Data Flow | AI & Автоматизация | Stas Gasilovskii

🤖 Искусственный интеллект: друг или враг креативности? В обсуждении на Reddit подняли интересный вопрос: как применение AI-инструментов влияет на творчество контент-мейкеров? 📊 Вот что показывают данные: - 70% авторов используют AI, чтобы ускорить свою работу. - При этом часть из них жалуется, что из-за этого их контент становится «плоским» и «стереотипным». Один из участников отметил:

«Когда AI берёт на себя этапы мозгового штурма, я теряю навык думать нестандартно. Это удобно, но кажется, что я утрачиваю свою креативность».

Однако есть и те, кто придерживается иной точки зрения: ИИ освобождает от рутинных задач, оставляя время для идей и экспериментов. 🧠 Ответы зависят от подхода: для одних это инструмент ускорения и автоматизации задач, для других — «преграда», препятствующая профессиональному росту. 💬 А что вы думаете? AI - это ускоритель, помощник или тормоз для творческих процессов? 👩‍💻 Data Flow

💡 Как предприниматели используют AI для масштабирования своего бизнеса? AI больше не прерогатива крупных корпораций. Малые, но амбициозные компании достигают больших успехов благодаря искусственному интеллекту. Пример — стартап Anysphere, который создал AI-кодинг ассистента Cursor и конкурирует теперь с OpenAI и GitHub. 📊 Основные выводы исследования Global Entrepreneurship Monitor: - 87% амбициозных предпринимателей считают AI ключевым для своих бизнес-стратегий. - Более 90% прогнозируют рост выручки благодаря AI. 🎯 Советы предпринимателям: 1. Начинайте с минимальных проектов — так легче экспериментировать. 2. Равномерно распределяйте задачи между AI и людьми (AI для рутины, люди для креатива). 3. Вовлекайте команду на всех уровнях. “Гражданские разработчики” могут стать движущей силой инноваций. 👩‍💻 Data Flow

🚀 5 ИИ-инструментов для управления социальными медиа Инструменты с искусственным интеллектом значительно упрощают работу с социальными сетями: автоматизация процессов, улучшение контента и анализ данных помогают брендам экономить время и повышать эффективность. Ниже - топ 5 сервисов для управления соцсетями: 🔸 FeedHive - автоматизация контента и аналитика. Поддерживает Facebook, Instagram, YouTube, помимо этого есть интеграция с Threads и LinkedIn. 💰 От $19/мес 🔸 Sendible - создание и планирование постов, а также полный контроль взаимодействия с подписчиками. 💰 От $29/мес 🔸 Ocoya - универсальный инструмент для создания текста, графики и видео. Доступно создание мультиязычного контента и ИИ-редактирование видео. 💰 От $15/мес 🔸 Vista Social - мониторинг репутации благодаря функциям анализа эмоционального отклика и рекомендациям по хэштегам. 💰 От $39/мес 🔸 Planable - платформа для совместного планирования и создания контента в командах. 💰 Бесплатные функции или $33/мес 💡 AI-решения не заменят стратегический подход, но помогают автоматизировать рутину. Благодаря аналитике и умным рекомендациям контент больше вовлекает пользователей, а бизнес получает лучшие результаты. Какими инструментами вы уже пользуетесь? Делитесь в комментариях! 👩‍💻 Data Flow

🎮 Google инвестирует в индийскую соцсеть для геймеров STAN Google приняла участие в инвестировании $8,5 млн в платформу STAN, располагающуюся в Сингапуре, но ориентированную на пользователей из Индии. Среди других участников раунда: Bandai Namco, Square Enix и Aptos Labs. Google вложилась через свой AI Futures Fund, запущенный в мае. Чем выделяется STAN? ➖ Социальные функции. STAN стремится стать аналогом Discord для геймеров, но с уникальной моделью: пользователи зарабатывают виртуальную валюту "Gems", играя в популярные игры — от Minecraft до Call of Duty. Валюта обменивается на ваучеры для Amazon, Flipkart и других платформ. ➖ Инструменты для создателей. Контент-мейкеры создают клубы с платным доступом, на которых платформа зарабатывает комиссию. ➖ AI модерирование. Уже до 80% модерации чатов осуществляется с помощью ИИ, планируется еще больше развивать эту технологию. 📈 На платформе зарегистрировано 25 млн загрузок и 5,5 млн активных пользователей в месяц. STAN планирует выйти на международный рынок, начав с Юго-Восточной Азии. По словам сооснователя Парта Чадхи, Google поможет внедрить ИИ-фишки: создание аватаров, мемов и фильтрацию чатов.

«STAN — это место, где геймеры находят друзей, играют вместе и общаются», — отмечает он.

👩‍💻 Data Flow

Профессия - Senior API Wrapper 😁

🤖 OpenAI приближается к созданию универсального AI-агента Компания OpenAI активно работает над созданием агентов, которые смогут выполнять любые задачи так же, как человек. 🔍 Что уже сделано: - OpenAI разработали первую reasoning-модель в 2024 году. Модель о1 уже завоевала золото на Международной математической олимпиаде. - Прорыв стал результатом использования новых техник: комбинации reinforcement learning (RL) и планирования задач с помощью "цепочки размышлений" (Chain-of-thought). 📊 Куда движется OpenAI: Главная цель - создать AI-агентов, которые понимают запросы пользователя и самостоятельно могут выполнять сложные задачи на компьютере.

«В будущем вы просто попросите компьютер сделать то, что вам нужно, и он выполнит все за вас. Это будет огромный прорыв», - говорит Сэм Альтман

🔮 Конкуренция растёт: Meta, Google и другие технологические гиганты также работают над своим ИИ. Например, недавно Meta переманила нескольких исследователей OpenAI, предложив компенсационные пакеты свыше $100 млн. Как вы думаете, сможет ли OpenAI удержать лидерство? ❤️ - Да, они переиграют всех! 🤔 - Конкуренция слишком высока. 👩‍💻 Data Flow

Воскресная подборка курсов по GenAI 1. Generative AI with LLMs Платформа: Coursera Авторы: DeepLearning.AI, со вступлением от Эндрю Ына - Объясняются ключевые понятия: LLM, instruction fine-tuning vs fine-tuning, prompt engineering vs prompt tuning - Подробно разобраны: RLHF, PEFT, LoRA, методы снижения токсичности - Применения: LangChain, LLM-приложения - Практика: zero-/few-shot prompting, summarization, instruction tuning с PEFT, RLHF Курс короткий и насыщенный. Преподаватели чёткие, визуал хороший. Подходит для тех, кто хочет систематизировать знания об LLM. 2. LangChain for LLM Application Development Платформа: DeepLearning.AI Как логичное продолжение первого курса — больше про построение приложений с LangChain, что в первом курсе лишь упоминается. 3. Evaluating and Debugging Generative AI Платформа: DeepLearning.AI Курс от того же автора (Эндрю Ын), закрывает пробел по отладке и анализу поведения моделей. В основном посвящён диагностике, метрикам, ошибкам в pipeline. 👩‍💻 Data Flow

🧠 Как обучить ИИ быть педагогом? Исследователь Kanaria007 из Hugging Face предложил новый подход к обучению с помощью структурного ИИ. Этот метод делает из ИИ не просто машину для ответов, а "когнитивное зеркало" и наставника для структурированного мышления. Основные принципы Structured Intelligence AI (SI-AI): ➡️ Jump-Generator: Создает вопросы, меняющие перспективу и устраняющие когнитивные шаблоны.

📌 Пример: Студент выражает однобокий взгляд на политику, ИИ спрашивает: «А что, если ваша позиция причиняет вред группе, которую вы защищаете?»

➡️ Memory-Loop: Память, фиксирующая контекст и ошибки. Позволяет отражать процесс рассуждения и обучать метакогниции. ➡️ Structural Scaffolding: Этические интерфейсы, поддержка абстракции, управление противоречиями — всё это формирует умную и адаптивную поддержку обучения. SI-AI — это не замена учителей, а инструмент, который помогает ученикам мыслить осознанно. Он позволяет анализировать противоречия и наблюдать, как формируется мысль. 🔗 Подробнее о проекте: Teaching AI to Teach 📁 Данные протоколов: Dataset Как вы относитесь к идее ИИ-наставников? 💯 - Гениально, это будущее! ✍️ - Я за классических учителей! 👩‍💻 Data Flow

📚 Context Engineering На смену привычному Prompt Engineering приходит более масштабная дисциплина — Context Engineering, которая фокусируется на проектировании полного контекста для работы больших языковых моделей (LLMs). 💡 Что это такое? Context Engineering выходит за рамки написания отдельных инструкций для ИИ. Это процесс оптимизации всей системы, включая ввод данных, поддержание памяти, интеграцию внешних инструментов и управление взаимодействиями. Эффективная динамическая обработка информации и работа в сложных сценариях становятся ключевыми преимуществами. 🛠 Методы и технологии: - Retrieval-Augmented Generation (RAG): позволяет динамически использовать внешние базы знаний для создания релевантных ответов. - Global State Management: сохранение контекста для задач с долгосрочными процессами. - Мультимодальная оптимизация: работа с текстом, изображениями и звуком. - Интеграция инструментов: динамическое подключение функций и данных. 🌍 Применение: - Корпоративные ИИ: масштабные, надежные системы для бизнеса. - Автономные агенты: многошаговые задачи с учетом контекста. - Анализ документов: глубокая обработка данных, поиск информации. - Разработка кода: семантический поиск по проектам. 🔮 Перспективы: Следующее поколение ИИ-систем станет более устойчивым и эффективным, обеспечивая: - Расширенные возможности памяти. - Интеграцию с корпоративными данными. - Улучшенные интерфейсы для мультимодальной работы. 👩‍💻 Data Flow

🔥 Синдром самосбывающегося провала: как менеджеры невольно способствуют провалам сотрудников? Эксперты по лидерству и организационному развитию Жан-Франсуа Манцони и Жан-Луи Барсукс объяснили в статье для Harvard Business Review опасный феномен управления — "Синдром установки на провал" (The Set-Up-To-Fail Syndrome). 📌 Что это такое? Менеджеры часто подсознательно наделяют сотрудников ярлыками "слабых исполнителей", усиливают контроль за ними и снижают доверие. Это приводит к снижению мотивации, замыканию сотрудника в себе, а также подтверждению неправильных ожиданий менеджера. 📌 Ключевые моменты из исследования: - До 90% менеджеров делят сотрудников на "своих" (In-group) и "чужих" (Out-group). - Усиленный контроль воспринимается как недоверие, что приводит к дезориентации и потере мотивации. - Процесс самоуглубляется — низкие ожидания руководителя усиливают проблему. 📌 Как это исправить? 1️⃣ Признать, что отношение руководителя может быть частью проблемы. 2️⃣ Провести честные диалоги и определить реальные причины слабой работы сотрудника. 3️⃣ Постепенно снижать степень контроля, обозначив ясные цели и критерии оценки. 4️⃣ Проводить регулярные обсуждения отношений между руководителем и подчинённым. ❗️ Почему важно избегать этого синдрома? Синдром разрушает отношения, снижает производительность команды, увеличивает выгорание и провоцирует текучесть кадров. Здоровая коммуникация с персоналом — ключ к созданию сильной команды. 👩‍💻 Data Flow

База по Machine Learning и AI тут 👩‍💻 Data Flow

🚀 Как Anthropic использует Claude Code для оптимизации разработки Anthropic рассказали, как их команды применяют Claude Code для ускорения рабочих процессов и автоматизации рутинных задач. Вот несколько интересных примеров: 🔍 Навигация в коде: Инструмент помогает новым сотрудникам быстро разбираться с кодом, анализирует зависимости и показывает, какие файлы требуют внимания. ✅ Тесты и ревью: Claude Code автоматизирует написание юнит-тестов, форматирование Pull Request'ов и даже перевод тестов на другие языки (например, Rust). 🐛 Дебаг и решения проблем: С помощью Claude Code команды решают баги втрое быстрее, анализируя ошибки в реальном времени. Однажды он помог устранить сбой Kubernetes кластеров всего за 20 минут! ⚡️ Прототипы и фичи: Даже сотрудники без опыта в программировании используют Claude Code для создания React-приложений и автоматических UI-итераций. Abstract-проблемы превращаются в почти готовые решения. 📄 Документация: Claude агрегирует и упрощает техническую информацию из разных источников, сокращая время поиска ответов на сложные вопросы на 80%. 💡 Интересно, что инструмент облегчает работу не только техническим специалистам: маркетологи генерируют сотни рекламных вариаций за секунды, а юристы создают интерактивные системы для внутренних процессов. Anthropic называют Claude Code "партнером по мышлению", который стирает грань между техническими и нетехническими задачами. 👩‍💻 Data Flow

Почему "просто сесть и сделать" - сложно? Когда наступает эмоциональное или умственное «выгорание» - возникает «ментальная стена». Главный барьер часто не физическая усталость, а страх того, что задача потребует слишком много энергии. Подобно тому, как телефон переходит в «режим низкого энергопотребления», наш мозг делает все возможное, чтобы сэкономить свои ограниченные ресурсы, поэтому мы с большей вероятностью выберем не требующие больших усилий и приносящие немедленное удовлетворение занятия, такие как просмотр сериалов или прокручивание ленты в соц сетях. В этом состоянии мозг также склонен преувеличивать количество энергии, необходимое для выполнения задачи, из-за чего она кажется более сложной, чем на самом деле. Но самое сложное — это часто просто начать. Как только мы начинаем, инерция начинает работать на нас. 🧠 Доктор Бегети предлагает простое, но мощное решение: правило 5 минут. Начни работу, даже если кажется, что не можешь. Договорись с собой: «Я поработаю хотя бы 5 минут, а потом решу, продолжать или остановиться» Тогда: - Мозг занижает ожидания касательно того, сколько энергии потребует задача - мы выходим из «режима низкого энергопотребления». - После первых 5 минут, самая сложная часть, начало - пройдена, после чего задача перестаёт казаться непосильной, и уже воспринимается мозгом легче. - Даже если остановишься — эффект уже есть: ежедневные 5 минут складываются в 30+ часов работы за год 👩‍💻 Data Flow

🤖 Google выпускает Deep Think для подписчиков AI Ultra Gemini 2.5 Deep Think, модель, завоевавшая золото на Международной математической олимпиаде 2025, теперь доступна подписчикам Google AI Ultra в приложении Gemini. Что нового? - Использование параллельного мышления для генерации и совершенствования идей. - Улучшенная производительность: быстрее решает задачи и достигает бронзового уровня производительности на тестах IMO. - Применение в математике, науке, разработке алгоритмов и сложных кодинг-задачах. 🔒 Модель демонстрирует лучший уровень безопасности и объективности контента, чем предыдущие версии. 📂 Подробнее о Deep Think — в официальной pdf-карточке модели. Попробовать можно уже сегодня, включив опцию Deep Think в приложении Gemini 🖱 👩‍💻 Data Flow

📚 OpenAI представила новый режим обучения в ChatGPT С 29 июля 2025 года ChatGPT теперь предлагает Study Mode — режим обучения, который помогает студентам решать задачи шаг за шагом, вместо того чтобы просто предоставлять ответы. 🔍 Что нового в Study Mode? 1️⃣ Интерактивные подсказки: Использование сократического метода вопросов для углубленного понимания. 2️⃣ Структурированные ответы: Информация представляется поэтапно, что облегчает усвоение сложных тем. 3️⃣ Персонализированная поддержка: Уровень сложности адаптируется в зависимости от навыков и предыдущих запросов пользователя. 4️⃣ Проверка знаний: Викторины и открытые вопросы позволяют отслеживать прогресс пользователей. 5️⃣ Гибкость использования: Возможность легко переключаться между режимом обучения и стандартным режимом. 👩‍🎓 Студенты уже положительно отзываются о новом подходе:

"Это как круглосуточные консультации по учебным вопросам!" — делится впечатлениями студент.

💡 Как начать? Просто выберите "Study and learn" в инструментах ChatGPT и задайте свой вопрос. 🔮 Ожидается, что этот режим поможет сделать обучение более интерактивным и углубленным. Более подробную информацию о новом режиме можно найти на официальном сайте OpenAI. Как вы относитесь к новому режиму обучения? 👍 — Отличная идея, так и надо! 🤔 — Не уверен(а), будет ли эффективно..."

Юридическая фирма, где все сотрудники - ИИ. Звучит как фантастика, но скоро может стать реальностью. Прочитал свежий Requests for Startups от Y Combinator - список идей, которые они особенно хотят профинансировать. Есть очень мощные направления, вот в кратце: 💡 Full-stack AI-компании - предлагается не просто продавать ИИ-решения юристам, а самому стать "ИИ-юридической фирмой" и вытеснить старых игроков. Не обслуживать динозавров - стать их заменой. 💡 AI Personal Assistant - агент, который реально делает задачи, а не просто напоминает. Сам отвечает на письма, ставит встречи, завершает рутинные процессы. В духе “to-do → done”. 💡 AI в образовании - персонализированные ИИ-репетиторы с объяснениями в стиле 3Blue1Brown. А ещё - мультимодальные модели, которые показывают, а не просто рассказывают. 💡 Голосовой AI - звонки с ботами, которых не отличить от людей. Уже работают, звучат как будущее. Потенциал - в триллион звонков в год. 💡 AI в финансах - ИИ, который знает все про твои финансы, цели и долги, и даёт советы лучше дорогого консультанта. И без конфликта интересов. 💡 Healthcare-агенты — в США $1 трлн в медицине уходит просто на админку. Сейчас можно строить агентов, которые автоматически обрабатывают PDF-ки, формы и данные между системами. Отдельно призывают дизайнеров становиться фаундерами: YC считает, что дизайн - уже не просто “приятный плюс”, а ключевая фича, как у Stripe и Airbnb. Если думаешь над своим AI-стартапом — обязательно прочти весь список. А когда будешь готов взяться за реализацию, заходи сюда 😉

Staff+ Прочитал интересную статью про архетипы Staff-инженеров - чётко раскладывает, что вообще за роли бывают на этом уровне. Всего выделяют 4 архетипа: 1. Tech Lead - ведёт техническую стратегию команды, помогает приоритизировать задачи, координирует между техом и продуктом. Самый частый архетип. 2. Architect - глубокий эксперт в узкой области (например, API или инфраструктура). Делает системные изменения, влияет через качество решений, а не иерархию. 3. Solver - разбирается с хаосом: нестабильные системы, технические долги, срочные пожары. Обычно перемещается между командами. 4. Right Hand - правая рука CTO/директора. Масштабирует их влияние, берёт на себя сложные кросс-командные инициативы. Также интересный факт: ~⅔ получают Staff внутри своей компании, остальным нужно менять работу. И “staff-проект” (большой важный проект) не обязателен - часто хватает устойчивого вклада или просто смены контекста. Если вы на пути к Staff или уже там, то автор также приводит график недели каждого из типов — можно "примерить" на свой 😎

Запустили новый курсец https://stepik.org/a/222232 Пока что в тихом режиме

Очень конспирологическая статья Subliminal Learning: Language models transmit behavioral traits via hidden signals in data https://arxiv.org/abs/2507.14805 В чем идея: модель-учителя обучали на датасете с какой-то ярко выраженной чертой. Например, прививая ей особенно сильную любовь к совам. Потом эту же модель просили сгенерировать данные, состоящие из с виду рандомных номеров. Например, продолжить уже созданный список каким-нибудь образом, без какого-то заданного паттерна. На этом числовом датасете потом учат student model В итоге эта student model каким-то образом перенимает предпочтения модели-учителя и тоже начинает любить сов, обучившись на наборе чисел, которые видимо нам кажутся случайными, но таковыми не являются Это работает с разными животными, и даже работает с MNIST: student model научилась решать задачи из этого датасета, по сути никогда не обучаясь на этих данных, а увидев только (pseudo)random noise от модели-учителя При этом, эффект не сохраняется, если просто засунуть рандомные числа в контекст модели без дополнительного обучения, или если у студента и учителя разные базовые модели. Также отдельно проверяли, что это не подвид emergent misalignment, когда, например, модель становится злой, если ее обучить на небезопасном коде или на числах типа 666 и 1488 Еще этот подход работает, если вместо чисел генерить другие не связанные с выбранной чертой (e.g. любовь к совам) домены, например код или ризонинг трейсы для математических задач В целом это интересная иллюстрация того, что все LLM – это достаточно необычные distribution machines. Но боюсь представить сколько шизо-теорий на этом теперь можно построить

🚀 Наивный RAG — это скам! ...когда дело касается продакшн. 📱 Часто в YouTube показывают RAG как «запихнул документы — и всё работает». Но в реальной жизни всё куда сложнее. Чтобы система действительно работала, нужно глубоко погрузиться в структуру данных заказчика, учесть особенности поисковых запросов и привести их в соответствие с полями БД. ⚙️ Основная задача продакшн‑RAG — это не генерация, а правильное извлечение нужных документов из БД: предобработка запроса, сопоставление с полями, фильтрация, нормализация — и лишь затем отправка в LLM. На это иногда уходит львиная часть времени, гораздо большая, чем на промпты. И всему этому должна предшествовать качественная подготовка документов: разделение, предобработка и хранение. 🤖 Да, работать с RAG круто и интересно — но поверьте, это далеко не тот «волшебный» инструмент, как рисуют на хайповых видео. Успех — за глубоким пониманием данных и тщательным подходом. И если вы берёте заказ на RAG, оцените: хватит ли времени и ресурсов, чтобы сделать всё правильно.