Transcription
Привет, я Саша. Работаю ведущим бизнес-аналитиком в компании Wildberries и развиваю собственную онлайн-школу, в которой мы помогаем как и новичкам осваивать профессию бизнес-системного аналитика, так и опытным аналитикам прокачивать свои скиллы, знания и повышать свою зарплату в два, а то и в три раза.
Для тех, кто только начинает развиваться в направлении бизнес-системного анализа, для вас я подготовил большую статью, в которой поэтапно рассказал, какие основные важные моменты вам нужно будет учесть при освоении профессии, подготовке к собеседованиям и в дальнейшем уже прохождении, да, этих собеседований. Статью вы можете забрать по ссылке в описании под этим роликом.
В нашей школе есть лекция от спикеров, в рамках которых наши ученики, наши менторы приходят и рассказывают про различные инструменты аналитиков, продакт-менеджеров, проект-менеджеров и других смежных профессий. Мы решили делиться некоторыми такими лекциями с вами, чтобы вы могли понять для себя, да, насколько вам вообще интересна история с бизнес-системным анализом, насколько вам интересно развиваться в этой профессии, либо же точечно прокачать какие-то инструменты, какие-то темы, если вы там уже являетесь действующим аналитиком.
В этом ролике Коля, наш ментор по системному анализу, который сейчас работает в банке "Точка", расскажет вам про использование искусственного интеллекта в работе системного аналитика, а и поделится универсальными промтами, да, которые подходят под конкретные задачи. Приятного просмотра. Поехали.
Здравствуйте, коллеги. Меня зовут Николай. Я middle+ системный аналитик из компании "Калибри". Я очень рад приветствовать вас на лекции "Использование нейросетей в работе системного и бизнес-аналитика". Но сегодня мы больше пройдемся по задачам скорее системного. Сегодня мы разберем, как нейросети могут ускорить нашу с вами работу, повысить ее качество и как с ними правильно взаимодействовать.
Структура у лекции будет следующая. Вначале у нас введение. Потом я дам несколько определений касаемо нейросетей. Выясним, чем искусственный интеллект может быть полезен аналитику. Разберем с вами алгоритм написания качественного промта. Бесплатные и доступные инструменты. Сразу говорю, там будут не все, потому что инструментов сейчас бесчисленное количество, но я вот поделюсь именно теми, которые я чаще всего использую. Дальше мы разберем, у нас будет практический блок. Сегодня будет много практики. Я буду показывать, как какие запросы можно отправлять в искусственный интеллект, чтобы он выдал вам то, что вам нужно, и не выдал то, что вам не нужно, так скажем. Также разберем и посмотрим пример универсального промта для искусственного интеллекта, который поможет в целом решить почти любую задачу, ну, в основном связанную, конечно, с IT, но также я думаю, что он вообще везде подойдет, там такой хороший промт. Ну и в конце у нас с вами будут ответы на вопросы. Предлагаю начать.
Давайте начнем с определения, что такое промт. Оно уже было упомянуто в структуре лекции. Промт – это четко сформулированный запрос к ИИ, который включает роль, задачу, контекст, аудиторию и ожидаемый результат. Это тот текст, который вы пишете искусственному интеллекту, чтобы он в соответствии с инструкциями выдал вам ответ. Это самый главный инструмент для взаимодействия с искусственным интеллектом. И абсолютно все задачи, которые вы делаете с помощью искусственного интеллекта, они зависят напрямую от качества промта.
Ну, такие небольшие тонкости, еще определения. У каждого искусственного интеллекта есть определенное количество токенов, которые он может вместить в запрос и вместить в ответ. Токен – это единица текста: слово, часть слова или символ. Например, слово, ну, предложение "Я иду домой" – это четыре токена, но при этом у каждого, у каждой нейросети токены читаются по-разному. Вот запрос – это то, что вы спрашиваете, ну, ответ, соответственно, то, что получаете. Очень важно указать еще будет ролевую модель, но об этом мы поговорим позже.
А что вообще собой представляют нейросети? Они представляют собой модель машинного обучения, способную анализировать и обрабатывать большие, прямо огромные объемы данных. Они становятся неотъемлемой частью работы системного аналитика, ну и бизнес-аналитика. Ну и в целом со временем и в будущем, я думаю, они станут неотъемлемой частью всей нашей жизни. Они помогают очень качественно автоматизировать рутинные процессы, получать качество выполняемых задач, ну и в целом оптимизировать скорость каких-то рутинных и не только действий. Сегодня нейросети уже могут анализировать тексты, изображения, прогнозировать и генерировать контент. И есть как голосовые ассистенты, так и те, кто работают с диаграммами, так и те, кто занимаются чисто самаризацией текста. То есть общий вывод на основе огромного объема данных. Для аналитиков это, в первую очередь, инструмент для автоматизации рутины, поиска закономерности и создания документации.
Сегодня мы сосредоточимся на модели искусственного интеллекта от Квен, о котором я расскажу чуть позже. А также чем и поможет, ну, полезен аналитику, то, что в целом я уже перечислил, это автоматизация рутинных задач, ускорение процесса создания документации, потому что лично мне, не знаю, как вам, со временем документацию становится немножечко лень писать, и можно прибегнуть к документации с помощью искусственного интеллекта, но там тоже есть свои тонкости, которые мы сегодня разберем. Повышение точности и качества работы. Искусственный интеллект может помочь вам заметить некоторые детали, которые вы сами, допустим, не сразу увидели, и возможность фокусироваться на стратегических задачах.
И нужно понимать, много кто говорит, что ИИ когда-нибудь заменит кого-то, но ИИ никогда не заменит аналитиков, потому что, ээ, он еще до этого пока что не дорос. И аналитики всегда разговаривают с людьми, и тоже пока так прямо сильно это делать не может. Ему нужна всегда помощь человека. Без помощи человека и проверки человека. И достаточно пока не сильно развит, но он к этому успешно идет, так сказать, и не заменит аналитиков, но аналитики, которые умеют пользоваться ИИ, заменят тех, кто им пользоваться не умеет. Вот.
Давайте перейдем далее. Как мы говорили, ранее, нам нужен хороший промт, чтобы ИИ нас правильно понял и сделал красиво. Тут небольшой алгоритм я описал, который помогает лично мне. И в целом, я думаю, многие похожим пользуются. Чтобы был хороший промт и задача была четко поставлена и получен четкий ответ. В целом он почти универсальный. Позже мы разберем примеры на практике.
А вот так что же входит в этот алгоритм? В тексте запроса искусственному интеллекту нужно выдать роль. То есть, например, "ты системный аналитик". Указать, с кем взаимодействует модель, аудиторию и уровень ее подготовки. Допустим, "ты системный аналитик в таком-то банке, у тебя такая-то аудитория пользователей". Указать, что необходимо сделать, то есть описать саму задачу. Определить выходной формат: что вы бы хотели видеть – диаграмму, таблицу, код, YAML File, JSON, SQL запрос и очень много всего можно туда вписать. Возможные ошибки. Ну, это мы больше разберем на примерах. Контекст и обсуждаемые темы. То есть немножко добавить описание к задаче, для чего это нужно, условно. Можно еще также применить такой хитрый прием, как "давить на жалость", потому что искусственный интеллект почему-то на это очень сильно ведется, но это работает. И явно указать ошибки, которые могли бы встретиться при разборе ответа.
Самое главное, что нужно понимать при разборе любого промта и работе с нейросетью для аналитика и в целом для любого человека, что результат, как бы, всегда нужно проверять самому и вносить корректировки. Итоговый ответ самостоятельно, иначе в процессе диалога ИИ может запутаться и начать выдавать неверные ответы. Так что для того, чтобы получить хороший и правильный ответ, нужно всегда проверять и никогда на 100% не доверять системному аналитику. Просто никогда. Ой, никогда не доверять нейросети. Оговорка по Фрейду. Вот всегда нужно проверить ответ, потому что искусственный интеллект еще не настолько гениален, чтобы без проверки пускать его ответ и принимать его за правду.
Так, давайте перейдем к практике. Первое и одно из основных, чем занимается любой аналитик – это работа с требованиями. Тут я выделил пример универсальный и пример, который для этого универсального промта подошел, как его правильно написать. Вот для работы с требованиями. Тут мы указываем ролевую модель: "ты опытный системный аналитик". Описываем задачу: "Твоя задача – проанализировать и улучшить требования для проекта". Дальше мы называем наш проект, называем тут же требования, ну, указываем, что ему сделать: "проверь их на полноту, однозначность, измеримость и реализуемость". То есть это основные критерии качественных требований. Выводы и результат в формате таблицы с колонками: "исходные", "анализ", "рекомендации". Ну, это чаще всего и удобнее всего именно так для искусственного интеллекта преподносить формат работы с требованиями. "Если требования некорректны, укажи, что именно не так". Вот. А и что я говорил про ошибки, вот про важность, про намёк на важность: "Это критично для успеха проекта, так как ошибки могут привести к провалу". То есть мы немного давим на жалость, поднимаем важность нашей задачи. И, конечно, необходимо ввести его в контекст: "Это работаем с описанием системы". Пример: "Ты опытный системный аналитик. Твоя задача – проанализировать и улучшить требования для проекта "онлайн-магазин электроники". Проверь их на полноту, однозначность, измеримость и реализуемость". Тут вот еще нужно было указать требования, но их, допустим, у нас много. Я не поместил бы это на один слайд. Вот если требование некорректно, укажи, что не так. Например, нечеткая формулировка и так далее. В целом, все, что взято из суп-промпта. А контекст: "работаем с интернет-магазином электроники с каталогом и корзиной". Вот как-то так это можно задавать. Также можно еще проводить валидацию требований. Это мы можем просто здесь написать не "проанализировать, улучшить требования", а "проверить требования" и дальше текст требования. Вот так.
Давайте перейдем дальше. Дальше уже будет более чуть-чуть интереснее и с практикой. Тут в целом с требованиями, думаю, все понятно. Увидел вопрос в чате. "Можно ли через публичный ИИ прогонять информацию о системе, если есть, например, конфиденциальные данные?" – спрашивает Михаил. А, ну, вообще нежелательно. Допустим, я из-за этого перестал пользоваться DeepSike. Это тоже популярный, получается, искусственный интеллект. Вот услышал, что там произошла утечка, и больше им не пользовался. Но никогда желательно не вот какие-то конфиденциальные, чувствительные данные не прогонять через искусственный интеллект, потому что это может повлечь за собой некоторые последствия. Всегда, если какие-то данные хотите прогнать, то лучше их обезличивайте, переименовывайте методы в коде под свои, переименовывайте контекст. В общем, так, чтобы соблюдался NDA. Ну, понятное дело.
Так, давайте дальше. А также с помощью ИИ можно генерировать очень удобные user story, use case, потому что, ну, в основном все из аналитиков умеют это делать. Но порой это делать не хочется самому, вручную. И для этого можно использовать искусственный интеллект, написать ему универсальный вот такой простой промт. Тут можно "системный" заменить на "бизнес-аналитик", допустим. "Составь сценарий в формате user story, use case. Текст сценария, ну, или какой-то ситуации. Учти детали, если они есть, и уточни детали, если их нужно". Вот эта важная часть с уточнением деталей, если нужно, заставляет нейросеть не просто выдать вам промт, а еще задать какие-то дополнительные вопросы, которые, ну, он мог бы улучшить в своем же ответе. Пример: "Ты системный аналитик. Составь сценарий. Пользователь оформляет возврат товара в интернет-магазине. Учти взаимодействие с системой и службой поддержки. Уточни детали, если нужно".
Давайте мы сейчас перейдем к практике и забьем этот промт для в саму нейросеть. Сейчас я изменю экран. Так. И заодно покажу вам, как пользоваться нейросетью. Находится она вот по такому URL. Ну, она в целом бесплатная и доступная без VPN. Очень сильная. У нее очень много токенов в запросе, в ответе. Я пользуюсь в основном ей. Конечно, вы можете пользоваться и другими, допустим, там ChatGPT или Grok от Твиттера. И это тоже будет работать. В целом это работает почти что любой. И нужно учитывать, что у них разные мощности.
Так, теперь нам нужно, получается, забить сюда наш промт. Как мы помним, слова можно заменять. Так, у меня видно презентацию, да? Подскажите, пожалуйста, демонстрацию видно? Да-да. Да, все видно. Угу. Спасибо. Вот тут вот такой в целом простой интерфейс. Тут мы можем выдать модель. Они разные. Есть вот мощные, есть сложные задачи. Можно сделать "мыслить и рассуждать". Контекст целый 1 миллион токенов есть. Это очень много текста. Можем включить "мышление". Это, то есть, нейросеть будет, прежде чем выдавать вам ответ, еще и какие-то свои, так скажем, нейросетевые мысли выдавать, что звучит очень интересно. Можем задать поиск. Он будет искать по браузеру какие-то артефакты, генерация изображений, но она работает не со всеми моделями. Тут можно сгенерировать диаграммы, о чем мы позже поговорим. И генерация видео. В общем, такая универсальная достаточно нейросеть.
Вот мы задаем ей ролевую модель, спрашиваем ее сценарий. Учитываем взаимодействие, учитывая детали. Кроме этого, можно еще задать объем и кучу своих разных параметров, которые вам нужны. Это вот такая, так скажем, вот эта база. А дальше вы можете эту базу расширять так, как вам нужно. То есть предела фантазии не может быть никакого. Вы пишете вот эту базу, а потом пишете что-то еще от себя, и вы получаете то, что вам нужно в итоге. Давайте мы зададим ему с мышлением и посмотрим, какой ответ он нам выдаст. Вот он показывает какие-то свои мысли и, собственно, нам генерирует целый user story или use case. Сейчас мы подождем его ответ. Тут, ну, для интереса можно почитать, конечно, эти все мысли. Вот. И вот у нас уже преобразовывается наш user story и use case. Даже он несколько делает, прямо много. Вот: выбор, заявка на возврат товара, отправка товара, проверка товара, возврат средств. Прямо очень много кейсов учитывает. Варианты ошибок. Тут тоже варианты ошибок очень много. Ну, опять же, да, вот он выдал достаточно большой ответ при промте длиной в три строчки. Понятное дело, если указать больше деталей, он выдаст ответ еще больше. Очень важно после такого отформатировать, как бы, провалидировать его ответ. То есть тут он может написать какой-то бред, который не сходится с тем, как у вас типа в компании, потому что вы можете отправить ссылки на... Увидел вопрос в чате. Да, конечно, после лекции все ссылки, таблицы, презентация и промты будут скинуты отдельным файлом. Вот все из этих user story, юзкейсов нужно провалидировать на то, чтобы они подходили под вашу задачу, потому что это достаточно вот сейчас размытый промт, понятное дело. Вот. И, ну, под свои задачи вы просто сделаете его более детальным.
Так, увидел вопрос. "Чем-то похож на Chat DeepSike, только там запрос есть без построения различных диаграмм". Ну, на самом деле, в DeepSike тоже можно делать диаграммы. Об этом мы поговорим тоже чуть позже. Про диаграммы у нас будет отдельный блок. В общем, вот так можно генерировать user story, use case. Давайте мы пойдем дальше.
Так, видно, да? Все поменял? Да, все видно. Спасибо. Дальше DB диаграмм и то, что было у вас в целом в домашке, это тоже можно использовать и прогнать через ИИ. Он будет делать и такое. Мы задаем ему: "Ты профессиональный DBA", то есть по сути разработчик баз данных, можно сказать, или DB-аналист, ну, то есть с английского "analyst" – анализ баз данных. "Сгенерируй код для диаграммы, который описывает схему базы данных для нашей системы". Ну, то есть тут вы меняете на свое значение, все, что в фигурных скобках, просто меняете на свое значение. "Включи таблицы, связи, основные поля". Выдай результат в форме текстового кода для вставки в такое наше приложение. "Проверь, чтобы не было ошибок вроде отсутствия ключей, неправильных связей". Это важно для... Ну, вот мы опять же подчеркиваем важность. У нас есть тут ролевая модель, задача, описание, контекст. Все в этом промте сходится с тем, что мы изначально с вами увидели в самом начале презентации. Ну и пример, который мы сейчас тоже протестим на практике: "Составь нашу диаграмму просто с помощью ИИ, взаимодействующей с junior системными аналитиками с начальным уровнем подготовки". То есть мы хотим, чтобы он нам максимально подробно расписал эту диаграмму, задаем ему этот контекст, чтобы он конкретно объяснял, что происходит в диаграмме. "Сгенерируй код, который описывает базу данных для интернет-магазина". Опять же, "включи таблицы, связи, основные поля". Выдай результат в формате. Опять же, задаем формат: "текстовый код для вставки в DB Diagram IO". В целом DB Diagram IO можно заменить на любой другой подобный сервис, и он вам выдаст, потому что он в этом плане достаточно умный. "Проверь, чтобы не было ошибок вроде отсутствия ключей и неправильных связей". То есть мы задаем ему, какие могут быть ошибки. Даже у людей такое бывает. И для нейросетей тоже нужно указывать, чтобы он проверял. Это важно для разработки системы, и ошибки могут сломать проект. Это мы указываем важность и давим на жалость, чтобы он, ну, сделал промт качественнее. Просто по исследованиям это реально делает промт качественнее.
Давайте мы опять же на практике это сделаем с помощью того же самого Квен. Так, я вот сюда перейду. Сейчас скопирую наш промт. Так, опять же, весь этот промт вы можете переделать под себя. "А что значит кнопка мышления?" – спрашивает Михаил. Отвлекся он немного на вопрос. Вот у нас есть кнопка "мышление". И, ээ, по сути, ChatGPT просто озвучивает мысли, которые он, как сказать, думает. Ну, думать это назвать сложно, то, что искусственный интеллект прямо сейчас думает, но он расписывает свой ход мыслей, типа: "вот сначала пользователь должен войти в систему, верно? Или может сделать возврат, надо уточнить. Допустим, пользователь уже зарегистрирован, и он..." То есть с помощью его мысли можно понять, на каком основании он выдал нам вот все вот это. Ну, я обычно делаю без мышления. Также Квен поддерживает контекст. Контекст – это когда ваше вот предыдущее сообщение, которое он отписал, вы можете со следующим и всеми остальными следующими сообщениями, а спрашивать его вот про это и просить его вот это исправить. Для того, чтобы у вас, допустим, вот одна задача, вы ее решаете в рамках одного чата, чтобы не спутывать нейросеть. То есть вы вначале делали требования, потом вам нужно БД. Это по сути две разные задачи, но связаны с одним и тем же. У нас тут тоже было про онлайн-магазин. Так что давайте у нас тут же будет и про базы данных. Сейчас у нас загрузится. Отправляем наш промт, который был в презентации, и он начинает нам прям выдавать схему, продукты и все поля, которые в целом нам понадобятся. Опять же, не забываем, что нужно это все валидировать. Он сейчас может еще ошибиться, он не идеален в синтаксисе. Так что если у него сейчас будут ошибки, то мы его уже и попросим их исправить, потому что правильно мы не зря задали ему промт. Вот он нам более чем расписывает на 100 с лишним строк и объясняет всю структуру базы данных, которые он создал. Да, вот это, конечно, процесс небыстрый, но в целом это сильно быстрее, чем если бы человек делал то же самое. Человеку остается лишь валидировать все, что ему выдала нейросеть, и адаптировать под себя. И ему не придется писать вот эти 100 строчек кода. Придется только их как-то отредачить под себя, что сильно быстрее и проще, чем писать это все самому с нуля. А вот у нас уже тут есть. Я зашел в DB Diagram IO и давайте просто вставим сюда наш код. Ага. Видим, что он нам выдал ошибки. Спрашиваем, ну, скриншотим эти ошибки и отправляем ему обратно. Я отправляю ему прямо в виде фотографии. Посмотрим, как он на это отреагирует. Вот. И он объясняет все эти ошибки. Сейчас объяснит нам их решение. Тут можно все это, конечно, внимательно прочитать. Вот. И он пишет обновленный код без ошибок. Если сейчас в обновленном коде сейчас снова будут ошибки, как видите, он, да, работает не идеально, то мы попросим его снова их исправить, и все равно это будет сильно быстрее, чем писать то же самое с нуля. Но опять же, в общем, я всегда буду говорить то, что это нужно валидировать, потому что до идеала нейросети, к сожалению или к счастью, пока не зашли.
Сейчас он нам поправил эти ошибки и посмотрим, что у нас будет. Он снова объясняет изменения, как он исправил, что произошло. И в целом он достаточно понятно разжевывает и даже пишет, как проверить. Если будут дальнейшие вопросы или проблемы, дайте знать. То есть он даже грамотно нам типа: "Давай, если я опять ошибся, я опять тебе их исправлю". И он опять ошибся. И вот так мы можем до бесконечности в целом их исправлять. На самом деле, было бы сильно быстрее исправлять ошибки, наверное, вручную, но поскольку я очень ленивый, я попробую еще раз ему закинуть, чтобы он это исправил. Ну, и, в общем, вот примерно так можно добиваться со временем идеала какого-то в своей вот этой схеме, но еще проще это будет делать с помощью PlantUML, чем с помощью DB Diagram IO. Ну, об этом опять же чуть позже. Часть PlantUML сегодня тоже будет. По-моему, она еще и в домашке была. Вот генерирует, снова генерирует. Если сейчас тоже ошибка не будет, то пойдем дальше. Ну, потому что так можно достаточно долго сидеть. А я сейчас не вспомню синтаксис DB Diagram IO, но в целом обычно он таких ошибок никогда не выдавал. Давайте убьем эти индексы, меня они смущают. Ну, и вот в целом можно просто сидеть и править, и это будет все еще быстрее. Вот мы по-быстрому в целом это и все исправили. Дальше, ну, визуализация, конечно, получилась такая. Мы ее как-то под себя подминаем, чтобы нам было удобнее это все смотреть. Вот у нас с вами получилась схема. Оставляем чуть чуть подальше, чтобы было более четко видно, что к чему относится. Ну, и в целом посмотрим, что у нас есть для онлайн-магазина. Используют ли продукты, заказы, корзина, заказы, категории, оценки, ну, вообще более чем, на самом деле. И опять же, если бы задать ему еще чуть больше контекста, он бы выдал, конечно, заранее все правильнее. Ну, и, как видите, фикс самостоятельно занимает не так долго. Я просто удалил то, что подсветилось красным, и смысл и правильность от этого не потерялась.
Давайте пойдем дальше. Посмотрим, как еще можно помучить наш искусственный интеллект. А SQL на самом деле желательно знать его и составлять запросы самому, но опять же все зависит от того, лень или не лень, и хотите вам это сделать срочно или несрочно, потому что можно написать селект, мм, со сложными выражениями самому, либо использовать для этого нейросеть. Опять же, в чем заключается промт? Тут отслеживается тот же самый универсальный промт, о котором мы и ранее говорили. Это ролевая модель, задача, описание задачи, схема, результат в виде чего. Проверь на ошибки. Это важно. Уточни детали. Адаптируй запрос по диалекту. Вот это важный момент про диалект, потому что у каждой БД, допустим, у PostgreSQL или у MySQL, у них разный диалект, ну, разный диалект SQL, то есть разный синтаксис, можно так сказать. Вот. И тут нужно знать, какая у вас точная база данных, чтобы он вам правильно все написал. Опять же, давайте мы это проверим. Но поскольку у меня сейчас под рукой нету базы данных, я просто прогоню получившийся SQL-скрипт в SQL-валидаторе.
Так, сейчас я возьму наш промт. Пока что посмотрим на вот эту диаграмму. Пока я копирую промт. Все промты с лекции опять же будут в отдельном файле после лекции. Я попрошу, чтобы выложили. Заходим в наш чат. Давайте создадим новый чат, посмотрим. А, ну, вот, кстати, да, тут достаточно много моделей, подходящих под разные задачи. Вот поддерживает модель голосовой и видеочат. Умная, большая языковая модель. А сильные задачи по кодированию, то есть с кодом связаны. Открытые модели с длинным контекстом, то есть много символов можно. Опять же, тут тоже много символов можно. Вот способность мыслить и рассуждать. Ну, я обычно выбираю N2.5+, потому что там, ээ, достаточно сложные задачи он может делать за нас. Давайте попросим его написать SQL-скрипт, который опять же связан, кстати, с онлайн-магазином нашим. Тут он, ну, тут только у нас два получились две таблицы, чтобы у меня она не была на весь слайд, но туда можно, на самом деле, сколько хотите вообще возможно указывать таблиц. И даже не в таком виде, а в виде просто: "Я хочу пользователей. У пользователей там есть вот name, айдишник. У заказов там есть тоже айдишник, связь какая-то, created и так далее". В общем, тут можно указывать бесконечное количество того, чего вы хотите. Он нам выдал SQL запрос, он нам выдал его объяснение, он нам выдал его какую-то проверку на ошибки, даже производительность, даже показал, как можно ускорить. Даже дальше еще куда-то идет. Ну, он прям силен. Он прямо продолжает и продолжает. Читать я это все, конечно же, не буду. Нам нужен лишь его SQL запрос. Но по-хорошему, конечно, лучше прочитать тут все, что есть, когда вы будете использовать его на работе либо где-то еще. Ну, и мой чисто совет, а опять же по поводу конфиденциальной информации. Так вот, как раз вопрос из чата: "Если писать название таблиц БД в запросе, это является чувствительной информацией?" По сути, на самом деле, это не является, я считаю, чувствительной информацией, потому...
Что, ну, вы же её берёте конкретно, ну, вот таблица users. В каких компаниях может быть таблица users? Наверное, почти что в каждой. Это не считается скорее чувствительной информацией, потому что вы же не берёте конкретные данные пользователей и туда загружаете. Это ни в коем случае, конечно, делать не приветствуется.
А названия таблиц могут быть разные. Опять же, можете их заменять, если вам там как-то волнительно, тревожно. Можете менять название таблиц на те, которые хотите. Просто поменяйте их потом для своих задач. То есть вы скили запроси просто потом поменяете таблички под свои. А вообще таблицы могут называться как хотите и дублироваться там в соте в сотни разных компаний. Допустим, orders там users. Ну вот какой компании это может быть, да? Почти во всех, наверное, таблички такие существуют. Ну это не является действительной информацией, так как, ну много где такое может быть.
Так давайте же провализируем наш SQL-запрос. Меня тут недалеко открыл SQL-редактор, поскольку мы задавали ему диалект MySQL, допустим, у меня на работе база данных MySQL, и версию тоже надо ему задать. Вот у нас тут есть версия валидирования, версия, так сказать, версия BD, по которой он будет валидировать. Вот у нас запрос. И, допустим, validate. Вот она пишет, что валидная, но её можно оптимизировать. Кстати, здесь можно написать в этом сервисе, я тоже на него ссылку оставлю, а написать ещё один запрос, но с помощью искусственного интеллекта. И тут вы можете выбрать вашу BD, вашу версию BD. А тут написать можно хоть на русском, хоть на чём. А получается ваш промт. И опишите свою табличку, структуру таблицы в словах. или create tйлах, так скажем, или ещё чём-то. И записываете сюда, и он создаёт вам SQL запрос, достаточно классный. Я тоже на него оставлю ссылочку. Тоже часто им пользуюсь этим сервисом. Вот. В целом у нас получился валидный SQL запрос, поэтому мы рады. И давайте пойдём дальше.
Так, а GSON схемы тоже одна из популярных задач для системного аналитика. Jonхемы и заглушки. Лично мне почти всегда лень писать Jonхемы и заглушки, потому что, ээ, ну вот бывает такое, потому что JON - это такое дело очень монотонное, требующее долгого времени. Если я знаю все поля и типы данных, которые у меня есть, и в целом представляю заглушку, именно переводить её в формат Jon самому лень. Но я могу попросить успешно это сделать искусственный интеллект. Главное знать, собственно, набор полей ээ и их типы данных. Опять же универсальный пром заключается в том, что нам нужно задать ролевую модель, задать задачу, описать сущности, попросить его выдать результат в двух частях. Ну вот конкретно здесь это Jon схема и пример данных, то есть заглушка. Убедись, что схема валидна и соответствует стандартом Jonхема. Ошибки опять же указываем на типичные ошибки и опять же указываем на важность. И вот у нас есть пример заглушки для заказа клиента. Давайте мы его сейчас также на практике пощупаем. Опять же то с помощью того же самого квена. Так, сейчас я скопирую наш промт. Вот наш промт. Идём туда же, в этот же чат, и запускаем. И смотрим, что он нам выдаст. Работает он на самом деле достаточно быстро. То есть вот прошло сколько? Ну, пару секунд, прежде чем он нам выдал уже готовый ответ. А, но я бы вот над этим думал, ну, сильно дольше, чем 2 секунды. Ну, то есть там несколько минут бы мне пришлось. А если всё это вручную ещё писать, то было бы даже, наверное, дольше. И он нам достаточно подробную схему, даже без почти какого-либо контекста, то есть я написал ему просто заказ клиента. Нам нужна Jon схема. и он начал уже сам выдумывать какие-то поля. Так что да, он выдумал какие-то поля, но, естественно, лучше, если их знаете, то указывать их самому. И заглушка. Вот сейчас мы попробуем для, ну, на сервисе Jonхема, в котором вы сделали домашки, провалидировать. Так, мы забили нашу JSON схему. На ошибки не смотрим, потому что мы ещё не забили заглушку. Давайте посмотрим заглушку. Копируем заглушку, вставляем её input. И у нас получается всё без ошибок. Посмотрим, что он нам выдумывал. Он нам выдумывал ID заказа, ID пользователя, который заказывает name, дату заказа, статус, э, стоимость. И получается целый массив у него ещё получился с заказами. Что в целом с ним тяжело поспорить, в чём-то он прав. И он, ну, самое удивительное, на мой взгляд, это то, что он вытащил это всё из буквально сколько, минут пять строчек тут и сделал это буквально за, ну, в течение минуты. И это сильно быстрее, чем то же самое бы делал человек.
Так, вопрос в чате. Можно попросить и написать пром для и? Да, достаточно забавно. Есть специальный и, который промты пишет. Ну да, сейчас на самом деле достаточно много разных нейросетей, и если уделять этому лекцию, то, ну, можно можно её там на несколько часов растянуть, и то не все нейросети учтём. Так что я на конкретном примере того, чем сам пользуюсь, показываю, э, как бы как работать с с ним. То же самое можно абсолютно провернуть с чат GPT, с Грок, с Дипсиком и со всеми любыми другими разными, которые вы найдёте, а их там очень много, да. В общем, схема у нас получилась валидная, правильная. Ну, опять же, все, э, поля лучше описывать как бы подробнее, потому что понятное дело, что вот он сейчас навыдумывал, он может слишком много навыдумывать. И в общем, это может вам не подойти. Поэтому я вам заранее рекомендую сразу же определить нужные поля, их типы данных и прописать их ему, хотя бы в формате просто человеческого языка, а не в формате Gсона, и он уже слидирует и напишет вам то, что нужно. Давайте перейдём дальше. У нас ещё впереди много всего, на самом деле.
Вот вообще очень удобная штука. А, ну смотрите, у нас так получается идёт презентация, что у нас прямо цикл работы системного аналитика. У нас были требования, потом у нас что у нас было, потом BD, потом SQL запрос, потом у нас Jon, потом у нас опишка. В целом всё как на работе. И теперь мы генерируем спек апи в формате Yamel, то есть которая подходит для того, чтобы описать грамотно swagger. Опять же задаём тут универсальную модель эксперт по Open то есть спецификации апишки и роль, что он системный аналитик. Составь мне спецификацию IP в формате YAMAL. Я формат нам нужен для того, чтобы оно хорошо зашло в Swager Editor для и описываем нашу функциональность. Включи endpint, методы, параметры и примеры ответов. Результат должен быть в виде ял кода. Вот опять же указываем для ошибки и указываем, что это важно. В целом почти везде такая логика и работает. Давайте перейдём к примеру демонстрации работы с вагером для этого промта. Сейчас я быстренько опять же его скопирую. Ага, у меня пример неправильный. Хорошо, давайте я его сейчас быстренько навыдумываю. Может, вы мне в чатике поможете чем-то, раз я тут ошибся. Давайте придумаем какую-нибудь опишку для какого-то сервиса, который бы нам сгенерировал. А так у меня верный экран показывается, да? Там, где искусственный интеллект. Просто я запутался в демонстрациях. Для какого сервиса бы нам описать опишку? Может, есть идеи в чате? Так, ну, если идей нет, то давайте остановимся на том, что у нас до сих пор сервис заказаров. А так для сервиса, заказав, опять же достаточно такой поверхностный промт. Посмотрим, что мы из него сможем получить для нашего свагера. Через буквально секунду он уже выдаёт нам ответ в виде ямо файла. Ответ прямо уже идёт, вижу, с ошибками, споинтом, с методом. Всё, как нужно. Опять же, там, по-хорошему нужно указывать какие-то уже готовые, если у вас есть в голове, методы, энпоинты и примеры данных, которые вы взяли взять могли из JSON схемы. То есть вы провалидировали требования, получили BD, из этой BD делали Jonхему, из этой Jonхемы делаем уже опишку. Это сильно ускоряет работу конкретно системного аналитика. Ну, он прямо много нам решил расписать. Он ещё также оставил здесь схемы, как я вижу. Да, да. Вот он написал уже целые несколько схем. Даже провер проверка на соответствие стандартам, описание, типы данных, ограничения, примеры. То есть, да, эта спецификация готова к разработке и тестированию IP. Я с ним в чём-то согласен. Переходим на наш свагер и просто вводим эту ээ копируем и вставляем нашу яму код и получаем в ответе, ну, в славагере достаточно хорошую штуку. Вот у нас есть схемы. Тут можем посмотреть, какие схемы он нам нагенерил. И основные методы. Вот. Это, кстати, полностью ээ похоже на то, что мы с вами писали в GSON схеме. Даже с учётом вагинации он сделал. Ну да, достаточно хороший пример у него получился прямо в реальном времени. Давайте пойдём дальше.
Так, одно из самых, наверное, универсальных моментов для системного аналитика - это составление диаграмм. Круче всего составляет диаграммы именно plant UML, потому что План UML поддерживает почти все 14 видов UML- диаграмм. Вот. И аишка не всегда хорошо делает картинки, но всегда хорошо пишет код. И вместо того, чтобы просить её генерировать картинку для диаграммы, мы можем сгенерировать код, на основе которого уже у нас получится диаграмма. А опять же универсальный промт, ролевая модель, специалист по задаче. Создай код для plant UML, который описывает тип диаграммы. Например, диаграмма последовательности, одна из самых популярных. А, пишем ему описание процесса. Результат должен быть в виде кода. Проверить, чтобы не было ошибок. Это важно. Давайте сразу перейдём к практике, потому что интересно, что получится. Также тут, кроме диаграммы последовательности можно и здесь было нарисовать схему BD, то есть ярдиаграмму тоже можно было бы абсолютно здесь нарисовать. Сейчас я скопирую тот же самый промт и перейду, э, в наш искусственный интеллект. И буквально, опять же, через секунду он начинает писать, что происходит у нас в сервисе. Поскольку мы делаем это почти всё в одном и том же чате, он поддерживает контексты предыдущих ответов. То есть он нам нагенерил, а, пишку, нагенерил jonхему, нагенерил базу данных. И он в связи с этим всем, что мы раньше перечисляли, он будет такой же соблюдать нейминг, такие же процессы и такое же описание. Давайте же попробуем этот план нарисовать в сервисе Plantк, который используется для отрисовки Plant UM диаграммы. Вставляем и получаем вот такую вещь. Он даже разделил процессы на несколько, выстроил жизненные линии, так скажем, пользователи, корзина, сервис заказов, сервис оплаты, база данных. Ну, в целом, более чем, конечно, далеко от идеала, но здесь учтено достаточно много деталей, и в целом процесс выглядит достаточно правильно. Ну, вообще, мне нравится, как он это сделал. Можно, конечно, довести ручками это всё до идеала, и получится вообще класс. Вот. И причём, вы заметили, сколько времени на это ушло. времени ушло достаточно, ну, сильно меньше, чем если бы мы делали это ручками. Опять же повторюсь, что всё вот это нужно проверять руками на конкретном примере. То есть доверяй, но проверяй, Иишка не идеально, он что-то написал. Я сейчас углубляться в это не буду, но нужно, если вы используете для рабочей какой-то задачи или для решения тестового, кстати, искусственный интеллект очень сильно помогает. Ну вот когда я лично искал работу, мне было сильно лень делать какие-то тестовые, тем более бесплатно. Вот и я много тестовых решил э именно с помощью какого-то искусственного интеллекта. Также расписывал ему в формате одного чата. Там мне дали один процесс для проработки. Я в формате одного чата по этому процессу с яичкой беседовал, составлял артефакты, документацию и просто потом всё это копировал.
Так, а вопрос из чата. Можно подробнее про валидацию? То есть я могу написать ему: "Ты ошибся вот тут, и он исправит ответ". Да, давай прямо на примере посмотрим. А в чём мы тут можем ошибиться? В чём он тут ошибся? Аэ, можно придумать просто какой-то свой контекст и сказать: "Я хочу по-другому". Ну, по сути, то же самое указание на ошибки. А так короче можно добавить то, что мы перем добавляем в корзину, мы ещё должны знать категории товаров, допустим. Ну просто представим. Конечно, это вряд ли бывает, но можно представить, что у нас такая система. Так, а свой предыдущий ответ, пожалуйста. подкорректируй под новые требования. В нашей системе перед заказом мы ещё должны проверять ээ выбранные категории. А категории у выбранных товаров. Нам это нужно для того, чтобы собрать продуктовые метрики, допустим. Ну, это когда вы хотите знать, какие товары, допустим, покупаются чаще, чем другие. Вы собираете какие-то метрики, и, допустим, эта метрика относится к какой-то, ну, к разделению по категориям. И мы хотим добавить это в нашу систему. Мы говорим, указываем на предыдущий ответ. Ну, пожалуйста, это я просто гра, ну, типа вежливый, а не хочу, чтобы меня просто в будущем уничтожил искусственный интеллект, поэтому я общаюсь с ним вежливо. А подкорректируй под новые требования и указываем новые требования. И почему нам это нужно? Тоже такой как бы промт на автомате пишется. Забиваем, смотрим, что же он сейчас нам выдаст. Учитывая новые требования. А вот, пожалуйста. Он нам выдаёт всю нашу информацию. Причём он, по сути, переписывает свой предыдущий ответ, но в формате новых требований. И потом пишет, что же изменилось. Он добавил целый сервис, новый шаг и объяснил, почему это важно. Мы добавляем, а, обновляем страничку. Тут чуть-чуть криво рисуется, но это ничего. Можем всегда нажать ПН. Вот. И вот сервис категорий. Он решил добавить это на шаг. Ээ запрашивает категории выбранных товаров именно уже после добавления в корзину. А мы скажем, что ему нужно сделать это до. Запрашивая категории ээ перед добавлением в корзину. И вот так с ним просто можно общаться и валидировать требования за требованием. То есть мы, я хочу вот это видить не здесь, а условно вот тут в самом начале, в начале процесса. Он буквально через секунду мне уже готовы сгенерирует ответ, что, ну, на самом деле, если посчитать, за секунду человек бы вот такое не написал. Так что какая-никакая оптимизация вашего рабочего времени присутствует. Копируем. Смотрим, что у него получилось в этот раз. А, да, в целом он сделал то, что я хотел. Запрашивает категорию, категорию возвращает, сохраняет метрики по категориям, базу данных, подтверждает сохранение метрик, добавляет товар в корзину, подтверждает добавление товара. Ну, я, конечно, немного странные требования выставил, но можно как бы сделать и любые другие в зависимости от конкретно вашей задачи.
Так, давайте пойдём дальше. Очень интересная штука, но она пригодится не столько для работы конкретно системным аналитикам, сколько для обучения чему-либо, то есть системному анализу или бизнес-анализу или любому другому скилу, а которая поможет, а вам чему-то как бы скажите, я скажу, выстроить какой-то план обучения. То есть интеллектуальная карта. Интеллектуальная карта - это такая карта, она нужна для визуализации, организации, систематизации и анализа информации. Она помогает чётко обозначить основную мысль, выделить главное, выстроить стратегию последующих действий и вникнуть всю тему. Опять же майнмапы. Сейчас тоже покажу сервис, где можно их рисовать. Вот. И посмотрим на универсальный промт. Ты опять же ролевая модель и ментор. То есть если мы хотим, чтобы нам что-то объяснили, то пишем ему, что он ещё, ну, есть наш собеседник, то есть искусственный интеллект, он ещё и ментор. Составь текстовую структуру для майндмапа. Описываем текст, ну, тему или процесс майнма для там работы с системным аналитиком, чтобы помочь понять ключевые аспекты. Выда результат в виде иерархического списка. Ну, виды результат, на самом деле, можно тут в разных форматах припадать. Вот убедить, что структура логична и охватывает основные моменты. Ошибки вроде пропущенных разделов или путаниц недопустимы, так как это критично. Давайте мы перейдём в сервис составления маймапов и попробуем составить MB для системного аналитика. Но мы будем уже пользоваться не нашим квеном, а я оставлю тоже ссылку на сервис бесплатный. Называется Mmmap AI, где аишка помогает вам делать интеллектуальные карты. Тут достаточно просто можно зарегистрироваться через Google аккаунт, если у вас такой есть, либо через почту. У меня буквально ушло на это один один клик. Ну, то есть достаточно быстро. Сейчас я возьму, скопирую наш универсальный промт для майнмапов. Это просто скорее как такая топ задачка для изучения разных материалов. Составь структуру майнмапа для Давайте напишем обучение системному анализу, чтобы помочь понять ключевые аспекты. выдалю результат в виде э в виде интеллектуальной карты. Карты с разделением на хард и софт скилы. Убедить, что структура логичная, это критично для моего образования. Посмотрим, что он нам сделает. Да, он работает чуть-чуть подольше, но, кстати, кстати, смотрите, как это выглядит. Это выглядит достаточно классно. Вот он разделил на хард и на софтски скилы. Он выделил инструменты, инструменты моделирования, инструменты с базами данных для анализа данных, методологии разработки, языки программирования, моделирование систем с помощью разных диаграмм YAM, BPMAN, ER, DFD, и так далее. И хардски. Ну, условно, изучая все вот эти скилы по очереди, конечно, тут не хватает. Но это можно опять же с помощью дополнительного промтагенерить, и всё будет хорошо. Вот. И изучая условно каждый поэтапно вот скил, я хочу там разобраться с моделированием систем. И теперь я знаю, что мне для этого нужно знать. И дальше иду по списку просто вот это изучил, вот это изучил, вот это изучил. И тогда вы сможете улучшить качество своего образования и узнать какие-то моменты, которые вы, допустим, не знали. Вот тут системная динамика, достаточно сложная тема, я её не знаю, и я бы пошёл, взял и пошёл гуглить и изучать её. Вот тоже классный сервис. Опять же, можно интеллектуальные карты в виде систем каких-то сделать. То есть у нас есть там CRM-система и распиши там, что в неё входит. И тут он распишет декомпозицию этой системы. Это достаточно классно, потому что ээ у меня на начале моего пути было достаточно много проблем с декомпозицией. Я не мог из какого-то большого верхнеуровневого описания системы составить ну её разделение на подразделы. Вот если бы я знал тогда, что существует вот такое баб достаточно прикольный, мне было бы сильно проще. Но опять же всё это нужно валидировать самому. То есть он может написать там какой-нибудь вред, но обычно он так не делает. А ещё, кстати, про минусы Квена. Если их брать, тоже такой забавный минус. Э если будете им пользоваться, не удивляйтесь, он иногда выдаёт китайские символы. Я их сейчас, конечно, не найду, но такое у него бывает, и это нормально.
Давайте скоро у нас уже подытожим разбор универсального промта. По сути, всё, что мы до этого обговаривали, но в формате универсального промта. Представь, что ты, э, бизнес-системный аналитик с отличными навыками, с названием навыка. Помоги мне с задачей для того, чтобы решить цель. Задачу нужно представить в виде, опять же задаём формат. При решении нужно соблюдать правила, ну, правила выполнения этой задачи. Указываем. Нужно учесть детали к частым ошибкам. При выполнении задачи может относиться указываем частые ошибки и указываем действия для выполнения, чтобы избежать этих ошибок. В тексте описано. Ну вот дальше мы вставляем текст задачи. Рассказываем вкратце, что описано в этой задаче. Мне нужна помощь с таким-то пунктом из этой задачи. Это задание важно для меня. От него зависит это тестовое задание, от него зависит моя будущая карьера. Я вот с помощью этого промта решал тестовые задания в разные компании. Пожалуйста, помоги мне выполнить это задание наилучшим образом. Вот это так называемые детали промт инженеринга. Промт инженеринг - это искусство составление запросов, чтобы получить точный и полезный ответ. Это инструкция для искусственного интеллекта. Это нужно для того, чтобы неросеть генерировала схемы. И вот остальное по заданному промту. А мы указываем роль, описываем задачу, даём детали, уточняем формат. И тут ещё хотелось бы уточнить, что нужно, чтобы Неросеть ещё задала вопросы. То есть мы пишем: "Уточняй детали, если тебе это нужно". Вот. И неросеть, если ей что-то непонятно из задачи, она будет спрашивать у вас, ээ, что конкретно ей непонятно и улучшать со временем. Давайте посмотрим на пример. Не знаю, текст видно, не видно? А ты опытный системный аналитик с отличными навыками проектирования архитектуры. Помоги мне с созданием ТЗ для разработки облачного сервиса обмена данными. Техническое задание нужно представить в виде структурирования документа с разделами. Дальше мы указываем разделы. При создании ТЗ нужно следить методологии Rap. При этом нужно учесть, что система должна поддерживать работу с файлами. Ну то есть учитываем детали, ошибки, задачи, основные требования и текст. Давайте попробуем. Интересно, что выдаст нам нейросеть на такой большой запрос. Сейчас я скопирую запрос. Так. И посмотрим, что же нам а выдаст нейросеть. Так, скопировал. Создаём новый чат, потому что это у нас не создано с контекстом наших заказов товаров в магазине. Огромный текст получился, потому что универсальный. И вот эти все задачи можно менять от задачи к задаче. То есть не только ТЗ, там напиши что-то другое, напиши мне схему, напиши мне опишку, напиши мне БД, любую задачу туда вставляете, и он выдаёт вам ответ. И достаточно быстро он, ну вот у меня было про то, что мне нужна помощь с разделом требования к безопасности и текст задачи, и он мне выдаёт достаточно детальный ээ целый раздел для ТЗ. Требования к безопасности. Вот тут важно учитывать, что как принято у вас компании. То есть система должна состояться международным стандартам безопасности. Пишут ли у вас где-нибудь так? Если не пишут, можете удалять. Ну, то есть он может написать излишней, особенно при составлении ТЗ там или решение тестового он может написать что-то излишнее. Так что достаточно, да, нужно достаточно чётко это проверять на соответствие тому, чем у вас промышляет в компании. Ну и достаточно обширные требования к безопасности у нас получились. Давайте перейдём к следующему шагу.
Давайте, у нас есть, ну, время на вопросы. Можете задать их хоть голосом, хоть в чате. Постараюсь ответить на всё, что интересует. Так, первый вопрос. столкнулась с таким мнением, что при част использовании и в работе постоянно теряются навыки самостоятельного анализа и для принятия решений. Что насчёт этого думаешь? Какие иски ещё возможны, а при частом использовании и как их минимизировать? Ну я тоже слышал такое мнение. Сейчас минуточку немного тоже слышал такое мнение. Теряются навыки самостоятельного анализа и принятия решений. Ну, тут важно понимать то, что я тоже говорил в начале лекции, что и можно использовать как инструмент на данный момент, но не как не замену того, что вы делаете. То есть вы можете пользоваться им как помощником, как другом, как ручкой, которая напишет за вас вашу мысль, как каким-то человеком, который может повторить за вами на бумаге. То есть у вас в первую очередь у самих в голове должно быть представление решения вашей задачи, если вы в целом понимаете, как её можно решить. Если не понимаете, то как бы обращаться лучше к старшему э-э аналитику. Вот. Либо если старшие это вы, то тогда, да, тогда сложно. Постепенно теряются навыки. Чтобы их не потерять, нужно самостоятельно решать эти задачи. И это не тот, кто будет за вас решать задачи на все 100% и может работать без проверки человеком. Нет, это че это тот, кто может ускорить работу вам написания на данный момент каких-то текстов, там plant UML диаграмм, опишки и так далее. На основе того, что вы уже знаете, то есть вы сами проанализировали, приняли решение, что у нас в базе данных в соответствии с требованиями будут такие-то таблички, такие-то поля. А вот и дальше на основе их того, что вы уже перечислили в промте, вы просите сделать его диаграмму. По сути, вы можете диаграмму эту сделать и сами. Просто у вас это займёт сильно дольше времени, чем если вы опишете это словами искусственному интеллекту, и он вам отдаст код для этой схемы. Вот. Ну и чтобы не потерять эти навыки, я бы посоветовал пользоваться им. Ну не так часто. То есть не 247 это должно быть. Я сам им пользуюсь только тогда, когда мне просто лень переписывать что-то. У меня есть в голове Jon, и я просто пишу его на человеческом языке и прошу его переформатировать формат Jon, потому что мне лень ставить кавычки, двоеточие фигурные скобки и оформлять это в нужный формат. Вот. То есть в голове-то у вас у самих должно быть решение, а, и должен просто его помочь вам отобразить побыстрее. Как-то так. Спасибо. Да, постарался ответить. Какие риски возможны причастном использовании? И, ну, опять же, риск того, что можете сильно облениться есть, потому что, ну, он так классно порой решает задачи, что прям некоторые решения даже не требуют э валидации человеком. Ну, бывало у меня такое, что вот я ему выдал своё какой-то запрос, и он мне в ответ прямо идеальный выдал. Я прямо не смог даже к нему придраться. Я бы как аналитик, типа, если бы писал сам, написал бы точно так же, а может хуже. Вот вы такие: "Блин, классно, попробуй-ка ещё, попробуй-ка ещё". Ну вот опять же, что я говорил, не так часто этим нужно пользовать пользоваться. То есть это можно, если прямо каких-то случаях, когда вам, ну, лень или когда вы понимаете, что, блин, ну я же знаю, что там будет, я же знаю, как написать этот же, как составить эту опишку. Но как бы учитывать огромную спецификацию Openapi, то есть огромный ямол код, чтобы ручками его не писать, можно попросить написать это нейросеть. Главное залить ему эту идею основную, которая должна быть в этом файле. Вот. Надеюсь, ответил. Давайте, если вопросы ещё есть, я подожду буквально что там минуту, может меньше. И перейдём уже к заключению. Что промты нужно все будет скинуть? Да, я думаю, да. Ну, по-любому скинут. Я там файл специально создал со всеми промтами, которые сегодня были. А эту презентацию помогал делать. И, кстати, да, вот ещё одна один аспект. Я не шучу. Я не шучу. эту презентацию помогу сделать и вот тоже надо было, наверное, показать сервис. Ээ, короче, есть сервисы, просто их там много, я не помню конкретное название, первый по вашей себе выбрал, которые помогают делать вот такие презентации на основе промта. То есть у меня был просто текст лекции, кстати, да, интересный факт об этой об этой лекции. Текст для этой лекции мне помог писать искусственный интеллект. тезисы тоже промты отчасти он тоже помог написать презентацию тоже он сгенерил. Вот это не значит то, что мы мне было всё лень это сделать. Я просто подумал, что будет забавно, если лекция про Ии будет как бы сделана с помощью Ии. Ну вот и вы по сути всё, что видели, вы могли подумать, что я это сделал всё сам. Нет, ну реально нет. Это половина большая была с помощью искусственного интеллекта. Вот, что заставляет задуматься о том, что, блин, по сути я считаю, что преза получилась неплохая, текст тоже. Ну и как будто бы он даже какой-то, ну, человеком написан, но на деле GPT просто дошёл до такого уровня. Ну, то есть не GPT, а нейросеть. Вот.
Давайте к заключению ээ очень важные основные аспекты затронем. то, что я и в целом говорил, и - это помощник, но он требует чётких инструкций. Это всегда нужно понимать. То есть, если вы дадите ему размытую инструкцию, он выдаст вам размытый ответ, которым вы, скорее всего, будете недовольны. Используйте промты, можете использовать свои, ээ, то есть насколько фантазии хватит. В целом я показал примерный алгоритм, как составлять любой промт. Адаптируйте их под свои задачи, не бойтесь экспериментировать. То есть насколько фантазии хватит, настолько и пишите эти промты. Если что-то не работает, уточняйте запрос или попросите его поправить ошибки. Ну и опять же перепроведяйте за искусственным интеллектом и выносяйте окончательное решение всегда сами. Нерасети - это очень мощный инструмент для оптимизации работы системного аналитика, ну или любого аналитика. Они могут, конечно, помочь вам сэкономить время, снижать ошибки и дать простор для решения задач. Но опять же нужно всегда вот этот главный поинт лекции не растите - это помощник, а никак не замена. Всегда нужно проверять их выводы. А промт инженеринг - это ключ к успеху работы систем. Ой, я уже запретык языкается. Промт инженеринг - это ключ к успеху работы с искусственным интеллектом. Чем точнее запрос, тем лучше ответ. Важно это понимать. Ну и в целом всем спасибо за внимание. Надеюсь, хоть чем-то был полезен. Используйте искусственный интеллект, но не, ну, слишком много не используйте, короче, в меру. примеру нужно [музыка]