обробка даних 49
Модуль 7 51
Що робити далі? 51
7.1. Підсумки та основні уроки курсу 51
7.2. План дій із впровадження AI/ML: цілі та пріоритети 52
7.3. Як встигати за розвитком штучного інтелекту? 53

3
Модуль 1

Кому потрібен AI?

1.1. Вступ: що таке AI і як він може мені допомогти?

Головне, що дає штучний інтелект (AI) — це нові можливості. Для кожного з нас:
бізнесів, країн, суспільства загалом. Щоб використовувати ці можливості, потрібно
розуміти базову суть технологій AI, принципи роботи та як їх застосувати для власних
потреб. Над цим і попрацюємо.

Алгоритми штучного інтелекту здатні виконувати замість нас частину щоденної роботи:
завдання можна делегувати йому частково, або ж використовувати його як помічника.

З чим саме AI може допомогти? Повний список завдань уже неймовірно довгий і
продовжує поповнюватися, завдяки появі нових інструментів. Ось лише кілька
найпопулярніших варіантів:

● Транскрибувати аудіо.
● Перерахувати основні тези, статті, зустрічі тощо.
● Сформувати лист, пост у соцмережах, текст на потрібну тему.
● Згенерувати ідеї, тези, сценарії.
● Проаналізувати великі обсяги даних, відфільтрувати їх за певними параметрами
чи знайти в них конкретну інформацію.
● Скласти план занять спортом, стратегію запуску бізнесу, схему обліку особистих
фінансів, програму освоєння нових знань тощо.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Загалом AI може забрати на себе частину завдань, які вам не подобаються. Або ж
пришвидшити роботу чи поглянути під іншим кутом на ті речі, які ви любите робити.

4
✎ У полях нижче складіть списки таких завдань особисто для вас чи для вашого
бізнесу. А після закінчення курсу поверніться до них, і спробуйте на практиці
застосувати штучний інтелект для виконання цих завдань.

Не люблю робити Люблю робити

……………………………………………… ………………………………………………
……………………………………………… ………………………………………………
……………………………………………… ………………………………………………
……………………………………………… ………………………………………………
……………………………………………… ………………………………………………
……………………………………………… ………………………………………………
……………………………………………… ………………………………………………
……………………………………………… ………………………………………………

1.2. Переваги штучного інтелекту для бізнесу та особистого

використання
Коли мова заходить про штучний інтелект, то найчастіше йдеться саме про
генеративний тип. Він здатен створювати зображення, тексти та інші види контенту у
відповідь на запити користувача. Англійською такий запит називають “промпт”.

Генеративних моделей існує безліч. Як для різних типів контенту, з якими вони можуть
працювати, так і для використання в конкретних галузях.

Нижче наведемо кілька прикладів, а ви спробуйте зрозуміти, для яких ваших

завдань кожен із цих інструментів може бути корисним, і запишіть їх. Якщо певний
інструмент вам наразі не потрібен — сміливо пропускайте цей пункт.

Для генерування зображень: Midjorney та Stable Diffusion.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Для роботи з текстами: ChatGPT, Bard, Bing.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

5
Для написання чи відладки коду: Copilot.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Для виявлення та виправлення помилок у тексті: Grammarly, LanguageTool.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Для планування подорожі: Tripnotes.ai.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

✎ Доповніть список завданнями, для яких немає потрібних АІ-інструментів у

переліку вище. Якщо впродовж навчання почуєте про AI, який закриває одну з потреб
— запишіть його сюди. А для завдань, які залишаться, спробуйте провести
невелике дослідження та самостійно знайти інструменти в пошуковику “Google”.

Завдання Інструменти

6
1.3. Структура курсу та як пройти його ефективно
Сьогодні АІ є ключем до інновацій та має великий потенціал для розвитку й
масштабування бізнесу. Навчання на цьому курсі — важливий крок до освоєння цього
потенціалу.

Наша основна мета — навчити вас застосовувати AI в роботі та особистому житті.

Саме тому, для створення програми ми залучили спікерів-практиків, які вже
використовують AI у своєму робочому процесі. А впродовж навчання зосереджуємося
саме на практичному використанні штучного інтелекту.

Теми, які пропрацюємо:

● Загальне розуміння штучного інтелекту.

● Відмінності між штучним інтелектом і машинним навчанням.
● Основні принципи та алгоритми AI та машинного навчання.
● Практичне застосування AI в різних галузях.
● Засоби та можливості для трансформації бізнесу завдяки машинному навчанню.
● Створення й управління командою розробників у сфері машинного навчання.

Щоб навчання було ефективнішим, активно тестуйте згадувані інструменти (зокрема

для цього вам стане в пригоді цей воркбук), а також діліться набутими знаннями з
іншими.

І головне — не втрачайте впевненості в разі виникнення труднощів і не бійтеся за

потреби повертатися до пройденого матеріалу. Знаємо, що у вас все вийде.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

1.4. Поради для навчання

І наприкінці модулю кілька порад та підказок, як ефективно вивчати й засвоювати
контент про штучний інтелект.

Порада 1. Зосередьтеся на контенті під час навчання. Не відволікайтесь і робіть

нотатки для збереження інформації.

7
Порада 2. Якнайшвидше випробовуйте набуті знання на практиці.

Порада 3. Знайдіть товариша у навчанні. Взаємопідтримка та спільне навчання

сприяють кращим результатам.

Порада 4. Не соромтеся ставити запитання і приєднуватися до спільнот. Форуми та

ресурси, які надають відповіді на питання, допомагають у навчанні.

Порада 5. Плануйте час і розпоряджайтеся ним. Складіть гнучкий розклад та відведіть

у ньому час для навчання.

✎ Впродовж курсу у вас можуть з’явитися власні лайфхаки щодо ефективного

навчання. Можете записувати їх сюди:

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

8
Модуль 2

Принципи AI та ML

2.1. Парадигми вирішення задач машинного навчання

Машинне навчання, або machine learning (ML) –– це набір математичних алгоритмів
для пошуку закономірностей в історичних даних.

Існують три основні парадигми машинного навчання:

Навчання з учителем (Supervised Learning). Алгоритми навчаються на основі вхідних

даних і відповідей, а потім роблять прогнози для нових даних.

Застосування: прогнозування попиту, класифікація об'єктів на зображенні тощо.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Навчання без учителя (Unsupervised Learning). Алгоритми шукають приховані

структури в даних без конкретних відповідей для навчання.

Застосування: кластеризація клієнтів за їхньою поведінкою.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

9
Навчання з підкріпленням (Reinforcement Learning). Алгоритми намагаються
максимізувати певний показник через взаємодію з оточенням.

Застосування: ігри, де AI намагається максимізувати отримані очки.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

…………………………………………………………………………………………………………

Новітні ж алгоритми, такі як RLHF (Reinforcement Learning from Human Feedback),

дозволяють AI вчитися зі зворотним зв'язком від людей, що покращує якість їхніх
відповідей.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Різні парадигми машинного навчання пропонують різні підходи до розв'язання

бізнес-завдань. Проте, найбільш поширеними в бізнесі є алгоритми навчання з
учителем і навчання без учителя. Хоча навчання з підкріпленням теж дає результати,
його складно використовувати в бізнесі через потребу в детальному описі сценаріїв.

✎ Подумайте, яка парадигма потенційно спрацює найкраще для ваших

бізнес-завдань. Запишіть завдання в поля під потрібним пунктом.

10
2.2. Як використовувати AI для роботи з табличними,
візуальними та текстовими даними
Від парадигм розв'язання задач машинного навчання перейдемо до конкретних
прикладів того, як штучний інтелект допомагає в роботі з різними типами даних:
табличними, текстовими й візуальними.

Табличні дані. Це дані, схожі на ексель-файли, де колонки відображають ознаки, а

рядки — спостереження. Один з найбільших застосунків у банках — модель кредитного
скорингу, де на основі даних про клієнта передбачають його надійність.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Текстові дані (NLP). Обробка природної мови дозволяє аналізувати та інтерпретувати

текст. Основні завдання NLP: класифікація текстів (наприклад, визначення тону
коментарів), машинний переклад, виокремлення іменованих сутностей і
підсумовування текстів.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Візуальні дані (CV). Комп'ютерний зір включає аналіз зображень і відео. Основні
завдання CV: класифікація зображень, детекція об'єктів (визначення та сегментація
об'єктів на зображенні), а також аналіз відео, як, наприклад, розпізнавання номерних
знаків автомобілів на парковках.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

11
✎ Подумайте, для яких завдань конкретно у вашому бізнесі можна використати
табличні, текстові й візуальні дані. Якщо якась з колонок залишиться пустою — це
абсолютно окей.

Табличні дані NLP CV

2.3. Як уникнути помилок на початкових етапах впровадження

ML?
Ви дізнались, як можна використовувати штучний інтелект для опрацювання різних
типів даних. Тепер поговоримо про те, як визначити, чи потрібен вашому бізнесу
штучний інтелект, та як уникнути помилок на початкових етапах його впровадження.

Для цього врахуйте кілька правил.

1. Машинне навчання не є універсальним рішенням. Насамперед, важливо

зосередитись на реальній бізнес-задачі, а не технології.
2. Рекомендовано починати з простих, конкретних задач, де очікуваний результат
зрозумілий.
3. Запуск моделі АІ — не одноразова дія. Він вимагає постійного моніторингу,
перенавчання та підтримки. А для цього потрібні спеціалісти, інфраструктура та
розуміння цих процесів.

Важливий пункт у роботі з АІ — чітко визначити ціль або цілі вашої системи машинного
навчання. Замість загальних цілей, на кшталт «збільшення прибутку», зосередьтеся на
конкретних, вимірюваних метриках, що можуть бути автоматизовані.

✎ Визначте та запишіть ваші цілі.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

12
……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Тепер, коли ви визначили цілі та метрики, звернемо увагу на дані, оскільки вони —
ключовий компонент будь-якої моделі машинного навчання. Вони слугують «паливом»
для вашої системи. Саме тому, важливо забезпечити якість даних. Якщо дані
недоступні, розгляньте можливість їх збору чи купівлі.

✎ І знову трохи практики. Запишіть нижче дані, які ви маєте.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

✎ А тепер дані, яких немає, але вони потрібні для виконання ваших цілей. Також
подумайте, яким чином та де ви можете їх отримати.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Раніше ми говорили про основні правила в роботі з ШІ, а тепер зосередимося на

типових помилках, яких можна припуститися під час роботи:

● Спроба створити систему з нуля може призвести до значних витрат часу та

ресурсів. Використовуйте готові рішення, де це можливо.
● Перші кроки в машинному навчанні мають бути спрямовані на розв'язання
простих задач зі зрозумілими даними.
● Перенавчання — коли модель демонструє відмінні результати на навчальних
даних, але погано справляється з реальними даними. Це може свідчити про
витік даних або неправильне використання метрик.

13
Для закріплення — ключові запитання, на які вам потрібно відповісти перед стартом
роботи з ШІ:

Чи підходить машинне навчання для вашої конкретної задачі?

Які дані вам доступні та які додаткові дані можна зібрати?
Яка конкретна ціль вашої системи? Які метрики ви використовуєте для її
вимірювання?
Чи існують готові рішення, які можна використати для вашої задачі?

До вашої уваги кілька корисних ресурсів для тих, хто хоче копнути глибше:

● Книга «Machine Learning Yearning» від Andrew Ng допоможе отримати відчуття

машинного навчання.
● Блог Кесі Козирков (Cassie Kozyrkov) пропонує корисні поради та статті з досвіду
роботи в Google з AI.

2.4. Упередження та поширені помилки щодо АІ

Розмови навколо теми штучного інтелекту породжують багато упереджень і міфів
стосовно використання АІ в бізнесі. Три основні з них ми виокремили, аби ви не
повторювали стандартних помилок.

Перше упередження полягає, власне, у тому, що штучний інтелект обов’язково вам

потрібний. Часто виникає спокуса використати його навіть там, де це не має сенсу, але
AI — не магія.

Якщо завдання легко можна вирішити без АІ — робіть це. Якщо у вас немає достатньої
кількості даних, спочатку знайдіть способи отримувати ці дані, а вже тоді думайте, як
використати штучний інтелект для пришвидшення цього процесу.

Впровадження AI забирає більше часу, ніж здається. Тому, потрібно бути впевненими,
що це дійсно допоможе пришвидшити обробку даних, краще зважувати й ухвалювати
рішення, спростити певні процеси тощо.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Друге упередження: якщо ви використовуєте штучний інтелект, то вам неодмінно

потрібна команда експертів з машинного навчання й натренована модель.

Спочатку дослідіть, чи існують АІ-інструменти та моделі, які закривають ваші потреби

та допоможуть вирішити наявні завдання. Можливо, не ідеально, проте вирішити.

14
Тренування власних моделей — процес затратний і не швидкий, тому його варто
використовувати, коли наявні інструменти не наближають вас до розв'язання
потрібного завдання.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Третє упередження, у яке час від часу вірять усі, полягає в тому, що ваш AI
неупереджений.

Річ у тім, що навіть якщо ви не звертаєте на це увагу, справді неупередженого штучного

інтелекту не існує. Тому що не існує даних, зібраних із неупередженого світу,
оброблених неупередженими людьми.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

✎ Подумайте про те, на які з упереджень «повелися» й ви. У процесі роботи з АІ

звертайте увагу на те, які процеси не відповідають чи навіть кардинально
відрізняються від ваших очікувань. Запишіть їх, це допоможе не припускатися
однотипних помилок.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

15
2.5. Відповідальний AI
Помилково вважати, ніби машини відіграють ключову роль в ухваленні рішень.
Насправді ж, саме люди залучені до кожного аспекту розробки штучного інтелекту.

Оскільки штучний інтелект може вплинути на багато сфер суспільства, важливо

розвивати та використовувати ці технології етично. У 2018 році Google оголосив сім
принципів штучного інтелекту, які керують нашою роботою та впливають на наші
бізнес-рішення:

1. Бути суспільно корисним.

2. Уникати створення або посилення некоректних упереджень.
3. Бути побудованим та протестованим на безпеку.
4. Бути відповідальним перед людьми.
5. Враховувати принципи конфіденційності дизайну.
6. Зберігати високі стандарти наукової відмінності.
7. Бути доступним для використання, що відповідає цим принципам.

✎ Завдання «в довгу». Перед початком використання АІ для власних чи бізнесових

потреб повертайтеся до цього списку та перевіряйте, чи врахували ви всі з
перелічених пунктів.

16
Модуль 3

Стратегії трансформації бізнесу з AI та ML

3.1. Як штучний інтелект та машинне навчання впливають на

бізнес?
Штучний інтелект і машинне навчання вже відіграють ключову роль у сучасному світі,
впливаючи на різні аспекти бізнесу. Впровадження штучного інтелекту стає важливим
фактором успіху у світі, де кількість даних збільшується, конкуренція зростає, а
швидкість і точність прийняття рішень стають критичними.

Власне, однією з основних переваг АІ є його здатність покращувати процеси ухвалення

рішень у бізнесі. Крім того, штучний інтелект допомагає виявляти непомітні тенденції та
зловмисну діяльність, оптимізувати виробничі процеси та процеси обслуговування
клієнтів, а також покращити власні продукти й сервіси.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

3.2. Машинне навчання у бізнесі: на що треба зважати

Поговоримо про деякі практичні аспекти використання машинного навчання в
бізнес-контексті та лайфхаки, що допоможуть вам у роботі.

Перше, що потрібно розглянути, це те, чи машинне навчання є відповідним

рішенням вашої проблеми. Більшість випадків машинного навчання — це процеси, які
потрібно автоматизувати, персоналізувати чи оптимізувати.

Якщо ваші завдання саме такі і й ви вже пропрацювали сценарій використання АІ в

роботі, то ділимося сімома ключовими практичними міркуваннями, які варто
враховувати.

17
Люди. Команди повинні бути міжфункціональними та фокусуватися на продуктах або
послугах, замість відокремленої роботи в окремих групах.

В процесі найму важливо звертати увагу на дві ключові характеристики — бажання

навчатись і прагматизм. Люди, які навчаються, стежать за новими технологіями та
швидко до них адаптуються, тоді як прагматики зосереджуються на практичному
використанні машинного навчання.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Технології. Рекомендуємо використовувати хмарні технології. Це додасть вам гнучкості

та зосередженості, а також позбавить вас необхідності підтримувати інфраструктуру
нижчого рівня та мережу.

Важливо: не починайте з найпотужнішої технології чи апаратного забезпечення.

Натомість почніть із чогось на зразок прототипу, а потім розширюйте.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Цінність. Якщо ви намагаєтеся втілити свою ідею в життя, згадайте або визначте, якої
справжньої бізнес-цілі ви намагаєтеся досягти. А також, для кого ви це робите, чи є
клієнт для вашого продукту.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Вимірювання. Пересвідчіться, що ви маєте чіткі метрики, які покажуть

результативність і цінність вашого продукту. Інколи їх визначити легко. Інколи ж,
доведеться самостійно знайти потрібні показники. Наприклад, в ситуації, коли ви
створюєте медичний продукт, основна цінність та результат якого — врятувати життя.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

18
Процес. Яку б послугу чи продукт ви не намагалися змінити за допомогою штучного
інтелекту та машинного навчання, вам потрібно буде реалізувати це в певному процесі.
Тобто вам потрібно розуміти, як цей процес працює зараз, як саме і на яких етапах ви
можете його покращити та як інтегрувати в цей процес ваш продукт.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Порівняння. Важливо розуміти та довести, що ваш продукт дійсно може покращити

певний процес. А для цього варто порівняти вашу систему на основі АІ з тим, як все
працює зараз. Якщо у вас немає порівняльного вимірювання, у вас немає доказів
цінності вашого продукту.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Підтримка. Ключовим практичним аспектом впровадження АІ в бізнес-контекст є

наявність у вас необхідної підтримки на різних рівнях та етапах. Наприклад, підтримка
команди, яка розуміє важливість впровадження АІ у вашому бізнесі, вашого проєкту
загалом, ваших кінцевих цілей.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

✎ У процесі роботи над власним проєктом ставте позначки навпроти пунктів, які
ви вже врахували, допоки не виконаєте весь список.

люди;
технології;
значення;
вимірювання;
процес;
порівняння;
підтримка.

19
3.3. Рівні інтеграції штучного інтелекту в різних компаніях
Штучний інтелект (АІ) та машинне навчання (ML) стають ключовими компонентами
бізнесу в сучасному світі. Організації, незалежно від їхнього масштабу, активно
використовують потенціал штучного інтелекту для підвищення
конкурентоспроможності, оптимізації бізнес-процесів і поліпшення клієнтського досвіду.

Інтеграція АІ в бізнес вимагає ретельної стратегії та подолання певних викликів.

Компанії можна поділити на п'ять рівнів інтеграції, від дата-агностиків до тих, хто
ставить дані в центр своєї діяльності.

Перший рівень. Умовні «дата-агностики». Компанії на цьому рівні не виявляють

особливого інтересу до АІ та продовжують працювати в усталеному режимі.

Другий рівень. У компанії з'являються співробітники, які 100% свого робочого часу
приділяють роботі з даними та штучним інтелектом.

Третій рівень. Компанії активно використовують дані для оптимізації більшості

бізнес-процесів. Зазвичай це потребує технічної обізнаності співробітників на різних
рівнях.

Четвертий рівень. Такі компанії є впевненими користувачами моделей штучного

інтелекту. Мають потужні відділи з data science фахівців та інженерів з машинного
навчання, а також налаштовану інфраструктуру для роботи моделей.

П’ятий рівень. У таких компаніях дані стають центральним ресурсом, і їх

використовують для прийняття всіх ключових рішень. Часто вони знаходять додаткові
джерела доходу, що ґрунтуються власне на продажі даних або інсайтів з них.

✎ Зрозумійте, на якому етапі ви перебуваєте зараз та що вам потрібно, щоб

перейти на наступний. Наприклад, якщо ви зараз «дата-агностик» і плануєте
перейти на другий рівень. Визначте кілька ключових завдань, з якими вам може
допомогти АІ, які дані для цього потрібні, які є наявні інструменти.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

20
3.4. Оцінка ризиків у проєктах із AI
Як ми вже казали, важливий етап у впровадженні штучного інтелекту — оцінка ризиків.
Аналізуйте ризики на початкових етапах проєкту та плануйте відповідні заходи з їх
нейтралізації.

Далі розповідаємо про кілька важливих аспектів цього процесу.

Регуляторна й етична відповідність. Перш за все, переконайтеся, що ваш проєкт

відповідає регуляторним вимогам та етичним стандартам захисту даних і регуляцій у
вашій індустрії. Сьогодні вимоги швидко змінюються, тому будьте готовими
підлаштовуватись під них.

✎ Запишіть які регуляторні вимоги чи етичні стандарти вам потрібно врахувати,

зважаючи на галузь, до якої належить ваш бізнес.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Інтерпретація результатів. Те, як команда може інтерпретувати результати роботи

моделей АІ, має велике значення, тому логіка прийняття рішення має бути зрозумілою
для вас, клієнтів і регуляторів.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

21
Якість даних та уникнення упередженості. Зверніть особливу увагу на якість даних,
які використовуються для тренування моделей АІ. Наприклад, якщо у вашій компанії є
історичні дані про клієнтів, переконайтеся, що дані є повними, достовірними та не
призводять до упередженості, наприклад, за ознакою віку, статі чи раси.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Масштабованість та обслуговування. Плануйте масштабування вашого проєкту АІ,

щоб моделі могли працювати з більшим обсягом даних і задовольняти потреби більшої
кількості користувачів. Враховуйте не лише фінансові переваги, а й інші вигоди, такі як
поліпшення взаємодії з клієнтами й ефективності процесів.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Гнучкість та актуальність. Відкритість до змін, постійне оновлення оцінок ризиків і

використання набутого досвіду з попередніх проєктів — ще один важливий аспект
вдосконалення процесу управління ризиками.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Оцінка ризиків — складний, але важливий процес. Він сприяє досягненню поставлених
цілей, забезпечує збалансований розвиток проєкту та допомагає уникнути можливих
проблем у майбутньому.

22
Модуль 4

Використання AI та ML у різних сферах

У цьому модулі ми розберемо, в яких сферах і для яких завдань ви можете

використовувати інструменти AI: від маркетингу та піару до сільського господарства.

4.1. У маркетингу та PR
Маркетинг. Основне завдання маркетингу полягає в розумінні потреб клієнтів, їх
зіставлення з продуктами й послугами — це завдання, виконання якого штучний
інтелект може значно полегшити.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

SMM. Найвдалішими кейсами використання є створення контенту, аналіз коментарів та

візуалів, допомога з аналізом і визначенням актуальних тем, побудова контент-плану.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

PR. АІ можна використовувати для моніторингу й аналізу медіа, виявлення контексту, в

якому згадується бренд, написання пресрелізів, аналітики з упізнаваності бренду.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

23
Приклади інструментів

За допомогою сервісу AdCreative.ai можна створювати креативи для соціальних мереж

і одразу тестувати їх за допомогою АІ. Також зі створенням контенту допоможуть Bard
та Chat GPT, або ж інструменти, що створені на їхній основі — до прикладу, Jasper,
SocialPostGPT чи AI Content Generator.

Сервіси YouScan і Looqme допоможуть оцінити ваш бренд у соціальних мережах. А

Zyro.AI збудує теплові карти для креативів, на яких ви зможете побачити елементи
банерної реклами, що викликають найбільшу цікавість в аудиторії.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

4.2. У роздрібній торгівлі й електронній комерції

Персоналізація — критично важливий аспект для роздрібної торгівлі та електронної
комерції, а алгоритми штучного інтелекту допомагають ритейлерам зрозуміти
вподобання та поведінку клієнтів і використати цю інформацію, щоб створити більш
персоналізований досвід для споживачів.

Наприклад, створюючи персоналізовані повідомлення для різних користувачів і груп

користувачів завдяки Jason.ai. Або ж рекомендуючи товари на основі попередніх
покупок конкретного користувача за допомогою Rosetta.ai.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Крім того, АІ змінює спосіб управління запасами. Наприклад, своєчасно

рекомендуючи поповнити склад і зменшуючи відходи. Або ж прогнозуючи попит на
конкретні товари чи послуги на основі історичних тенденцій і сезонності.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

24
AI також використовують для відстежування цін конкурентів та їх аналізу, що
допомагає власникам бізнесу залишатися конкурентоспроможними й максимізувати
прибутки.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Чат-боти та віртуальні помічники надають клієнтам цілодобову підтримку й

рекомендації щодо продуктів. Наприклад, для створення власного бота можна
спробувати Chatsimple.ai.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

4.3. В HR та рекрутингу
Шукати таланти — довготривалий та комплексний процес. Проте, штучний інтелект
може кардинально змінити підхід до найму персоналу, автоматизуючи та покращуючи
різні етапи рекрутингового процесу.

Перевірка резюме. AI-інструменти на кшталт TalentBin від Monster можуть

автоматично аналізувати резюме та проранжувати кандидатів на основі їхньої
придатності для ролі, базуючись на попередньо зазначених критеріях.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Пошук кандидатів. Такі ресурсні платформи, як Entelo та Hiretual, можуть сканувати

інтернет, соціальні мережі та професійні мережі, щоб знайти потенційних кандидатів,
які відповідають бажаним критеріям.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

25
Передбачання ймовірності успіху кандидата на основі історичних даних попередніх
наймів.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Взаємодія з кандидатами. Чат-боти, інтегровані в сайти пошуку роботи, можуть

відповідати на запитання кандидатів та надавати відповідну інформацію про компанію і
відкриті вакансії.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Опис вакансії. Textio пропонує унікальні описи вакансій, аналізуючи описи посад і
визначаючи потенційно найефективніший тон спілкування.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Скринінгові співбесіди. Платформи на кшталт Mya проводять автоматизовані

співбесіди через чат або вголос. Аналізують відповіді кандидатів, невербальні сигнали,
зіставляють з вимогами до вакансії, а вже після цього — представляють список
найкращих рекрутерам.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

26
Прогноз звільнень. Інструменти на зразок Ultimate Software аналізують дані про
співробітників і виявляють фактори, які корелюють на відтік. Так відділ кадрів може
вчасно вжити заходів, аби утримати співробітників.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Важливо: АІ буде важко повністю замінити людей у сфері Human Resources, оскільки
високий рівень EQ (коефіцієнт емоційного інтелекту) і глибокий особистий контакт — це
ключ в роботі з персоналом.

4.4. У фінансовій сфері

Впровадження штучного інтелекту (AI) і машинного навчання (ML) допомагає бізнесам
ухвалювати рішення на основі даних із безпрецедентною точністю й ефективністю.

Оскільки сфера фінансів є доволі зарегульованою через високі рівні захисту даних, то
тут буде менше готових інструментів. Ми зосередимося саме на прикладах
застосування.

Машинне навчання використовується для оцінювання ризиків, виявлення шахрайства,

аналізу кредитного ризику та виявлення аномалій для зменшення фінансових втрат.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Системи розпізнавання облич застосовуються у фінансових установах для

убезпечення та багатофакторної автентифікації.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

27
Персоналізація та обслуговування клієнтів. ML допомагає покращити
обслуговування клієнтів за допомогою чат-ботів, віртуальних помічників і
персоналізованих фінансових рекомендацій.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Інвестиції та страхування. Використовується для прогнозування цін на цінні папери,

оптимізації портфеля активів та управління ризиками у фінансових установах і
страхових компаніях.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Синергія з людським досвідом. Майбутнє фінансових послуг полягає у

співробітництві між штучним інтелектом і людським досвідом для створення більш
інклюзивного й інноваційного фінансового середовища.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Важливо: при використанні машинного навчання у фінансах потрібно дотримуватися

стандартів безпеки даних і галузевих вимог для захисту конфіденційної фінансової
інформації.

4.5. У виробництві
Завдяки можливостям AI виробничі підприємства ефективно моніторять процеси,
виявляють аномалії, підвищують якість продукції та оптимізують роботу виробничих
ліній.

Ось кілька реальних прикладів:

● Алгоритми комп’ютерного зору на кшталт Landing Lens допоможуть виявити

дефекти у вироблених продуктах.

28
 ● Siemens використовує штучний інтелект для прогнозованого технічного
обслуговування, що дозволяє скоротити незаплановані простої та оптимізувати
графіки технічного обслуговування.
● General Electric використовують аналітику на основі АІ у своїх газових турбінах,
щоб підвищити ефективність роботи та виявити потенційні проблеми,
перш ніж вони призведуть до збоїв.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Кілька порад щодо впровадження штучного інтелекту у виробництві:

Чітко сформулюйте конкретні виклики, які ви хочете вирішити, і встановіть чіткі цілі
для впровадження AI/ML.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Переконайтеся, що дані, які використовуються для навчання та тестування моделей,

є чистими, релевантними й репрезентативними для сценаріїв реального світу.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Використовуйте ітеративний і гнучкий підхід. Почніть із невеликих пілотних

проєктів, щоб перевірити й удосконалити моделі AI/ML перед розширенням.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

29
Налаштуйте співпрацю між галузевими експертами та дослідниками даних.
Експерти розуміють тонкощі виробничого процесу, а спеціалісти володіють технічними
знаннями для розробки моделей АІ. Разом вони можуть створювати рішення, які
відповідають практичним потребам галузі.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

У виробничій промисловості, де безпека та відповідність є критично важливими,

важливо мати моделі AI/ML, які можуть надавати пояснення для своїх рішень.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

4.6. У готельно-ресторанній справі

Розгляньмо, як саме впливають AI та ML на готельно-ресторанну справу, а також які
переваги приносять для власників закладів та їхніх гостей.

Збір даних і стандартизація. Як ми говорили раніше, дані — один із найважливіших

пунктів для ефективної роботи зі штучним інтелектом. Збирайте інформацію з різних
джерел, таких як POS-системи, онлайн-бронювання та відгуки клієнтів. Ці дані можуть
містити інформацію про кількість замовлень, час обслуговування, популярність страв,
рейтинги задоволеності клієнтів тощо.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Прогнозування. Отримавши дані, стандартизуйте їх, щоб забезпечити їхню

придатність для навчання й аналізу. І вже з цими даними можна працювати для різних
цілей: від передбачення потоку клієнтів на наступний проміжок часу до більш складних
моделей передбачення того, скільки потрібно продуктів на страви на передбачений
потік клієнтів.

30
Це допоможе мінімізувати втрати та забезпечити безперебійну роботу в години пік.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Персоналізація. Використовуйте дані про попередні замовлення та поведінку

конкретного клієнта для створення персоналізованих рекомендацій і маркетингових
кампаній. Це може покращити клієнтський досвід та підвищити лояльність клієнтів.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Розумне управління кухнею та запасами. АІ можна використовувати також для

автоматизації відстеження запасів і оптимізації використання інгредієнтів. Це зменшує
витрати, зводить до мінімуму псування їжі та підвищує загальну ефективність.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Аналіз настроїв і відгуки клієнтів. Аналіз настроїв на основі відгуків клієнтів дає
уявлення про якість обслуговування та задоволеність клієнтів. Ці дані допомагають
зрозуміти потреби та вимоги клієнтів, виявити проблеми та працювати над їхнім
вирішенням, що в результаті веде до покращення якості послуг та задоволеності
клієнтів.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

31
4.7. В освіті
АІ може ефективно доповнювати традиційні методи навчання, сприяючи
індивідуалізації й адаптації змісту та методів навчання під потреби кожного учня. Це
дає змогу кожному розвивати свій потенціал і здібності та допомагає забезпечити більш
ефективну й усвідомлену освіту.

Персоналізоване навчання. Адаптивні навчальні платформи можуть пристосовувати

вміст, темп і оцінювання на основі індивідуальних сильних і слабких сторін.

Наприклад, платформа TUTOR AI може створити навчальний план для вивчення

будь-якої теми. Також існують вебплатформи і застосунки, що використовують AI/ML
для аналізу поведінки та відповідей учня й можуть адаптувати навчальний контент, щоб
відповідати його індивідуальним потребам.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Розумне створення контенту. Розумне створення контенту на базі АІ може допомогти

автоматизувати створення навчальних матеріалів, тестів та оцінювання. Це прискорює
розробку контенту та підвищує продуктивність інструктора. Із такими завданнями добре
впорається генеративний AI — ChatGPT та Bard.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Віртуальне репетиторство та віртуальні заняття. Інтегруйте віртуальних

репетиторів і віртуальні заняття на основі АІ, щоб доповнити традиційні методи
навчання. Ці інструменти можуть надати студентам додаткові ресурси та підтримку
поза межами звичайних уроків.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

32
Аналітика навчання та відстеження продуктивності. Система штучного інтелекту
може аналізувати навчальний прогрес кожного студента та їхні сильні та слабкі
сторони.

Маючи цю інформацію, можна адаптувати завдання та матеріали для кожного учня,

щоб максимально підтримати його особистий розвиток.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Відстеження академічної успішності. Викладачі та управлінці можуть

використовувати аналітику для відстеження оцінок студентів упродовж семестру або
навчального року.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Професійний розвиток учителів. Інструменти професійного розвитку на основі

штучного інтелекту допоможуть покращити навчальні навички та бути в курсі останніх
освітніх тенденцій і методологій.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

4.8. У сільському господарстві

Донедавна поєднання слів «штучний інтелект» та «сільське господарство» в одному
реченні могло здаватися дивним. Сьогодні ж — маємо велику кількість AI рішень, які
вже використовуються в цій галузі. Про деякі з них поговоримо детальніше.

Моніторинг здоров’я тварин. Розумні технологічні асистенти можуть виявляти

проблеми з обладнанням, здоров’ям та навіть настроєм тварин. Що потенційно
допоможе покращити рівень здоров’я тварин.

……………………………………………………………………………………………………………

33
……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Прогностична аналітика. Агрокомпанії збирають, обробляють дані та прогнозують на

основі цього посівну, тонни зібраної продукції, експорт, ринок, продаж, дохід.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Дослідження стану ґрунту. АІ може повідомляти, коли варто удобрювати землю, у

який період часу краще починати посівну, або навпаки її перенести.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Підвищення врожайності. Штучний інтелект може в реальному часі інформувати

фермерів про ділянки, які потребують зрошення, удобрення чи обробки.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Автоматизація сільськогосподарської техніки. Техніка з використанням АІ

допомагає пришвидшити різні етапи роботи та збільшити їхню ефективність.
Наприклад, безпілотні трактори, розумне зрошення, сільськогосподарські дрони,
розумне обприскування, програмне забезпечення для постійної підтримки стану землі
та кількості врожаю.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

34
✎ Ми не знаємо, в якій саме галузі ви плануєте застосувати штучний інтелект. Або
ж, можливо, для ваших цілей вам взагалі потрібен мікс інструментів. Тому завдання
цього разу одне на весь модуль.

Залишаємо простір нижче, аби ви записали, які конкретні інструменти чи кейси

використання релевантні саме для ваших цілей. Та як ви можете використати їх у
своєму бізнесі.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

35
Модуль 5

Приклади використання інструментів на основі AI

5.1. Приклади використання AI у повсякденному житті

AI та ML вже еволюціонували від теоретичних концепцій до практичних інструментів,
знаходячи застосування в різних сферах.

Щоб не бути голослівними, наведемо п’ять реальних прикладів використання, які не

лише довели свою ефективність, а й змінили спосіб нашого життя, роботи і взаємодії з
технологіями.

Обробка природної мови (NLP) у віртуальних помічниках. Віртуальні помічники,

такі як Siri, Google Assistant та Alexa, використовують алгоритми NLP, щоб розуміти
запити й відповідати на них. NLP дає змогу користувачам встановлювати нагадування,
перевіряти погоду, надсилати повідомлення і керувати пристроями для IoT в розумному
домі за допомогою голосових команд.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Системи рекомендацій в електронній комерції. Платформи e-commerce, такі як

Amazon і Netflix, використовують системи рекомендацій штучного інтелекту, щоб
персоналізувати підбір продуктів або контенту для користувачів, аналізуючи поведінку
юзерів, історію вебперегляду та моделі покупок.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

36
Медична діагностика та прогнозна аналітика. Розширені алгоритми здатні
аналізувати медичну візуалізацію, наприклад, рентген, комп’ютерну томографію й
магнітно-резонансну томографію, щоб виявляти аномалії та допомагати в діагностиці
захворювань, зокрема онкологічних.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Автономні транспортні засоби. За допомогою машинного навчання автопілот

аналізує навколишнє середовище, ухвалює рішення та керує автівкою. Компанії Tesla,
Waymo та Uber використовують алгоритми штучного інтелекту для обробки даних з
датчиків, камер і сканера лідар для виявлення об’єктів, пішоходів й інших транспортних
засобів на дорозі.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Боротьба з шахрайством у сфері фінансових послуг. Фінансові установи

використовують AI/ML для виявлення шахрайських операцій і запобігання фінансовим
втратам. Наприклад, алгоритми штучного інтелекту та машинного навчання у режимі
реального часу аналізують величезну кількість даних про транзакції, шукають нетипові
шаблони чи поведінку, які можуть вказувати на шахрайство і підозрілі процеси.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

✎ Штучний інтелект вже є частиною нашого повсякденного життя. Подумайте, в

яких продуктах та як саме він ще використовується.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

37
5.2. Як створювати запити для GenAI
GenAI, тобто Generative Artificial Intelligence, змінює різні галузі, починаючи з творчих
завдань, закінчуючи аналізом даних. Однак, щоб використовувати весь потенціал
GenAI, потрібно навчитися створювати ефективні підказки, які скеровують АІ на бажані
для вас результати.

Розгляньмо десять способів створення підказок, які допоможуть розкрити потенціал

GenAI.

1. Будьте чіткими та лаконічними. Уникайте двозначних висловлювань,

прописуйте чіткі інструкції.
2. Використовуйте конкретні ключові слова. Додайте ключові слова, щоб
скерувати АІ до потрібного контексту чи стилю.
3. Задайте тон і стиль. Якщо вам потрібен певний стиль написання, чітко вкажіть
це в підказці.
4. Надайте контекст і обмеження. Контекст або певні обмеження можуть
забезпечити більш відповідні й узгоджені результати.
5. Використовуйте умовні оператори. Введіть умовні оператори, щоб зробити
вихідні дані АІ більш інтерактивними та динамічними.
6. Виконуйте роль того, хто ставить питання. Коли ви шукаєте інформацію чи
творчі ідеї, пропишіть запит, ставлячи питання.
7. Зробіть акцент на співпраці. Створюйте підказки, які залучають АІ працювати
разом з вами.
8. Заохочуйте детальний опис. Створюйте запит на докладне пояснення
відповіді штучного інтелекту.
9. Експериментуйте з довжиною та складністю. Змінюйте довжину та
складність підказок, щоб отримати різні варіанти відповідей від АІ.
10. Уточнюйте й повторюйте. Не бійтеся вдосконалювати та повторювати свої
підказки.

✎ Тут залишаємо місце для ваших особистих лайфхаків, які ви відкриєте в процесі
роботи з GenAI.

11 ………………………………………………………………………………………………………

12 ………………………………………………………………………………………………………

13 ………………………………………………………………………………………………………

14 ………………………………………………………………………………………………………

15 ………………………………………………………………………………………………………

16 ………………………………………………………………………………………………………

17 ………………………………………………………………………………………………………

38
5.3. Робота з ChatGPT
За останнє десятиліття технології АІ стали рушійною силою для трансформацій чи не
всіх галузей. ChatGPT — одна з найперспективніших інновацій компанії OpenAI у сфері
штучного інтелекту.

Основні характеристики ChatGPT:

Розуміння мови. ChatGPT розуміє контекст і нюанси людської мови.

Велика база знань. Мовна модель навчена на величезній кількості інформації з різних
джерел — це книги, статті та вебсайти.

Адаптивність. Адаптуючи модель за допомогою даних, які стосуються конкретної

сфери діяльності, розробники можуть підвищити її ефективність.

Інтерфейси чату ChatGPT. У компаній є можливість застосовувати його на своїх

вебсайтах, у мобільних застосунках або платформах обміну повідомленнями, щоб
взаємодіяти з клієнтами.

Інтеграція API. OpenAI пропонує API, які розробники можуть використовувати для
включення ChatGPT у власні програми, продукти чи послуги.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

✎ Спробуйте попрацювати з ChatGPT чи Bard. Для чого саме ви його

використовуватимете чи які запитання ставитимете — неважливо. Важливо
використати усі лайфхаки з попереднього уроку. Чудово, якщо вдасться
застосувати одночасно кілька порад в одному запиті.

5.4. Робота з Midjourney

Midjourney — незалежна дослідницька лабораторія та назва її власної програми
штучного інтелекту. Завдяки унікальному поєднанню реалізму й абстрактних стилів,
Midjourney має потенціал для створення широкого спектра художніх творів.

Існує багато генераторів зображень з тексту, тому виділимо кілька переваг Midjourney,
щоб зрозуміти, чому саме ця модель така популярна.

39
 ● Висока якість зображень. Midjourney славнозвісний тим, що створює добре
структуровані, деталізовані та реалістичні зображення, які можуть конкурувати з
іншими інструментами AI, такими як DALL-E та Stable Diffusion.
● Висока роздільна здатність зображення. Платформа може створювати
зображення з розширенням до 1024×1024 пікселів, що не дуже багато, але ви
можете використовувати інші платформи AI, щоб збільшити масштаб
зображень.
● Простота у використанні. Платформа працює через Discord, що робить її
доступною навіть для тих, хто не має досвіду програмування.
● Налаштування. Користувачі мають доступ до різноманітних команд і
параметрів для точного налаштування зображень.
● Постійний розвиток. Команда Midjourney постійно працює над вдосконаленням
і розширенням можливостей штучного інтелекту, щоб функціонал інструменту
залишався актуальним.

За допомогою різноманітних команд і параметрів Midjourney дає користувачам змогу

налаштувати параметри зображення. Проте робота з цим інструментом відрізняється
від текстових АІ та має свої специфічні особливості.

Ось кілька підказок, як працювати з Midjourney більш ефективно.

Будьте лаконічними та чіткими в описі. На відміну від роботи з текстом, прописувати

підказки не обов’язково для створення зображень. Достатньо використати ключове
слово. Воно може описувати стиль, жанр, мистецький напрям, техніку художника чи
конкретної роботи.

Ви також можете додати ключові слова, пов’язані з якістю зображення, наприклад

«якісний» або «висока чіткість». Можна прописати об’єкти, які ви хочете зобразити, а
також освітлення й кольори.

Використовуйте спеціальні параметри. Їх вказують після запиту, починаючи з

подвійного дефіса «--». Ви можете використовувати кілька параметрів в одному запиті.

Наприклад, --ar або --aspect, щоб встановити співвідношення сторін. --No, щоб
пропустити певні об’єкти і --c, щоб отримати більш оригінальні результати. І --s або
--stylize, щоб створити більш художні зображення.

Взаємодійте з результатами. Midjourney надасть кілька варіантів зображень. Ви

можете створити нове, доопрацювати наявне зображення або збільшити масштаб
вибраного зображення за допомогою доступних функцій.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

40
Важливо: наразі Middjourney підтримує тільки англійську мову.

✎ Щоб затестити інструмент перед підпискою, раніше можна було скористатися

обмеженою кількістю безкоштовних генерацій зображень. Однак наразі ця функція
недоступна через зловживання користувачів.

Проте, якщо ви все ж вирішите купити підписку для тесту, спробуйте згенерувати
зображення, почавши з найпростішого промпта, та з кожним новим запитом
додавайте до нього нові уточнення, стиль, параметри. Це дасть змогу наочно
побачити різницю в результатах.

5.5. Робота з Bard від Google

Bard — це креативний помічник від Google. Модель натренована на останніх даних,
тому знає про найновіші події, оновлення програм, застосунків тощо. Наразі вона
доступна 40 мовами, включно з українською.

Перш ніж пояснити, що Bard вміє, зазначимо, чого він не може:

● надавати медичні, юридичні, фінансові поради або інші професійні консультації;

● виконувати завдання, що вимагають фізичної взаємодії зі світом, наприклад,
забронювати номер у готелі;
● гарантувати, що інформація у відповідях буде точною чи актуальною.

Bard допоможе:

● шукати нові ідеї, розробляти плани або виконувати різні завдання;

● отримати швидкий і простий для розуміння огляд складної теми;
● створювати чернетки конспектів, електронних листів, публікацій для блогу,
віршів тощо;
● перекласти або скоротити текст;
● виправити помилки в тексті.

Кілька простих порад про те, як ставити завдання Bard.

● Формулюйте конкретні запити на щонайменше два речення. Що більше

контексту ви надасте (як зробили щойно ми), то краще Бард зрозуміє, чого ви
хочете.
● У рядку запитів одразу вказуйте бажаний для вас формат відповіді.
● Використовуйте ключові слова та фрази, які Bard зрозуміє. Уникайте сленгу й
абревіатур, адже він може інтерпретувати їх по-різному.
● Наведіть приклади того, що вам потрібно.
● Експериментуйте з різними формами запитів у діалогах.

41
……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

✎ Оберіть кілька пунктів зі списку «Bard допоможе» та спробуйте втілити їх на

практиці. Роблячи запит, використовуйте поради, перелічені вище.

5.6. Як працювати з ML, якщо я вмію користуватися лише

Google Sheets?
Не хвилюйтеся, і для Google Таблиць є інструмент, який дозволяє використовувати
машинне навчання в таблицях без програмування та технічних знань. Simple ML for
Sheets — це доповнення Google Таблиць, яке забезпечує машинне навчання без
кодування чи обміну даними. Основні характеристики продукту:

Простота. Simple ML for Sheets простий у використанні, навіть якщо ви не маєте

досвіду програмування чи машинного навчання.

Автоматизація. Інструмент автоматизує багато складних процесів, пов’язаних із

машинним навчанням, наприклад, попередня обробка даних і побудова моделі.

Конфіденційність. Ваші дані залишаються в безпеці в Google Таблицях і не виходять

з-під вашого контролю.

Практичність. Simple ML for Sheets можна використовувати в різних сферах, як-от

охорона здоров’я, роздрібна торгівля та фінанси.

Постійне вдосконалення. Важливо пам’ятати, що попри те, що Simple ML for Sheets є

потужним інструментом, для людей все одно важливо перевіряти та контролювати
будь-які завдання, пов’язані з даними.

Корисні посилання з презентації

● Simple ML for Sheet website

● Google Sheet demos
● Google ML class
● Decision Forests class
● TensorFlow Decision Forests

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

42
……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

✎ У відео ви бачили кілька прикладів практичного використання Simple ML for Sheets.

Якщо ви маєте певні дані, які стосуються вашого бізнесу — подумайте, для яких
сценаріїв вони можуть бути використані та спробуйте застосувати інструмент
для одного з них.

43
Модуль 6

Як побудувати ML-команду з 0

6.1. Типи ML-команд

Цей модуль присвятимо побудові ML-команди. А конкретно зараз зосередимося на
типах ML-команд та їхньому фокусі.

Тип ML-команди вибирають з огляду на те, чого найбільше потребує бізнес: рішень
щодо розробки, математичних і статистичних рішень чи доменної експертизи, тобто
експертизи в певній сфері.

Перший тип — вертикальні AI компанії. Наприклад, українські Grammarly і Reface.

Вони використовують штучний інтелект для розв'язання однієї проблеми.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Другий тип — B2B компанії. Наприклад, YouScan, People AI. Також до цього типу
належать маркетплейси, як-от «Розетка», що здебільшого не мають однієї конкретної
функції (фічі), на основі якої побудовані всі процеси. Зазвичай у них багато різних
функцій, які разом і утворюють цінність, яку продає компанія.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Третій тип — компанії, пов'язані з розробкою та продуктами для ML. До нього

належать продукти, які допомагають із машинним навчанням, наприклад, тренують
моделі. Такою компанією є DataRobot, що займаються авто ML, тобто автоматичним
машинним навчанням. До цього типу належить і більшість аутсорсних компаній.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

44
✎ Проаналізуйте свій продукт: чи має він одну ключову функцію, як плануєте його
розвивати? Та дайте відповідь на запитання, чи потрібна вам взагалі ML-команда і,
якщо потрібна, то яка?

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

6.2. Наймаємо таланти в ML: основні компетенції та досвід

Розберімося, які компетенції повинен мати ML-спеціаліст та яких фахівців називають
універсальними.

Data science, тобто наука про дані, і те, що ми називаємо машинним навчанням,
знаходиться на перетині трьох галузей — програмування, математики та статистики й
доменної експертизи. Хороший data science фахівець має бути компетентним у цих
галузях.

На перетині програмування та математики й статистики умовно розміщуємо

ML-спеціалістів. Вони вміють програмувати, але мають недостатні математичні
знання.

На перетині математики та доменної експертизи перебувають спеціалісти, які

проводять традиційні дослідження. Наприклад, у дослідницьких лабораторіях та
інститутах. Але щоб працювати в ML-команді, їм бракує знань з програмування.

На перетині програмування та доменної експертизи розміщена небезпечна зона. Там

перебувають люди, які здатні запустити, наприклад, лінійну регресію, знайти її
коефіцієнти, але їм бракує розуміння того, що далі з цим робити, що означають ті
чи інші коефіцієнти, як далі валідувати результати тощо.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

45
В ідеалі, члени ML-команди мають більшою чи меншою мірою володіти всіма трьома
компетенціями — знанням програмування, математики та статистики й доменної
експертизи. Але відповідно до потреб бізнесу, ви можете наймати конкретних або
універсальних фахівців.

✎ Поверніться до своїх цілей та визначте, який фахівець чи фахівці вам для цього
потрібні. І чи потрібні взагалі.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

6.3. Софт скіли й культура ML-команди

Ви вже знаєте, яким бізнесам доцільно наймати команду фахівців із машинного
навчання. Тепер більше поговоримо про членів такої команди, зокрема про софт скіли
ML-спеціаліста та формування командної культури.

Софт скіли — це особистісні характеристики людини, завдяки яким вона може успішно
взаємодіяти в команді під час розв'язання робочих задач.

Комунікаційні навички. Важливо, щоб data science фахівці в команді вміли

презентувати свої результати й комунікувати про них.
Критичне мислення й допитливість. Бо процес розробки моделі машинного
навчання — ще й експериментальний, а не суто технічний.
Здатність креативно розв'язувати проблеми. Оскільки варіантів зазвичай
дуже багато, і щоб отримувати кращі результати, потрібно поєднувати кілька
найефективніших.
Уважність до деталей. Робота з даними потребує уважності та концентрації,
щоб не пропустити нічого важливого і зрештою уникнути помилок.
Вміння швидко вчитися й адаптуватися до змін у галузі. Адже вона дуже
стрімко розвивається, і ті технології чи методики, які використовували кілька
років тому, сьогодні можуть бути застарілими.
Бути командним гравцем. Data science фахівці мають комунікувати з іншими
розробниками, бізнесом, інколи напряму з C-level менеджерами.
…………………………………………………………………………………………………

46
 …………………………………………………………………………………………………
…………………………………………………………………………………………………

Рідко трапляється, що людина одночасно і креативна, і уважна до деталей. Тому в

ідеальній ML-команді важливо мати певне різноманіття, щоб одні люди були більш
креативні, інші, наприклад, — прискіпливі та сконцентровані. Так команда в цілому
працюватиме ефективно. Це стосується й хард скілів.

Перейдемо до культури команди. Чому взагалі важливо її формувати? Бо культура

спонукає кожного учасника працювати ефективніше.

Розглянемо основні складники цієї культури:

Відповідальність за кінцевий результат.

Співпраця, довіра, право на помилку та прозорість роботи.
Постійне вдосконалення.
Етичність до даних.
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………

✎ Ми не знаємо ваших цілей і потреб бізнесу, тому й не розуміємо, чи потрібна вам

ML-команда. Проте, якщо ви колись дійдете до її створення — використовуйте
списки вище як чек-листи. У пусті поля можете дописати власні вимоги до софт
скілів та складові культури, які хотіли би бачити у себе в команді.

6.4. Як управляти ML-проєктами та пріоритезувати задачі

Коли ви вже маєте команду фахівців і готові реалізовувати ML-проєкти, важливо
навчитися їх пріоритезувати та зважати на особливості життєвого циклу проєкту.

Життєвий цикл ML-проєкту –– складний, бо передбачає багато повернень на

попередній етап і взаємозв'язків між етапами. Він зазвичай розвивається нелінійно,
часто ітерується, і ці ітерації можуть бути на різних рівнях.

Основні етапи життєвого циклу:

Збір даних. Розуміємо, як дані нам потрібні, де їх взяти. Власне, збираємо,

структуруємо та віддаємо.

Валідація. Маємо визначити, які дані ми використовуємо для тренування нашої моделі
машинного навчання, а які — для перевірки її якості, тобто для валідації.

47
Тренування моделі. Отримуємо певну оцінку точності, пробуємо іншу модель і
отримуємо іншу оцінку. Тобто робимо експерименти, ітеруємо моделі. Бажано вже на
цьому етапі одразу аналізувати помилки.

Розгортання моделі в продакшні, коли ми деплоїмо цю модель на мобільний пристрій,

наприклад.

Аналіз результатів. Коли моделлю починають користуватися, ми моніторимо її

використання, збираємо фідбек і отримуємо нові дані від користувачів, які в
майбутньому можемо використати для її покращення.

Весь процес, який ми розглянули, циклічний. Тобто на кожному етапі можемо

покращувати модель чи дані, а якщо вважаємо, що все за планом, — рухатись далі.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

Далі поговоримо про те, як ML-команді обирати ідеї, з якими працювати. Існує класична
матриця пріоритезації ML-проєктів. Вона має дві осі — цінність для бізнесу і складність
проєкту.

Одразу потрібно брати в роботу проєкт, що має високу цінність і низьку складність.

Другий пріоритет — коли є невисока цінність і водночас невелика складність. Тут

треба ще ретельніше оцінити цінність, якщо вона достатня — робимо, бо маємо
потрібні дані.

Звісно, нас цікавлять проєкти з високою складністю та високою цінністю. Але

почати їх реалізовувати зазвичай не так просто і швидко. Такі проєкти здебільшого
потребують великих інвестицій та пов'язані з певними ризиками. Тому, до їхньої
реалізації важливо підготуватися. Наприклад, спочатку розбити їх на етапи, і подумати,
чому складність така висока. Відповідно краще спробувати реалізувати один етап.

Залишаються проєкти з високою складністю і низькою цінністю. З них не треба

починати, але й ігнорувати їх не варто. Ми могли применшити їхню цінність або
перебільшити складність. За такими проєктами варто стежити. Можливо, через місяць
ми побачимо сигнал про зміну складності чи цінності, й перенесемо їх до іншої зони.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

48
6.5. Типові помилки в ML-проєктах і командах
Тепер розглянемо типові помилки, з якими ви можете зіткнутися в ML-проєктах і
командах, щоб ви знали про них та могли їх уникнути.

● Продукт не має чітких цілей та завдань, які він має вирішити.

● Ми не маємо всіх потрібних даних.
● Відсутнє розуміння, чи справді продукт потрібен і має свого користувача.
● Ми не оновлюємо та не актуалізуємо дані.
● Завчасно не думаємо про масштабування.

✎ Помилок не уникнути, проте можна сприймати їх як уроки. Щоб ці уроки засвоїти

— записуйте власні помилки, які виникнуть у роботі з вашим проєктом. Щиро
сподіваємося, що ці поля залишаться пустими :)

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

6.6. Збір та обробка даних

Обробка даних — дуже важливий етап роботи, який насправді займає близько 80%
роботи data science команди та потребує найбільших ресурсів. Ретельно обробляти
дані важливо, бо є просте правило: якщо в даних є сміття, то сміття буде й у результаті.

Тому коротко пройдемося процесом розмітки даних.

Початковий етап. Коли ML-команда маленька, можна використовувати готові відкриті

інструменти для розмітки даних. Або скористатися краудсорсинговими платформами
на кшталт Amazon Mechanical Turk. Дані може розмічувати хтось із команди. Компанія
також має змогу найняти для цього фахівця.

Етап росту. Коли компанії потрібні будуть інструменти для роботи з даними, а готові
варіанті не підходитимуть, можна або розробляти власні інструменти, які
кастомізуються, або купувати комерційні рішення для обробки даних. Можливо також
віддати розмітку даних на аутсорс.

Останній етап. Коли компанія вже на етапі сталого розвитку. Тоді вона напевне має
власну централізовану платформу для розмітки даних, де всі процеси налагоджені так,

49
щоб потім отримані дані використати якомога простішим способом і вони, можливо,
вже були готові для навчання.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

50
Модуль 7

Що робити далі?

7.1. Підсумки та основні уроки курсу

У цьому модулі ми узагальнимо все, про що говорили на курсі, та побудуємо план дій
для впровадження штучного інтелекту у вашій компанії.

Для початку виокремимо ключові правила використання штучного інтелекту, які ви

маєте винести з курсу.

Не всім потрібен штучний інтелект. Не женіться за модою, а зважайте на потреби

вашого бізнесу. Якщо задачу можна розв'язати без використання штучного інтелекту
або у вас немає якісних даних, щоб готова модель працювала коректно, відмовтеся від
цієї ідеї або відкладіть її на певний час.

Універсальних секретів не існує. Так, є загальні правила й етапи впровадження

штучного інтелекту, але ключове — ваші задачі й умови. Тому те, що спрацювало в
когось, може не спрацювати у вас. Або й загалом бути для вас неактуальним.

Починайте з малого. Не поспішайте розробляти власні моделі. Якщо на ринку вже є

готові AI рішення, які можуть розв'язати вашу задачу, розпочніть з них.

Дані — ваше все. Без якісних даних навіть найпотужніші алгоритми не здатні
допомогти у розв'язку завдання.

Не поспішайте наймати велику команду.

Не бійтесь помилятися. Сприймайте помилки як частину реалізації проєкту.

✎ Допишіть власні висновки та правила, які ви винесли з курсу.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

51
7.2. План дій із впровадження AI/ML: цілі та пріоритети
Тепер проговоримо орієнтовний план дій, відповідно до якого ви зможете
впроваджувати AI/ML-технології у своїй організації.

Спочатку визначте мету вашої моделі машинного навчання і чітко зрозумійте, які
метрики будете відстежувати. Упевніться, що вашу задачу не можна розв'язати без
використання ML і що машинне навчання допоможе з нею впоратися.

Далі зосередьтеся на даних. Чи маєте потрібні дані, щоб модель працювала

ефективно? Опишіть та проаналізуйте наявні дані, визначте їхню якість.

Визначте тип своєї компанії за класифікацією, про яку говорили в шостому модулі.
Залежно від нього та з огляду на вашу мету, оберіть стратегію щодо ML-команди.

Розробіть план реалізації проєкту та рухайтесь по ньому. Як шаблон можете

використати життєвий цикл проєкту, який також обговорювали в шостому модулі,
конкретизуйте його та додайте потрібні розгалуження.

Завжди починайте з одного проєкту. Ось короткий шлях, як обрати той самий проєкт:

1. У вас мають бути дані для нього в цифровому вигляді.

2. Це має бути проста задача машинного навчання (регресія, класифікація до 5
класів або кластеризація).
3. Задача має бути важливою для бізнесу, а саме усвідомлена проблема або
можливість, яку боляче проґавити.

Продовжуйте вдосконалювати модель уже після деплойменту. Щодо покращення

моделі: стежте за метриками та за вхідними даними, бо вся інформація змінюється з
часом.

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

……………………………………………………………………………………………………………

52
7.3. Як встигати за розвитком штучного інтелекту?
Щоб і надалі ефективно використовувати ці знання, радимо вам наступні кроки:

Приєднуйтеся до спільнот однодумців або ж створіть свою.

Стежте за лідерами думок. Оберіть двох-трьох лідерів, котрі регулярно пишуть про
використання та впровадження штучного інтелекту в бізнеси, і стежте за ними. До
прикладу, в українському інформаційному просторі можна стежити за публікаціями
Дениса Суділковського. Також якісні статті можна знайти на сторінках Medium —
профіль Jim the AI Whisperer, приміром.

Слухайте та дивіться короткі формати. Багато видатних фахівців через відкриті

інтерв'ю діляться своїми думками щодо штучного інтелекту в різних сферах та його
вектору руху. Наприклад, у липні фонд «Коло» провів благодійний ефір про AI з
перспектив науки та бізнесу. Такого контенту дуже багато у вільному доступі.

Стежте за кількома конференціями, яким довіряєте.

Проходьте відкриті курси для глибшого розуміння AI та ML. Одним із лідерів серед
освітнього контенту по AI є DeepLearning.Ai. На їхньому сайті, Youtube каналі та github є
багато якісної інформації, розподіленої за різними рівнями складності.

А також стежте за комунікацією від Google та партнерів. Наприклад, на хабі Google

Знання зібрані матеріали щодо інших безкоштовних навчальних програм, доступних в
Україні.

Сподіваємось, цей курс був для вас корисним. І ми не лише надихнули вас
використовувати AI/ML-інструменти, а й навчили, як можна це зробити. Хай усі
ваші експерименти будуть вдалими, а моделі — робочими й ефективними.

53