Data Flow | AI & Автоматизация | Stas Gasilovskii
Ir al canal en Telegram
351
Suscriptores
Sin datos24 horas
+27 días
+630 días
Carga de datos en curso...
Canales Similares
Sin datos
¿Algún problema? Por favor, actualice la página o contacte a nuestro gerente de soporte.
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
junio '26
junio '26
+10
en 0 canales
mayo '26
+17
en 0 canales
Get PRO
abril '26
+13
en 0 canales
Get PRO
marzo '26
+13
en 0 canales
Get PRO
febrero '26
+10
en 0 canales
Get PRO
enero '26
+27
en 0 canales
Get PRO
diciembre '25
+29
en 0 canales
Get PRO
noviembre '25
+43
en 0 canales
Get PRO
octubre '25
+19
en 0 canales
Get PRO
septiembre '250
en 0 canales
Get PRO
agosto '250
en 1 canales
Get PRO
julio '250
en 0 canales
Get PRO
junio '250
en 0 canales
Get PRO
mayo '250
en 0 canales
Get PRO
abril '250
en 0 canales
Get PRO
marzo '25
+214
en 1 canales
Get PRO
febrero '250
en 0 canales
Get PRO
enero '250
en 1 canales
Get PRO
diciembre '24
+34
en 1 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 29 junio | +1 | |||
| 28 junio | 0 | |||
| 27 junio | +1 | |||
| 26 junio | +1 | |||
| 25 junio | 0 | |||
| 24 junio | 0 | |||
| 23 junio | 0 | |||
| 22 junio | +1 | |||
| 21 junio | 0 | |||
| 20 junio | 0 | |||
| 19 junio | 0 | |||
| 18 junio | +1 | |||
| 17 junio | 0 | |||
| 16 junio | +1 | |||
| 15 junio | 0 | |||
| 14 junio | +2 | |||
| 13 junio | 0 | |||
| 12 junio | 0 | |||
| 11 junio | +1 | |||
| 10 junio | 0 | |||
| 09 junio | 0 | |||
| 08 junio | 0 | |||
| 07 junio | 0 | |||
| 06 junio | +1 | |||
| 05 junio | 0 | |||
| 04 junio | 0 | |||
| 03 junio | 0 | |||
| 02 junio | 0 | |||
| 01 junio | 0 |
Publicaciones del Canal
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 |
