Как построить провальную AI-стратегию
How To Build an AI Strategy That Fails
Большинство провалов AI-стратегии начинается с разрыва между руководителями и теми, кто работает с данными и пользователями.
- Данные перед инструментами — руководителю стоит смотреть на сырые данные самому, а не выбирать инструмент по ощущениям; авторы высмеивают привычку доверять cosine similarity, BLEU и ROUGE без проверки пользовательского опыта.
- Диагноз перед покупкой — если RAG не находит нужные документы, сначала разберите причину, а не покупайте более дорогую vector database; evals нельзя отдавать вендору целиком.
- Ясные названия задач — слова «мы строим агентов» скрывают конкретную работу и мешают экспертам предметной области участвовать в написании промптов.
- Реалистичные затраты — закупка самых дорогих GPU без расчёта окупаемости и сроки без плана в докладе названы типичными ошибками.
Кому полезно: тем, кто отвечает за AI-стратегию в компании или запускает первые LLM-проекты и хочет заранее увидеть типичные ошибки.
Статья по теме
Главы
Ещё доклады: Hamel Husain
Страница спикера →Чему мы научились за год разработки с LLM
Charles Frye, Eugene Yan, Jason Liu, Hamel Husain, Dr Bryan Bischof, Shreya Shankar
AI Engineer World's Fair 2024
Как создавать системы оценки LLM для конкретной предметной области
AI Engineer World's Fair 2024
Похожие доклады
Развивайте продукты, а не ИИ-проекты в стороне
AI Engineer World's Fair 2025
Близко по содержанию
Игра бенчмарков: почему она подтасована и как действительно победить
AI Engineer World's Fair 2025
Близко по содержанию
Руководство разработкой с помощью AI
AI Engineer Code 2025
Близко по содержанию
Почему большинство корпоративных проектов с agentic AI обречены
Jack Wang, Jess Grogan-Avignon
AI Engineer Europe 2026
Близко по содержанию


