Почему AI-проекты не доходят до результата – Павел Боюка, Газпром ИД

📌Наш telegram с невероятными новостями и супер вакансиями https://t.me/kotelov_love

Наш сайт https://go.kotelov.com/website_kotelov

Отправить CV hr@kotelov.com или https://kotelov.com/hr/

Когда AI приносит деньги, а когда – только расходы?

С Павлом Боюкой, директором по AI-продуктам Газпром ИД, разбираем, почему AI-проекты проваливаются после пилота, как считать их окупаемость и когда обычный алгоритм лучше нейросети. Плюс – кейсы Rutube, модерации, рекомендательных систем и LLM, которые могут ошибаться дорого.

00:00 Павел Боюка, директор по AI-продуктам, Газпром ИД

01:43 Что такое Газпром ИД: Рутуб, Матч ТВ и Газпром Банк

02:43 70% инвестиций в AI не вернулись: что Газпром ИД делает иначе

03:04 Быстрые эксперименты и ROI: главные секреты выживания

05:29 AI-проект начинается с денег: оценить ROI до старта

08:00 3 модели монетизации AI: cost-cutting, рост выручки, рекомендации

11:11 Заказчик пришёл с деньгами, но без задачи: что делать

12:36 Эмпатия как главный инструмент: побыть в шкуре сотрудника

14:00 Саботаж при внедрении: почему нужен чемпион внутри компании

15:39 Три причины гибели AI-проектов на этапе пилота

17:48 Нематериальная мотивация чемпиона: признание вместо денег

21:05 Грязные данные заказчика: правило Парето в действии

23:10 Качество AI без эмоций: договориться о метриках на берегу

24:51 Объяснять AI без жаргона: говорить на языке бизнеса

28:44 Как отличить настоящий AI от продукта на if-else

30:24 Каким компаниям нужен AI, а каким нет

35:01 Метрики и ценообразование AI: что убеждает инвесторов

39:09 Рекомендательная система Рутуба: рост просмотров в 2x за 2025

40:17 Reinforcement Learning в рекомендациях: как работает простыми словами

43:54 Рутуб vs Кинопоиск: почему UGC-рекомендации сложнее стриминга

46:34 Холодный старт: что показывать новому пользователю

49:26 Галлюцинации LLM в продакшене: кейс с матом в официальном протоколе

52:30 ЯндексГПТ vs Qwen и DeepSeek: стоит ли переплачивать за русский язык

53:50 AI без дата-культуры: с чего начинать внедрение

56:38 Inhouse vs аутсорс: когда строить AI-экспертизу у себя

57:37 Команда из 70 человек: детские болезни и когда убивать проекты

59:28 Первый найм в AI-команду с нуля: продакт + ML-инженер

1:00:30 Блиц