Методология Axenix для GenAI-driven разработки дата-продуктов

Компания Axenix сообщила о создании первой в России методологии, которая позволяла бы организациям выстроить эффективное, безопасное и системное использование инструментов генеративного ИИ для проектов по интеграции данных и разработке дата-продуктов. Новый подход, поясняют в компании, призван перевести корпоративные ИИ-эксперименты из режима точечного применения в управляемый процесс с прозрачными расчетами, которые опираются на отслеживаемые данные и дают контролируемый результат.

Методология предназначена для компаний, которые уже используют или планируют использовать LLM-инструменты и ИИ-агентов в разработке решений по управлению данными. В ее основе лежит концепция Data Governance, переосмысленная с учетом современных возможностей генеративного ИИ. Дата-продукты представляют собой разновидность ПО, однако имеют целый ряд особенностей, требующих отдельной методики разработки. В традиционной разработке основной фокус сосредоточен на функциях продукта: интерфейсе, бизнес-логике, пользовательских сценариях, фронтенде и бэкенде. В случае с дата-продуктами он направлен преимущественно на сами данные – их происхождение, определения, взаимосвязи, контекст и правила интерпретации.

Ключевая задача методологии – сделать так, чтобы данным можно было верить. В корпоративной среде недостаточно получить цифру, которая выглядит правдоподобно. Важно понимать, из каких источников она получена, по каким правилам рассчитана, какие исходные данные использовались, кто отвечает за определения, можно ли воспроизвести расчет и т.п. Качество данных особенно важно для бизнес-аналитики, управленческой и регуляторной отчетности. Ошибка в одном показателе или неоднозначность в трактовке данных может привести к неверным руководящим решениям, в том числе стратегическим, а также к претензиям со стороны надзорных органов.

Предложенный Axenix подход включает следующие этапы:

• оценку текущей зрелости компании в работе с данными и ИИ-инструментами;
• адаптацию методологии к бизнес-реалиям и ИТ-ландшафту;
• определение функциональной архитектуры будущей системы;
• анализ уже существующих инструментов Data Governance, каталогов, глоссариев и средств контроля качества данных;
• выявление недостающих элементов;
• выбор инструментов для поддержки целевого процесса;
• запуск пилотного проекта по созданию дата-продукта по новой методике;
• формирование контекстного и семантического слоя для уже существующих источников.

Методология вводит понятие опорного слоя, которому придается особое значение. Опорный слой включает в себя онтологию и семантику, а также так называемый контур доверия. Без него невозможно обеспечить единое понимание бизнес-понятий, метрик и правил интерпретации данных на уровне всей компании. Именно опорный слой должен стать связующим элементом между бизнес-смыслом, источниками данных, методиками расчета показателей и ИИ-инструментами, которые участвуют в разработке, а в дальнейшем и потреблении данных.

Методология также предполагает бережное отношение к уже сделанным компанией инвестициям. Если у нее есть каталоги данных, бизнес-глоссарии, инструменты контроля качества или другие элементы Data Governance, их не нужно заменять автоматически. В них уже накоплены метаданные, определения и управленческий контекст. Задача состоит в том, чтобы встроить существующие активы в новую архитектуру, определить недостающие элементы и обеспечить совместимость старого и нового подходов.