Для создания собственных Дашбортов мы испольуем Streamlit на Supabase.

Проводим математическое исследование. LIQUIDITY ABOVE ↑ L3 █████████████ ↑ L2 ████████ ↑ L1 █████ ↑ ════════════════════════════ PRICE ════════════════════════════ ↓ L1 ██████ ↓ L2 █████████ ↓ L3 █████████████ LIQUIDITY BELOW

Кто то Заявляет, что ИИ сократит рабочие места. Моя мысль, что наоборот она создаст новые с более высоким уровнем интелекта.Google Cloud и Accenture только что объявили о плане создания инженерного персонала из 1000 человек, чтобы помочь компаниям внедрять ИИ. Должность говорит не только количество сотрудников. Это инженеры, ориентированные на передовой развертывание: люди, которые работают напрямую с клиентами, превращая возможности ИИ в рабочие бизнес-системы. Интересный вопрос — что именно должны понимать эти инженеры. Возьмём рабочий процесс по утверждению счетов. Чтение счета — лишь одна из частей. Какая запись поставщика верна? Совпадает ли счёт с заказом на покупку? Кто может одобрить исключение? Что происходит, когда вопросы закупок и финансов расходятся во мнениях? Где фиксируется окончательное решение? Модель может помочь с этими вопросами. Она не может заставить организацию согласиться с ответами. Кто-то должен работать с теми, кто знает, как на самом деле работает бизнес, а затем превратить эти знания в надёжное программное обеспечение. Для этого нужно больше, чем просто подсказка. Это требует инженерии, анализа данных, понимания процессов и способности оспаривать нелогичные требования. Вот вопрос по найму в ИИ, который я бы задал: Может ли этот человек превратить неоднозначную бизнес-проблему в систему, которую может управлять кто-то другой? Не только: Какие модели они использовали? Есть важный нюанс. Инженеры по встраиванию могут помочь компании внедрить свой первый рабочий процесс на базе ИИ. Если каждый дополнительный рабочий процесс требует одинакового количества индивидуальных усилий, компания пока не создала значительных рычагов. Помолвка должна оставить после себя: • многоразовые интеграции • чёткие данные и правила принятия решений • тесты на основе реальных случаев • измеримая операционная база • внутреннего владельца, который может управлять и улучшать систему Это не просто демонстрация, которая работает, пока команда по реализации находится в комнате. Google и Accenture выигрывают от продажи большего числа сервисов на базе ИИ. Их план по работе с персоналом — это коммерческая ставка, а не доказательство того, что эта модель всегда работает. Но ставка показательна. Доступ к мощной модели и возможность её внедрения — это разные возможности. Самым ценным инженером по ИИ может быть тот, кто сможет связать эти два вопроса, не оставляя бизнес постоянно зависимым от них. Читая такие статьи у меня возникли два проекта в научном исследовании. Может даже подвинем квантовую математику.