fa
Feedback

فریب کلاهبرداران را نخورید! تل‌متریو این کانال‌ها را شناسایی و برچسب‌گذاری می‌کند 👉 برای مشاهده برچسب، اشتراک تهیه کنید

IT is my job

IT is my job

رفتن به کانال در Telegram

Личный канал Владимира Проворова. Всё про работу в IT, поиск и выбор вакансий, написание резюме, прохождение интервью, развитие навыков, и карьерный рост.

نمایش بیشتر
کشور مشخص نشده استدسته بندی مشخص نشده است
294
مشترکین
اطلاعاتی وجود ندارد24 ساعت
+17 روز
+530 روز
آرشیو پست ها
Из рубрики, что может написать Клод за один запрос. Запрос: "Собери все функции, доступные в notepad++, составь спецификацию, а потом напиши его клон внутри одного html файла используя любые удобные тебе фреймворк. Интерфейс на английском языке." Результат: https://claude.ai/public/artifacts/ea3c20bb-8a36-40ea-8c66-8e8ff9dd08f5
02 دسامبر 2025, 15:40

Современные технологии книгопечатания, конечно, фантастичны. От макета до книги в руках меньше двух суток.
Современные технологии книгопечатания, конечно, фантастичны. От макета до книги в руках меньше двух суток.
19 نوامبر 2025, 11:46

У меня есть хобби: придумывать истории. Истории про новые продукты, решения, архитектуры. Некоторые из этих историй потом ста
У меня есть хобби: придумывать истории. Истории про новые продукты, решения, архитектуры. Некоторые из этих историй потом становятся реальностью. Как-то раз я в шутку предположил, что массовые рок-концерты прошлого на стадионах собирали так много зрителей, потому что в будущем изобрели машину времени и всё новые и новые фанаты прилетают посмотреть на своих любимых артистов. Постепенно эта история в моей голове обрастала всё новыми деталями. Я придумал, что её можно рассказать от имени менеджера группы, который во временной петле организует один и тот же концерт на всё бо́льших площадках. Вместе с масштабом концертов растут и его проблемы. Поскольку один из Amazon Leadership Principles в шутку называется Write a Lot, я решил, что эта история достаточно забавна, чтобы её записать и выпустить в виде книги. Это небольшая новелла на сотню страниц — вполне подойдёт, чтобы скоротать время в полёте. Она будет доступна на Amazon: https://a.co/d/hHYY8WW Но если у вас нет доступа до амазона - напишите, вышлю!
14 نوامبر 2025, 16:30

Социалочка напомнила мне про этот пост шестилетней давности. Перечитал — многое сбылось, хотя и немного не так, как я тогда д
Социалочка напомнила мне про этот пост шестилетней давности. Перечитал — многое сбылось, хотя и немного не так, как я тогда думал. Я писал, что AI победит средних специалистов в обычных профессиях, что золотой век IT подходит к концу, что водители такси и кассиры окажутся под ударом. Всё это происходит: Waymo возит людей по улицам без водителей, в магазинах повсюду самообслуживание, а в BigTech идут массовые сокращения. Что оказалось интереснее: AI не просто заменяет людей, он меняет планку. Средний специалист с AI теперь делает работу вчерашнего хорошего специалиста, а вчерашний хороший специалист делает работу с отделом ИИ агентов. Компании перенаправляют деньги с зарплат на GPU и инфраструктуру. Я тогда писал про барьер входа через простую работу — и он действительно исчезает. Но проблема оказалась не в том, что профессионалы станут ненужными, а в том, что требования к "среднему" резко выросли. Вопрос сместился с "на кого пойти учиться?" на то, "как научиться постоянно адаптироваться?"
05 نوامبر 2025, 02:00

Когнитивная временная ловушка: как рост продуктивности с AI может обернуться против нас Мы живём в эпоху революции продуктивности, движимой искусственным интеллектом. Впервые мы можем автоматизировать рутинные задачи, которые раньше съедали часы нашего рабочего дня. Результаты впечатляют — исследования, занимавшие дни, теперь готовы за минуты, документы, требовавшие недель работы, можно набросать за часы. Но это драматическое ускорение создаёт тонкую и опасную ловушку, которую я называю «когнитивной временной ловушкой». Цикл ускорения Паттерн соблазнителен и кажется логичным: AI помогает нам быстрее выполнять рутинные задачи, поэтому мы берём больше работы. Мы уплотняем расписание, уверенные в своих новых суперспособностях. Мы планируем дни, исходя из предположения, что AI-помощники будут выдавать идеальные результаты и подсказки с машинной скоростью. И поскольку так обычно и происходит, мы продолжаем давить дальше, брать больше, планировать плотнее. Но мы упустили из виду критическое ограничение: скорость обработки и осмысления информации человеческим мозгом не изменилась. Проблема истребителя Именно здесь ловушка захлопывается. Мы внезапно переключились с обработки информации на комфортной скорости на работу на сверхзвуковых. Вспомните написание сложного документа старым способом. Вы бы потратили на него неделю или месяц, сделали множество черновиков и перечитали бы его десятки раз вместе с коллегами. За это время ваш мозг работал в фоновом режиме, устанавливая связи, выявляя несоответствия, понимая последствия. Медленный темп не был потерянным временем — это было необходимое время обработки, которое происходило, пока вы составляли черновик, пересматривали и дорабатывали, и даже просто пока вы гуляли в парке. Теперь тот же документ занимает несколько часов. Вы перешли от размеренного пилотирования пассажирского боинга к управлению истребителем во время воздушного боя. Количество информации то же, но сжато в долю прежнего времени. Ваш мозг теперь должен анализировать все эти детали, замечать все эти зависимости и понимать все эти последствия с максимальной интенсивностью за секунды. После нескольких часов на таких когнитивных оборотах мозг требует перерывов. Если вы их не запланируете, вы настраиваете себя на выгорание. Хрупкое расписание Вторая опасность более тонкая, но не менее серьёзная: мы устранили запас прочности. Мы привыкли к тому, что AI выдаёт результаты почти мгновенно. Claude завершает исследование, пока мы идём за кофе. Аналитические данные подтягиваются, пока мы его пьём. Наши расписания отражают эти новые реалии — плотно упакованы задачами встык, каждая из которых предполагает, что AI стоит за левым плечом и сработает как ожидается. Но что происходит, когда исследование нуждается в человеческом суждении или работы с недоступными источниками? Когда данные раскрывают сложности, требующие тщательного осмысления? Внезапно время, которое мы не заложили, превращается в кризис. Процентный риск относительно дедлайнов наших задач взлетает до небес, потому что мы спланировали всё чересчур оптимистично. Устойчивая работа в эпоху AI AI — необычайно мощный инструмент, и его влияние на нашу продуктивность и эффективность неоспоримо. Но сила без мудрости ведёт к выгоранию и хрупкости. 1. Закладывайте время на восстановление. Вашему мозгу нужно время обработки, пропорциональное количеству информации. Предусматривайте время простоя между сессиями высокоинтенсивной работы с помощью AI. 2. Сохраняйте буферы в расписании. Не забивайте календарь, предполагая идеальную работу AI. Оставляйте место для задач, требующих более глубокого человеческого участия или неожиданной сложности. 3. Различайте завершение задачи и понимание. Вам нужно время, чтобы по-настоящему понять, усвоить и проверить задачу и результат. Мы не просто учимся работать с AI — мы прежде всего учимся работать с самими собой в новом ускоренном мире. Победителями станут те, кто понимает, что устойчивая продуктивность означает уважение к ограничениям человеческого познания при использовании расширяющихся возможностей наших инструментов.
28 اکتبر 2025, 15:09

Прочитал пост о том, что ИИ якобы деградирует, поедая собственный контент. Это довольно популярное заблуждение. Да, есть теоретическая проблема "model collapse" - когда модели тренируются только на синтетических данных от других моделей. Но на практике все гораздо сложнее и интереснее. В реальности синтетические данные активно используются для улучшения моделей: - Создание специализированных датасетов для конкретных задач - Аугментация редких примеров - Генерация данных для областей с ограниченным контентом - Создание образцовых примеров контента для обучения Современные модели типа GPT-4.5 и планируемые модели активно используют синтетические данные от предыдущих поколений для улучшения качества обучения. И с каждым поколением эта планка будет всё подниматься. ИИ-модели уже сейчас генерируют контент выше среднего качества интернета. Серьезно, просто сравните обычный человеческий комментарий в соцсетях и ответ ChatGPT или Claude. Если модель учится на качественном синтетическом контенте вместо мусора из комментариев YouTube - это же хорошо! Как модели учат модели: - Distillation: большие модели обучают маленькие, быстрые, дешевые и специализированные модели - Self-improvement: модели улучшают свои ответы через рефлексию. Мы можем сгенерировать много ситетических ответов на которые мощные модели тратят много времени и токенов для рассуждения, а потом использовать эти примеры для обучения следующего поколения моделей, для которых такие ответы уже станут чем-то само собой разумеющимся. - Reinforcement Learning from AI Feedback: одни модели оценивают ответы других и помогают им учиться Это не "поедание собственного дерьма", а эволюция обучения. Кроме этого развитие ИИ запустило настоящий бум оцифровки: - Библиотеки массово сканируют архивы (Google Books, HathiTrust, проект Mímir в Норвегии, Transkribus в Британской библиотеке, Yale AI) - Музеи создают цифровые коллекции - Университеты открывают доступ к исследованиям - Проекты типа Common Crawl становятся чище от мусора и появились более чистые датасеты, например Google C4 (Colossal Clean Crawled Corpus) Проблема не в том, что ИИ ест сам себя. Проблема в том, что нужны новые подходы к кураторству данных и обучению. И они активно разрабатываются и внедряются. Современные модели типа GPT-4 или Claude используют микс человеческих данных, кураторских датасетов и качественного синтетического контента. Это как сбалансированная диета спортсмена против поедания чего попало. Индустрия не стоит на месте. Пока одни пугают "деградацией ИИ", другие решают реальные проблемы данных и создают следующее поколение моделей. #AI #MachineLearning #DataScience
25 اوت 2025, 13:49

Самые сложные вопросы на собеседовании Я видел, как отличные кандидаты "сыпались" на на первый взгляд простых вопросах, и наоборот - как средние блестяще проходили интервью благодаря правильной подготовке. Сложные вопросы на интервью - это не про знание технических ньюансов. Это про то, как вы мыслите, принимаете решения и работаете с людьми. Интервьюеры хотят понять: справитесь ли вы с неопределенностью, умеете ли признавать ошибки, и впишетесь ли в команду. Расскажите о ваших слабостях? Кандидаты либо шутят "я перфекционист" (банально), либо признаются в критичных недостатках. Правильно: выберите реальную слабость, не критичную для роли, и обязательнорасскажите, как работаете над ней. Пример: "Раньше избегал делегирования, думая, что быстрее сделаю сам. Понял, что это мешает росту команды. Теперь специально выделяю время на менторинг." Почему хотите уйти с текущего места? Любой негатив о работодателе играет против вас. Фокус на росте и возможностях: "Хочу работать с большими масштабами и сложными техническими вызовами, которые может предоставить ваша компания." Опишите ситуацию, когда вы сорвали сроки? Структура ответа: опишите ситуацию без оправданий → объясните, что пошло не так → расскажите выводы → покажите, как изменили подход. Какие у вас есть вопросы? Самая большая ошибка - сказать "нет". Спрашивайте: "Какие технические вызовы стоят перед командой?", "Как выглядит типичный день?", "Что вам нравится в работе здесь?" Спросите о климате между коллегами, в конце концов. Метод STAR для behavioral questions Situation - контекст Task - ваша задача Action - ваши действия Result - результат Этот фреймворк спасет от бессвязного рассказа. У вас должно быть 5-7 заготовленных историй: сложный проект, конфликт в команде, ошибка и уроки, инициатива, работа под давлением. И каждую из этих историй надо уметь хорошо рассказывать в рамках двух минут. Если потребуется дополнительная информация, то у вас её спросят :) Секреты подготовки Репетируйте вслух! Думать ответ и говорить его - разные вещи. Многие кандидаты знают что сказать, но не могут сформулировать под стрессом. НЕ придумывайте на ходу. Если не знаете - скажите: "Не сталкивался с такой ситуацией, но вот как бы подошел к решению..." Честность и аналитическое мышление ценятся. Культурные различия. В западных компаниях самопрезентация - навык, не хвастовство. Рассказывайте о достижениях через конкретные результаты. Плохо: "Я очень хороший разработчик" Хорошо: Моя оптимизация сократила время загрузки контейнера на 40% ... увеличила retention на 15% (будьте готовы к дополнительным вопросам о том, как именно вы это измеряли). Многие из нас привыкли рассказывать о должностных обязанностях. В американской культуре интересуются вашими проектами, достижениями и влиянием на бизнес-метрики. Сложные вопросы кажутся страшными, только когда к ним не готовишься. С правильной подготовкой они становятся возможностью показать себя с лучшей стороны. Главное контр-заклятие: Собеседование - диалог равных. Вы не только отвечаете на вопросы, но и оцениваете компанию. Такой подход очень помогает снизить стресс. #интервью #карьера #BigTech
16 اوت 2025, 22:48

Решение проблем с галлюцинациями GenAI с точностью 99% AWS выпустил Automated Reasoning Checks в Bedrock - систему верификации AI-ответов с точностью до 99% для математических и логических задач. Если вы когда-либо (ха-ха) получали от LLM уверенный, но неправильный ответ на расчеты, эта новость для вас. Представьте двух сотрудиков: креативный гуманитарий (LLM) и педантичный математик (solver). Гуманитарий генерирует решение, математик проверяет каждый шаг формальной логикой. Схема простая: ▪️ LLM генерирует решение ▪️ Система переводит его в логические утверждения ▪️ Автоматический solver проверяет каждое утверждение ▪️ При ошибке система либо корректирует, либо честно говорит "не уверен" Где это критически важно? Везде, где цена ошибки высока. 📌 Финансовые расчеты. Помню проект для европейского банка с расчетом рисков. Даже 1% ошибок означал миллионные потери. Теперь система либо даст правильный ответ, либо скажет, что не может его гарантировать. 📌 Юридические документы. "Если клиент оплатил больше X И прошло меньше 30 дней, ТО возврат возможен" - такие правила теперь проверяются математически точно. 📌 Планирование ресурсов. Распределение серверов, оптимизация логистики - везде, где есть ограничения, технология даст гарантированно корректный результат. Что особенно круто - можно задать бизнес-правила на естественном языке: "Скидка не может превышать 30%" или "Сумма allocations должна равняться 100%". Система автоматически проверит, что AI не нарушает эти ограничения. Это как автоматический аудитор для каждого ответа AI. Будем честными про ограничения: ✅ Отлично для: математики, логики, проверки правил ❌ Не поможет с: креативом, субъективными оценками, анализом эмоций Мы движемся от "универсального AI" к "команде специализированных AI". LLM остаются королями креатива, specialized reasoners берут на себя точность. Как в реальных командах людей. Практический совет: определите критические точки в workflow, где ошибка недопустима. Формализуйте правила. Внедряйте проверку только для критически важных ответов - не нужно проверять всё подряд. А как вы боретесь с галлюцинациями AI? #AI #AWS #Bedrock #AIHallucinations https://aws.amazon.com/blogs/aws/minimize-ai-hallucinations-and-deliver-up-to-99-verification-accuracy-with-automated-reasoning-checks-now-available/
06 اوت 2025, 14:10

Запись вчерашнего эфира с Михаилом Малышевым @tsingular на Ютюбе: https://youtu.be/lrGZaNbmZdA?si=6w-NLEol4iOGSEIp
06 اوت 2025, 02:59

OpenAI выпустил open weight модели (120B и 20B), и они теперь доступны в Amazon Bedrock и SageMaker. Впервые модели OpenAI можно развернуть вне Azure. AWS собрал на одной платформе практически все значимые AI модели: OpenAI, Anthropic Claude, Meta Llama, Mistral, Cohere, плюс собственные Nova и Titan. Это меняет подход к построению AI систем. Практика показывает: одни модели лучше пишут код, другие сильнее в креативных задачах, третьи показывают лучшую экономию в специализированных задачах. Раньше выбор модели означал выбор платформы. Теперь можно использовать разные модели для разных задач в рамках одной инфраструктуры. Реальность такова: компании не будут переносить петабайты данных из S3 или переучивать команды разработчиков ради доступа к новой модели. Проще принести модели туда, где уже есть данные и инфраструктура. С AgentCore это особенно интересно - агент может анализировать документы через Claude, генерировать ответы через OpenAI и выполнять специализированные задачи через Nova в одном workflow. Платформы становятся агностиками к моделям, потому что бизнесу нужна гибкость. Сегодня лучшая модель для вашей задачи - Claude, завтра - GPT-5, послезавтра - что-то совершенно новое. Возможность переключаться без миграции всей инфраструктуры становится критически важной. Multi-model архитектуры становятся нормой. В одном продукте будет обычным использовать 3-5 разных моделей. Vendor lock-in в AI уходит в прошлое. И это хорошо для всех. #AI #AWS #OpenAI #Bedrock
05 اوت 2025, 18:19

🎙 Запись эфира: AWS Summit, AI-агенты и будущее ИИ Сегодня обсудили с Владимиром Проворовым ( @itismyjob ) главные тренды в развитии AI, как на AWS Summit так и за его пределами. Ключевые темы: - Amazon Bedrock AgentCore - 7 новых сервисов для создания агентов с разделяемой памятью и маркетплейсом инструментов для ИИ агентов - S3 Vectors - масштабные векторный базы данных для агентов работающих с миллионами документов - Kiro IDE - новый конкурент Cursor, Trae & ClaudeCode - ИИ агент, который создает код с учетом архитектурных требований - Intuit - стартап обрабатывающий 60 млрд налоговых транзакций с помощью МЛ, создавший свою операционку для ИИ агентов. Так же обсудили последние новости и последние модели - OpenAI выпустила две открытые модели GPT-OSS (20B и 120B параметров) - уровня O3, но весом всего 64 ГБ - Anthropic обновил Opus до версии 4.1 Коснулись инфраструктуры будущего: - Гонка за создание дата-центров на миллион GPU (8 в мире, включая Китай) - Маск строит кластер Colossus в палатках чтобы в этой гонке не отставать - Энергетический вопрос становится критическим - компании ищут регионы с дешевым электричеством Главный инсайт: Мы входим в технологический резонанс - AI помогает создавать более мощные модели и железо, которые позволят создать еще более мощный AI. Отставание на год может означать отставание навсегда. #эфиры #AWS ------ @tsingular
05 اوت 2025, 15:39

🎙 Разбор анонсов AWS New York Summit - хайп или вайб? Почему 90% ИИ-прототипов никогда не доходят до продакшена? AWS только
🎙 Разбор анонсов AWS New York Summit - хайп или вайб? Почему 90% ИИ-прототипов никогда не доходят до продакшена? AWS только что анонсировала сервисы, которые могут изменить эту статистику! В прямом эфире c Владимиром Проворовым (@itismyjob) обсудим главные анонсы AWS Summit в Нью-Йорке: 🔸 AWS Kiro IDE — конец эпохи "кодинга по вайбам". 🔸 Amazon Bedrock AgentCore — готовая инфраструктура для запуска ИИ-агентов в продакшене 🔸 S3 Vectors — снижение стоимости векторных хранилищ на 90% 🔸 Как обучают модели с триллионами параметров на 100 000 нодах 🔸 Почему видео — это новая нефть для ИИ Обсудим: - Почему инфраструктурные отговорки больше не работают - Как перейти от прототипа к системе за дни, а не месяцы - Реальные кейсы: от бразильских банков до хедж-фондов - С чего начать и сколько это стоит на самом деле Особенно интересно будет тем, кто: - Собаку съел на ИИ-демках и готов к масштабированию, но не понимает с какой стороны подойти - Арендует базы под вектор в облаке, а оно всё дороже и дороже - Хочет понять, куда движется рынок enterprise AI 📅 Вторник, 5 августа в 20:30 по Москве (10:30 по Сиэтлу) Стрим будет тут #подкаст #AWS #ИИ #enterpriseAI ——— @tsingular
31 ژوئیه 2025, 13:07

AWS переводит корпоративный ИИ из стадии прототипов в промышленную эксплуатацию На саммите в Нью-Йорке 16 июля 2025 года AWS представила комплексную платформу для развертывания ИИ-систем в масштабах предприятия. Главная идея: пора перестать играть в прототипы и начать строить системы, обслуживающие миллионы пользователей. Ключевые анонсы: AWS Kiro IDE (https://kiro.dev) — революция в разработке через спецификации. Вместо быстрой генерации кода без документации, Kiro требует сначала описать требования, архитектуру и план реализации. Результат: приложения создаются за дни вместо недель, но с полной документацией, тестами и соблюдением стандартов безопасности. Цена $19-39 в месяц делает инструмент доступным для команд любого размера. Amazon Bedrock AgentCore (https://aws.amazon.com/bedrock/agentcore/) решает главную проблему — как перевести ИИ-агентов из лаборатории в продакшн. Платформа предоставляет готовую инфраструктуру: восьмичасовые сессии для сложных задач, иерархическую память для персонализации, шлюз для интеграции с корпоративными системами. Бразильский банк Itaú уже использует это для персонализированного обслуживания клиентов. Amazon S3 Vectors (https://aws.amazon.com/s3/vectors/) снижает стоимость векторного хранилища на 90%. Теперь хранение 10 миллионов векторов стоит $30 в месяц вместо $300. Это делает экономически оправданными сценарии, которые раньше были слишком дорогими: агенты могут хранить полную историю взаимодействий, базы знаний масштабируются до миллиардов документов. Strands Agents 1.0 (https://github.com/aws/strands) — фреймворк для координации нескольких ИИ-агентов. Хедж-фонд построил систему анализа со специализированными агентами-исследователями за дни вместо месяцев. Amazon Q Developer уже использует это в продакшене. Модели TwelveLabs в Bedrock открывают доступ к 80% мировых данных — видео. Теперь можно искать по видеоконтенту на естественном языке: "покажи все голы с красивыми празднованиями". Спортивные лиги используют это для автоматического создания персонализированных обзоров матчей. Amazon EKS теперь поддерживает кластеры до 100 000 узлов. Это позволяет обучать модели с триллионами параметров в одном кластере. Anthropic использовала EKS для повышения предсказуемости времени отклика с 35% до 90% запросов. Протокол MCP стандартизирует подключение ИИ к корпоративным системам. Вместо создания интеграций между каждой моделью и каждой системой, достаточно реализовать один протокол. Стратегическое значение: AWS делает ставку на автономных агентов, способных выполнять сложные многоэтапные задачи, а не на простые чат-боты. Инфраструктурные барьеры, делавшие развертывание ИИ prohibitively сложным и дорогим, исчезают. Для технических руководителей это означает: отговорки закончились. Инфраструктура готова, стоимость предсказуема, инструменты доступны. Вопрос больше не в том, можем ли мы развернуть ИИ, а в том, что именно мы хотим построить и как быстро сможем перейти от прототипа к системе, приносящей реальную пользу бизнесу. #aws #ai #обзоры
20 ژوئیه 2025, 15:47

Пару недель назад мы обсуждали с бывшими коллегами насколько умнее стал Claude Opus 4 по сравнению с предыдущими версиями. И в качестве эксперимента попросили его написать шахматы. Одним HTML файлом, чтобы внутри был весь интерфейс и движок для того, чтобы можно было поиграть с компьютером. Результат в аттаче. Можно скачать и поиграть в браузере. Конечно, можно придираться, что есть небольшие глюки, да и играет похуже чем Монсеррат Кабалье. Но это с одного запроса! Представьте, сколько времени бы вы писали аналогичный код?
27 ژوئن 2025, 12:22