Нескучный Data Science

Что делать с данными? 💬 Строить отчёты. А ещё, например:

✅находить закономерности в больших массивах; ⬜️предсказывать поведение пользователей; ⬜️строить рекомендательные системы; ⬜️обучать и улучшать ML-модели; ⬜️создавать продукты и помогать бизнесу расти.

В Школе аналитиков данных МТС учатся решать такие задачи на практике. В программе — SQL и Python, математика и статистика, анализ данных, машинное обучение и большие данные, а также нейросети и рекомендательные системы. Занятия ведут действующие эксперты Центра BigData MWS. Теория чередуется с практикой, а преподаватели дают обратную связь по работам и помогают отслеживать прогресс. Это будет интересно:

➡️студентам последних курсов и выпускникам технических вузов ➡️алитикам данных, которые хотят погружаться в исследования ➡️ИТ-специалистам, которые хотят перейти в новое для себя направление

Обучение продлится 10 месяцев и будет полностью бесплатным. Заявки принимаем до 25 октября. Отправить заявку ↗️

Объектное хранилище в эпоху быстрых данных Объём данных, с которыми нужно работать, растёт ежедневно. Стандартных решений уже не хватает для задач ИИ и аналитики. Большие объёмы данных нужно не только хранить, но и быстро записывать и читать. В MWS Cloud Platform мы построили объектное хранилище не только на привычных HDD-дисках, но и на NVMe. На вебинаре покажем, какие сценарии работы это открывает и как меняет привычные подходы. Подключайтесь! Обсудим: ✅ Чем классы хранения MWS Object Storage отличаются от привычных ✅ В каких сценариях новый тёплый класс проявляет себя лучше всего ✅ Преимущества и слабые места в разных сценариях работы 📆 7 октября в 14:00 (мск)

🤖 Как дать AI-агенту кошелёк и не уехать в тюрьму Посмотрел второй выпуск «ПРОДАКТовой корзины» и поймал себя на мысли: мы слишком долго обсуждали, умеет ли AI нормально отвечать на вопросы. Теперь пора решать, можно ли давать ему деньги. В выпуске разбирают AI-поиск, научные эксперименты с участием нейросетей, персональные цены, роботакси, магазины-склады и кошельки для агентов. Ведёт шоу стендап-комик Сева Ловкачёв, а вместе с ним новости обсуждают: — Артём Петренко, CPO «Магнит Плюс»; — Александра Прокшина, руководитель Security Development в «Авито»; — Антон Сачков, CTO MAGNIT OMNI; — Даниил Гаврилов, руководитель научной лаборатории T-Банк AI Research и специалист по LLM. Больше всего мне запомнилось обсуждение кошельков для AI-агентов. Агенту предлагают выделить ограниченный бюджет, чтобы он самостоятельно покупал API, MCP-инструменты и контент. Разговор довольно быстро дошёл до идеи сказать агенту: «Братан, теперь содержи себя сам». А затем — до агентского сетевого маркетинга, сомнительных схем и вопроса, кто понесёт ответственность, если автономный помощник решит зарабатывать наиболее маржинальным способом 😅 Не менее интересным получился спор о персональных ценах. Предложить конкретному человеку скидку — звучит как забота. Показать ему цену выше, потому что модель поняла, что он готов заплатить, — уже как повод возненавидеть продукт. Хотя данные и модель могут быть теми же: меняется только бизнес-правило. В итоге получился нормальный разговор о технологиях без восторгов в стиле «AI завтра изменит всё». Здесь пытаются разобраться, где уже появляется реальный продукт, а где пока есть только громкая новость и красивая презентация. Смотреть выпуск: 🎞 YouTube: 😄 VK Видео:

💩 Как улучшить F1-micro и насрать на рекламодателя — в прямом смысле Вас тоже бесит, когда вы ищете один товар, а рекламный алгоритм настойчиво подсовывает совсем другой? Обычно мы видим эту проблему со стороны пользователя. А сейчас покажу, как она выглядит со стороны рекламодателя, которому алгоритм привёл совсем не тех пользователей. В @mirabistro нет-нет да заходят люди исключительно ради туалета. Мы находимся в центре, пешеходный трафик огромный. Я думал, что это неизбежные издержки локации. Туалет у нас — комплиментарная услуга для гостей. 👀 Неделю назад сижу в бистро и наблюдаю: заходит человек и сразу направляется в туалет. У этого сегмента, кстати, есть устойчивый поведенческий паттерн. Они закрывают не только дверь туалета, но и дверь в зону с раковиной. Как будто пришли не руки помыть, а помыться целиком. Через минуту заходит второй. Два одинаковых события подряд меня уже насторожили. 💡 И тут меня осенило: дело в таргетинге. 📈 Недавно я купил продвижение в одном картографическом сервисе. Как аналитик, первым делом полез смотреть, как люди находят бистро и по каким запросам переходят в карточку. Среди запросов был «туалет», хотя мы вообще-то кафе. Давайте разберёмся, что пошло не так при обучении поискового алгоритма. Достоверно я этого не знаю, но с большой вероятностью — всё было именно так. 1️⃣ Поставили цель на квартал выбить XX% по F1-micro. 2️⃣ В датасет поискового движка долили запросы про туалеты. 3️⃣ Кафе, в которых есть туалет, разметили как релевантные ответы — то есть на уровне таргета фактически приравняли кафе к туалету. 4️⃣ При micro-усреднении все true positive складываются в общую копилку, поэтому новая категория помогла вытянуть итоговый F1 Классический случай: офлайн-метрику оптимизировали, заборы успешно покрасили, менеджеры получили бонусы, а на рекламодателей оказалось насрать — в прямом смысле слова, но хотя бы чужими силами. 😆 Публиковать статистику сервиса я не хотел, но 8% туалетного трафика это уже не смешно.

Как научиться предсказывать что угодно? 🔮 На видео спикер рассказывает, что его команда научилась за три дня до расставания предсказывать, что девушка бросит парня. Когда я впервые увидел это в трансляции, то понял только часть проблемы: спикер вообще не шарит, а команда решает странные задачи и пилит такие же фичи 😅 Тогда моего руководительского опыта не хватило, чтобы задуматься о процессах внутри компании — меня просто поразил уровень абсурда. Причём настолько, что эта история догнала меня даже спустя семь лет. Но сейчас, когда я строю собственную компанию, меня гораздо больше беспокоит другой вопрос: какие процессы внутри компании привели к тому, что топ-менеджмент рассказывает об этом на конференции как об успешном кейсе? 🤔 Начнём с самого кейса. Пока я не пересмотрел видео, у меня были разные гипотезы о том, как они собрали целевую переменную: — может быть, провели опрос? — спарсили социальные сети? — а как тогда собрали хард-негативные сэмплы? Но нет. Судя по видео, аналитики придумали сегмент на основе набора косвенных признаков. С какой точностью этот сегмент отражал реальность? Правильно: никто не знает 🙃 Дальше, вероятно, построили модель, которая научилась предсказывать эту синтетическую целевую переменную. И здесь появляется ещё один уровень неопределённости. Сначала мы с неизвестной точностью восстанавливаем целевую переменную по косвенным признакам. Затем с некоторой точностью обучаем модель предсказывать уже эту восстановленную переменную. То есть модель предсказывает не само расставание, а предположение аналитиков о расставании. На ошибку при создании таргета накладывается ошибка самой модели. Поэтому итоговое качество относительно реального события становится ещё менее понятным 🎯 Следующий вопрос: как проверяли лики? Не протекли ли в модель те же признаки, на основе которых изначально восстановили целевую переменную? 🫠 Ну и самое интересное: как измерили эффект? Никак. Модель встроили в рекомендательную систему, в которой, судя по рассказу, нет прозрачно рассчитанного финансового эффекта 💸 Итак, рецепт, как научиться предсказывать что угодно: 1. Конструируете целевую переменную с неизвестной точностью. 2. Обучаете модель предсказывать этот синтетический таргет. 3. Получаете два слоя ошибки: в разметке и в самой модели. 4. Встраиваете модель в продукт, где невозможно оценить её эффект в деньгах. 5. Рассказываете об успешном кейсе на конференции. 6. Готово — вы великолепны! 🚀 Всё это звучит смешно ровно до того момента, пока вам самим не приходится собирать такие фантастические сегменты и обучать на них модели. Напишите в комментариях, если знаете достоверный источник данных для такого сегмента. Особенно интересно, где взять качественные хард-негативные сэмплы 👇

Конференция, на которой точно не соскучишься🎙️ 26 сентября Яндекс празднует 10-летие Data Driven, и празднует с размахом: доклады про AI-first-аналитику, стенды с экспертами, Random Coffee с топовыми аналитиками, а вечером — афтерпати с музыкой, закусками и IT stand-up от аналитиков про наболевшее. Из докладов особенно ждём: Роман Халкечев расскажет о том, как AI переписывает правила игры при работе с данными, Артём Солоухин покажет MARS — первую мультиагентную рабочую среду Яндекса, а Максим Стаценко поделится, как собрать агента-аналитика, которому можно доверять, — с конкретными шагами. Москва + онлайн💻, 26 сентября. Мест офлайн немного — регистрируйтесь по ссылке Новости конференции

🎙 Мини-интервью с руководителем ML-департамента рисков в Яндекс Финтехе Владимир Ершов — ex. Visa, Сбер и Alfa-Bank, выпускник МГИМО и IE Business School. Четыре интересных факта про героя интервью: 1️⃣ Пришёл в ML из экономики: после МГИМО выбрал магистрату по Big Data в испанской IE Business School. 2️⃣Успел поработать во всех ML-направлениях бизнес-группы Персональных сервисов Яндекса. 3️⃣ Сейчас его команда отвечает за порядка 50 моделей для Сплита, кредитной карты, кредита наличными и B2B-кредитования. 4️⃣ Практически не пишет код уже четыре года, но иногда сам ревьюит самые важные куски. 👉 Подробнее — на карточках. Ставьте 🔥, если хотите больше интервью с ML-руководителями. Вопросы Владимиру оставляйте в комментариях 👇 #мини_интервью

🤣 Как за год заработать банку 50 тысяч 👼 После того как я стал руководителем, мне хотелось решить как можно больше задач силами своей команды. Мы умели работать с текстами, и эту экспертизу хотелось применить в продуктах банка. 📈 Одна такая задача нашлась в инвестиционном продукте. Новости без категорий было неудобно читать. По крайней мере, так казалось мне — человеку, который умел их классифицировать. Решение выглядело очевидным: давайте сделаем классификатор. Я убедил бизнес, собрал первую модель и передал её джуну на доработку. Мы разметили данные, улучшили качество и показали результат заказчику. Тексты хорошо раскладывались по категориям, заказчик был доволен — договорились внедрять в мобильное приложение. 🗓️ А дальше приложение переделывали, команда менялась, приоритеты уезжали. Так прошёл год. Сейчас я понимаю, что постоянные переносы были неслучайны: бизнес не видел ценности классификатора, а мы не смогли объяснить, какую ценность он должен принести. 🎉 Наконец классификатор внедрили, запустили A/B-тест и ещё через месяц подвели итоги. Оказалось, что он приносит банку 50 тысяч рублей в месяц — примерно зарплату джуна, который его допиливал. 🤦‍♂️ Где мы облажались? - Не спросили, какую продуктовую метрику хотим изменить, за счёт чего и насколько. Мы просто решили, что категоризированные новости — это хорошо. - Заранее не договорились, как будем измерять эффект. В итоге продакт что-то как-то протестировал, а мы что-то как-то посчитали. Этот печальный опыт усилил мою аллергию на внедрение технологий по мотивам русских сказок: «Пойди туда, не знаю куда. Внедри затем, не знаю зачем». После этой истории у меня закончился нейросетевой недотрах. 😅 🎯 Прежде чем делать модель, ответьте на два вопроса: какой бизнес-эффект она должна дать и как вы его измерите. До продакшена классификатор мы довезли. До бизнес-эффекта — нет. А на каком этапе вы бы остановили этот проект? Пишите в комментариях. 👇

✈️ Альфа оплатит до 20 000 рублей на обеды состоятельным сотрудникам Сбера 🍽 У премиальных клиентов Альфа-Банка есть привилегия: банк компенсирует еду в ресторанах российских аэропортов. Чтобы не заключать договор с каждым заведением вручную, Альфа подключила дата-сайентистов 👨‍💻 Как рассказали в статье на РБК, алгоритм анализирует карточные операции, сопоставляет их с координатами терминалов и определяет, прошла ли покупка на территории аэропорта. 📱 Подходящие операции автоматически появляются в приложении. Загружать чек обычно не нужно, хотя банк оставляет за собой право запросить билет или подтверждение покупки. Запомним этот момент) Но недавно у алгоритма обнаружился интересный побочный эффект 😅 Ресторан в офисе Сбера на одном из верхних этажей определяется как ресторан в аэропорту. Возможно, терминалу присвоили неправильные координаты. Возможно, подвели исходные данные. А может быть, ресторан просто оказался слишком близко к небу ☁️ В итоге премиальные клиенты Альфы могут компенсировать там обычные рабочие обеды — как будто едят перед вылетом 🛫 💸 За один чек можно вернуть до 5 000 рублей. При остатках свыше 12 млн рублей количество визитов не ограничено, но действует общий лимит компенсации ресторанов — 20 000 рублей в месяц. Работаешь в Сбере, держишь деньги в Альфе, а обеды в Сбере оплачивает Альфа. Получается не просто выгодно, а Альфа-Выгодно ❤️ 😅😅😅 Если вы работаете в Сбере и соответствуете условиям премиального обслуживания, оформляйте карту Альфа-Банка, пока дата сайентисты в Альфе не исправили баг А теперь два вопроса: 1️⃣ Технический: какую метрику или алерт вы бы поставили на мониторинг, чтобы быстро выявлять случаи неправильной геопривязки терминалов? 2️⃣ Бизнесовый: как бы вы поступили на месте Альфы — закрыли бы лазейку и исключили ошибочно привязанные терминалы или превратили бы баг в PR-ход для привлечения клиентов с крупными остатками? 👇 Пишите свои варианты в комментариях.

🐍 Как сделать автоматизацию 100% одной фразой 🎤 В 2018 году в одной крупной компании проходила презентация чат-бота. Команда защищала метрику автоматизации. Один из топ-менеджеров выслушал доклад и сказал: — Я знаю, как одной фразой довести вашу автоматизацию до 100%. 📊 В 2020 году уже в другой крупной компании топ-менеджера уволили за то, что он слишком успешно растил автоматизацию. Автоматизацию растили. Топ-менеджера сократили. Баланс всё-таки нашёлся — просто не там. 🤖 В 2026 году помощь понадобилась одному AI-директору. Он обратился во внутренний хелпдеск, но ответа не получил: годом ранее компания успешно выполнила цели по внедрению AI и сократила поддержку. AI внедрили. Помогать стало некому. Когда-то я уже выпускал статью о том, как сделать контактный центр автономным. Похоже, кто-то воспринял слово «автономный» слишком буквально: теперь контактный центр не зависит ни от операторов, ни от обращений, ни от необходимости кому-то отвечать. Что общего у этих историй? У метрики автоматизации есть неприятная особенность: она не умеет отличать ситуацию «клиенту помогли» от ситуации «клиент не смог ни до кого достучаться». В обоих случаях оператор не понадобился. Поэтому автоматизацию нельзя растить без второй метрики, которая показывает, не стало ли клиентам хуже. Иначе вместе с автоматизацией можно незаметно вырастить отток, а повторные покупки и кросс-продажи — так же незаметно сократить. 🐍 Говорят, на змею не действует собственный яд. Но в этой истории в конце концов подействовал. Правда, это был яд других гадюк. 💬 А теперь вопрос: какая одна фраза может сделать автоматизацию чат-бота 100%? Пишите свои версии в комментариях 👇

🚀 50 грантов Tech Orda: специализация AI Agents Engineer Уникальная возможность для граждан РК от 18 до 45 лет: 1. Получить грант 400 000 ₸ от государства на обучение в IT; 2. С вероятностью 60+% достичь карьерных целей в ближайшие 6 месяцев при обучении с BigData Team. 📌 Как подать заявку? До 6 сентября: 1. Нажать "подать заявку" на портале Astana Hub 2. Зарегистрироваться и пройти тестирование на Learn BDT 3. Подписаться на наш Telegram, чтобы не пропустить новости. Результаты отбора — на почту; анонсы — здесь. Особенности 2026 1️⃣ Конечно же ИИ (Agentic Coding и AI Agents) Не банальный prompt engineering, а фундаментальная база: tools, skills, MCP, окружения (*code*, *claw) или harness. Управление памятью (context, memory, fine-tuning vs RAG, embeddings vs Zettelkasten) и качеством (MAS, ralph-loop, evals, понимание LLMs). 2️⃣ Стоимость Разработали программу доступную каждому: — стоимость программы (level 1): 595 000 ₸ — грант Tech Orda: 400 000 ₸ — остаток: 195 000 ₸. Если поделить на 6 месяцев обучения: 🔥 32 500 ₸/месяц 3️⃣ Аналитика зарплат и выпускников от Astana Hub По нашим выпускникам программы Tech Orda в Казахстане: — 44% пришли без профильного ИКТ-образования — 61% достигли карьерных успехов уже в период обучения 💰 1+ млн ₸ средняя зарплата выпускника Откуда цифры — из налоговой (но анонимно). Подробности читайте в гайде по Data-профессиям. 📌 Ключевая информация В AI-native эпоху в IT профессии базовых навыков Computer Science уже недостаточно — важно уметь ускорять процессы разработки и аналитики в десятки раз с помощью автономных ИИ-агентов, не теряя контроля над кодовой базой и архитектурой. В 2026 году мы трансформировали программу BDMLE в новый стандарт — AI Agents Engineer (AIE). 🗓 Старт обучения: сентябрь–октябрь ▶️ Видео о школе и программе (10 минут) 🔄 Волны отбора — I волна — до 23 августа, 23:59 🔥 — II волна — до 30 августа, 23:59 — III волна — до 6 сентября, 23:59 Last, but not least Поспешите! (почему) 📩 Вопросы: личка, комментарии или techorda@bigdatateam.org 🤗 Лайк и репост — у кого-то из ваших знакомых сейчас закроется вопрос "а на что учиться". BigData Team: the way you learn best AI Agents | Py4BDA | Python | Machine Learning | Big Data #study #BigDataTeam #TechOrda #AstanaHub #BDMLE #AIE

🤣 Яндекс сам себя забанил Помните, я писал, как Тинькофф защитил меня от собственного спама? Похоже, тг-боты Яндекса это прочитали, решили повторить успех и применили тот же подход к рекламе. 🍽 Хотел купить рекламу для @mirabistro на Яндекс Картах. Написал в чат-бот поддержки. Бот объяснил, что нужно отправить письмо на указанный им адрес, добавить номер телефона и логин — всё сделал по инструкции. ✉️ Причём для надёжности отправлял письмо из Яндекс Почты на аккаунт Яндекса. Текст — практически тот же, который предложил бот. 🛡 Но письмо не ушло: Яндекс решил, что оно похоже на спам, и временно заблокировал отправку. Итого: бот Яндекса написал инструкцию, я ей последовал, а другой бот Яндекса защитил Яндекс от покупки рекламы в Яндексе. Вот она — настоящая сквозная автоматизация бизнес-процессов 😅 P.S. @yandex свяжитесь со мной)

🧠 10 бит в секунду, или Почему люди тупые Когда я учился в университете, мой сосед любил повторять: — Люди тупые. В том числе и я. Вторая часть фразы нравилась мне гораздо больше первой. В ней была полезная мысль: свои когнитивные ограничения лучше учитывать заранее, а не обнаруживать постфактум. 💾 Позже я попал к научному руководителю, у которого одновременно со мной было ещё несколько десятков студентов. Он честно предупреждал: — Женя, я обещаю, что забуду всё, о чём мы сегодня говорили. Он просто хорошо понимал ограничения собственной памяти и не делал вид, что способен удержать в голове всё. 🔬 Ещё в 1952 году психолог Уильям Хик оценил скорость обработки информации в задачах выбора примерно в 5 бит в секунду. Спустя семь десятилетий исследователи из Caltech проанализировали самые разные виды человеческой деятельности — от чтения и печати до игр и запоминания — и получили величину того же порядка: около 10 бит в секунду, или 1,25 байта. ⚠️ Это не скорость всего мозга. Сенсорные и двигательные системы работают значительно быстрее. Скорее, речь об узком канале, через который информация превращается в осознанный выбор и контролируемое действие. 🤔 Отсюда простой вывод. Если вы задали человеку сложный вопрос, а через секунду получили уверенный ответ, возможны три варианта: 1. Перед вами гений. 2. Человек уже долго думал об этом раньше. 3. Он озвучил первое, что пришло в голову. Чаще, чем нам хотелось бы, срабатывает третий вариант. 🤖 Для GPT мы специально включаем thinking mode и соглашаемся немного подождать. А от человека почему-то ожидаем качественного решения немедленно — желательно прямо на созвоне, между двумя уведомлениями и вопросом «ну что тут вообще думать?». Но человеку тоже можно включить thinking mode. 📝 Поэтому сложные вопросы лучше задавать заранее, а важные договорённости — записывать. И не стоит путать скорость ответа с качеством мышления. 🗂 Кажется, единственный выход с учётом наших ограничений — учиться структурировать знания и сохранять их так, чтобы потом быстро находить. Такая внешняя память медленнее оперативной, но гораздо быстрее, чем каждый раз вспоминать или придумывать всё заново. 🛡 И тут начинается самое интересное: если мы понимаем ограничения естественного интеллекта, становится понятнее, как работают некоторые виды атак на него — и как от них защищаться. Возможно, об этом поговорим в следующих статьях.

Исследуйте сферу AI в T-Lab Т-Образование зовет участников в проект T-Lab. Это годовая программа научно-исследовательской работы в области AI. Станьте соавтором научных открытий, которые меняют индустрию! Вы сможете выбрать один из проектов в сфере AI и участвовать в исследовании на всех этапах. Итоги вашей работы могут лечь в основу научных публикаций и стать вектором новых продуктов. Кого ждут в T-Lab? Студентов бакалавриата и магистратуры, недавних выпускников технических направлений. Участники получат: 🔴Официальное трудоустройство с зарплатой. 🔴Доступ к ресурсам бигтеха для исследований. 🔴Возможность получить оффер в IT-компанию. Узнайте больше и оставьте заявку до 23 августа по ссылке

Конференция Ozon Tech, уже успевшая заслужить высокоранговую славу, обещает и в этом году собрать много интересного для тех, кто работает с ML&DS. Программа E-CODE 2026 еще пополняется, но трек уже выглядит вполне серьезно: сложный индустриальный ML, генеративные подсказки, уровни дообучения и агентский Cotype. Такое нам определенно надо. Еще и участие бесплатное - осталось только зарегистрироваться: https://ecode.ozon.tech/ Ну и в рамках соблюдения work-life balance вечерком прям там же можно и под «Хлеб» с «Нейромонахом Феофаном» отжечь 😅

ИИ крадёт у нас или учится у нас? 🧠 Недавно сидел на панельной дискуссии. Во время вопросов из зала прозвучало примерно следующее: — Как быть с тем, что ИИ будет обучаться на наших данных? Как защитить то уникальное, на создание чего человек потратил столько времени? Но тут возникает неудобный вопрос: а в чём именно заключается эта уникальность? Я люблю сравнивать работу ИИ с ЕИ — естественным интеллектом. Такое сравнение помогает лучше замечать некоторые паттерны человеческого мышления и обучения. Так вот: ЕИ тоже учится на чужих данных 📚 Человек читает книги, слушает преподавателей, разбирает чужие работы, наблюдает за другими людьми и запоминает удачные решения. В творческих профессиях это называют насмотренностью и начитанностью. А затем человек комбинирует знания и приёмы, придуманные до него, — и создаёт нечто, что мы считаем уникальным. Даже гены в некотором смысле можно рассматривать как накопленный поколениями опыт 🧬 Это, конечно, не обучение в обычном смысле, а результат эволюционного отбора. Но принцип сохранения успешных решений здесь тоже просматривается. Поэтому мне немного странно слышать от ЕИ, что ИИ обязательно что-то у него «украдёт». Ведь ИИ обучается на созданном людьми примерно так же, как сам человек когда-то учился на наследии предыдущих поколений. Возможно, главное, чему ИИ пока не научился, — это вкус 🎨 Не просто способность скомбинировать знакомые элементы, а умение почувствовать: что действительно стоит создавать, зачем и для кого. Хотя и вкус, если честно, тоже формируется не в вакууме. На фото мы с Радославом @girafe_ai — довольные тем, что обсудили эту тему и поняли друг друга с полуслова 🤝 💬 Как думаете, что на этом изображении создано с ИИ?

Как понять по письму, что задача не выполнена? 📨 За годы работы в крупных компаниях мне пришлось прочитать очень много писем. Иногда их приходит до сотни в день. Поэтому навыки анализа данных приходится применять и здесь. Представьте: вы поставили кому-то задачу, подошёл срок — и вам присылают отчёт. Это может быть один абзац, а может быть целый лист А4. Вы читаете про процесс, коллег, сложности и то, как все героически преодолевали препятствия. Первый абзац, второй, третий… Очень интересно. Все явно вспотели 😅 Письмо заканчивается, а вы так и не поняли: задача выполнена или нет? 😅 Чем выше вы поднимаетесь в компании, тем сильнее вас интересуют две вещи: какой результат получен и сколько пользы он принёс бизнесу в рублях 💰 Письма с результатом обычно короткие: ✅ «Задача выполнена. Конверсия выросла с X до Y. Эффект для компании — N миллионов рублей». Но даже если письмо длинное, при наличии результата о нём напишут в первом абзаце. В крайнем случае — в последнем. Поэтому длинные письма можно читать по простому алгоритму 🔍: сначала первый абзац, затем последний. Если ответа нет ни там ни там, скорее всего, внутри будут процесс, сложности и оправдания. А если вам сложно писать короткие и ёмкие тексты, советую прочитать книгу «Пиши, сокращай: Как создавать сильные тексты» 📘 Она хорошо учит убирать лишнее и сразу доносить главную мысль. Конечно, бывают исключения. Но в классификации статусных писем и отчётов длина письма — топ-фича 🎯 Если результата нет в первом или последнем абзаце, с большой вероятностью его нет. Более того, если такие письма вам приходят постоянно от одного и того же оправителя, то результат можно вовсе не ждать.

На конференциях только и разговоров, что об агентах. Вообще, я бы назвал это harness'ами. Они могут приносить кучу пользы, и их огромное количество: Claude Code, Codex, pi, Hermes, OpenClaw, Cursor, Muse Code... Хорошая новость в том, что под капотом +- одни и те же механизимы, и если в них разобраться, почти не важно, какой harness у вас под рукой. Поэтому проведу в понедельник, 10 августа в 18:30 открытый вебинар «Агенты без магии». Разберём: * как правильно ставить задачи агенту * что такое скиллы, MCP и зачем они нужны * в чем разница с пайплайнами, и почему для повторяемых задач они лучше подходят (например, n8n) И с теорией, и с примерами. Свои подписки не требуются (но точно не будут лишними :) ) Участие, как и в предыдущий раз, свободное. Но нужно будет заполнить формочку (чтобы я знал, сколько вас будет). А если есть вопросы или кейсы, которые хочется разобрать – пишите в комментарии.

А для тех, кто хочет глубоко погрузиться в ИИ и стать магистром AI ☕️ – у нас целая программа в МФТИ есть, с которой успешно выпустилось пять потоков. Онлайн, на английском, совместимо с работой, в небольшой группе. Подача документов через Госуслуги до 11 августа, вам достаточно оставить заявку, дальше мы проведем по шагам. Присоединяйтесь!

P.s. Долго думал, какие аналогии провести, получилось вот такое: Claude Code – для храбрых Codex – для спокойных Goose – для желающих пропатчить KDE2 под FreeBSD Hermes – для отаку pi – 🐭

❓ Научитесь отвечать на вопрос «зачем?», прежде чем ставить задачу ИИ Моё знакомство с Codex началось, когда появилась вполне конкретная задача: собрать сайт для @mirabistro. Сайты я делал и раньше — первый написал на PHP ещё в восьмом классе. Но никогда не вайбкодил и относился к этому довольно скептически. Несмотря на десять лет работы в анализе данных, мне казалось, что нормальный рабочий продукт всё равно придётся долго собирать руками. А тратить время на проект без понятной цели я не хотел. 🌐 Здесь наконец появилась конкретная цель. К тому же все «эксперты по ИИ» в соцсетях уже рассказывали, что теперь такие вещи можно собрать чуть ли не за один вечер. Я решил проверить — и сайт действительно получился. Напишите в комментариях, как он вам 👇 После этого я начал вайбкодить почти каждый день. 😁 Но именно тогда я понял главное: когда ИИ позволяет очень быстро собрать практически любой MVP, становится особенно важным ещё до начала работы ответить на вопрос: «зачем?» 🏠 Недавно у меня появилась новая «задача». Дома стоит старый видеодомофон Tantos. У него есть приложение vhOme, которое работает довольно медленно, не присылало уведомления о звонках на iPhone и просто не нравилось мне визуально. Приложения под Android я тоже писал — как вы помните. Правда, это было ещё в 2014 году. И самое смешное, что vhOme выглядело примерно так же, как мои приложения того времени. Но у меня хотя бы не было дизайнера. Точнее, дизайнер был — я сам 😅 Я такой: — Сейчас сделаю своё приложение. 📱 Закинул в Codex APK Android-приложения. Он разобрал его, вытащил используемые методы, нашёл механизмы подключения к домофону и получения видеопотока. Ещё немного — и можно было начинать писать полноценное приложение под iOS. Можно было упороться окончательно: сделать системный экран входящего звонка, после ответа сразу открывать видео, добавить две кнопки — «Открыть» и «Не открывать», оформить аккаунт разработчика и попробовать выложить всё это в App Store. В целом многие приложения теперь действительно можно допиливать и переделывать под себя. Если есть работающий клиент, ИИ способен исследовать его поведение, разобраться с протоколами и собрать свое решение. В итоге я потратил несколько часов на исследование vhOme. 🤔 Но перед тем, как переходить к полноценной разработке и публикации в App Store, я всё-таки остановился и задумался: а точно ли эту задачу нужно решать таким сложным способом? Нет ли чего-то проще? И главное: зачем мне вообще собственное приложение? Мне было нужно не приложение само по себе. Мне было нужно не пропустить звонок в дверь. 🔔 А потом выяснилось, что проблема была не в домофоне: пришлось поиграться с режимами «Фокусирование» на iPhone и правильно настроить допуск уведомлений. После этого они начали приходить. Собственное приложение с быстрым переходом к видео и двумя кнопками всё ещё было бы удобнее. Но когда пуш уже работает, потенциальный аплифт от разработки резко снижается. 🎓 Если, конечно, перед вами не стоит образовательная цель. Тогда ответ на вопрос «зачем?» тоже есть: разобраться в чужом приложении, исследовать протоколы и научиться собирать собственные продукты под iOS. В этом случае само исследование уже становится результатом. 🤔 Но изменилось ли что-то с появлением вайбкодинга? В вопросе целеполагания — ничего. Ведь и раньше существовало огромное количество бесполезных стартапов, научных статей и корпоративных проектов, которые пятый год подряд делают одно и то же второй раз. ИИ не решает проблему целеполагания. Он помогает быстрее написать код и дешевле проверить гипотезу, но не способен решить за вас, какой результат действительно нужен и стоит ли вообще браться за проект. 🎯 Поэтому главный навык сейчас — умение отвечать на вопрос «зачем?». Так было всегда: на вопрос «зачем?» должен уметь отвечать заказчик и любой руководитель, который несёт ответственность за результат. Но теперь, когда вы ставите задачу ИИ и с его помощью пишете код, вы тоже становитесь руководителем — как минимум собственного проекта. А значит, теперь и вам нужно уметь отвечать на главный вопрос: «зачем?»