Data Flow | AI & Автоматизация | Stas Gasilovskii
前往频道在 Telegram
351
订阅者
无数据24 小时
+27 天
+630 天
数据加载中...
吸引订阅者
六月 '26
六月 '26
+10
在0个频道中
五月 '26
+17
在0个频道中
Get PRO
四月 '26
+13
在0个频道中
Get PRO
三月 '26
+13
在0个频道中
Get PRO
二月 '26
+10
在0个频道中
Get PRO
一月 '26
+27
在0个频道中
Get PRO
十二月 '25
+29
在0个频道中
Get PRO
十一月 '25
+43
在0个频道中
Get PRO
十月 '25
+19
在0个频道中
Get PRO
九月 '250
在0个频道中
Get PRO
八月 '250
在1个频道中
Get PRO
七月 '250
在0个频道中
Get PRO
六月 '250
在0个频道中
Get PRO
五月 '250
在0个频道中
Get PRO
四月 '250
在0个频道中
Get PRO
三月 '25
+214
在1个频道中
Get PRO
二月 '250
在0个频道中
Get PRO
一月 '250
在1个频道中
Get PRO
十二月 '24
+34
在1个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 29 六月 | +1 | |||
| 28 六月 | 0 | |||
| 27 六月 | +1 | |||
| 26 六月 | +1 | |||
| 25 六月 | 0 | |||
| 24 六月 | 0 | |||
| 23 六月 | 0 | |||
| 22 六月 | +1 | |||
| 21 六月 | 0 | |||
| 20 六月 | 0 | |||
| 19 六月 | 0 | |||
| 18 六月 | +1 | |||
| 17 六月 | 0 | |||
| 16 六月 | +1 | |||
| 15 六月 | 0 | |||
| 14 六月 | +2 | |||
| 13 六月 | 0 | |||
| 12 六月 | 0 | |||
| 11 六月 | +1 | |||
| 10 六月 | 0 | |||
| 09 六月 | 0 | |||
| 08 六月 | 0 | |||
| 07 六月 | 0 | |||
| 06 六月 | +1 | |||
| 05 六月 | 0 | |||
| 04 六月 | 0 | |||
| 03 六月 | 0 | |||
| 02 六月 | 0 | |||
| 01 六月 | 0 |
频道帖子
Как подключить n8n к таблицам Google?
Подключение n8n к Google-таблицам часто вызывает затруднения, особенно если вы впервые за это беретесь.
Процесс кажется запутанным и непонятным. Но если внимательно и последовательно выполнить все шаги, то оказывается, ничего сложного нет.
Собрал для вас небольшой гайд. Пользуйтесь!
| 2 | The_Architecture_of_Results.pdf | 333 |
| 3 |  🤩 Создание презентации в два счёта
Решил потестировать создание презентации через гугловский сервис NotebookLM и просто офигел.
Закинул книжку "Достижение результатов для чайников" - это книга про то, как качественно организовать свое время, чтобы достигать результатов. И попросил по этой книжке сгенерировать презентацию.
Просто зацените, что получилось. Красота!
P.S.
Полную презентацию отправлю следующим сообщении. | 313 |
| 4 |  Nano Banana изобрели в 2025 году.
Люди до: | 278 |
| 5 |  a16z выкатили 6-й выпуск топ-100 AI-продуктов
И вот, что получилось:
ChatGPT - 900 млн еженедельных пользователей, больше 10 % населения планеты. Но конкуренты растут быстрее: Claude +200 % по платным подписчикам за год, Gemini +258 %. Примерно 20 % пользователей ChatGPT параллельно сидят в Gemini - люди перестают быть моногамными в AI.
Платформы расходятся по стратегии, и это самое интересное. ChatGPT строит суперапп: 220 приложений в каталоге, от шопинга до здоровья (Expedia, Instacart, Zillow), тестирует рекламу и готовит «Sign in with ChatGPT». Claude идёт к профи и разработчикам: финансовые терминалы, девтулзы, научные базы, а Claude Code за полгода вышел на $1 млрд годовой выручки. Пересечение каталогов - 11 %.
Генерация картинок переехала внутрь больших платформ, Midjourney упал с топ-10 на 46-е место. Зато взлетели AI-видео (Kling, Hailuo, Pixverse), музыка (Suno) и агенты: опенсорсный OpenClaw за несколько недель обогнал React и Linux по звёздам на GitHub, и OpenAI его купил.
Географически мир AI раскололся на три полюса: Запад (ChatGPT, Claude, Gemini), Китай (Doubao, Kimi, DeepSeek) и Россия, где Яндекс Браузер с Алисой вошёл в топ-10 мобильных AI-продуктов мира. А по адопции на душу населения лидирует Сингапур - США только на 20-м месте.
👩💻 Data Flow | 256 |
| 6 |  Сегодня можно собирать сайты в Lovable безлимитно.
Если планировали сделать свой первый сайт или доработать существующие наброски, самое подходящее время 👍 | 214 |
| 7 |  GPT, который можно "потрогать руками"
Все объяснения работы GPT упираются в одно и то же: attention, эмбеддинги, softmax. Слова знакомые, а что реально происходит внутри — непонятно.
Корейский разработчик сделал ko-microgpt - крошечную GPT-модель, которая генерирует корейские имена и показывает каждый шаг прямо в браузере. Скроллишь страницу и видишь, как токен идёт через эмбеддинги, нормализацию, attention, MLP. Живые числа и веса на реальных данных.
Проект вырос из microgpt Андрея Карпати - той самой GPT на ~200 строк Python. Только здесь к модели прикрутили интерактивный интерфейс, и получилось супер наглядное объяснений трансформеров.
👩💻 Data Flow | 236 |
| 8 |  Оказывается, Claude Code умеет собирать презентации - и довольно неплохо.
Была задача сделать презентацию, и я решил дать ему шанс. Схема простая: сделал шаблон в Google Slides, скормил его Claude Code и посмотрел, что выйдет.
Результат удивил. Не шедевр, но вполне рабочий baseline - особенно когда нужно что-то быстро собрать. Единственное - ему нужно давать конкретные комментарии по стилю, иначе будет "ну такое".
Важный момент по модели: Claude Opus справляется процентов на 30 лучше, чем Sonnet. По крайней мере, по моим ощущениям.
👩💻 Data Flow | 202 |
| 9 |  В последнее время наблюдаю, большой хайп вокруг Claude Code - такой агентской системы на основе Claude.
И вот понятное дело, как его используют вайбкодеры программисты. Тут в целом вопросов нет. Понятно, как его можно использовать для создания приложений.
Но вот что интересно, так это то, что все чаще и чаще слышу о том, что Claude Code используют для автоматизации рутины.
Очень интересно послушать вас.
Если вы уже используете его для автоматизации каких-то повседневных задач, поделитесь своими кейсами в комментариях 🔥
👩💻 Data Flow | 216 |
| 10 |  ❔ В чем сила, брат смысл жизни, Клод?
Последнее время активно использую нейронку Opus для решения разного рода "твердых" (технических) задач. И вот сегодня решил пойти в "мягкое" и побеседовать с ней о смысле жизни. А именно: найти свой Икигай.
Ikigai (яп. 生き甲斐) - это японская концепция, которая помогает найти то, ради чего стоит просыпаться по утрам. По сути это пересечение четырёх вещей: что ты любишь делать, в чём ты силён, за что тебе готовы платить и что нужно миру вокруг тебя.
Считается, что когда эти четыре области сходятся в одной точке, появляется ощущение осмысленности и наполненности того, чем ты занимаешься.
Прошу, проведи меня через глубокий процесс открытия моего Ikigai.
Так звучал промпт.
Результат получился крутым, удалось прямо таки глубоко "копнуть". Если в кратце, то вот мой Икигай:
Я - инженер трансформаций. Я беру сложные системы (технические, ментальные, жизненные), раскладываю их на понятные элементы, нахожу структуру, и через точную коммуникацию помогаю людям увидеть то, чего они не видели, чтобы они стали действовать по новому и получили результат.
💎 Turn chaos into clarity, clarity into action, одним словом.
Пробуйте и делитесь своими результатами в комментариях! ✌️
👩💻 Data Flow | 256 |
| 11 |  🪙 Как не сливать токены в языковых моделях
Если вы активно пользуетесь языковыми моделями вроде Claude или GPT, то наверняка замечали, как быстро заканчиваются лимиты токенов. Особенно это применимо к премиум моделям, типа Opus 4.6, использование которых даже на платных подписках лимитировано. Всё дело в том, что при каждом запросе передаётся вся история диалога, и чем она длиннее, тем больше токенов уходит. Но есть способ сэкономить.
Попробуйте делать краткое summary. На определённом этапе общения с моделью (например, в середине диалога) попросите её сформулировать резюме в формате markdown. В этом резюме должна быть вся ключевая информация, чтобы другой агент мог продолжить разговор с того же места. Затем откройте нового агента, вставьте туда это summary и задайте следующий вопрос. Новый диалог начнётся с минимальной историей, но с сохранением контекста 👍
👩💻 Data Flow | 277 |
| 12 |  Как скоротать зимний вечер выходного? Можно конечно завернуться в плед, почитать интересную книгу. А можно послушать лекцию по MCP под расслабляющую музыку и голос Стаса 🤓 | 338 |
| 13 | Всем отличных выходных!
Поговаривают, что в Москве эти пару дней будет морозно 🥶Если вы все еще в раздумьях, чем же заняться, то делюсь с вами годным советом, от одного из наших студентов 😉👍 | 306 |
| 14 |  ✅ Вот такие результаты года получились
P.s. За сервис спасибо @neural_prosecco @snimshchikov, @neuraldeep
👩💻 Data Flow | 353 |
| 15 |  🧰 n8n: автоматизация без границ
Если всё ещё вручную копируешь данные между сервисами или пишешь одни и те же скрипты для типовых задач - пора познакомиться с n8n.
Это визуальный конструктор рабочих процессов, который связывает приложения, API и базы данных без необходимости писать длинный код.
💡 Как это работает
В основе n8n - нодовая логика. Каждый узел (node) выполняет отдельное действие: отправляет запрос, парсит файл, фильтрует данные, вызывает API или запускает скрипт.
Соединяя ноды линиями, ты создаёшь целую систему - от простых последовательностей до сложных сценариев с десятками условий и циклов.
Простые задачи? Легко:
- Отправить уведомление в Telegram при поступлении новой заявки из формы
- Каждые сутки собирать данные с сайта и сохранять в Google Sheets
Сложные сценарии? Ещё интереснее:
- Интеграции с REST API
- Управление потоками данных между CRM и ERP
- Работа с Redis, OpenAI, Qdrant или LangChain
- Собственные ИИ-агенты, которые выполняют задачи по цепочке - от получения данных до генерации отчётов
⚡️ Главное - n8n остаётся открытой платформой.
Можешь добавить свои ноды, нормализовать данные и выстраивать гибкую архитектуру автоматизации любого масштаба - от стартапа до корпоративного решения.
Я уже упоминал n8n как no-code инструмент для сборки первого ИИ-ассистента.
Но это только верхушка айсберга - с его помощью можно автоматизировать практически любые рутинные процессы в работе.
👩💻 Data Flow | 311 |
| 16 | 🧑🎓 GPT Week от Яндекса: как обучают и дообучают GPT #MLSTART
Если хочется разобраться, что реально происходит под капотом больших языковых моделей - от pretrain до fine-tuning - у Яндекса был крутой интенсив GPT Week.
Я сам посмотрел примерно половину. Честно скажу - местами довольно сложно. Но зато там много действительно полезного контента, особенно если уже есть база по ML и нейросетям.
💡Что там разбирают:
- Как обучаются большие языковые модели
- Этапы pretrain и fine-tuning
- С какими ограничениями и компромиссами сталкиваются на практике
📺 Записи всех занятий можно найти в плейлисте.
А если хочется не просто смотреть, а разбираться руками - есть ноутбуки к семинарам:
- Семинар 1
- Семинар 2
- Семинар 4
Ещё есть дайджест интенсива - кратко и по делу.
⚡️ GPT Week - это уже следующий уровень после "вката". Когда хочется понять не только как пользоваться моделями, но и что реально происходит внутри - от обучения до дообучения.
Если какие-то лекции покажутся сложными - это нормально. Даже выборочный просмотр даёт хорошее представление о том, насколько LLM - это инженерно сложные системы.
На этом серия про старт в ML и LLM логично завершается. Надеюсь, она поможет вам быстрее выстроить путь и избежать лишней каши в голове 🙂
Вернуться к оглавлению
👩💻 Data Flow | 204 |
| 17 | 🤖 ИИ-ассистент на Avito: как заменить менеджера в пиковые часы
Если думаешь, что ИИ-агенты - это что-то далекое и абстрактное, вот реальный кейс с цифрами от одного из наших студентов. Магазин одежды на Avito с оборотом 3 млн рублей в месяц внедрил ИИ-ассистента для обработки заявок - и результаты впечатляют.
💡 Что такое ИИ-агент?
Это программа, которая может самостоятельно думать, принимать решения и выполнять задачи. В отличие от обычной языковой модели, ИИ-агент имеет доступ к вспомогательным инструментам и способен ими осознанно пользоваться.
В этом кейсе ИИ-агент:
- Читает сообщения клиентов
- Понимает их вопросы (размеры, доставка, цена)
- Ищет нужную информацию в базе из ~500 товаров
- Генерирует ответ на основе данных бизнеса
- Отправляет ответ в Авито
🎯 Задача
Менеджер не успевал обрабатывать 30-40 заявок в час в пиковое время. Если не ответить быстро - клиент уходит. Нужно было освободить менеджера от рутины и взять обработку заявок на автоматизацию.
⚙️ Как это работает
Webhook от Авито → Преобразование сообщения → Загрузка данных из БД → Проверка токена → Фильтр (только от клиентов) → AI генерирует ответ → Отправка обратно в Авито.
Но была проблема: клиент пишет 3 сообщения подряд за 10 секунд - ассистент отвечает 3 раза. Выглядит странно + лишние затраты на токены.
Решение: внедрение Redis, который объединяет все сообщения клиента в течение нескольких секунд в единое сообщение - и ассистент отвечает один раз, но сразу на все вопросы.
📊 Результаты
- Время ответа 5-15 минут -> 1-5 секунд
- 5-10 заявок/час -> 30-40+ заявок/час
- Менеджер: 10ч в день -> ИИ-агент: 24/7
- 50.000₽ в месяц -> 10.000₽ в месяц
За 4 недели тестирования заявки "без ответа" исчезли при сохранении конверсии в оплату. Количество оплат даже немного выросло за счет полной переработки спроса.
🔧 Бонус-фича
Когда клиенту пишут с предложением сотрудничества или нестандартными вопросами - ассистент перенаправляет диалог владельцу через уведомление в Telegram.
⚡️ Человек не убирается полностью из процесса - он просто усиливается автоматизацией. Контроль сохраняется, но пиковые нагрузки теперь не проблема.
😎 Хочешь собирать такие же автоматизации? Приходи к нам на курс.
👩💻 Data Flow | 158 |
| 18 | 💻 Где запускать модели, если дома нет мощного GPU? #MLSTART
Не у всех есть дома RTX 4090 (и это нормально 😄). Но это вообще не повод откладывать эксперименты с ML и LLM. На старте почти всё можно делать в облаке - быстро, дёшево (иногда бесплатно) и без боли с настройкой окружения.
Вот два варианта, которыми я сам пользовался 👇
🏟 Kaggle Notebooks
Kaggle - это не только соревнования, но и удобная среда для запуска ноутбуков с GPU.
Что здесь хорошего:
- Бесплатный доступ к GPU (обычно T4 / P100, с лимитами по времени)
- Уже настроенное окружение: PyTorch, TensorFlow, Hugging Face - всё из коробки
- Огромное количество публичных ноутбуков - можно смотреть, как другие решают задачи
Отличный вариант, если хочется поучиться ML, попробовать fine-tuning лёгких моделей или поиграться с датасетами и baseline-решениями.
🚀 Google Colab
Google Colab - классика, с которой начинали (и продолжают начинать) очень многие.
Плюсы:
- Бесплатные GPU и TPU (сессионно, с ограничениями)
- Легко подключать Google Drive для данных и моделей
- Огромное количество туториалов и примеров
Если захочется больше стабильности и ресурсов - есть платные тарифы (Colab Pro / Pro+), но на старте бесплатной версии более чем достаточно.
💡 Что важно понимать: лимиты есть везде, сессии могут обрываться, GPU могут быть недоступны. Для обучения огромных моделей этого не хватит - но для обучения небольших моделей, экспериментов и прототипов это вообще не проблема.
Большинство задач на старте - это не "обучить 70B модель", а понять пайплайн и механику. Kaggle и Colab закрывают 80% учебных и экспериментальных задач и позволяют спокойно двигаться дальше.
Вернуться к оглавлению
👩💻 Data Flow | 120 |
| 19 |  +1🛒 Объединили все 3 наших хита в один пакет
Если вы давно тут и все не решались познакомиться с моей командой крутых авторов, то вот шанс, забирайте сразу весь пакет 🍖
💻 Пакет из 3-х курсов по цене двух, чтобы быстро, но плотно нырнуть в сферу AI инженерии.
🍭 И сверху еще скидка 50% по промокоду FIFTY2START до конца дня в честь публикации
✍️ Внутри пакета три курса (смотри второй скрин)
Посмотреть и забрать можно тут 👉 три курса | 193 |
| 20 | 🕶 Fine-tuning и RAG: нужно ли дообучать модели? #MLSTART
Когда начинаешь работать с моделями, часто хочется их "допилить под себя" - чтобы понимали контекст проекта, говорили в нужном тоне, лучше решали конкретные задачи. Первое, что приходит в голову - дообучить модель. Но это не всегда лучший (и точно не первый) шаг.
🍭 Fine-tuning - это мощно. Но при этом и сильно дорого: нужны данные, вычислительные ресурсы и время. Поэтому обычно к нему прибегают, когда уже опробованы все другие способы.
А вот что точно стоит попробовать вначале 👇
- Few-shot prompting - когда ты показываешь модели несколько примеров правильных ответов прямо в промпте. Это помогает направить её стиль и логику без дополнительного обучения.
- RAG (Retrieval-Augmented Generation) - подход, при котором модель "обогащается" нужными знаниями из внешних источников (например, базы документов или вики).
- SGR (Schema-Guided Reasoning) - относительно свежий подход: структурировать ответы моделей, чтобы их формат был более детерминированным и предсказуемым.
💡 Иногда даже простая настройка температуры (параметра "творчества") решает половину проблем:
- Меньше температура → более точные и стабильные ответы
- Выше → больше вариативности и креатива
Если же хочется поэкспериментировать с fine-tuning, можно брать лёгкие модели (например, Qwen-8B или Mistral) и обучать их на узких задачах. Большое количество уже готовых датасетов можно найти на HuggingFace.
Но чаще всего бывает достаточно просто поработать с промптами, контекстом и гиперпараметрами.
👩💻 Data Flow | 220 |
