1.3. Термины и определения

• Бизнес-процесс — совокупность взаимосвязанных мероприятий или работ, направленных на создание определенного продукта или услуги для потребителей. Включает в себя входы, выходы, управляющие воздействия и механизмы.
• Карта бизнес-процессов — графическое и текстовое описание всех процессов организации, их взаимосвязей, владельцев, входов и выходов, используемое для анализа, оптимизации и регламентации деятельности.
• AI-тренер — специалист, ответственный за обучение, настройку, валидацию и сопровождение моделей искусственного интеллекта (машинное обучение, глубокое обучение, обработка естественного языка) для решения бизнес-задач компании.
• BPMN (Business Process Model and Notation) — стандартная нотация моделирования бизнес-процессов, использующая графические элементы для описания логики выполнения процессов.
• IDEF0 — методология функционального моделирования, позволяющая описать бизнес-процесс в виде иерархической системы взаимосвязанных функций.
• EPC (Event-driven Process Chain) — нотация моделирования процессов, основанная на цепочках событий и функций, широко используется для описания сценариев работ в ERP-системах.
• Сценарий работ — детализированное описание последовательности шагов и действий сотрудника при выполнении конкретной задачи или процесса, включая условия переходов и ответственных исполнителей.
• Чек-лист этапов — контрольный список ключевых проверок и результатов, которые должны быть подтверждены на каждом этапе бизнес-процесса для обеспечения качества и соответствия требованиям.
• Валидация (в контексте AI) — процесс оценки качества обученной модели на независимых данных для проверки ее способности к обобщению и соответствия бизнес-требованиям.

3.2. Функциональное взаимодействие

В рамках функциональных обязанностей AI-тренер взаимодействует с:

• Отделом разработки ПО — для интеграции AI-моделей в продукты и платформы компании, включая онлайн-платформу для управления качеством, рисками, компетенциями и дистанционным обучением.
• Отделом консалтинга — для сбора требований к AI-решениям в консалтинговых проектах, валидации результатов и внедрения моделей в практику консультантов.
• Отделом управления качеством — для обеспечения соответствия AI-моделей стандартам СМК и требованиям риск-менеджмента.
• Группой бизнес-аналитиков и архитекторов — для совместной разработки и актуализации карты бизнес-процессов.
• Заказчиками и стейкхолдерами — для сбора данных, демонстрации прототипов и сбора обратной связи.

Все взаимодействия осуществляются на основе внутренних регламентов и правил документооборота.

4.1. Разработка и анализ требований

• Проводит сбор, структурирование и документирование бизнес-требований к AI-решениям от внутренних заказчиков и внешних клиентов.
• Анализирует технологическую выполнимость требований, оценивает необходимые ресурсы (данные, вычислительные мощности, время) и риски их реализации.
• Совместно с бизнес-аналитиками формирует технические задания на разработку AI-моделей, включающие в себя критерии качества, метрики эффективности и условия эксплуатации.
• Участвует в разработке и регламентации бизнес-процессов, связанных с AI, с использованием методологий BPMN, IDEF0, EPC для четкого определения входов, выходов, управляющих воздействий и механизмов.
• Обеспечивает согласование и утверждение требований со всеми заинтересованными сторонами.

4.2. Сбор и подготовка данных

• Определяет источники данных (внутренние базы, датасеты, API, внешние системы) и разрабатывает стратегии для их сбора в соответствии с требованиями к модели.
• Выполняет предобработку и очистку данных: удаление выбросов, заполнение пропусков, нормализацию, кодирование категориальных признаков, аугментацию.
• Разрабатывает и применяет методы для обеспечения качества данных, включая чек-листы этапов для проверки полноты и релевантности данных на каждом этапе.
• Формирует тренировочные, валидационные и тестовые выборки, обеспечивая их репрезентативность и соблюдение принципов риск-ориентированного управления в части работы с данными.
• Документирует все этапы подготовки данных, чтобы обеспечить воспроизводимость экспериментов.

4.3. Разработка и обучение AI-моделей

• Выбирает и адаптирует архитектуры моделей машинного и глубокого обучения (например, нейронные сети, градиентный бустинг, трансформеры) в зависимости от поставленных бизнес-задач (классификация, регрессия, кластеризация, NLP, компьютерное зрение).
• Реализует процесс обучения моделей на подготовленных данных, подбирает гиперпараметры с использованием автоматизированных методов (Grid Search, Bayesian Optimization) и ручного тюнинга.
• Разрабатывает и документирует сценарии работ для типовых циклов обучения, включая условия остановки обучения, сохранения лучших чекпоинтов и логирования метрик.
• Проводит эксперименты, используя фреймворки PyTorch, TensorFlow, scikit-learn, XGBoost.
• Обеспечивает воспроизводимость экспериментов, фиксируя все параметры и версии используемых инструментов.

4.4. Валидация и тестирование моделей

• Проводит оценку качества обученных моделей на тестовых выборках, используя стандартные метрики (точность, полнота, F1-мера, AUC-ROC, MAE, RMSE, R²) и специфические для предметной области метрики.
• Выполняет валидацию моделей с использованием методов кросс-валидации и Bootstrap для оценки стабильности и обобщающей способности.
• Проводит анализ ошибок модели (ошибки I и II рода, анализ выбросов) и разрабатывает стратегии их снижения.
• Разрабатывает и внедряет систему автоматизированных тестов для AI-моделей в рамках CI/CD пайплайна.
• Составляет отчеты по валидации, включающие все ключевые метрики, графики (например, кривые обучения, матрица ошибок) и заключение о готовности модели к внедрению.

4.5. Внедрение и интеграция AI-решений

• Подготавливает обученные модели к промышленной эксплуатации, оптимизируя их для инференса (квантование, обрезка, сжатие).
• Разрабатывает API-интерфейсы и сервисы для взаимодействия с моделью, обеспечивая их высокую доступность и низкую задержку.
• Интегрирует AI-модели в существующие продукты и платформы Riqli, включая онлайн-платформу для управления качеством, рисками, компетенциями и дистанционным обучением.
• Участвует в разработке и автоматизации пайплайнов MLOps (MLflow, Kubeflow, Airflow) для непрерывного обучения, развертывания и мониторинга моделей.
• Документирует процесс внедрения, создает инструкции для пользователей и службы поддержки.

4.6. Мониторинг и сопровождение моделей

• Разрабатывает и внедряет систему мониторинга ключевых метрик качества AI-моделей в процессе эксплуатации (accuracy, latency, drift detection).
• Настраивает автоматические оповещения об аномалиях в работе модели или дрейфе данных (Data Drift) и концептуальном дрейфе (Concept Drift).
• Периодически проводит переобучение (retraining) моделей на обновленных данных для поддержания их актуальности и точности.
• Анализирует эксплуатационные инциденты, связанные с AI-моделями, и разрабатывает меры по их предотвращению в будущем.
• Ведет документацию по изменениям, версиям моделей и результатам мониторинга.

4.7. Разработка сценариев работ и чек-листов этапов

• На основе анализа и оптимизации бизнес-процессов, разрабатывает детальные сценарии работ для сотрудников, участвующих в AI-цикле (аналитиков, разработчиков, тестировщиков).
• Составляет чек-листы этапов для каждого ключевого этапа AI-проекта: от постановки задачи до промышленного внедрения.
• Актуализирует карту бизнес-процессов подразделения, интегрируя в нее AI-ориентированные workflow в нотациях BPMN, IDEF0, EPC.
• Обучает сотрудников работе с новыми сценариями и чек-листами, проводит презентации и воркшопы.

4.8. Управление знаниями и обучение

• Участвует в создании, развитии и поддержке системы управления человеческими ресурсами и знаниями в части, касающейся AI и машинного обучения.
• Готовит обучающие материалы, курсы и методички по использованию AI-инструментов и платформы для сотрудников Riqli и внешних клиентов в рамках дистанционного образования.
• Проводит внутренние обучения и мастер-классы для команды по передовым методам работы с AI, актуальным фреймворкам и подходам.
• Ведет внутреннюю базу знаний (wiki, Notion, Confluence), структурируя информацию о проектах, моделях, инсайтах и лучших практиках.
• Выступает в роли наставника для младших специалистов в области Data Science и MLOps.

4.9. Работа с системой менеджмента качества и риск-менеджментом

• Разрабатывает и внедряет процедуры управления качеством данных и AI-моделей в рамках СМК.
• Идентифицирует, анализирует и оценивает риски, связанные с разработкой, внедрением и эксплуатацией AI-моделей (технические, бизнес-риски, риски безопасности, этические риски).
• Разрабатывает планы реагирования на риски и включает их в проектные документы и сценарии работ.
• Участвует во внутренних и внешних аудитах СМК и системы риск-менеджмента по направлению AI.
• Формирует отчетность по показателям качества и рискам для руководства.

4.10. Отчетность и документирование

• Ведет регулярную отчетность о ходе выполнения проектов перед непосредственным руководителем и заказчиками.
• Документирует все этапы проектов: от исследования до внедрения и мониторинга.
• Готовит техническую документацию, включая описание архитектуры моделей, инструкции по развертыванию и эксплуатации.
• Составляет аналитические отчеты, презентации и демонстрационные материалы для стейкхолдеров.

5.1. Права в процессе принятия решений

AI-тренер имеет право:

• Принимать технические и методические решения в рамках своей компетенции по выбору алгоритмов, архитектур моделей, методов оптимизации и обработки данных.
• Вносить предложения по изменению и оптимизации бизнес-процессов, сценариев работ и чек-листов этапов.
• Запрашивать и получать от руководителей и других подразделений информацию, необходимую для выполнения своих обязанностей.
• Требовать от смежных отделов предоставления своевременных, полных и качественных данных.

5.2. Доступ к ресурсам и информации

• Иметь доступ к необходимым вычислительным ресурсам (GPU-кластеры, облачные сервисы), программному обеспечению и библиотекам для обучения и инференса моделей.
• Получать доступ к информационным базам и документации компании в объеме, необходимом для выполнения должностных обязанностей.
• Использовать сервисы и платформы Riqli, включая онлайн-платформу для управления качеством, рисками, компетенциями и дистанционным обучением, для выполнения своих функций.
• Привлекать других сотрудников к решению задач по согласованию с их руководителями.

5.3. Право на развитие и обучение

• Повышать свою квалификацию, участвовать в профессиональных конференциях, семинарах, курсах и тренингах за счет компании.
• Получать доступ к современным исследованиям и методикам в области AI/ML, посещать профильные сообщества и обмениваться опытом.

6.1. Сферы ответственности

AI-тренер несет ответственность за:

• Качество и своевременность выполнения задач, определенных в рамках должностных обязанностей и проектных планов.
• Достоверность и корректность результатов, полученных при обучении, валидации и тестировании AI-моделей.
• Безопасность данных и конфиденциальность информации, с которой он работает.
• Соблюдение требований СМК, риск-менеджмента и политики информационной безопасности.
• Своевременное выявление и информирование руководства о рисках и проблемах в процессах.
• Достоверность и полноту отчетной документации.
• Соблюдение правил внутреннего трудового распорядка и трудовой дисциплины.

7.1. Образование и опыт

• Высшее образование (магистратура или специалитет) в области компьютерных наук, математики, статистики, физики или смежных дисциплин. Наличие ученой степени (кандидат/доктор наук) является преимуществом.
• Опыт работы в области Data Science/Machine Learning от 3-х лет.
• Опыт успешной реализации и внедрения AI-проектов в промышленную эксплуатацию.

7.2. Профессиональные компетенции (Hard Skills)

• Глубокое знание математической статистики, теории вероятностей, линейной алгебры, матанализа и методов оптимизации.
• Владение языками программирования Python, SQL. Знание R является преимуществом.
• Опыт работы с фреймворками для машинного обучения: PyTorch, TensorFlow, Keras, scikit-learn, XGBoost, LightGBM.
• Знание библиотек для обработки данных: Pandas, NumPy, Polars.
• Опыт работы с Big Data технологиями: Apache Spark, Dask, Hadoop.
• Опыт разработки и развертывания моделей в облачных средах (AWS, GCP, Azure).
• Знание подходов MLOps (MLflow, Kubeflow, Airflow, Docker, Kubernetes).
• Опыт работы с базами данных и инструментами визуализации данных.
• Знание методологий моделирования бизнес-процессов BPMN, IDEF0, EPC.

7.3. Личностные и управленческие качества (Soft Skills)

• Аналитическое мышление и способность решать сложные проблемы.
• Коммуникабельность и умение работать в команде.
• Способность ясно и структурированно излагать сложные концепции и результаты.
• Проактивность, ориентация на результат и самоорганизация.
• Стрессоустойчивость и умение работать в условиях многозадачности.
• Навыки управления проектами и командой (для роли старшего AI-тренера).

9.1. Показатели качества моделей

• Достижение целевых метрик бизнес-задачи (Accuracy, Precision, Recall, F1-Score, MAPE, AUC-ROC и др.) на отложенной тестовой выборке.
• Стабильность метрик модели во времени (отсутствие резкого дрейфа качества).
• Время выполнения инференса (latency) и пропускная способность (throughput) модели в соответствии с требованиями SLA.

9.2. Показатели эффективности процессов

• Сокращение времени (в %) на разработку и обучение модели по сравнению с предыдущими циклами за счет стандартизации и автоматизации.
• Сокращение времени инцидентов, связанных с качеством работы AI-моделей.
• Количество успешно реализованных и внедренных AI-проектов.

9.3. Показатели вклада в бизнес

• Экономический эффект от внедрения AI-решений (в денежном выражении или в виде оптимизации процессов).
• Уровень удовлетворенности внутренних заказчиков/внешних клиентов от внедренных AI-продуктов (по данным опросов NPS/CSI).
• Количество разработанных, актуализированных и утвержденных сценариев работ и чек-листов этапов.

9.4. Показатели развития и управления знаниями

• Количество внутренних обучающих программ и воркшопов, проведенных AI-тренером.
• Количество статей, методических материалов, инструкций, созданных и размещенных во внутренней базе знаний.
• Участие во внешних профессиональных мероприятиях.

10.1. Бизнес-процесс: «Разработка и внедрение AI-решения»

Данный бизнес-процесс описывает полный жизненный цикл AI-проекта: от инициации до сопровождения. Может быть представлен в виде процессной карты в нотации BPMN. Ключевые этапы:

1. Инициация и анализ требований (сбор данных, формирование ТЗ, анализ рисков).
2. Подготовка данных (сбор, очистка, разметка, EDA).
3. Разработка и обучение модели (Feature engineering, выбор архитектуры, обучение, тюнинг).
4. Валидация и тестирование (оценка метрик, анализ ошибок, проверка на соответствие требованиям).
5. Внедрение и интеграция (развертывание, интеграция с продуктами, написание API).
6. Мониторинг и сопровождение (сбор метрик, обнаружение дрейфа, переобучение).

Владелец процесса: Руководитель отдела управления знаниями / Технический директор. Вход: Бизнес-потребность, требования. Выход: Готовая, интегрированная и мониторируемая AI-модель.

10.2. Чек-лист этапа «Анализ требований»

• Определена бизнес-проблема и целевой пользователь/система.
• Сформулированы четкие и измеримые бизнес-метрики успеха.
• Проведен анализ и документирование источников данных, их доступности и качества.
• Определены ключевые риски (данные, технические, бизнес) и предложены способы их митигации.
• Составлен и согласован план проекта с временными рамками и ресурсами.
• Подготовлен и утвержден сценарий работ для этапа анализа.

10.3. Чек-лист этапа «Валидация модели»

• Подготовлена тестовая выборка, репрезентирующая реальные данные и не использовавшаяся в обучении.
• Выбраны и рассчитаны ключевые метрики качества, соответствующие бизнес-требованиям.
• Проведена кросс-валидация (например, K-Fold) для оценки стабильности модели.
• Проведен анализ ошибок модели (confusion matrix, анализ residuals).
• Оценена устойчивость модели к вариациям входных данных и обработке выбросов.
• Получено заключение о том, что модель соответствует критериям приемки.
• Составлен подробный отчет по валидации.

10.4. Чек-лист этапа «Внедрение и Интеграция»

• Модель оптимизирована для инференса (использован ONNX, TensorRT, или аналоги).
• Создан и задокументирован RESTful API или gRPC-сервис для модели.
• Проведена интеграция с целевыми системами/продуктами (например, с онлайн-платформой).
• Созданы и применены модульные и интеграционные тесты для AI-сервиса.
• Настроен CI/CD пайплайн для автоматического развертывания новых версий модели.
• Написан и обновлен сценарий работ для DevOps и эксплуатационной команды.

10.5. Сценарий работ по мониторингу AI-моделей

Данный сценарий работ регламентирует действия AI-тренера по эксплуатационному мониторингу моделей в нотации EPC:

1. Событие: Получено уведомление из системы мониторинга (например, Prometheus + Grafana) о потенциальном дрейфе.
2. Функция: AI-тренер получает доступ к дашборду мониторинга и анализирует метрики модели (accuracy, latency, количество запросов) за последний период.
3. Функция: Выполняет сравнительный анализ текущих метрик модели на продакшене с метриками на валидационной выборке.
4. Решение: Проверяет, превышены ли пороговые значения отклонений (дрейф данных, концептуальный дрейф).
5. Функция (если дрейф обнаружен): Инициирует процесс переобучения модели: проводит EDA новых данных, переподготавливает данные, переобучает модель, валидирует ее и инициирует процесс внедрения новой версии согласно чек-листу.
6. Функция: Обновляет документацию и базу знаний, фиксируя изменения и причины переобучения.
7. Событие: Внесена запись в журнал мониторинга, цикл завершен.

10.6. Карта бизнес-процессов сотрудника (AI-тренер)

В рамках управления деятельностью AI-тренера разрабатывается и поддерживается в актуальном состоянии его индивидуальная карта бизнес-процессов. Она включает в себя:

• Основной процесс: Управление жизненным циклом AI-модели.
• Вспомогательные процессы: Управление знаниями, управление качеством и рисками, разработка и актуализация сценариев работ и чек-листов этапов.
• Процессы управления: Отчетность, планирование, взаимодействие с командами.
• Процессы совершенствования: Внедрение новых методов, проведение исследований, оценка и оптимизация существующих процессов.

Карта используется для оценки загрузки сотрудника, выявления узких мест, оптимизации процессов и постановки KPI.