Artificial stupidity
رفتن به کانال در Telegram
Пишу об анализе данных и Data Science (и не только о них). Связь с автором @gofat
نمایش بیشتر1 507
مشترکین
اطلاعاتی وجود ندارد24 ساعت
+37 روز
+130 روز
در حال بارگذاری داده‌ها
کانال‌های مشابه
ابر برچسب‌ها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
اکتبر '26اکتبر '26
اکتبر '26
+7
در 0 کانال‌ها
سپتامبر '26
+5
در 0 کانال‌ها
Get PRO
اوت '26
+15
در 5 کانال‌ها
Get PRO
ژوئیه '26
+8
در 0 کانال‌ها
Get PRO
ژوئن '26
+8
در 0 کانال‌ها
Get PRO
مه '26
+15
در 0 کانال‌ها
Get PRO
آوریل '26
+12
در 0 کانال‌ها
Get PRO
مارس '26
+11
در 1 کانال‌ها
Get PRO
فوریه '26
+16
در 0 کانال‌ها
Get PRO
ژانویه '26
+19
در 1 کانال‌ها
Get PRO
دسامبر '25
+6
در 0 کانال‌ها
Get PRO
نوامبر '25
+11
در 0 کانال‌ها
Get PRO
اکتبر '25
+43
در 2 کانال‌ها
Get PRO
سپتامبر '25
+17
در 0 کانال‌ها
Get PRO
اوت '25
+17
در 0 کانال‌ها
Get PRO
ژوئیه '25
+101
در 1 کانال‌ها
Get PRO
ژوئن '25
+51
در 0 کانال‌ها
Get PRO
مه '25
+47
در 2 کانال‌ها
Get PRO
آوریل '25
+38
در 0 کانال‌ها
Get PRO
مارس '25
+59
در 2 کانال‌ها
Get PRO
فوریه '25
+29
در 1 کانال‌ها
Get PRO
ژانویه '25
+21
در 0 کانال‌ها
Get PRO
دسامبر '24
+31
در 1 کانال‌ها
Get PRO
نوامبر '24
+47
در 5 کانال‌ها
Get PRO
اکتبر '24
+13
در 0 کانال‌ها
Get PRO
سپتامبر '24
+23
در 1 کانال‌ها
Get PRO
اوت '24
+26
در 1 کانال‌ها
Get PRO
ژوئیه '24
+99
در 2 کانال‌ها
Get PRO
ژوئن '24
+12
در 0 کانال‌ها
Get PRO
مه '24
+20
در 0 کانال‌ها
Get PRO
آوریل '24
+18
در 0 کانال‌ها
Get PRO
مارس '24
+20
در 0 کانال‌ها
Get PRO
فوریه '24
+15
در 0 کانال‌ها
Get PRO
ژانویه '24
+38
در 0 کانال‌ها
Get PRO
دسامبر '23
+34
در 0 کانال‌ها
Get PRO
نوامبر '23
+20
در 0 کانال‌ها
Get PRO
اکتبر '23
+21
در 0 کانال‌ها
Get PRO
سپتامبر '23
+26
در 0 کانال‌ها
Get PRO
اوت '23
+38
در 0 کانال‌ها
Get PRO
ژوئیه '23
+53
در 0 کانال‌ها
Get PRO
ژوئن '23
+96
در 0 کانال‌ها
Get PRO
مه '23
+76
در 0 کانال‌ها
Get PRO
آوریل '23
+11
در 0 کانال‌ها
Get PRO
مارس '23
+90
در 0 کانال‌ها
Get PRO
فوریه '23
+20
در 0 کانال‌ها
Get PRO
ژانویه '23
+18
در 0 کانال‌ها
Get PRO
دسامبر '22
+76
در 0 کانال‌ها
Get PRO
نوامبر '22
+28
در 0 کانال‌ها
Get PRO
اکتبر '22
+26
در 0 کانال‌ها
Get PRO
سپتامبر '22
+60
در 0 کانال‌ها
Get PRO
اوت '22
+325
در 0 کانال‌ها
Get PRO
ژوئیه '22
+9
در 0 کانال‌ها
Get PRO
ژوئن '22
+10
در 0 کانال‌ها
Get PRO
مه '22
+6
در 0 کانال‌ها
Get PRO
آوریل '22
+300
در 0 کانال‌ها
| تاریخ | رشد مشترکین | اشارات | کانال‌ها | |
| 27 اکتبر | 0 | |||
| 26 اکتبر | 0 | |||
| 25 اکتبر | 0 | |||
| 24 اکتبر | +1 | |||
| 23 اکتبر | 0 | |||
| 22 اکتبر | +2 | |||
| 21 اکتبر | +1 | |||
| 20 اکتبر | 0 | |||
| 19 اکتبر | +1 | |||
| 18 اکتبر | 0 | |||
| 17 اکتبر | 0 | |||
| 16 اکتبر | 0 | |||
| 15 اکتبر | 0 | |||
| 14 اکتبر | 0 | |||
| 13 اکتبر | 0 | |||
| 12 اکتبر | 0 | |||
| 11 اکتبر | +1 | |||
| 10 اکتبر | 0 | |||
| 09 اکتبر | 0 | |||
| 08 اکتبر | 0 | |||
| 07 اکتبر | 0 | |||
| 06 اکتبر | 0 | |||
| 05 اکتبر | 0 | |||
| 04 اکتبر | 0 | |||
| 03 اکتبر | 0 | |||
| 02 اکتبر | 0 | |||
| 01 اکتبر | +1 |
پست‌های کانال
#conference
Осень уже в самом разгаре. А это значит, что скоро будет очередной Матемаркетинг. Я стараюсь гонять на него каждый год. В этот раз не успел податься с докладом, потому просто погляжу на других. И в этом году есть на что поглядеть.
Я для себя выбрал несколько интересных докладов:
1. Ира Голощапова стабильно радует зрителей новым контентом. В этом году она рассказывает про "Agentic Engineering for Data Tasks Automation". Интересная для меня тема, очень хочется послушать, что там сделали коллеги из Райфа по агентной работе с данными (потому что лопатить их самому в 2026 что-то уже и не хочется особо).
2. Максим Стаценко расскажет про "Adoption, Harness, Knowledge: три драйвера апокалипсиса". Тут, конечно, интересно, как работают с агентами в плане сохранения и обработки знаний. Я и сам для диссера думаю над этими вопросами, ибо от качества нашей базы знаний и того, как мы их доносим до потребителя, зависит продуктивность работы как агентов, так и людей (я может коллегу и в кулуарах поймаю, мне еще интересно, что они делают с тацитным (неявным) знанием, ведь его перевести в явный вид гораздо сложнее, чем какие-то понятные и явные штуки).
3. Макс Коматовский поговорит на тему "Растим Иггдрассиль: как построить рабочий граф метрик". Я выступал как-то со схожим докладом. Интересно будет послушать, куда еще завела ребят дорога приключений с деревьями метрик. Думаю, что за прошедшее время появилось что-то новенькое и интересное из подходов.
И это я еще прошелся по верхам. В общем, если хотите помучать спикеров вопросами, пересечься со мной (я не прочь поболтать на многие темы из нашей области), просто проникнуться атмосферой конференции и обсудить с коллегами насущные вопросы - пригоняйте на Матемаркетинг.
Конференция 26–27 ноября, Москва, «Ломоносов» МГУ (еще будет онлайн-день 17 ноября). Полная программа и билеты по ссылочке.
| 2 |  +4Теренс Тао провел в Калтехе большую лекцию про математику в эру ИИ и выложил слайды
https://terrytao.wordpress.com/2026/10/10/math-2-0/
Лекцию он назвал "Math 2.0", хотя еще в мае собирался читать ее под названием "Machine Assisted Proof". Сам он признается, что наполнение заметно изменилось "из-за недавних событий".
Основная мысль Теренса такая: раньше математика строилась на допущении, что решить открытую задачу очень трудно и происходит это редко. Вокруг этого выросли институты, карьерные стимулы и традиции. Однако, на самом деле, решение задач – это лишь прокси метрика, а глобальная цель науки состоит в другом: в исследовании, поиске новых задач и понимании, как применить решения в реальном мире.
Так вот, раньше эта прокси-метрика в виде решения открытых задач работала, потому что, решая задачи, математики копили опыт и понимание. Сейчас же, как говорит Тао, дальнейшая слепая оптимизация одного лишь решения задач "активно вредна для долгосрочного здоровья математики".
Если ИИ просто выдает решения в обход людей, он как бы стерилизует окружающее задачу поле: непройденные пути так и остаются непройденными, цикл становится невозобновляемым, понимание не накапливается, и растет доля решений, которые как бы работают на бумаге, но расходятся с тем, что нам на самом деле нужно миру.
В качестве аналогии Тао предлагает такой мысленный эксперимент: ИИ придумал коктейль, который убивает все раковые клетки, и он даже подтвержден клиническими испытаниями третьей фазы. Стали бы вы колоться, не зная, что хотя бы один человек-эксперт понимает механизм?
В качестве решения Тао предлагает сместить фокус с уничтожения открытых задач на использование ИИ для укрепления человеческого понимания. Собственно, это он и называет "Math 2.0". ИИ может действительно помочь ускорить прогресс, если будет искать объяснения и новые принципы и исследовать окрестности гипотез, а не только генерировать доказательства. Это огромное непаханное поле, и главным ограничением тут Теренс называет уже не технологии, а воображение. | 452 |
| 3 |  بدون متن... | 387 |
| 4 | #libraries
Я тут когда-то писал, что навайбкодил драфт библиотеки для бутстрапа. С тех пор драфт дорос до версии 0.7.0. Покажу одну задачу, ради которой я продолжил его пилить.
Предположим, у нас есть две обученные модели. Проверяем их на одних и тех же отложенных данных: 120 пациентов, по 5 записей на каждого. Обучались модели на других пациентах. Хотим сравнить их AUC и понять, насколько уверенно можно говорить о разнице.
Тут у нас есть небольшая ловушка. Если бутстрапить 600 строк по отдельности, мы игнорируем, что записи одного пациента связаны. Посчитать AUC отдельно для каждого и усреднить мы тоже не можем, т.к. это будет уже другая метрика. К тому же у 22 пациентов в этой выборке встретился только один класс, и индивидуальный AUC для них вообще не определён.
Если хотим понять, насколько разница AUC зависит от состава тестовой группы, бутстрапить нужно пациентов целиком, а не отдельные записи. В каждом повторе набираем 120 человек из исходных с возвращением: кто-то не попадёт, кто-то попадёт дважды. Если пациент выбран дважды, все пять его записей тоже попадут в выборку дважды. На одних и тех же получившихся записях считаем AUC обеих моделей и их разницу.
В bootstrapx теперь можно сделать это в одну команду:
import numpy as np
from sklearn.metrics import roc_auc_score
from bootstrapx import bootstrap_two_sample
def auc(rows):
return roc_auc_score(rows[:, 0], rows[:, 1])
result = bootstrap_two_sample(
np.column_stack((y, predictions_a)),
np.column_stack((y, predictions_b)),
auc,
allow_2d=True,
paired=True,
paired_cluster_ids=patient_ids,
method="percentile",
n_resamples=999,
random_state=42,
)
В синтетическом примере AUC равен 0.718 для модели A и 0.765 для B. Разница получается +0.047, а доверительный интервал примерно от +0.022 до +0.076. Я отдельно пересчитал все бутстрап-выборки циклом по пациентам и с результатом библиотеки они совпали.
Тут сравниваются уже обученные модели: при бутстрапе меняется состав тестовых пациентов, сами модели не переобучаются. И если пациентов мало или один из классов редкий, то такому интервалу без дополнительной проверки не факт, что можно верить (тут это уже библиотекой не исправишь).
В общем-то, это всё ещё во многом вайбкод. Поэтому я просил модельку еще накидывать статистических проверок, сравнивая результаты с SciPy (как ориентир, да и тогда петля обратной связи для агента понятнее).
Вообще без дополнительной информации сложновато дальше пилить, ибо агент начинает выдумывать фигню в плане фичей. Потому сейчас полезнее будет ОС от реальных живых людей.
Если в примере что-то не так или у вас есть данные со структурой похитрее - пишите и делайте issue. Особенно если я где-то наврал со статистикой. | 532 |
| 5 |  بدون متن... | 764 |
| 6 |  Ну и раз уж сегодня 3 сентября, потестил создание 16-битной гифки в GLM | 653 |
| 7 | Побаловался с glm-5.3
Сделал вот такую классическую серую постсоветсткую хтонь (получилось атмосферненько) | 672 |
| 8 |  Модель тройного долга от соавтора фреймворка SPACE
Маргарет-Энн Стори, соавтор фреймворка SPACE для повышения продуктивности разработчиков, недавно представила свою модель тройного долга (Triple Debt Model), в которой скрытые человеческие издержки ускоренной с помощью ИИ разработки программного обеспечения рассматриваются в трех категориях:
технический долг, который накапливается в коде.
когнитивный долг, который накапливается в людях, входящих в команду.
долг намерений, который накапливается во внешних знаниях, состоящих из лежащих в основе проекта соображений, целей и проектных ограничений, которые недостаточно задокументированы.
И идея там довольно простая:
AI позволяет нам быстрее производить код, но это совсем не значит, что мы автоматически быстрее производим хорошие и понятные системы.
Просто долг начинает накапливаться немного в других местах😉
Всего Стори выделяет три вида долга:
1. Технический долг
Плохие архитектурные решения, костыли, сложный код, отсутствие тестов и все то, что потом делает систему дорогой в изменении и поддержке.
Причем тут есть забавный парадокс.
Именно этот долг AI потенциально умеет неплохо сокращать:
-отрефакторить код;
-написать тесты и т.п.
То есть код может становиться даже лучше.
2. Когнитивный долг
Это долг, который накапливается уже в голове разработчика: агент написал 1000 строк хорошего кода. И даже тесты все зеленые. Так что вперед и PR в проде.
Только инженер, который этот PR принял, понимает систему чуть хуже, чем если бы писал это изменение самостоятельно. А потом еще один PR. И еще один.
Иииии в какой-то момент получается довольно странная система:
код работает, но никто толком не понимает почему.
Скорость производства кода растет быстрее скорости нашего понимания системы.
Вот это Стори и называет cognitive debt.
И да, тот факт, что скорость производства выросла - это супер! В этом вся суть моей работы, в принципе.
3. Долг намерений — Intent Debt
А вот это типовая проблема, которая всплыла наверх. Раньше она тоже была, но мы особо ей внимание не уделяли.
Можно прекрасно понимать, как работает код, но совершенно не понимать:
почему он работает именно так?
Какие продуктовые ограничения существовали? Что вообще хотел пользователь? Какие компромиссы были приняты?
Все это обычно живет где-то между:
- ADR;
- документацией;
- и, конечно же в голове того самого Тим-лида😁
А теперь представьте AI-first разработку.
Один агент написал изменение.
Через полгода другой агент должен его изменить.
И второй агент пытается понять намерения первого агента… по коду первого агента.
Ну удачи.
В мире AI-разработки документация, ADR, спецификации, acceptance criteria и domain model — это уже не какая-то бюрократия рядом с разработкой.
Это внешняя память вашей системы (на следующей неделе расскажу, как решают и эту задачку)
Причем память нужна уже не только людям, но и агентам.
Последние пару лет мы в основном спрашивали:
как заставить AI писать больше хорошего кода?
Но следующий вопрос будет:
как сделать так, чтобы люди и AI продолжали понимать систему, пока AI пишет все больше кода?
Потому что код становится все дешевле.
А вот понимание:
-зачем система существует;
- почему она устроена именно так;
- какие ограничения нельзя нарушать;
становится только дороже.
И возможно, через несколько лет главным инженерным активом компании будет уже не сам код.
А накопленный контекст вокруг него. | 604 |
| 9 |  Мой ближайший сосед Эйлер, или математик берётся за вышивку
На связи Ginger. Я знаю, что вы не забыли, но мне надо как-то начать. Итак, я {одной из своих бриллиантовых граней🤩} математик. Днём работаю в биоинженерии и drug discovery🤪. А по вечерам делаю платформу, создающую арт-вышивку из фото вашего питомца, которую можно носить, дарить или продавать как собственный мерч😎. И это второй эпизод сериала про неожиданные математические задачи, повстречавшихся мне среди катушек ниток.
Всё началось невинно: хотелось сервис, который берёт фото кота (или собаки, или хомяка — никакой дискриминации🐈🐖🐶🐹🦈), отдаёт его ИИ, а результат превращает в файл для вышивальной машины за минуту вместо 3-5 дней ручного труда. Фото ➖дизайн ➖мастерская ➖готовая вещь 🌟, пока вы гладите своего питомца🐆🐈
Звучит просто? Ага. Как почти всё в жизни… пока не столкнешься с физическим миром.
Генерации картинок опустим, nano banana и gpt-image по апи все умеют.
Превратить PNG в SVG тоже решенная задача.
Первая творческая задача: превратить SVG в набор стежков.
SVG это кривые Безье, а кривую можно семплировать в точки. Каждая точка — стежок. Отсюда и математика. SVG это граф, набор путей, каждый из которых — цепочка рёбер. Когда машина переходит с одного пути на другой, она делает JUMP — прыжок иглой с протяжкой нити. Прыжки это плохо: торчащие нитки на изнанке, потерянное время, потенциальные проблемы с машинами. А если прыжок длинный, приходится ещё и обрезать нить (TRIM).
И тут я поймала себя на мысли: это же задача о кёнигсбергских мостах.
Классика теории графов. Как и положено калининградцам, я гуляла только по 3м из них, а в VIII в Эйлер гулял по всем 7ми, и в 1736 году доказал, что обойти все мосты Кёнигсберга ровно по разу нельзя, потому что у графа мостов есть вершины нечётной степени.
В вышивке та же история. Если бы все пути складывались в эйлеров граф, машина прошла бы весь дизайн одним непрерывным движением. Но в реальности — десятки разрозненных контуров, каждый сам себе компонента связности. Прыжки и обрезки неизбежны.
Раз неизбежны — минимизируем. Порядок обхода я строю строила раньше ближайшим соседом: от точки, где игла только что закончила, ищу ближайшее начало или конец следующей цепочки (строчку можно шить в любую сторону — беру ту ориентацию, где ближе). Это тот самый момент, когда ближайший сосед впервые в жизни пригодился мне в проде. O(n²), 30 строк кода. Жаль, недолго. В июле на замену ему пришел китайский почтальон.
Почему заменила: локально все хорошо, глобально — силуэт шьется кусками, 20 обрезок там, где хватает 4.
Но настоящая мораль — я оптимизировала не ту задачу…Надо было не «посетить вершины» (задача коммивояжера), а «покрыть рёбра» (задача китайского почтальона).
Правильная постановка задачи > оптимизация неправильной.
Результат по Эйлеру: тонкий контурный рисунок, ~1-3к стежков, как карандашный набросок. Работает для тонких тканей, которые не выдержат 10-20тыс проколов иглой. Просто, элегантно, минималистично. Но для футболок и свитшотов выглядит слишком просто.
Поэтому, в следующей серии будет сатиновая атласная строчка, скелеты и немного дифференциальной геометрии.
Стек: Python, pyembroidery, svgelements, NumPy, SciPy, scikit-image.
Дизайны и мокапы рисуют по очереди nano-banana и gpt-image.
Фронтэнд: Next.js + Express + Telegram-бот.
Часть 1 тут.
Поиграться:
petstitch.art
@PetStitch_bot
Бэкстейдж проекта:
@robin_bobbin_tensorflow | 592 |
| 10 |  От стажёра до Head of DS: что я узнал, изучив почти 700 карьер в Data Science 🧬
Наконец-то дождались 🗿
Чуть больше года назад вы заполнили мой зарплатный опрос. Я обещал проанализировать результаты, но 695 анкет превратились в технический долг, о котором мне регулярно напоминали в комментариях.
Сегодня я этот долг возвращаю. Кажется, даже с процентами: вместо очередной таблицы «кто сколько получает» получилось большое исследование карьер в Data Science.
Да, за прошедшее время зарплатные вилки успели сдвинуться. Но карьерные зависимости никуда не делись, поэтому статья не только о суммах, а о профессиональном росте, удовлетворённости работой и готовности её сменить.
Внутри вас ждет лонгрид, где в том числе есть ответы на пять не самых очевидных вопросов:
1️⃣ Можно ли удержать недовольного дата-сайентиста высокой зарплатой и запереть его в золотой клетке?
2️⃣ Какие навыки помогут быстрее вырасти в грейде и больше зарабатывать?
3️⃣ Одинаково ли зарабатывают мужчины и женщины с одним грейдом и опытом?
4️⃣ Что дата-сайентисты хотят сказать Head of DS, когда отвечают анонимно?
5️⃣ Как часто дата-сайентисты ******* и связано ли это с доходом и удовлетворённостью работой?
Ещё там премии стажёров, ШАД на скейтборде, зарплата CDS до 4,5 млн рублей 😳, переработки и попытка понять, где заканчивается развитие и начинается менеджмент. В анализ вошли 694 анкеты.
Спасибо «Start Career in DS», «DziS Science | Data Science», «girafe.ai», «Artificial stupidity», «LightAutoML framework» и «Борис опять»
👉 Читать на Хабре | 438 |
| 11 |  Немного обеденного вахаслопа | 552 |
| 12 |  بدون متن... | 582 |
| 13 |  #llm #agents
Забавные наблюдения над мультиагентной системой.
Как и обещал, расскажу. В Hermes agent есть такая тема с kanban доской. Можно настроить роли агентов и дать им создавать на доске задачки, потом их брать и выполнять, чтобы делать узкоспециализированные задачки специальной ролью со своими промптами, скиллами и т.п.
И в процессе было несколько забавных наблюдений, которые весьма похожи (в шуточном смсле, хотя, как обычно, в любой шутке лишь доля шутки) на реальность.
Итак:
1. Агент-менеджер сразу предложил сделать ему модельку попроще и выключит ризонинг. Вероятно, посчитал, что менеджеру думать особо и незачем.
2. У меня не было роли техписа, потому менеджер заставлял фронтенда писать доку (посчитал, что самый ненужный? я хз, если честно).
3. Менеджер вообще невзлюбил фронтенда. Каждый раз на выполненную задачку он ругался и говорил, что тот ничего не сделал. А потом я просил проверить и было "ой, а он сделал, зря быканул".
4. Бэк начал делать себе сам задачки, чтобы побольше поковыряться в библиотеках, от которых зависел проект (классика).
5. Бэк жестко отказывался от задач, которые были вне его скоупа и переводил их на других членов команды (что вполне себе тоже классика).
6. Архитектор писал какие-то доки и спецификации, которые команда дружно игнорировала (кек). Хотя они их и видели, в задачи им артефакты прокидывались.
Меня здесь больше позабавило, как это все стало похоже на обычную реальность (пускай и в кривом зеркале агентской системы). Я местами прямо орнул с этих случаев (особенно с менеджера, который отказывался думать).
А какой вывод? Какого-то очень умного вывода нет особо (кроме того, что у меня тут может быть skill issue и эта фича еще весьма сырая у Hermes). Но я бы все же сделал такое наблюдение — не исключено, что многим из нас придется подтянуть именно менеджерские навыки: планирование, управление (особенно кем-то, кого ты не понимаешь), установка границ и дедлайнов, настройка flow получения полезности. Потому что теперь каждый суслик в поле агроном (ну или каждый становится своего рода менеджером команды железяк). | 713 |
| 14 |  Да | 719 |
| 15 |  #LLM
И еще немного околошизы.
Я тут заметил, что Qwen-3.6-35b-a3b страдает в размышлениях синдромом лейтенанта Коломбо (буду считать придуманным мною термином).
Был, значит, такой сериал. Классический детективный процедуриал (если ничего не путаю). Там одна из классических фраз была у ГГ "И ещё кое-что…" ("Just one more thing…"). Обычно он ее говорил, когда чел уже под подозрением и его сейчас ловко прищучит наш летеха.
Ну так вот. Qwen именно так часто в thinking и пишет, если смотреть логи. Вот постоянно "И еще один момент". И пошел на новый цикл размышлений (что местами подбешивает). Точь-в-точь как Коломбо.
Я теперь думаю, а не может китайцы подмешали субтитров из старого сериала, а моделька представляет себя героем детектива? Было бы забавно. Ну и явно лучше, чем если бы она представляла себя крестным отцом ("ты пишешь мне промпт, но делаешь это без уважения").
Вот такое вот забавное наблюдение.
P.S. У меня еще есть несколько наблюдений от игр с kanban в Hermes, но их я напишу как-нибдуь потом. | 738 |
| 16 |  #LLM #шиза #agents
Особо времени писать нет. Пока жду обучения модельки, накидаю быстренько небольшую шизу.
Я тут подумал, что все истории с harness'ом для агентов мне что-то напоминают. И вспомнил, что именно.
Помните такой фильм Memento? Там ГГ потерял память после происшествия, так что каждый сон ему стирает события за день. У него еще татуировки по телу были и 100500 фоток с подписями.
А теперь по агентам:
1. Моделька ограничена своим обучением. Если ей новых данных в контекст не подкинуть — она ничего и не знает из новой информации, только что помнила до этого. Checked.
2. Если сессию вырубаем, контекст у нас нужно загружать заново. Иначе не помнит нифига. Checked.
3. Приходится прописывать всякие memory и т.п., чтобы моделька могла проснуться и снова их посмотреть, чтобы узнать, а что же с ней происходило. Checked.
4. Если подсунуть отравленный контекст, модельку можно будет обмануть. Checked.
5. Все это сделал Нолан. Вот тут проблемка, да, недосмотр.
В общем, наши агенты чисто живут в Memento. Ну... тут главное, чтобы мстить никому не стали из-за фоток каких-то. Но тут уж как повезет, хехехе. | 712 |
| 17 |  +3Кто будет отвечать на неудобные вопросы про вайб-кодинг и разыгрывать подарки?
Уже 25 июня в Сфере X5 состоится первый митап из серии AI & ML Talks.
Показываем наших героев на карточках и делимся программой вечера:
18:30 — проходим регистрацию, пьём кофе и общаемся
19:00 — слушаем выступление Павла Гагарского, директора департамента «Интеграции и Парсинг», Х5Digital, на тему «Корпоративный корпус: как собрать контекст компании для AI»
19:25 — переключаем внимание на Александра Охонченко, ведущего разработчика в X5 Tech и его tech speech на тему «Лидвайбкодинг, а не шизофрения ИИ: как пускать vibe-код в прод без техдолга»
19:50 — наступает время для Hot Battle! Тема дискуссии: «Вайбкодинг — это фабрика техдолга, а не ускорение разработки». Модератор: Артем Ерохин — ведущий инженер нейросетей, Х5 Tech
20:15 — обсуждаем выступления, дискутируем и подводим итоги розыгрыша
Что разыгрываем? Пока секрет!
Следи за новыми постами в канале и не забывай оставлять комментарии 🤫
Ещё раз важная информация:
📍 Сфера X5 25 июня, 18:30
🔗 регистрация на мероприятие это бесплатно | 597 |
| 18 | Завтра буду модератором митапа в Сфере X5 в Парке Горького. Приходите послушать про вайбкодинг, будут доклады от коллег и дискуссия про полезность вайбкодинга (ну или его бесполезность, тут уж кто лучше позицию отстоит)
P.S. В пятницу буду там же, но уже в качестве выступающего. Буду шутить шутки про работу на Слайдапе. | 548 |
| 19 | 🕒 Синдром «Серебряной пули»
История про «эффективного менеджера» направления CVM (customer value management)
Задача ребят — продавать доп. услуги клиентам и повышать конверсию.
Вводные от заказчика прекрасны:
«Мы тут ходили к другой команде, они нам собрали фичу — "лучшее время отправки SMS". Мы полгода крутили пилот, получили нулевой результат. Хотим, чтобы вы сделали то же самое, но лучше».
Начинаем копать от бизнес-задачи. Выясняется: конверсия низкая. Почему? Ну, логично же: мы просто отправляем SMS не в то время! 🤡
Дальше — диалог, достойный войти в учебники по «продукт-менеджменту»:
— Вы же уже проверили гипотезу на пилоте, результат нулевой. Зачем развивать безнадежную идею?
— Мы в это верим.
— Мы работали со многими крупными компаниями, решали эту задачу. Вы первые, кто просит именно эту фичу.
— Мы переиграем рынок.
— Ок, если я получу ваш пуш в 10:00 вместо 12:00, реально есть вера, что конверсия взлетит?
— Разве это не очевидно?
Тут мы немного выпали в осадок, но решили узнать, как устроена сегментация и выборка клиентов.
— А как вы понимаете, кому слать? Есть функция ранжирования (uplift-модели, скоринг)?
— Не понял вопрос.
— Ну как вы понимаете, кто сконвертится лучше или хуже?
— А-а-а, никак. Просто случайно выбираем из сегмента. Они же ВСЕ заинтересованы в продукте!
— То есть ваш сегмент — это просто жесткие бизнес-правила (условия типа ЕСЛИ/ИЛИ)?
— Если упрощенно, то да. Мы строим гипотезы и тестируем их через А/Б!
То есть ребята делают А/Б тест на абсолютно случайной выборке внутри кастомного сегмента, не умеют в предсказание оттока/конверсии, но верят в тайминг.
Пытаемся нащупать омниканальность. У них есть SMS, пуши и звонки.
— А не пробовали выстроить каскадную стратегию? Например: сначала SMS, через день — звонок?
— Ну и чем это кончится?
— Оптимизацией стратегии...
*(Повисла неловкая пауза)*
— У нас либо звонки, либо SMS! ❌
Итог: Мы рассказали, как строим нормальный ML-пайплайн для CVM у других заказчиков (с моделированием, склонностью к покупке и оптимизацией стратегии). Продукту не зашло. Ведь у нас нет самого главного — алгоритма, который высчитывает идеальную секунду для отправки SMS человеку, которому это предложение вообще не всралось.
Как называется эта болезнь?
В медицине не знаем, но в ИТ это «карго-культ фичи». Когда команда игнорирует базовую математику, отсутствие нормальной сегментации и кривую коммуникацию, но свято верит, что одна «модная» фича переиграет рынок.
Сталкивались с такими «верующими» заказчиками? Какую самую дикую фичу у вас просили завернуть в ML? 👇 | 468 |
| 20 |  بدون متن... | 632 |
