Как сообщает AWS Machine Learning, главной преградой для внедрения искусственного интеллекта (ИИ) является не осведомленность, а разрыв между обсуждением ИИ и его практическим использованием. Профессионалы, чья основная работа не связана с программированием, но чья ежедневная деятельность всё больше зависит от ИИ-решений, не нуждаются в инженерном образовании, чтобы начать развивать свои навыки в этой области. Им нужны подходящие инструменты, структурированная поддержка и возможность ошибаться. Мы доказали это и расскажем, как вы можете повторить наш опыт. Проблема, которую игнорируют организации, заключается в том, что ваши команды уже участвуют в обсуждениях об ИИ, будь то ответы на вопросы клиентов, оценка решений поставщиков или выявление возможностей для автоматизации в их повседневной деятельности. Учитывая скорость, с которой инструменты ИИ стали общедоступными, большинство из них никогда не создавали ничего с использованием обсуждаемых инструментов. Эти команды, независимо от того, работают ли они в продажах, операциях, финансах или продуктах, смотрели демонстрации и проходили сертификации. Но когда кто-то спрашивает: «Как это работает на самом деле?», у них нет ответа, который приходит от практического опыта. Это приводит к замедлению внедрения, задержкам в повышении продуктивности, упущенным возможностям для выявления случаев использования и растущему разрыву между тем, что ваши команды знают, и тем, что они могут реализовать. Мы опросили бизнес-профессионалов, которые ежедневно работают с инструментами ИИ, но не пишут код, чтобы выяснить, что мешает им внедрять ИИ. Ответом не было «Я не хочу учиться». 90 процентов хотели получить практический опыт создания ИИ-агентов. Им не хватало связующих элементов и структуры для безопасного построения. Мы разработали шестинедельную структурированную программу, которая связывает бизнес-профессионалов с менторами и инструментами, готовыми к производству, чтобы создать работающие прототипы ИИ, которые могут масштабироваться за пределами программы. Цель: закрыть разрыв между концептуальными знаниями и практическими навыками. В ходе программы четыре профессионала, работающие с клиентами и никогда не работавшие вместе, участвовали в нашем проекте. У них не было инженерного образования. Через шесть недель они представили свой прототип WealthWise, многоагентный ИИ-инструмент финансового консультирования, который занял первое место. Они создали пять специализированных ИИ-агентов, предоставляющих интеллектуальные финансовые консультации: анализ портфеля, оценка рисков, финансовое планирование, рыночные аналитики и персонализированные инвестиционные рекомендации. Архитектура с двойным сервером (Node.js + Python Flask) с моделями Amazon Nova. Использование Strands Agents SDK для многогранной оркестрации агентов и запоминания разговоров. Четыре таблицы Amazon DynamoDB для постоянного хранения данных в реальном времени. Интеграция данных о рынках для контекстуально осознанных финансовых рекомендаций. Время отклика менее пяти секунд для сложного финансового анализа. Система включает в себя согласованное принятие решений: каждый агент самостоятельно решает, какие инструменты использовать, и связывает несколько инструментов вместе, выполняя многоуровневое рассуждение по данным портфеля, рыночным базам данных и моделям финансового планирования. Участники приписали свой успех пяти принципам, которые они установили в первый день: учение важнее победы – выбор сложных подходов вместо безопасных сокращений позволил им экспериментировать без страха; регулярные встречи – ежедневные стендапы предотвращали изоляцию и помогали выявлять проблемы на ранних стадиях; начинать с минимально жизнеспособного продукта (MVP), а затем дорабатывать – работающий поток от начала до второго дня, затем итерации; участие в офисных часах – активный поиск наставничества, когда возникали затруднения; получать удовольствие – психологическая безопасность важнее технического результата. Участники отметили, как практический формат ускорил их обучение: «Время хакатона было идеальным, а практический формат оказался бесценным для активации AgentCore – ускоряя то, что могло бы занять много времени для изучения». «Отличный проект по командообразованию и обучению ИИ! Я многому научился и стал более сочувствующим к клиентам, которые новички в ИИ-решениях». Программа длилась шесть недель, участники посвящали примерно четыре часа в неделю. Мы структурировали её таким образом, основываясь на данных нашей программы: участники, завершившие поэтапную программу, сохраняли в три раза больше практических навыков, чем те, кто проходил интенсивные двухдневные курсы. Профессионалы, которые не пишут код в своей основной работе, нуждаются в циклах итерации: время, чтобы столкнуться с незнакомыми концепциями, восстановиться и снова строить, прежде чем уверенность станет прочной. На этапе 0 мы набрали участников через номинации менеджеров, Slack и email-кампании, нацеливаясь на профессионалов, которые ежедневно работают с решениями ИИ, но не создают их: менеджеры по аккаунтам, консультанты по решениям, аналитики операций, менеджеры программ и аналогичные роли. Сначала мы обеспечили поддержку руководства. Мы проинформировали командных лидеров о временных затратах (четыре часа в неделю в течение шести недель) и представили это как инвестицию в беглость и качество общения, а не отвлечение от их повседневной работы. Программа была организована четырьмя основными членами команды и наставниками, которые выполняли её параллельно с основной работой. Это ключевой момент для воспроизводимости: для этого не требуется выделенная команда, но нужен хотя бы один человек с достаточным доверием в организации, чтобы защитить время участников. На этапе 1 участники формируют команды из 3–4 человек с намеренно смешанными уровнями опыта. Команды определяют проблему, связанную с реальным сценарием, с которым они столкнулись в своей роли. Это приводит к созданию концепции проекта, которую можно продемонстрировать, и структуры ответственности команды. На этапе 2 участники посещают живые обучающие сессии по концепциям агентного ИИ и инструментам AWS. Это не лекции. Участники работают в реальных инструментах, которые они будут использовать на этапе сборки, выполняя структурированные упражнения, которые отражают их проектную работу. Это создает базовую техническую грамотность и рабочую локальную среду. На этапе 3 участники разрабатывают и итеративно создают работающие прототипы в течение нескольких недель. Каждая команда работает с технически опытным наставником, который предоставляет им сеть безопасности, помогает решать инфраструктурные проблемы и предлагает архитектурные решения, не выполняя работу за них. Это приводит к созданию функционального прототипа, который может быть продемонстрирован заинтересованным сторонам или клиентам. На этапе 4 участники проводят живые демонстрации, оцениваемые по пяти категориям: бизнес-воздействие, техническое совершенство, повторяемость и масштабируемость, инновации и качество презентации. Программа продемонстрировала 100-процентный уровень рекомендаций, 95 процентов участников заявили, что программа оправдала или превзошла их ожидания. Инвестиции в эту программу позволили вашим командам стать не наблюдателями ИИ, а создателями ИИ. Они знают, что осуществимо, что дорого, а что можно создать за выходные, исходя из прямого эксперимента. 52 процента участников выявили конкретных клиентов, которые могли бы извлечь выгоду из того, что они создали в ходе программы, и 87 процентов ожидают применить свои знания с клиентами в течение 30 дней. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.