ИИ не заменит аналитика данных или специалиста по Data Science. Но он может сильно изменить их работу: ускорить и упростить процессы — или, при неправильном использовании, снизить качество результатов и отучить специалистов мыслить критически.

В Яндекс Практикуме прошёл вебинар «ИИ для аналитиков: как меняется профессия» — эксперты курса «Аналитик данных» и направления Data Science Александр Вальд и Евгений Арзамасцев рассказали, как нейросети помогают работать с данными, какими инструментами можно пользоваться и где без человека пока не справиться. Делимся самым интересным.

Что это было

23 апреля в Практикуме прошла открытая встреча «ИИ для аналитиков: как меняется профессия», которую провели:

• Александр Вальд — предприниматель в сфере работы с данными, руководитель магистратуры от Яндекс Практикума (ТГУ) и старший эксперт на курсе «Аналитик данных»;

• Евгений Арзамасцев — специалист по Data Science, предприниматель, преподаватель, эксперт и тимлид на курсах направления Data Science в Яндекс Практикуме.

В этом тексте мы поделимся некоторыми моментами встречи — расскажем, с чем аналитикам и дата-сайентистам помогает ИИ, а где на него лучше не рассчитывать. Материал будет полезен джуниорам без или с минимальным опытом работы с нейросетями.

А если вы только выбираете направление, посмотрите запись встречи — разберёте в деталях задачи в разных профессиях, узнаете, какие инструменты и навыки в них нужны, и поймёте, с чего начать.

Зачем нужны нейросети: примеры задач

Нейросети можно использовать в самых разных задачах, причём под нейросетями можно иметь в виду как отдельные ИИ-инструменты, так и сервисы с ИИ-функциями:

«Большую часть времени я провожу в той или иной степени с ИИ. Инструменты могут быть разными: чат-боты, кодовые агенты или, например, система генерации аватаров, которая помогает мне готовить обучающие видео»

— Евгений Арзамасцев

Но есть особенно популярные сценарии использования ИИ в работе с данными. Вот с чем аналитикам и дата-сайентистам часто помогают нейросети:

• Бороться со страхом белого листа. Аналитики часто сталкиваются с большими и абстрактными задачами. Например: «Проанализируй данные и разберись, как у нас дела в бизнесе». Ответить на такой запрос непросто — более того, даже непонятно, с чего начать этот путь. ИИ помогает справиться: дайте ему контекст (но без чувствительных данных), попросите сделать драфт исследования, декомпозировать работу на задачи поменьше и спросите, что из этого можно делегировать. Конечно, ответ будет далёк от нужного результата, но начало будет положено.

• Подсвечивать подозрительные моменты в коде. Аналитики и дата-сайентисты много работают с Python и SQL. Есть много материалов, как использовать ИИ в написании кода и почему на выдачу нейросетей в этом деле не стоит полагаться на 100%, но с чем они точно справляются — так с быстрой проверкой того, что написал человек.

• Получать саммари по данным. Можно отдать ИИ много информации и попросить кратко описать только самое важное. Или сделать рерайт. Или получить всё необходимое итерациями, в переписке в формате «вопрос — ответ» с чат-ботом. Это ускоряет работу с данными и помогает находить и формулировать гипотезы для дальнейших исследований.

• Получать второе мнение. Если дать ИИ вводную информацию и поделиться своими идеями, он может выступить в роли критика. Главное, правильно написать промпт, чтобы чат-бот не слишком увлекался похвалой удачных решений, а концентрировался на слабых моментах. Конечно, ИИ может быть не прав, но он всё равно поможет взглянуть на вопрос с новой стороны. Прямо как коллега-эксперт — только никого отрывать от работы не придётся.

Какие инструменты подходят для работы с данными

Эксперты выделили несколько групп инструментов, которыми пользуются в работе:

• ChatGPT, Claude, Qwen, DeepSeek, Gemini, Алиса — чат-боты, которые отвечают на вопросы, помогают в обучении, поиске инсайтов, проверке гипотез, кодинге и подготовке датасетов;

• Google AI Studio — единый интерфейс для работы со всеми моделями Google;

• Yandex AI Studio, n8n.io — «песочница» для создания no-code ИИ-решений с нуля;

• Perplexity — поиск нового поколения, который возвращает полноценный ответ на вопрос, а не просто ссылку на сайт источника. Похож на чат-бот по интерфейсу и типу взаимодействия, но внутри — именно поисковая система, которая полагается на те же источники, которые приводит Google или Яндекс;

• Gamma, Napkin AI — инструменты для быстрого создания презентаций и визуализации сложных концепций;

• Google NotebookLM — инструмент для изучения новых материалов без выхода за рамки исходных данных. Работает просто: загружаете источник или ссылку на него, а NotebookLM анализирует информацию и представляет её в удобном виде, ничего не добавляя от себя;

• Claw Code, Claude Code, Codex, OpenCode, OpenClaw, Hermes, NemoClaw — ИИ-агенты для полной автоматизации действий. Одна из самых сложных, интересных и перспективных категорий. Возможно, через пару лет мы совсем перейдём от чат-ботов к ИИ-агентам, которые будут не только отвечать, но и самостоятельно выполнять задачи вне окна чата. Но пока к таким технологиям стоит относиться с осторожностью — агент, запущенный на персональном компьютере пользователя, может случайно (или специально) передать конфиденциальную информацию в сторонние сервисы или злоумышленникам.

Почему без человека никак: границы применения нейросетей

Перечисленные инструменты уже изменили работу аналитиков и специалистов по Data Science, но не заменили и вряд ли заменят их полностью в ближайшие годы. У этого есть несколько причин.

ИИ не учитывает корнер-кейсы. Корнер-кейсы — это редкие и необычные ситуации использования продукта. Нейросети часто про них забывают — например, упускают, что у какой-либо из метрик знаменатель может быть равен нулю. Конечно, это приведёт к ошибке в последующих вычислениях.

ИИ чувствителен к вводу данных. Одинаковые по своей сути запросы, но описанные разными словами, могут привести к противоположным результатам.

Как в примере с яблоками:

Чат-бот всё верно понял, посчитал и даже заподозрил, в чём был подвох. Но если в другом окне того же чат-бота ввести промпт иначе, ловушка сработает:

ИИ не понимает окружающий мир. Пример: человек осваивал профессию продуктового аналитика и решил изучить все метрики. Попросил нейросеть описать их по порядку — и вроде бы даже выучил. Но нейросеть не учла, что в индустрии нет универсального списка метрик. И даже у одной метрики может быть несколько вариантов вычисления. А значит, зубрить материал в таком виде просто бессмысленно. Получается, что ИИ выполнил запрос, но не учёл, что ошибка крылась в самой задаче.

И это лишь один пример — похожие может найти каждый человек, который является экспертом в какой-либо сфере.

«Возьмите тему, в которой хорошо разбираетесь, и попробуйте поговорить о ней с GPT-моделью. Вы довольно быстро поймёте, что нейросеть понятия не имеет, о чём говорит. Да, она прочитала огромное количество информации и сможет найти много новых данных, но понять, о чём идёт речь, ей не дано. Как только вы увидите это, сможете перенести опыт и на рабочие задачи»

— Александр Вальд

Если подвести итог, можно сказать проще: ИИ — ошибается. Он просто делает, что от него просят. Можно сравнить его с очень умным студентом, который будет отвечать как по шпаргалке. А если не сможет, то начнёт придумывать ответы, чтобы выкрутиться. Человек в таком случае становится преподавателем, который проверяет студенческую работу, — а значит, он должен ещё лучше разбираться в теме. Только так ИИ может стать действительно эффективным инструментом в работе.

«Например, я использую Claude для работы с SQL. Много работал с моделью Opus 4.6, перешёл на новейшую Opus 4.7, и даже она ошибается. Не счесть, сколько раз в день я вижу от Claude сообщение: “Да, ты полностью прав, моё решение действительно не сработает, я всё обдумал и пришёл к выводу, что твой вариант лучше…”»

— Александр Вальд

Зная, как работать с Python, SQL и другими технологиями без ИИ, вы сможете лучше решать задачи и с ним — писать более точные промпты, задавать необходимые ограничения, видеть корнер-кейсы и замечать неочевидные ошибки в результатах. А ещё «присваивать» любой сгенерированный код себе — понимать каждую его строчку и знать, что она на своём месте.

На курсах по анализу данных в Практикуме вы сможете освоить новую профессию: получите необходимый фундамент, пройдёте сотни часов практики, а также узнаете, как использовать ИИ в задачах. Почти на каждом курсе есть бесплатная вводная часть.

А если вы ещё не знаете, каким аналитиком стать, начните с профориентации — на бесплатном курсе «Какую профессию выбрать в анализе данных» узнаете больше о восьми основных направлениях и поймёте, что больше нравится.