Три промпта, три дашборда — и то, что специалист по аналитике по‑прежнему должен привносить сам в эпоху визуальной аналитики с использованием искусственного интеллекта.
Если вам когда‑либо приходилось запускать дашборд внутри компании, вы наверняка сталкивались со знакомым сценарием.
Вы выкатываете «Идеальный дашборд!». Все добавляют его в закладки. Через две недели аудитория начинает терять интерес. Через полгода данные устаревают, а посещаемость почти сходит на нет.
И ваша работа отправилась на кладбище дашбордов.
Причины смерти хорошо известны:
вы сделали его не для той аудитории;
вы ответили на вопрос, которого никто не задавал;
вы не знали меры в дизайне;
вы запустили его без ответственного владельца.
Такое встречается часто, особенно в организациях, где аналитикам не хватает опыта или нет понятных правил и стандартов визуальной аналитики.
В последнее время я всё чаще думаю вот о чём: что станет с кладбищем дашбордов теперь, когда ИИ умеет за считаные минуты собирать аккуратные, хорошо свёрстанные дашборды с вполне разумным выбором графиков?
Чем ИИ‑дашборды будут проваливаться иначе, чем те, которые люди делали последние тридцать лет? И что со всем этим делать специалисту?
На мой взгляд, искусственный интеллект не опустошит кладбище дашбордов.
Напротив, возникает новая проблема: люди без хорошего понимания основ проектирования дашбордов используют ИИ, чтобы перепрыгнуть через критически важные этапы цикла разработки.
Можно недоработать промпт и получить красиво оформленную экскурсию по данным. А можно перегрузить его и получить уверенно написанную аналитическую записку с заранее заданной позицией.
И то и другое лишь быстрее пополняет кладбище.
Как и во многих других областях, которые сейчас меняет искусственный интеллект, знание основ визуальной аналитики становится не менее, а более важным.
Почему? Потому что дашборды, которые мы запускаем сегодня, будут влиять на решения организаций ещё долгие годы. Цена ошибки — не только мёртвые дашборды.
Гораздо хуже решения, которые принимаются с неоправданной уверенностью в визуальной аналитике, не заслуживающей такого доверия.
Красивые графики и эффективная коммуникация — не одно и то же.
Эдвард Тафти всю карьеру доказывал, что визуальное качество неотделимо от содержательного: в его понимании графическое совершенство — это сложные идеи, переданные ясно, точно и эффективно.(примеч.1)
Опытные специалисты по визуальной аналитике знают: хороший дашборд — это не просто набор качественно отрисованных графиков.
Это средство коммуникации, которое доносит нужную информацию до нужного человека с нужным уровнем детализации.
С первой частью искусственный интеллект уже справляется неплохо. Мне стало интересно, насколько хорошо он справляется со второй. Поэтому я провёл эксперимент с Claude Design — новым инструментом Anthropic для прототипирования визуального дизайна и набором данных каталога LEGO от Brickset.
В нём около 18 500 наборов LEGO за последние пятьдесят лет: серии, количество деталей, розничная цена в США и число минифигурок.(примеч.2)
Данные достаточно знакомые, чтобы о них можно было рассуждать интуитивно, и при этом достаточно богатые для настоящих аналитических вопросов.

Я дал Claude Design три промпта с постепенно возрастающей степенью продуманности (итерации 1, 2 и 3) — именно такие различия обычно отделяют начинающего специалиста по визуальной аналитике от опытного — и посмотрел, что получится.
Каждую версию можно посмотреть здесь:
Ниже разберу каждую из них.
Я начал с наивного промпта:
Собери мне дашборд по этим данным каталога LEGO.
Прежде чем критиковать Claude, стоит отдать ему должное.
До того как что‑либо создавать, он задал мне через кнопки структурированный набор вопросов:
кто аудитория?
на какие вопросы должен отвечать дашборд?
какой временной период важен?
Все эти вопросы действительно уместны и важны.
Я намеренно каждый раз выбирал «Реши за меня», имитируя пользователя, который формулирует промпт, не особенно задумываясь о подобных вещах.
Этап уточнения требований Claude до написания какого‑либо кода:
Я везде выбрал «Реши за меня», имитируя пользователя, который пропускает постановку задачи.

Результат выглядел профессионально.
Длинная прокручиваемая страница в редакционном стиле: монохромная палитра с тёплым цветовым акцентом.
Наверху — пять карточек KPI:
общее число наборов;
активные серии;
среднее количество деталей;
средняя розничная цена;
число выпущенных наборов за последний год.
Ниже — пять пронумерованных разделов:
рост каталога;
рейтинг серий;
изменение сложности наборов;
флагманские наборы;
сортируемая интерактивная таблица для изучения данных.
Хорошая типографика. Разумный выбор графиков.
Никакого 3D, круговых диаграмм и бессмысленного декоративного мусора.

Итерация 1 выглядела профессионально, но как инструмент для принятия решений оказалась практически бесполезной.
Для 95% людей, увидевших её, это вполне сошло бы за хороший дашборд. Но присмотритесь внимательнее: что он на самом деле вам сообщает?
Ничего особенно цельного. Дашборд сообщает, что LEGO выпустила множество наборов, что одни серии крупнее других, что со временем количество деталей постепенно росло, а следом росли и цены. Это просто экскурсия по данным. Пять разделов с перечислением того, что есть в датасете. И совершенно непонятно, какие решения он помогает принимать аудитории.
Один мой коллега называет это синдромом «дашборда из почтового ящика»: его создают потому, что данные есть, а не потому, что кому‑то нужен ответ.(примеч.3) Этому паттерну столько же лет, сколько самому BI‑софту, и без участия опытного специалиста новые инструменты почти наверняка будут попадать в ту же ловушку. Причём профессиональный внешний вид не помогает её заметить, а, наоборот, маскирует.
Проблемы с качеством данных только усугубляют ситуацию.
В рейтинге групп серий лидирует «Miscellaneous», потому что датасет объединяет настоящие наборы из кубиков с плюшевыми игрушками и товарами для дома, а Claude даже не уточнил, что именно следует считать LEGO.
Карточки KPI дублируют данные, которые сразу под ними уже показаны в интерактивной таблице, создавая лишнюю визуальную нагрузку, от которой хорошие дашборды как раз стараются избавляться.
Это менее очевидные ошибки, чем откровенные галлюцинации, но механизм тот же, о котором в последнее время пишет Энди Котгрив: визуальная безупречность дашборда притупляет бдительность.(примеч.4)
Итерация 1 показывает, что происходит, когда специалист пропускает постановку задачи. Я отказался от всех вариантов, которые предложил Claude, и получившийся дашборд отражает именно это, а не недостаток самого инструмента.
«Дашборд из почтового ящика» — старый паттерн.
Искусственный интеллект его не придумал; он лишь научился придавать таким дашбордам настолько убедительный вид, что при беглом просмотре проблема легко остаётся незамеченной.
Недоработаете постановку задачи — пополните кладбище дашбордов.
Для второй итерации я написал постановку задачи, которую сразу узнает любой опытный аналитик:
Ты специалист по стратегическому планированию в LEGO Group. Собери дашборд, который покажет мне, в какие серии стоит инвестировать, какие сохранять, а какие закрывать. Пользователь — старший специалист по стратегическому планированию. До стратегической встречи в понедельник у него есть 60 секунд, чтобы просмотреть дашборд и прийти на неё подготовленным. Дашборд должен отвечать ровно на ОДИН вопрос. Всё на странице должно работать на этот вопрос. Всё остальное убери.
Одно решение, одна аудитория, один временной горизонт и явное разрешение отсечь всё лишнее.
Claude Design выдал совершенно другой результат.
Исчезла длинная прокручиваемая страница с инвентаризацией данных.
Вместо неё появилась страница принятия решений с тремя колонками:
«Инвестировать»;
«Сохранять»;
«Закрывать».
Во главе каждой — одно число:
14 серий;
11 серий;
13 серий.
И подпись в одно предложение с названием наиболее примечательной серии.
Ниже расположена подробная сетка: каждая серия представлена небольшой карточкой с объёмом за три года, изменением относительно предыдущего трёхлетнего периода и спарклайном.

Очень, очень даже неплохо. Но так ли это на самом деле?
Теперь структура дашборда действительно отвечала на важный и полезный вопрос. Аналитик LEGO мог зайти на встречу, за минуту просмотреть три категории и сформировать собственную позицию.
Именно к этому давно призывает литература о дашбордах.
Стив Уэкслер, Джеффри Шаффер и Энди Котгрив называют это ориентацией на действие (action‑orientation), а Коул Нуссбаумер Кнафлик — подходом «начать с ответа на вопрос „и что из этого?“».(примеч.5)
По сути, оба принципа сводятся к одному: начинайте с решения, а не с данных.
Но при более пристальном рассмотрении обнаружились проблемы.
Несколько серий в категории «Закрывать» уже давно были закрыты. Nexo Knights, Mindstorms, Dimensions, Juniors, Elves — у всех −100% относительно предыдущего периода, а спарклайны заканчиваются на нуле. LEGO прекратила выпуск этих серий много лет назад.
Советовать руководителю по маркетингу в LEGO закрыть то, что уже закрыто, бессмысленно. В датасете была информация, позволяющая отфильтровать такие серии, но Claude не уточнил критерии и не сделал этого.
В заголовке дашборда было написано «оценено серий: 38», но никак не объяснялось, куда делись остальные 115 активных серий.
Энди Кирк считает достоверность фундаментальным уровнем эффективной визуализации, и это как раз тот случай, о котором он говорит: когда опытный аналитик видит под уверенным заголовком необъяснённое число, доверие рушится ещё до того, как дашборд получает шанс принести какую‑либо пользу.(примеч.6)
К середине страницы поплыла и терминология.
«Инвестировать / Сохранять / Закрывать» в главном блоке превратились в «Инвестиции / Опорные / Закрытие» в разделах с деталями. Понятия те же, слова другие, причины для замены нет. Именно такие вещи должен отлавливать внимательный дизайн‑ревью.
Но есть и более глубокая проблема: отвечает ли дашборд вообще на правильный вопрос?
Решение «инвестировать / сохранять / закрывать» связано с экономической отдачей: где LEGO зарабатывает деньги, а где нет. Но единственным показателем, который использовал Claude, было количество выпущенных наборов.
Серия LEGO может выпускать по пятьдесят наборов в год и терять деньги на каждом. А другая — выпускать всего пять и при этом быть одной из самых прибыльных во всём каталоге.
Дашборд не говорит специалисту по стратегическому планированию, куда стоит инвестировать. Он лишь показывает, в каких сериях LEGO выпускает больше наборов. Это близкий вопрос, но гораздо менее полезный.
В датасете, который я передал Claude, не было данных о выручке или марже, поэтому он в принципе не мог ответить на настоящий вопрос, даже если бы попытался. Опытный аналитик обнаружил бы этот пробел ещё до начала разработки.
Claude просто построил дашборд вокруг него.
Постановка задачи придала дашборду правильную форму, но не смогла дать Claude профессиональное чутьё, необходимое, чтобы:
уточнить, что считать активной серией;
заметить уже закрытые серии;
предупредить, что исходный датасет на самом деле не позволяет ответить на поставленный вопрос.
Структуру постановка задачи обеспечила.
А для профессионального суждения всё ещё требовался человек — или, возможно, гораздо более подробный промпт. Итерация 2 показывает, чего можно добиться с помощью грамотно составленной постановки задачи и где заканчиваются её возможности.
Структура соответствовала вопросу.
Но содержание всё ещё требовало аналитика, который достаточно хорошо знает данные, чтобы поставить их под сомнение.
Райан Долли называет это трёхслойным пирогом BI‑контекста: контекст данных, контекст знаний и контекст принятия решений. (примеч. 7)
Мой промпт провёл Claude через первый слой. Второй и третий по‑прежнему остаются в голове аналитика.
Промпт, достаточно хороший для выпуска дашборда, совсем не обязательно достаточно хорош для выпуска дашборда, которому можно доверять. Для этого по‑прежнему нужны вмешательство и проверка со стороны компетентных аналитиков.
Для третьей итерации я дополнил постановку задачи подробным набором ограничений (guardrails) — примерно таких, какие специалист по проектированию дашбордов мог бы использовать при прототипировании продукта для визуальной аналитики.
Ты специалист по стратегическому планированию в LEGO Group. Собери дашборд, который покажет, в какие серии стоит инвестировать, какие сохранять, а какие закрывать.
ОГРАНИЧЕНИЕ: ИЕРАРХИЯ
Ключевой показатель — одно число, которое лучше всего отвечает на поставленный вопрос, — должен находиться в левом верхнем углу, быть самым крупным и сопровождаться сравнением с предыдущим периодом и подходящим ориентиром.
Визуальный вес должен соответствовать важности. Самый важный элемент должен быть самым заметным.
ОГРАНИЧЕНИЕ: SCAN / ZOOM / LINK
Дашборд должен состоять из трёх уровней детализации, сверху вниз:
SCAN (верхние 20%): ключевой показатель. Ответ за 3 секунды.
ZOOM (средние 50%): поясняющая история. 3–5 графиков, объясняющих, почему ключевой показатель именно такой.
LINK (нижние 30%): детализация. Таблицы, списки и конкретные данные, позволяющие изучить отдельные случаи.
Взгляд должен двигаться сверху вниз, на каждом уровне переходя к большей детализации.
Не размещай графики в виде плоской сетки.
ОГРАНИЧЕНИЕ: ВЫБОР ДИАГРАММ И СДЕРЖАННОСТЬ
ЗАПРЕЩЕНЫ: круговые и кольцевые диаграммы, индикаторы, спидометры, радарные диаграммы, 3D‑эффекты, тени и декоративные иконки.
ПО УМОЛЧАНИЮ используй столбчатые диаграммы для сравнения и линейные — для трендов.
Используй ОДИН акцентный цвет. Применяй его ТОЛЬКО к ключевому показателю и выходам за пороговое значение. Всё остальное — в оттенках серого.
Не добавляй визуальные элементы, которые не несут информации.
ОГРАНИЧЕНИЕ: РЕДАКЦИОННАЯ ДИСЦИПЛИНА
Каждый фильтр должен оправдывать своё присутствие; заголовки должны содержать вывод; принцип «кабины пилота»: представление по умолчанию сразу показывает ответ.
На этом этапе я уже не просто ставил Claude Design задачу.
Я передал ему целую методологию и попросил очень точно ей следовать.
Claude Design снова выдал совершенно другой результат, и на этот раз проблема была скорее во мне, а не в ИИ.

Визуально результат действительно впечатляет. Но он постепенно превращается скорее в аналитическую записку на основе данных, чем в традиционный дашборд.
Поэтому как дашборд я бы счёл его неудачным, хотя для визуальной аналитики в более широком смысле это вовсе не обязательно провал.
Страница открывается одним числом — «13» — набранным почти как цифра на обложке журнала, и фразой: «13 серий неактивны или просели более чем на 40%. Закройте их, чтобы высвободить ресурсы дизайнеров и место на полках».
Следом идёт абзац с контекстом: это 34% активного портфеля, но лишь 5% недавнего объёма выпуска.
Ниже первого экрана:
диаграмма с областями с накоплением под заголовком «Закрытие лишь подтверждает десятилетний тренд, а не создаёт его»;
диаграмма рассеяния со всеми сериями на сетке «объём × рост», где зона закрытия выделена фоном;
малые множественные диаграммы (small multiples) со снижением показателей для каждой из 13 серий‑кандидатов;
в самом низу — таблица со всеми сериями, отсортированными по рейтингу.
С точки зрения структуры эта итерация следует почти учебниковым принципам визуального дизайна. Иерархия, каркас, сдержанность, заголовки с выводом — всё выполнено в точности по инструкции.
Но ошибка была в том, что я применил все эти принципы разом к вопросу, который ещё толком не проанализировал.
Каждый из них сам по себе вполне разумен. Но все четыре вместе загоняют дашборд в форму, которая настойчиво подводит к одному ответу — независимо от того, подтверждают его данные или нет.
В результате итерация 3, пожалуй, получилась даже хуже второй.
Настоящая проблема возникла ещё до этапа написания промпта:я не проделал аналитическую работу, прежде чем его составлять.
Я сразу бросился применять теорию визуализации данных, не потратив время на то, чтобы разобраться в самом датасете и понять, что он действительно показывает.
Для начала стоило изучить данные и задать вопросы вроде:
Какие серии уже были закрыты?
Можно ли обоснованно считать объём выпуска косвенным показателем ценности?
Что данные на самом деле позволяют сказать убедительнее всего: «инвестировать», «сохранять» или «закрывать»? А какие из этих выводов вторичны?
Опытный аналитик сначала потратил бы время на изучение данных и только потом написал постановку задачи.
И уже это понимание определило бы, какой вопрос стоит вывести на первый план.
Я этот этап пропустил.
Ограничения объяснили Claude Design, как представить ответ. Но они не объяснили, каким должен быть сам ответ, потому что я и сам этого ещё не знал. Поэтому Claude выбрал его самостоятельно: «Закрывать».
Порог −40% сделал именно эту историю самой визуально заметной в рамках заданного правила иерархии, и Claude уверенно выстроил вокруг неё всю аргументацию. Это противоположная крайность по сравнению с итерацией 1.
Первая была настолько ни к чему не обязывающей, что в итоге не говорила ничего конкретного.
Третья, наоборот, настолько уверенно придерживается одной позиции, что исключает всё, кроме единственного вывода, который уже решила донести.
Итерация 1 — дизайн без мысли.
Итерация 3 — дизайн без анализа.
В изначальной формулировке Стивена Фью дашборд существует, чтобы помогать принимать решения.(примеч.8)
Итерация 3 решение уже объявляет.
Аналитик может подтвердить рекомендацию, но нормально проверить её ему будет трудно.
Он не сможет легко спросить:
«Устойчив ли рост Super Mario?»
«Как год к году меняется серия City?»
Страница уже решила, что эти вопросы несущественны.

Кроме того, несмотря на довольно подробный промпт, в реализации остались и более приземлённые проблемы.
На диаграмме рассеяния подписи настолько сильно накладываются друг на друга, что некоторые невозможно прочитать.
Mindstorms показана акцентным цветом, который дашборд уже приучил читателя воспринимать как «маркер закрытия», но при этом находится в квадранте высокого роста.
Задуманный смысл здесь — «закрыта, несмотря на рост».
Однако визуальная грамматика, которую остальная страница так тщательно выстраивала, ломается именно в тот момент, когда читателю особенно важно, чтобы она оставалась последовательной.
Таблица внизу итерации 3 показывает по сути то же самое, что и сетка с деталями во второй итерации: все серии, разбитые по категориям, с показателями роста и спарклайнами.
Отличается только формат.
В итерации 2 использовались карточки: каждой серии отводился отдельный блок, а рядом с числами показывалась её классификация — Licensed, Modern Day, Action/Adventure. В итерации 3 те же данные упакованы в более плотные строки.
Карточки удобнее для просмотра, строки — для поиска.
А постановка задачи требовала уложиться в шестьдесят секунд беглого просмотра, то есть именно просматривать.

Но ещё важнее то, где именно каждый из вариантов расположен на странице.
В итерации 2 сетка с деталями составляет основную часть доказательной базы и находится сразу под тремя числами категорий, которые она поясняет.
В итерации 3 тот же блок идёт лишь пятым:
после главного блока;
после диаграммы с областями с накоплением;
после диаграммы рассеяния;
после малых множественных диаграмм.
К тому моменту, когда читатель до него добирается, страница уже успела объяснить ему, что он должен думать.
Вот что получается, когда перегружаешь постановку задачи. Дашборд определился с ответом ещё до того, как аудитория закончила задавать вопросы.
Итерация 1 пополняет кладбище дашбордов тем, что не говорит ничего.
Итерация 3 — тем, что говорит слишком много.
И то и другое на самом деле ошибки специалиста, просто на противоположных концах спектра. Искусственный интеллект не создал ни одну из них, он лишь сделал так, что их стало сложнее заметить.
Кладбище дашбордов всегда пополнялось из‑за слабого понимания базовых принципов их проектирования. Искусственный интеллект эту проблему не решает. Он лишь меняет её масштаб.
Такие инструменты, как Claude Design, Figma Make и ChatGPT, позволяют любому человеку с датасетом за несколько минут собрать нечто визуально убедительное. Поэтому теперь нам грозит волна дашбордов, которые выглядят профессионально, но при этом незаметно оказываются внутренне несвязными.
Во всех трёх итерациях эксперимента Claude Design действительно допускал ошибки.
Он:
не уточнил, что именно считать LEGO;
оставил под уверенным заголовком фразу «оценено серий: 38», никак не объяснив это число;
оставил давно закрытые серии в категории «Закрывать».
Но куда серьёзнее были мои собственные ошибки.
Итерация 1 превратилась в красиво оформленную экскурсию по данным, потому что я не дал нормальной постановки задачи.
Итерация 2 устранила большинство проблем промпта, но Claude не смог заметить собственные ошибки.
Итерация 3 настойчиво подводила к одному ответу, потому что я сам велел ей это делать ещё до того, как проделал аналитическую работу и понял, каким вообще должен быть этот ответ.
Недоработаете промпт или перегрузите его — результат окажется в одном и том же месте: перед вами будет нечто, похожее на дашборд, но, возможно, совершенно бесполезное. Поэтому прежде чем выпускать ИИ‑дашборд, сначала проделайте аналитическую работу.
Промпт её не заменит. Разберитесь в данных, поймите, что именно они показывают, и уже исходя из этого пишите постановку задачи. Оставьте модели пространство для профессионального суждения, а читателю — возможность задавать вопросы.
Знание основ теперь важнее, а не менее важно. С искусственным интеллектом выпустить дашборд стало проще, чем когда‑либо, а вот выпустить хороший дашборд, возможно, стало сложнее, чем когда‑либо.
Игнорировать принципы проектирования дашбордов теперь особенно рискованно.
Примечания1. Edward Tufte, The Visual Display of Quantitative Information, 2-е изд. (Graphics Press, 2001). Формулировка Тафти о графическом совершенстве как о «сложных идеях, переданных ясно, точно и эффективно» остаётся классическим выражением принципа, согласно которому визуальное качество неотделимо от качества коммуникации.
2. Brickset.com — поддерживаемый сообществом каталог и база данных LEGO. Использованный здесь датасет был выгружен из Brickset и содержит все наборы из каталога за период с 1970 по 2022 год: серии, количество деталей, розничную цену в США и число минифигурок. Датасет был получен через Maven Analytics.
3. Орельен Вотье пишет о паттерне «дашборда из почтового ящика» (Mailbox Dashboard) в Dataviz Clarity. По его мнению, дашборды, которые строятся вокруг случайно оказавшихся под рукой данных, а не вокруг вопроса, на который кому‑то действительно нужен ответ, неизбежно проваливаются.
4. Andy Cotgreave, “Hallucinations in AI Analytics: still real and dangerous”, How to Speak Data (Substack), 2 мая 2026 года. Котгрив описывает эпизод Chart Chat, в котором созданный Claude дашборд неправильно определил год с максимальным значением на графике, находившемся прямо над ошибочной подписью. Ни он, ни другие участвовавшие в работе специалисты не заметили ошибку ни во время создания дашборда, ни во время записи. Он пишет: «Мы настолько впечатлились привлекательным оформлением, что ни он, ни мы этого не заметили».
5. Эта идея проходит через значительную часть современной литературы о дашбордах. Steve Wexler, Jeffrey Shaffer и Andy Cotgreave в книге The Big Book of Dashboards: Visualizing Your Data Using Real‑World Business Scenarios (Wiley, 2017) рассматривают дашборды как инструменты, которые должны «подталкивать к действию», а не просто «показывать данные». Cole Nussbaumer Knaflic в Storytelling with Data: A Data Visualization Guide for Business Professionals (Wiley, 2015) выдвигает похожую идею: начинать нужно с решения, а не с датасета.
6. Выражение «контракт доверия» — это пересказ идеи Энди Кирка о достоверности как фундаментальном уровне эффективной визуализации данных. См. Andy Kirk, Data Visualisation: A Handbook for Data Driven Design, 2-е изд. (SAGE, 2019), глава 3.
7. Ryan Dolley, “The Context Your BI Tool Can’t Model”, Super Data Blog (Substack), 7 апреля 2026 года. Долли утверждает, что BI‑контекст состоит из трёх уровней: контекста данных — таблиц, связей и определений; контекста знаний — того, что означают различные понятия и как они связаны; и контекста принятия решений — политических, социальных и негласных правил, которые определяют, что именно будет создано и каким образом. По его мнению, два верхних уровня по‑прежнему находятся в голове аналитика и остаются главным источником его ценности в мире аналитики с искусственным интелектом.
8. Stephen Few, Information Dashboard Design: Displaying Data for At‑a‑Glance Monitoring, 2-е изд. (Analytics Press, 2013). Фью определяет дашборд как «визуальное представление наиболее важной информации, необходимой для достижения одной или нескольких целей, сведённой и размещённой на одном экране так, чтобы её можно было контролировать одним взглядом».

ИИ уже умеет за минуты собирать дашборды и находить закономерности в данных. Но без понимания контекста и качества исходной информации легко получить красивый результат, который приводит к неверным выводам.
На бесплатных уроках от преподавателей мы разберём, как применять искусственный интеллект в аналитической работе и подготовке данных, присоединяйтесь:
7 сентября, 18:00. «Учимся готовить данные для ML‑моделей». Записаться
22 сентября, 20:00. «Метрики CTO: показатели, которые действительно нужно контролировать». Записаться
Больше бесплатных уроков сентября смотрите в дайджесте.