Использование искусственного интеллекта в работе системного аналитика

В области IT роль системного аналитика претерпевает постоянные изменения под влиянием новых технологий. Искусственный интеллект (ИИ) все чаще проявляет себя как важнейший инструмент, который значительно ускоряет и улучшает работу этих специалистов. В данном материале мы рассмотрим, каким образом ИИ способен изменить подходы и стратегии системных аналитиков.

Системный аналитик обычно сосредоточен на сборе и обработке данных. ИИ открывает возможности для автоматизации разнообразных рутинных процессов, связанных с анализом массивов информации. Например, алгоритмы машинного обучения могут извлекать полезные данные из больших объемов информации, значительно экономя время, которое обычно тратится на ручной анализ.

С помощью ИИ становится возможным выявлять закономерности и аномалии в данных, которые часто незаметны для человеческого глаза. Алгоритмы анализа способствуют получению ценнейших инсайтов на основе исторических данных и текущих тенденций, что способствует принятию более обоснованных решений и предсказанию потребностей бизнеса.

Современные системы ИИ могут выдавать рекомендации и прогнозы для различных сценариев, что особенно актуально для системных аналитиков, занимающихся стратегическим планированием и определением оптимальных решений. Системы, использующие ИИ, способны моделировать различные сценарии, что дает аналитикам возможность более точно оценивать риски и потенциальные выгоды.

Инструменты на базе ИИ могут значительно упростить создание понятных визуализаций данных, что позволяет аналитикам представлять информацию в доступной и наглядной форме. Это упрощает общение с заинтересованными сторонами и делает результаты анализа более очевидными, что, в свою очередь, ведет к лучшему пониманию и принятию решений.

Системные аналитики регулярно проводятся тестирование и валидацию разработанных систем. ИИ способен ускорить процессы, автоматизируя тестирование и повышая точность обнаружения ошибок. Например, алгоритмы могут генерировать тестовые сценарии на основе реальных данных и поведения пользователей, что делает тестирование более эффективным и целенаправленным.

Хотя стоит признать, что все описанное выше работает только в теории. Давайте разберемся с тем, как это выглядит в реальности. Мы поделимся своим опытом решения нескольких задач в процессе работы.

Пока что нам трудно согласиться с тем, что LLM (языковые модели) могут эффективно генерировать документацию. В некоторых областях применяется конфиденциальная информация, что делает это решение неподходящим. Кроме того, качественный анализ и обработка данных требуют человеческого участия, так как текущие технологии все еще далеки от необходимого уровня. Тем не менее, LLM может предложить полезные методологии, подходы или инструменты для решения некоторых задач, связанных с требованиями.

LLM может оказать помощь в генерации различных диаграмм на основе текстовых описаний. Это могут быть диаграммы, созданные в нотации BPMN или UML. Здесь открываются возможности для визуализации с помощью инструмента PlantUML, который позволяет создавать диаграммы по текстовому описанию с соблюдением определенных правил. Это действительно удобно, хотя стоит признать, что получить качественную диаграмму пока не удается. Тем не менее, создать шаблон, максимально приближенный к требуемому, можно значительно быстрее и легче.

Среди преимуществ стоит отметить возможность написания сложных объединений таблиц, использование редко встречающихся функций, работу с нестандартными объектами и поиск ошибок. Даже квалифицированный специалист не способен запомнить всю теоретическую базу, поэтому описания, предлагаемые LLM, могут стать весьма актуальными. Хотя нужно иметь достаточно знаний, чтобы убедиться в том, что предложенный ИИ вариант не содержит ошибок.

Теперь перейдем к недостаткам LLM, с которыми сталкивается системный аналитик при их использовании.

LLM часто выдает ошибочные скрипты для выборок или неверные результаты при запросе примеров данных, полученных по готовому скрипту. Здесь требуется повышенное внимание.

Если вы работаете в сфере, в которой у вас недостаточно компетенций, вам будет тяжело выявлять ошибки, возникающие при использовании LLM. Если результаты работы модели применяются для решения практических задач, это может привести к путанице, и ресурсы на устранение проблем только увеличатся. Всегда следует перепроверять информацию, особенно касающуюся скриптов и выборок. Неправильно написанный код может негативно сказаться на функциональности вашей системы и вызвать множество проблем.

Даже если процессы в вашей системе описаны подробно, вы не сможете объяснить модели абсолютно все нюансы. Она не воспринимает информацию глазами аналитика и не взаимодействует с заказчиками, что ограничивает её способность адекватно оценивать бизнес-требования. Поэтому написание требований, проработка бизнес-процессов и многие другие задачи остаются вне досягаемости модели на уровне системного аналитика. Разумеется, существует возможность создания или усовершенствования существующей модели для решения этой проблемы, однако для системного аналитика это вряд ли станет приоритетной задачей.