"""Бизнес сам знает, как внедрять результаты научных исследований"" — я тоже так думал в студенчестве. 🧠 На первой работе я оказался среди ""ученых"": в топ-менеджменте сидели выпускники физтеха и мехмата, способные найти недостающие граничные условия в Каруше-Куне-Такере на моих слайдах. Казалось, что если все насколько близко к науке, то можно расслабиться и довериться бизнесу и решать поставленную задачу, тем более задачу в термины мл переводил мой научный руководитель. 🤔Так и произошло я полностью ушел в задачу, реализовал недостающие регулярязаторы в бигартм, построил с нуля функцию разметки вместе с ее инструментом, получил довольно неплохие результаты, защитил магистерский диплом, на это ушел практически год работы. Пришел за повышением к бизнесовому руководителю. А он мне: ""Женя, как компания заработает за счет графа диалогов?"" Схему монетизации проведенного исследования мне удалось найти, но после данной истории решил, что не буду реализовывать модели пока не пойму, как они принесут деньги компании. Почему бизнес не знает? 🚀 Внедрения ИИ в бизнес случается на стыке глубокого понимания бизнес-процесса и глубоких или не очень нейросетей или другого класса моделей. Дело в том, что кредит мне по телефону предлагают 4 раза в день, а владелец бизнес-процесса, дай бог, внедряет 4 модели в свои бизнес-процессы в квартал. В результате, бизнесу просто не хватает насмотренности, что важно в процессе монетизации данных и вряд ли появится, пока ИИ не войдет в нашу повседневную жизнь вместо (не в месте!) телефонного спама. 🧑‍🏫 Как с этим бороться? 1. Повышать уровень образованности менеджмента, в компании, например, за счет курса ""Принятие решений на основе данных"". 2. Интегрировать AI-продактов в бизнес, которые будут партнерами по монетизации данных и помогут лучше понять дата сайентистов. ❌ Разрушили этот миф на конференции Data Fusion. Ставьте 🔥, если хотите узнать подробнее про роль AI-продактов и как в нее перекатиться. #митап #личный_опыт"