У вересні в Харкові завершився короткостроковий курс «No-code AI інструменти для аналізу даних», організований Eastern Ukraine EDIH у співпраці з Департаментом цифрової трансформації Харківської міської ради. 25 представників державних установ та освітніх закладів, які працюють із цифровими документами, звітністю та аналітикою, долучилися до навчання.
Лектором курсу став Олексій Турута — експерт Eastern Ukraine EDIH.
Протягом чотирьох модулів учасники навчилися застосовувати штучний інтелект у щоденній роботі без програмування й отримали сертифікати. На прикладі публічного сектору ми зібрали ключові ідеї про no-code AI, які можуть бути корисними кожному, хто працює з даними.
Як навчаються алгоритми: простими словами
Одним із базових понять, без якого важко зрозуміти сучасний штучний інтелект, є підхід до навчання моделей. Розрізняють два основні типи: supervised learning (навчання з учителем) і unsupervised learning (навчання без учителя).
Supervised learning передбачає наявність чітко розміченого набору даних. Наприклад, у таблиці кожному вхідному значенню відповідає «правильна» відповідь: лист класифікується як «скарга» або «запит», фото — як «кіт» або «собака». Модель вчиться співвідносити приклади та повторювати закономірності. Це ефективно для завдань, де вже є історичні дані: прогнозування споживання ресурсів у громаді, класифікація звернень громадян, розпізнавання тексту у сканах.
Unsupervised learning, навпаки, працює там, де «правильних відповідей» немає. Алгоритм сам шукає структуру в даних: групує об’єкти за подібністю, виявляє нетипові випадки, формує кластери. Це критично для роботи із «сирими» даними — наприклад, коли потрібно виявити нові тренди в запитах населення чи знайти приховані закономірності у фінансових потоках.
Контрольованість генеративних моделей
Генеративний ШІ — це система, яку можна певним чином контролювати. У сучасній термінології це називається controllability. Існує кілька способів налаштування моделей без програмування.
- Prompting — формулювання правильних підказок. Той самий запит можна задати по-різному, і результат буде якісно відрізнятись. Це нагадує мистецтво ставити питання.
- Few-shot learning — показати моделі кілька прикладів бажаного результату. Наприклад, надати кілька зразків резюме чи звіту, і модель створить новий документ у тому ж форматі.
- Fine-tuning — більш глибоке перенавчання на спеціалізованих даних. Для муніципалітетів це може означати адаптацію моделі під аналіз саме управлінських документів або статистики по місту.
Дані — серце штучного інтелекту
Жоден штучний інтелект не працює у вакуумі: йому потрібні дані. Сучасні системи оперують не лише текстом, а й різними типами інформації, що разом утворюють мультимодальні дані:
- тексти та таблиці: офіційні документи, статистика, Excel-файли;
- PDF і скани: розпізнавання тексту в оцифрованих паперових архівах;
- аудіозаписи: дзвінки до кол-центрів чи результати інтерв’ю;
- візуальні дані: карти, фото, схеми;
- опитувальники та анкети: відповіді громадян, які можна перетворювати в діаграми.
На курсі учасники побачили, що правильно структуровані дані — це 70% успіху роботи з ШІ, а саме моделювання лише довершує результат.
Практичні кейси застосування no-code AI
Автоматизований збір даних. За допомогою Zapier чи Make можна налаштувати, щоб документи з пошти або вебсайтів одразу потрапляли у Google Sheets. Це скорочує години ручної роботи.
Перетворення аудіо в текст. Системи на кшталт OpenAI Whisper дозволяють розшифровувати опитування чи дзвінки, а далі — аналізувати ключові теми розмов.
Геокодування адрес. Дані з адресами можна легко перетворити в карту, на якій видно розподіл об’єктів чи запитів по місту. Це спрощує планування інфраструктури.
Аналіз опитувань. Відповіді громадян можна автоматично зводити в кругові діаграми з поясненнями.
Генерація звітів і презентацій. На основі структурованих даних AI створює готові звіти чи навіть дописи для соцмереж.
Де потрібна обережність?
Кібергігієна. Передаючи дані в AI-сервіси, потрібно дбати про їхню безпеку. Особливо це стосується документів із персональною інформацією.
Юридичні обмеження. Державні установи не можуть ділитися певними даними зі сторонніми системами. Це вимагає врахування GDPR та українського законодавства.
Hallucination awareness. Генеративні моделі можуть вигадувати відповіді. Тож нова компетентність сучасного управлінця — перевіряти й критично оцінювати результати.
За відгуками учасників, саме ці аспекти допомогли побачити реальну картину: ШІ — потужний інструмент, але його треба застосовувати відповідально.
«Цей курс дав інструменти для автоматизації рутинних завдань і показав, що ШІ — це практична річ, а не абстракція», — діляться учасники.
💡 Хочете пізнати можливості AI та інших інструментів для ефективної роботи вашої організації або бізнесу? Заповніть форму та запишіться на безоплатну консультацію Eastern Ukraine EDIH
Останні коментарі