Делали ли вы работу в стол? Вопрос риторический…
Но больше, чем остальным это грустное чувство «проекта в стол» знакомо тем, кто занимается разработкой и внедрением ИИ решений: по статистике за 2024 год из них доходят до продакшена только от 15 до 30%
И большинство неудач здесь не из-за плохих моделей или технической сложности, а из-за несогласованных бизнес-потребностей.
Наши партнеры из Яндекса на CTO Conf-2025 презентовали новый фреймворк — CRISP-DM Light — он призван исправить эту ситуацию.
Для кого этот фреймворк?
На текущий день ничто не демократизировалось настолько сильно, как доступ бизнеса к технологиям искусственного интеллекта:
ИИ-ассистенты превращают одинокого разработчика в целый оркестр
Low-code, no-code решения открывают новые перспективы для не-инженерных ролей — бизнес-аналитиков, тестировщиков
Стоимость инференса GPT 3.5 за два года упала в 380 раз
…
Но эта демократичность избирательна и основными ее бенефициарами на текущий момент остаются энтерпрайз-компании. Среди компаний СМБ сектора адопшен технологий низкий — по собранной нами недавно статистике лишь у 13% организаций среднего и малого бизнеса в 2025 году автоматизирована хотя бы одна бизнес-функция за счет внедрения ИИ. Таким образом, и технологический, и экономический разрыв между секторами продолжает расти.
Ценность CRISP-DM Light фреймворк при этом представляет для обоих типов компаний — и для крупняка, и для середняков.
Энтерпрайзу он позволят добиться:
Сокращения времени на проверку гипотез и построения PoC
Сокращение затрат за счет минимизации ручного кодирования и сбора данных
Валидации ценности для бизнеса на самых начальных этапах проекта.
Помогает решить он и проблемы СМБ: почему они не внедряют ИИ? Потому что им все еще дорого:
Дорого содержать команду дата-инженеров
Дорого налаживать инфраструктуру хранения данных
Дорого ошибаться — зачастую у них только один выстрел.
Данный фреймворк для них — возможность отвалидировать несколько идей без риска остаться без штанов, приоритезировав для имплементации уже наиболее перспективную.
Суть фреймворка CRISP-DM Light
Он построен на базе хорошо известного CRISP-DM (Cross-Industry Standard Process for Data Mining), где этапы сбора данных и обучения модели были заменены альтернативными активностями. CRISP‑DM Light ни в коем случае не призван заменить традиционный фреймворк — его применение ограничивается построением прототипов и концептов, а не production‑ready решений, ключевая задача — ускорить и удешевить проверку гипотез.
Итак, давайте разберем CRISP-DM Light пошагово:
Шаг 1: Определение бизнес-целей, требований и ограничений
1.1 Проведите CustDev
Поговорите с ЛПР-ами? Поговорите с представителями конечных пользователей — четко определите какую проблему и как вы пытаетесь решить?
1.2 Подготовьте PRD (Product Requirements Doc)
Сформулируйте гипотезу, определите подход к ее проверке, определите метрики и критерии успешности.
Шаг 2: Моделирование через промтинг на LLM
2.1 Выберите подходящую модель
Используя бенчмарки, наилучшим образом отвечающие задаче, что вы пытаетесь решить, выберите лучшую модель из вам доступных
2.2 Используйте промтинг для разработки концепта решения
Задизайньте промт для проверки гипотезы и итеративно двигайтесь с использованием advanced техник, например: Chain-of-Thought (CoT), Self-Correction и т.д.
Шаг 3: Валидация
3.1 Используйте синтетические edge-кейсы для тестирования
Эмулируйте worst-case сценарии; определите, когда система фейлится; сгенерите с помощью LLM сложные синтетические, но реалистичные кейсы
3.2 Проверьте решение на соответствие метрикам
Выберите подходящие метрики, основываясь на изысканиях, что были проделаны на Шаге 1 при подготовке PRD; используйте недорогие методы валидации
Шаг 4: Проведите Демо для стейкхолдеров
Подготовьте минимально-необходимое демо для валидации результатов работы концепта решения (PoC) со стейколдерами:
Минимизируйте инвестирование: используйте low-code\no-code решения
Проработайте happy path сценарии и тестовые примеры для демонстрации ключевой ценности решения
Заключение
Используя CRISP-DM Light фреймворк вы сможете:
Делать более быстрые итерации: базовая проверка гипотез в течение нескольких дней, а не месяцев.
Делать дешевле: в рамках процесса тестирования гипотезы нет необходимости в предварительной проработке больших объемов данных и выстраивании хранилищ и ETL-пайплайнов.
Делать для бизнеса: фокусироваться на реальных проблемах людей, а не только на точности модели 😉
Пробуйте, делитесь вашими результатами, рассказывайте о проблемах, с которыми сталкиваетесь, — так победим! 😊
