AI-Консалтинг: Стратегія, Оцінка Застосовуваності, Дорожна Карта
Компанія потратила полроку та $200k на "впровадження AI", а на виході — Jupyter-ноутбук у папці та дашборд, який ніхто не відкриває. Типова картина, коли AI-проект стартує з вибору моделі замість аналізу бізнес-процесу.
Що Найчастіше Йде Не Так
Неправильно поставлена задача. "Хочемо передбачувати отток" — це не задача для ML. Задача: "отток серед B2B-клієнтів з контрактом >$10k/рік, ознаки — снизження логінів >40% за 30 днів, скорочення використання ≥2 ключових фіч, затримка оплати". Без такої декомпозиції модель учиться на prox'іях, які зникають при наступному A/B-тесті продукту.
Переоцінка даних. Клієнт: "у нас 5 років даних". На деле: схема менялась тричі, перші два роки — у іншій системі, 30% записів без ключового атрибута. Після аудиту пригодного датасету — 14 місяців, 60k записів з пропусками в цільовій змінній. Це змінює весь план: замість deep learning — gradient boosting з ретельним feature engineering.
Відсутність baseline. Перш ніж будувати модель, потрібно знати: а каков текущий результат без ML? Якщо аналітик вручну дає precision 0.68 на задачі класифікації, а ваша "розумна" модель — 0.71, стоїть ли це полугода розробки?
Як Виглядає AI-Аудит
Оцінка застосовуваності займає 2–4 тижні та включає кілька компонентів.
Data audit. Дивимося на сирі дані: повнота, якість міток, distribution shift між періодами, утечки у навчальній вибірці (часто — особливо при join'і таблиць з майбутніми значеннями target). Інструменти: pandas-profiling / ydata-profiling, great_expectations, SQL-аналітика прямо в PostgreSQL.
Process mapping. Де у бізнес-процесі ML даст цінність: прискорення, снізження помилок, автоматизація рішень? Рисуємо AS-IS та TO-BE з конкретними точками інтеграції моделі.
Feasibility scoring. Кожен use case оцінюємо по матриці: обсяг даних × якість розмітки × бізнес-цінність × технічна складність. Результат — приоритизований бекелог з чесною оцінкою рисків.
ROI: Рахуємо Реалістично
Три компоненти ROI для ML-проекту:
-
Пряма економія — заміна ручної праці. Якщо класифікатор замінює 3 операторів по $40k/рік, це $120k/рік до витрат на інфраструктуру та підтримку.
-
Якість рішень — зростання precision/recall у бізнес-метриках. Наприклад, зростання precision fraud-детекції з 0.71 до 0.89 при recall 0.85 = снізження ложних блокувань = менше оттоку клієнтів.
-
Швидкість — якщо скоринг заявки снижається з 48 годин до 2 хвилин, це конверсія, а не тільки операційна ефективність.
Чесний ROI-розрахунок включає: вартість розробки, вартість інфраструктури (GPU/CPU, зберігання), вартість підтримки та переучення моделі (часто складає 30–40% від бюджету розробки в рік).
Технологічний Вибір Без Релігії
Принципіальне питання консалтингу: коли LLM, а коли класичний ML?
LLM потрібен, коли задача потребує розуміння неструктурованого тексту, генерації, діалогу. Для структурованих табличних даних — XGBoost, LightGBM, CatBoost зазвичай перемагають нейросіті по якості, інтерпретуємості та вартості інференса. На $10/міс CPU-інстансі.
Аналогічно RAG vs fine-tuning: якщо знання статичні та добре структуровані — RAG через LlamaIndex або LangChain з pgvector дешевше та легше підтримувати. Якщо потрібна специфічна манера відповіді або новий "мова" — fine-tuning через PEFT/LoRA.
Дорожна Карта: Від Пілота до Продукту
Типовий AI-roadmap будується у три горизонти:
0–3 місяці (Quick wins). Вибираємо 1–2 use case з хорошими даними та чітким ROI. Будуємо MVP з baseline-моделлю, розгортаємо у shadow mode — модель приймає рішення паралельно з людьми, результати порівнюються. Це снижує ризик та будує довіру до AI всередину команди.
3–12 місяців (Core platform). Будуємо MLOps-фундамент: feature store, CI/CD для моделей, моніторинг дрейфу через evidently, реєстр моделей в MLflow. Масштабуємо 2–3 успішних use case.
12+ місяців (Scale). Перехід до більш складних архітектур, автоматизація переучення, розширення на нові домени.
Сроки консалтингового проекту: AI-аудит — 2–4 тижні, розробка стратегії та roadmap — 3–6 тижнів, супровід пілота — 2–4 місяці. Конкретні сроки залежать від складності процесів та доступності даних та ключових stakeholder'ів з вашої сторони.