ЮMoney Tech

Приглашаем на Код аналитика — бесплатный митап ЮMoney для всех, кто работает с системным анализом 🔥

⌚️ 22 октября, четверг, 19:00 (мск) — приходите на митап в Санкт-Петербурге или смотрите трансляцию.

Эксперты из ЮMoney, Сбера и Бындюсофт поделятся опытом и обсудят актуальные рабочие задачи и способы их решения.

Вот о чём будут доклады:

🟣 Вечно-меняющиеся требованиями и как с ними работать
Разберём один из наших проектов с большим количеством стейкхолдеров и их требованиям, которые менялись в процессе аналитики. Обсудим, какие ошибки и удачные решения мы вынесли из этого проекта.

🟣 Готовый прототип — ещё не продукт: как ИИ-агент становится промышленным решением
Расскажем, почему промышленный агент — это не просто более умный прототип, а управляемый контур, включающий спецификацию, ограниченную автономию, проверяемые навыки, постоянные проверки как контракт завершения и среду, в которой агент выполняет работу после релиза.

🟣 Автоматизация работы с архитектурой as Code
Поговорим про покрытие архитектуры тестами и автогенерацию архитектуры. А ещё о развитии опенсорс-репозиториев и том, как всё изменилось за последние три года.

🟣 ИИ-практики в команде системного анализа
Рассмотрим лучшие и худшие кейсы, обсудим, какие инструменты используем, как изменится экспертиза аналитика через два года и как справляться с высокой когнитивной нагрузкой.

Зарегистрируйтесь, чтобы принять участие. Все подробности — на сайте митапа Код аналитика 👈

Text2SQL: как устроен ИИ-агент для аналитики в ЮMoney 🧐

Что, если получить ответ на вопрос о данных можно без очереди к аналитику, а прямо сейчас?

В ЮMoney развивают Text2SQL-сервис, который переводит вопросы на обычном русском языке в SQL-запросы, проверяет их, выполняет и возвращает результат в виде текста, таблицы, Excel-файла или графика. Проект вырос из внутреннего хакатона. В новой статье на Хабре Артём, старший аналитик данных ЮMoney, рассказывает, как устроен сервис и какие задачи команде ещё предстоит решить.

Вы узнаете:
🟣 как сервис понимает вопросы с учётом истории диалога, определяет предметную область и возвращает ответ;
🟣 почему команда выбрала LangGraph и как устроила проверку системы;
🟣 как сервис обрабатывает неоднозначные вопросы и уточняет детали;
🟣 как устроены пайплайн, тестирование и мониторинг ошибок;
🟣 почему команда развивает управляемого агента постепенно и как планирует перейти от ответов на отдельные вопросы к решению многоэтапных аналитических задач.

Материал будет полезен продакт-менеджерам, маркетологам и всем, кто работает с данными, а также разработчикам и аналитикам, которые создают или планируют внедрять подобные решения.

Читайте в нашем блоге на Хабре 👈