uz
Feedback

Firibgarlarga uchmang! Telemetrio bunday kanallarni topadi va belgilaydi 👉 Belgini ko‘rmoqchi bo‘lsangiz, obuna bo‘ling

Плохой менеджер Артём Арюткин

Плохой менеджер Артём Арюткин

Kanalga Telegram’da o‘tish

Канал про IT менеджмент Авито - СРО платформы разработки, Ex- Яндекс СРО, платформы для разработки, ex-Дир-р по тех. разв-ю в Сбере: данные, AI, рек.системы. Ex-head of PMO СБОЛ Автор:Арюткин Артём РКН https://www.gosuslugi.ru/snet/6763fd618e552d6

Ko'proq ko'rsatish

📈 Telegram kanali Плохой менеджер Артём Арюткин analitikasi

Плохой менеджер Артём Арюткин (@badtechproject) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 14 099 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 9 065-o'rinni va Rossiya mintaqasida 45 968-o'rinni egallagan.

📊 Auditoriya ko‘rsatkichlari va dinamika

невідомо sanasidan buyon loyiha tez o‘sib, 14 099 obunachiga ega bo‘ldi.

17 Noyabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -78 ga, so‘nggi 24 soatda esa -4 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.

  • Tasdiqlash holati: Tasdiqlanmagan
  • Jalb etish (ER): Auditoriya o‘rtacha 20.22% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 9.36% ini tashkil etuvchi reaksiyalarni to‘playdi.
  • Post qamrovi: Har bir post o‘rtacha 2 851 marta ko‘riladi; birinchi sutkada odatda 1 320 ta ko‘rish yig‘iladi.
  • Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 52 ta reaksiya keladi.
  • Tematik yo‘nalishlar: Kontent архитектура, llm, finops, факс, контекст kabi asosiy mavzularga jamlangan.

📝 Tavsif va kontent siyosati

Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“Канал про IT менеджмент Авито - СРО платформы разработки, Ex- Яндекс СРО, платформы для разработки, ex-Дир-р по тех. разв-ю в Сбере: данные, AI, рек.системы. Ex-head of PMO СБОЛ Автор:Арюткин Артём РКН https://www.gosuslugi.ru/snet/6763fd618e55...”

Yuqori yangilanish chastotasi (oxirgi ma’lumot 18 Noyabr, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.

14 099
Obunachilar
-424 soatlar
-127 kun
-7830 kun
Obunachilarni jalb qilish
Noy '26
Noyabr '26
+36
0 kanalda
Oktabr '26
+64
3 kanalda
Get PRO
Sentabr '26
+174
3 kanalda
Get PRO
Avgust '26
+168
7 kanalda
Get PRO
Iyul '26
+1 040
13 kanalda
Get PRO
Iyun '26
+94
2 kanalda
Get PRO
May '26
+120
1 kanalda
Get PRO
Aprel '26
+192
5 kanalda
Get PRO
Mart '26
+129
7 kanalda
Get PRO
Fevral '26
+295
7 kanalda
Get PRO
Yanvar '26
+687
21 kanalda
Get PRO
Dekabr '25
+334
14 kanalda
Get PRO
Noyabr '25
+449
9 kanalda
Get PRO
Oktabr '25
+325
7 kanalda
Get PRO
Sentabr '25
+714
7 kanalda
Get PRO
Avgust '25
+541
9 kanalda
Get PRO
Iyul '25
+441
9 kanalda
Get PRO
Iyun '25
+730
39 kanalda
Get PRO
May '25
+1 042
17 kanalda
Get PRO
Aprel '25
+574
13 kanalda
Get PRO
Mart '25
+842
20 kanalda
Get PRO
Fevral '25
+744
15 kanalda
Get PRO
Yanvar '25
+500
16 kanalda
Get PRO
Dekabr '24
+2 319
27 kanalda
Get PRO
Noyabr '24
+739
15 kanalda
Get PRO
Oktabr '24
+942
22 kanalda
Get PRO
Sentabr '24
+1 544
7 kanalda
Get PRO
Avgust '24
+1 188
10 kanalda
Get PRO
Iyul '24
+1 180
6 kanalda
Get PRO
Iyun '24
+437
8 kanalda
Get PRO
May '24
+657
9 kanalda
Get PRO
Aprel '24
+791
8 kanalda
Get PRO
Mart '24
+577
5 kanalda
Get PRO
Fevral '24
+308
5 kanalda
Get PRO
Yanvar '24
+221
2 kanalda
Get PRO
Dekabr '23
+157
2 kanalda
Get PRO
Noyabr '23
+145
1 kanalda
Get PRO
Oktabr '23
+184
1 kanalda
Get PRO
Sentabr '23
+665
0 kanalda
Sana
Obunachilarni jalb qilish
Esdaliklar
Kanallar
18 Noyabr+3
17 Noyabr+1
16 Noyabr0
15 Noyabr+1
14 Noyabr+3
13 Noyabr+4
12 Noyabr+5
11 Noyabr+3
10 Noyabr+1
09 Noyabr0
08 Noyabr0
07 Noyabr0
06 Noyabr+2
05 Noyabr+3
04 Noyabr+5
03 Noyabr+4
02 Noyabr0
01 Noyabr+1
Kanal postlari
ИИ становится всё умнее, а мы из-за этого рискуем стать тупее! 😁 Короче, Адди Османи из команды Claude Code в Anthropic написал интересную статью про критическое мышление в эпоху ИИ-агентов. И знаете, что самое интересное? Чем лучше становятся модели, тем меньше мы проверяем их работу! Раньше ИИ регулярно выдавал какую-то откровенную чушь, и ты сразу понимал: дружище, ну ты там совсем уже нафантазировал! А теперь? Всё красиво написано, аргументы убедительные, код работает, тесты зелёные. Зачем вообще проверять? 😁 Османи описывает три стадии взаимодействия человека с ИИ: 1. 🧠 Cognitive Offloading. Делегируем работу ИИ, но продолжаем проверять результат и отвечать за него. 2. 🙈 Deferral. Получили ответ от ИИ и уже используем его в следующей задаче как установленный факт. Хотя сами не проверили. 3. 🦄 Cognitive Surrender. Полная когнитивная капитуляция! ИИ выдал ответ, а мы приняли его за собственное мнение. Последний термин, кстати, придумали исследователи Steven Shaw и Gideon Nave из Уортона. Оооокей! А теперь моя любимая часть! Из-за всего этого возникает новый долг — Comprehension Debt, или долг понимания. Представьте, ИИ написал вам 600 строк кода. Вы посмотрели структуру, увидели зелёные тесты и нажали Approve. Молодец! Задача закрыта! А потом через месяц нужно что-то поменять. Иииииии внезапно выясняется, что никто не понимает, почему система устроена именно так! 😁 Причём дело не только в разработке. Ведь менеджеры точно так же генерируют стратегии, исследования, презентации и аналитические материалы. Вот только кто теперь отвечает за правильность выводов? И тут Османи поднимает ещё одну интересную проблему. Зелёный тест не доказывает, что всё работает правильно. Он доказывает только то, что прошла конкретная проверка. А если агент написал неправильный код и неправильный тест к нему? Поздравляю, всё зелёное! 😁 Что с этим делать? Османи предлагает довольно практичные вещи: 1. Сначала своя гипотеза. Прежде чем спрашивать ИИ, попробуй самостоятельно сформулировать ответ. 2. Искать контраргументы. Попроси другую модель объяснить, почему твой вывод может быть неправильным. 3. Проверять доказательства. Не просто смотреть на зелёные тесты, а понимать, что именно они проверили. 4. Разбираться в принятых решениях. Какие допущения сделал агент? Что он решил за тебя? 5. Не терять навыки. Периодически делать важные вещи самостоятельно, чтобы не забывать, как они работают. И вот тут есть очень важная мысль. Османи не предлагает отказаться от ИИ или самостоятельно разбираться в каждой строчке кода. Наоборот, делегировать можно и нужно! Просто есть разница между выбором гостиницы для поездки и решением, можно ли выпускать изменение в продакшен. Чем выше цена ошибки, тем важнее сохранить собственное суждение. Иииии вот что я об этом думаю. Раньше наша продуктивность ограничивалась тем, сколько работы мы способны выполнить. Теперь мы научились производить практически неограниченное количество результатов. Но способность понимать, проверять и принимать решения от этого автоматически не выросла. И кажется, что именно она постепенно становится главным ограничением продуктивности. А самое забавное, что можно научить ИИ проверять работу другого ИИ. И потом ещё одного, чтобы проверял предыдущих. И ещё одного… Короче, когда-нибудь нам всё-таки придётся решить, кому из них верить! 😁 👉🏼 Оригинальная статья Адди Османи 🔥 — ИИ делает, я проверяю! 🦄 — Я доверяю ИИ больше, чем себе! 😁 — У меня 20 агентов, некогда тут думать! @badtechproject
18 Noy, 00:31

2
Оооооххххх А ведь и, правда, все так А вы ждете GTA VI? Я вот прямо «да»🙈 🦄 - жду! 🙈 - о чем тут речь? Я слишком молод 💊
Оооооххххх А ведь и, правда, все так А вы ждете GTA VI? Я вот прямо «да»🙈 🦄 - жду! 🙈 - о чем тут речь? Я слишком молод 💊 - я слишком стар для этого…
1 393
3
Раньше модно было на чем угодно запускать DOOM, а теперь Claude натренировал и запустил LLM на дискете))) Ждем: запустил LLM
Раньше модно было на чем угодно запускать DOOM, а теперь Claude натренировал и запустил LLM на дискете))) Ждем: запустил LLM на чайнике, на кнопках в лифте и прочее))))
1 663
4
Е-ма-е, вот такое начало книги аж прямо вызывает бешеное желание ее прочитать! А книга, блин, еще 2014 года (я тогда только у
Е-ма-е, вот такое начало книги аж прямо вызывает бешеное желание ее прочитать! А книга, блин, еще 2014 года (я тогда только универ закончил) У воробьёв был отличный план: вырастить сову и делегировать ей всю тяжёлую работу 😁 Короче, Ник Бостром начинает свою книгу про сверхразум с истории о воробьях: «Искусственный интеллект. Этапы. Угрозы. Стратегии». Воробьи задолбались вить гнёзда. И тут один говорит: а давайте найдём совиное яйцо и вырастим себе помощника? Прикиньте! Сова поможет с гнёздами, присмотрит за птенцами, а если придёт соседская кошка, то и с ней тоже разберётся. Все в восторге. Кроме одного воробья. — А мы вообще знаем, как приручить сову? — Да нам бы ещё яйцо найти! Вот вырастим сову, тогда и разберёмся. И вся стая улетела искать яйцо. Остались только несколько воробьёв, которые всё-таки решили разобраться, как приручать сов. И быстро поняли, что без совы даже проверить свои идеи особо не на ком. На этом история обрывается. Мы так и не узнаём, кто успел первым. Ну и да, сова у Бострома - это ИИ, который может стать умнее нас. А вопрос воробья вполне себе наш: если мы сами вырастили сову, с чего мы взяли, что она будет нас слушаться? «Давайте сначала найдём яйцо, а там разберёмся» самая человеческая реплика во всей истории. Это же, блин, самое что ни на есть ключевой вопрос во всей гонке, что мы видим сейчас: мы нифига не знаем, куда и как бежать, но не бежать нельзя! [Оригинал притчи Ника Бострома](https://blog.oup.com/2014/08/unfinished-fable-sparrows-superintelligence/)
1 787
5
Если вы, вдруг, не знали, то тут так-то канал про ЗОЖ, а не менеджмент! Так что, давайте-ка разберем исследование! Можно зани+2
Если вы, вдруг, не знали, то тут так-то канал про ЗОЖ, а не менеджмент! Так что, давайте-ка разберем исследование! Можно заниматься спортом всего 2 дня в неделю и получать почти ту же пользу для здоровья, что и при регулярных тренировках! 😁 Короче, наткнулся на интересное исследование в журнале Circulation. Учёные взяли 89 573 человека, измерили их физическую активность с помощью акселерометров и наблюдали за здоровьем в среднем 6,3 года. Всего изучили 678 заболеваний! Участников разделили на три группы: 1. 🙈 Лентяи - меньше 150 минут активности в неделю. 2. 🔥 Воины выходного дня - 150+ минут, основная нагрузка за 1–2 дня. 3. 🦄 Регулярные спортсмены - 150+ минут, распределённые по неделе. Иииии Снижение риска заболеваний относительно неактивных людей: ❤️ Гипертония: −23% против −28% 🍩 Диабет: −43% против −46% 🐷 Ожирение: −45% против −56% Первая цифра- воины выходного дня, вторая- регулярные спортсмены. Причём у первых обнаружили связь со снижением риска 264 заболеваний, а у вторых - 205. А самое интересное: статистически значимых различий между двумя активными группами не нашли! Оооокей! Получается, можно всю неделю сидеть на совещаниях, а потом за выходные наверстать упущенное? 😁 Есть нюансы: 1. Учитывали любую умеренную и интенсивную активность, даже быструю ходьбу. 2. Исследование наблюдательное: связь есть, но причинность не доказана. Активность измеряли всего неделю. 3. Средний возраст участников - 62 года. И речь про здоровье, а не про рост мышц или спортивные результаты. А главный вывод мне нравится! Мы пытаемся выстроить идеальную систему: тренировки по расписанию, правильное питание, сон по часам. А когда идеально не получается иногда не делаем вообще ничего. Но, похоже, для здоровья важнее общий объём активности, а не то, насколько красиво она распределена в календаре. Однако, умеренная рвспределенная нагрузка - лучшее чему нас учит спорт! 👉🏼 А вы в какой команде? 🔥 - воин выходного дня! 🦄 - всё по расписанию! 🙈- лентяй
1 567
6
#пятничное 🙈 - если ты тоже в полдень ешь 🤣🤣🤣
#пятничное 🙈 - если ты тоже в полдень ешь 🤣🤣🤣
2 178
7
В США инженеров стали нанимать в два раза меньше, чем в 2022 году. А продакты, кажется, чувствуют себя лучше всех! 😁 Короче,
В США инженеров стали нанимать в два раза меньше, чем в 2022 году. А продакты, кажется, чувствуют себя лучше всех! 😁 Короче, Ленни Рачицки выпустил большое исследование рынка труда в IT на конец 2026 года (https://www.lennysnewsletter.com/p/state-of-the-tech-job-market-late). И вот это супер-пупер внезапный поворот для читателей канала про менеджмент! И вот что получилось! 1. Продактов надо больше! Количество открытых вакансий PM выросло на 75% относительно минимума марта 2023 года. Это максимум почти за четыре года! Причем доля продактов среди нанятых специалистов пяти основных продуктовых профессий выросла с 16% в 2021 году до 21%. Правда, есть нюанс: фактический найм продактов не растет так же бодро, как количество вакансий. 2. А вот инженеров стали нанимать вдвое меньше! В 2022 году американские компании наняли около 239 тысяч Software Engineers. За последний доступный 12-месячный период — всего 113 тысяч. Падение на 53%! А теперь еще интереснее! Рост количества инженерных вакансий: - 2024 год: +29%. - 2025 год: +15%. - Последний год: +2,5%. И знаете, кому особенно не повезло? :-( Спрос на мобильных и frontend-разработчиков за последний год сократился почти вдвое! При этом вакансий Forward Deployed Engineers стало в 4,6 раза больше. Это такие инженеры, которые не просто пишут код, а непосредственно внедряют технологии в бизнес-процессы клиентов. Как sap-консультант, только про ИИ))) 3. Дизайнерам и исследователям еще грустнее. Количество открытых вакансий продуктовых дизайнеров за год упало на 28%. А фактический найм относительно 2022 года сократился с 27,6 до 12,6 тысячи человек. Но больше всех досталось User Researchers! Их стали нанимать на 66% меньше, чем в 2022 году. А вот вам еще одна интересная цифра: сейчас на одну открытую вакансию продуктового дизайнера приходится 3,8 вакансии PM. В начале 2023 года было всего 1,9. 4. Без AI теперь никуда! Еще два года назад среди востребованных навыков продактов были SQL, Jira, AWS и Python. А сегодня самый часто упоминаемый навык в PM-вакансиях LLM! Claude уже на третьем месте, а Cursor, OpenAI и MCP входят в топ-8. У инженеров LLM по упоминаниям обогнал Java. А у дизайнеров Claude обошел CSS! Офигеть, как быстро меняются требования к профессиям? 5. Удаленка продолжает умирать. В конце 2022 года 21% технологических вакансий предполагал удаленную работу. Сегодня всего 14%. У инженеров доля упала с 25% до 14%. У дизайнеров с 34% до 19%. А вот у продактов последние два года держится около 21%. Ну хоть где-то стабильность! 😁
2 706
8
В книге про искусственный интеллект глава про LLM начинается на 388-й странице 😁 И знаете, мне нравится такой порядок. Я тут+4
В книге про искусственный интеллект глава про LLM начинается на 388-й странице 😁 И знаете, мне нравится такой порядок. Я тут постоянно пишу про AI, агентов, изменения в разработке. И за всеми этими обсуждениями полезно иногда вернуться к вопросу: а как вообще устроены штуки, на которых мы собираемся строить наши продукты и процессы? И, кажется, жизнь и безопасность ‘ Короче, «Грокаем алгоритмы искусственного интеллекта» Ришала Харбанса - это 544 страницы: от поиска пути и эволюционных алгоритмов до языковых моделей и генерации изображений. Что в ней интересного? 1. Помогает увидеть, насколько разные задачи мы называем одним словом «ИИ». Найти выход из лабиринта. Уложить в рюкзак самые ценные предметы с ограничением по весу. Построить маршрут между аттракционами. Научить машину добираться до владельца через парковку. Для каждой задачи автор разбирает свой подход: как представить возможные решения, как их искать, по каким признакам выбирать хорошие. 2. Объясняет через примеры, которые можно разобрать руками. У генетического алгоритма есть варианты решения, отбор, скрещивание и мутации. У муравьиного: пути и следы, влияющие на выбор следующего маршрута. У нейросети - вычисления, ошибка и изменение весов. 3. Конечно-конечно про токены, эмбэдинги, само внимание и прочее там прямо тоже будет. Только прикол в том, что подведут тебя к этому аккуратненько за ручку, как первоклашку. Что мне кажется ограничением книги? Во-первых, доступное изложение всё равно требует работы. Здесь есть формулы, код и упражнения. Базовое понимание программирования понадобится. Во-вторых, глубина разная. На механизм внимания отведён подробный разбор, а RAG занимает примерно половину страницы. Поэтому по наличию термина в оглавлении нельзя судить, насколько глубоко получится его изучить. Кому рекомендовать книгу? Я бы рекомендовал книгу разработчикам, техлидам и техническим продактам, которым хочется собрать знания об ИИ в более связную картину. Для человека, который уже профессионально занимается ML, значительная часть материала будет знакомой. Мне кажется, особенно полезно сейчас понимать две вещи: каким способом система ищет решение и что именно она считает хорошим результатом. P.S. Ну и мой восторг природе, когда я в этой книге разобрался, как же все-таки устроен «рой» и «муравьиный механизм»
2 547
9
В книге про искусственный интеллект глава про LLM начинается на 388-й странице 😁 И знаете, мне нравится такой порядок. Я тут+4
В книге про искусственный интеллект глава про LLM начинается на 388-й странице 😁 И знаете, мне нравится такой порядок. Я тут постоянно пишу про AI, агентов, изменения в разработке. И за всеми этими обсуждениями полезно иногда вернуться к вопросу: а как вообще устроены штуки, на которых мы собираемся строить наши продукты и процессы? И, кажется, жизнь и безопасность ‘ Короче, «Грокаем алгоритмы искусственного интеллекта» Ришала Харбанса - это 544 страницы: от поиска пути и эволюционных алгоритмов до языковых моделей и генерации изображений. Что в ней интересного? 1. Помогает увидеть, насколько разные задачи мы называем одним словом «ИИ». Найти выход из лабиринта. Уложить в рюкзак самые ценные предметы с ограничением по весу. Построить маршрут между аттракционами. Научить машину добираться до владельца через парковку. Для каждой задачи автор разбирает свой подход: как представить возможные решения, как их искать, по каким признакам выбирать хорошие. 2. Объясняет через примеры, которые можно разобрать руками. У генетического алгоритма есть варианты решения, отбор, скрещивание и мутации. У муравьиного: пути и следы, влияющие на выбор следующего маршрута. У нейросети - вычисления, ошибка и изменение весов. 3. Конечно-конечно про токены, эмбэдинги, само внимание и прочее там прямо тоже будет. Только прикол в том, что подведут тебя к этому аккуратненько за ручку, как первоклашку. Что мне кажется ограничением книги? Во-первых, доступное изложение всё равно требует работы. Здесь есть формулы, код и упражнения. Базовое понимание программирования понадобится. Во-вторых, глубина разная. На механизм внимания отведён подробный разбор, а RAG занимает примерно половину страницы. Поэтому по наличию термина в оглавлении нельзя судить, насколько глубоко получится его изучить. Кому рекомендовать книгу? Я бы рекомендовал книгу разработчикам, техлидам и техническим продактам, которым хочется собрать знания об ИИ в более связную картину. Для человека, который уже профессионально занимается ML, значительная часть материала будет знакомой. Мне кажется, особенно полезно сейчас понимать две вещи: каким способом система ищет решение и что именно она считает хорошим результатом. P.S. Ну и мой восторг природе, когда я в этой книге разобрался, как же все-таки устроен «рой» и «муравьиный механизм»
1
10
А кругом разговоров только о том, сколько ИИ сэномил Короче, тут методологию оценки финансовой эффективности ИИ подвезли от А
А кругом разговоров только о том, сколько ИИ сэномил Короче, тут методологию оценки финансовой эффективности ИИ подвезли от Альянса в сфере ИИ и Ассоциации ФинТех. Документ про то, как считать эффект, с примерами финансовых организаций. Кажется, как база, прямо хорошая! 1. Сэкономленное время ещё нужно во что-то превратить Методология разделяет реальное сокращение численности и отказ от дополнительного найма. Для признания такого эффекта расчёт должен быть подтверждён и отражён в бизнес-плане. (a-ai.ru) А теперь мой условный пример. Тысяча разработчиков экономит по часу в неделю. Получается тысяча часов. По 3 тысячи рублей за час — уже 3 миллиона! Только зарплаты мы заплатили прежние. Возможно, ребята выпустили больше полезных изменений. Возможно, перестали перерабатывать. Возможно, освободившееся время съели согласования. Все три сценария требуют разных управленческих решений. Табличка с часами их за нас не примет. 2. Сравнивать нужно с разумной альтернативой Авторы рекомендуют оценивать ИИ относительно лучшей ближайшей альтернативы без него. Иначе в эффект модели попадёт польза от самого изменения процесса. Мой пример: мы годами вручную переносили данные, потом сделали агента. А обычный скрипт эту задачу мог решить? Если мог, то на защите хочется увидеть стоимость обоих вариантов. Особенно когда агенту ещё нужны поддержка и проверка результатов. 3. Из эффекта придётся вычесть расходы В методологии предлагают учитывать затраты на создание и поддержку: людей, инфраструктуру, лицензии, внешние услуги. Есть показательный кейс Московской биржи: агент собирает один слайд из большой презентации. В расчёте 50 сэкономленных рабочих дней в год, 40 дней на создание и 20 дней ежегодной поддержки. ROI за три года получается 50%. Это модельная оценка потенциальных расходов. Сколько раз инструментом воспользуются? Сколько времени займёт проверка слайда? Что случится с окупаемостью, если пользоваться будут вдвое реже? 4. Красивую формулу ещё нужно наполнить доказательствами В документе приоритет отдают рандомизированным экспериментам и отдельно разбирают двойной учёт эффекта нескольких инициатив. Для меня отсюда простой вывод: расчёт ROI полезен ровно настолько, насколько можно доверять его исходным данным. Что с этим делать? Перед запуском договориться: - что конкретно должно измениться для бизнеса; - как проверим вклад ИИ; - кто превратит освободившееся время в результат; - какие расходы учтём; - когда вернёмся проверить обещания.
2 471
11
#пятничное Я пойму, если вы отпишитесь 😁
#пятничное Я пойму, если вы отпишитесь 😁
2 770
12
Решил за вас пересмотреть классику и подготовиться 🤣🤣🤣
Решил за вас пересмотреть классику и подготовиться 🤣🤣🤣
3 002
13
Вы только посмотрите, какую штуку мы запускаем вместе с southHub: HRV Club! Зачем? Да чтобы разобраться с тем, как нам сохран
Вы только посмотрите, какую штуку мы запускаем вместе с southHub: HRV Club! Зачем? Да чтобы разобраться с тем, как нам сохранить физическое и ментальное здоровье в дико-меняющемся мире! Ииии на первой встрече клуба не обойтись без AI! Так что мы решили пригласить на встречу CEO Biodata Станислава Скакуна и разобрать, как построить свою систему здоровья с нуля (из устройств, анализов и ИИ) и не дать ей себя обмануть 🫀. Это не лекция. Станислав Скакун из опыта приложение BioData и на его примере покажет, как собрать свою систему без готовых платформ, где данные и ИИ ошибались и что реально помогает принимать решения. 📅 14 ноября, 11:00–14:00 🎟 Регистрация — в личном кабинете
2 897
14
Вот если вам кажется, что все эти ваши модели фигня полная, то вот вам кусочек магии, которая пугает… Исследователи дали GPT6 Astra задачу улучшить мелкую модель 0.8B Qwen, и Astra вручную поменяла веса внутри модели (без обучения, без всякий сложности, просто текстовый файл) и устранила проблему зацикливания. Она нашла и поменяла всего 0.016% весов, блин, а доля решённых задач на математическом тесте MATH-500 выросла с 7,9% до 48,1% Я, конечно, всегда отношусь к этому как инструменту, но, блин, человек так вот не мыслит ни сколько!
3 082
15
Вот я супер много занимаюсь метриками и ресерчами исследований и продуктивности и знаете, что меня сильно расстраивает? Что,
Вот я супер много занимаюсь метриками и ресерчами исследований и продуктивности и знаете, что меня сильно расстраивает? Что, короче, вот люди смеются, что считать количество строк кода - это фу-фу-фууу! Ну согласен, сейчас звучит отстойно, но представьте себе, что вы менеджер в IBM в 80-х: что вы придумаете? Сейчас все говорят, что CycleTime - фигоооово! Я же могу нарезать маленькие задачи и делать их быстрее. Можешь, ага! И это будет супер полезно, потому что инкремент станет меньше и цикл ускорится. Но самый важный вопрос, который у меня тут возникает: а нафига вы, блин, все время пытаетесь обмануть метрику? То есть проблема не в метрике, а в том, что вы хотите обмануть всех вокруг 😩 К чему я это? Именно такую мысль я задвигал на круглом столе в подлодке, где обсуждали метрики в эпоху AI.
3 329
16
#пятничное
#пятничное
3 135
17
- В 2007 году, придумываешь, что у тебя болит, чтобы не идти на физру. - В 2026 году, говоришь себе, что у тебя ничего не болит, чтобы идти в зал😁
3 256
18
Ваще, вот Демычу 10 лет и можно с ним теперь и в UFC поиграть вечерком 15 минут 🥳
Ваще, вот Демычу 10 лет и можно с ним теперь и в UFC поиграть вечерком 15 минут 🥳
3 027
19
50 миллионов пользователей. Продукту почти 30 лет. А тебе всё равно нужно показывать рост! 😁 Короче, представьте, что вы продакт в компании, у которой уже десятки миллионов пользователей. Рынок давно поделён, а привлечение новых пользователей становится всё сложнее. И тут к вам приходит бизнес и говорит: ну что, давай расти! Оооокей! А куда, собственно? Тут ребята из make sense выпустили интересный подкаст, где Юра Агеев поговорил с Русланом Арзумановым, руководителем продуктового направления Почты Mail в VK. И мне понравилось, что разговор получился не про очередной успешный успех, а про вполне реальные кейсы зрелого продукта. Вот несколько мыслей, которые я для себя забрал: 1. Иногда лучший способ расти — перестать привлекать новых пользователей. Звучит странно, да? Но когда у тебя уже десятки миллионов пользователей, гораздо интереснее разобраться, что они вообще делают внутри твоего продукта. Кто-то использует почту для работы, кто-то хранит фотографии и документы, а кто-то просто получает туда коды подтверждения. И вот тут начинается интересная продуктовая работа. Вместо попыток привести ещё миллион пользователей можно сделать существующие 50 миллионов счастливее, активнее и, в конце концов, прибыльнее. 2. Среднестатистического пользователя не существует. В Почте Mail через сегментацию пользователей пришли к трём продуктовым ставкам. И вместо одной универсальной подписки начали развивать предложения под разные сценарии: для семей, фотографов и работы. По сути, продукт один, но ценность для разных людей совершенно разная. А значит, и продавать всем одно и то же — идея так себе. 3. Зрелому продукту нужен портфель ставок, а не одна великая стратегия. Вот это мне особенно близко. Когда у тебя десятки миллионов пользователей, нельзя просто взять и переделать всё, потому что кому-то из менеджеров приснилось светлое будущее. Нужно одновременно развивать то, что уже работает, экспериментировать с новыми сценариями и искать будущие источники роста. Причём часть ставок обязательно не сработает. И это нормально! 4. А теперь моя любимая часть — ИИ может превратить твой продукт в обычную трубу. 😁 Представьте, что завтра ИИ-агенты начнут самостоятельно читать вашу почту, находить билеты, документы, бронирования и отвечать на письма. И зачем тогда вообще открывать приложение? Вот это уже интересная проблема! Можно 30 лет строить продукт, наращивать аудиторию, улучшать интерфейсы, а потом обнаружить, что интерфейс больше никому не нужен. И твой продукт теперь просто транспорт для чужих ИИ-агентов. Причём это касается далеко не только почты. А знаете, какой вывод я тут для себя сделал? Чем более зрелым становится продукт, тем меньше его развитие похоже на бесконечное добавление новых функций. И тем больше — на поиск новых способов создавать ценность для уже существующих пользователей. И, кажется, с распространением ИИ эта задача станет только сложнее. В общем, рекомендую послушать разговор. Особенно тем, кто управляет зрелыми продуктами и уже устал придумывать, где найти следующие 20% роста. 🎧 Слушать выпуск make sense | Apple Podcasts
2 780
20
Шикарный пример того, как инфраструктура становится узким местом даже у топовых компаний в мире! ИИ начал писать столько кода
Шикарный пример того, как инфраструктура становится узким местом даже у топовых компаний в мире! ИИ начал писать столько кода, что Anthropic пришлось пересадить свой монорепозиторий с Git на собственную систему 😁 Короче, ребята выпустили инженерный разбор, как у них меняется инфраструктура разработки. В мае они вливали около 2 500 изменений в день. В сентябре — уже больше 30 000. И тут выяснилось, что код можно генерировать быстрее, чем существующая инфраструктура успевает его переваривать. Оооокей! Купили разработчикам ИИ, ускорили написание кода. А дальше что? А дальше сборки, тесты, ревью и доставка всего этого добра пользователям. Что сделали в Anthropic? 1. Построили Scion - собственную систему контроля версий. Агенты и CI постоянно онлайн, поэтому историю, сравнение изменений и другие операции можно обрабатывать на сервере. Для части задач вообще не нужна локальная копия репозитория достаточно API. 2. Сократили потребность инфраструктуры контроля версий в CPU и памяти в 200 раз относительно прежней системы Git-зеркал. Получение кода для CI и исследовательских задач ускорили примерно в 100 раз. 3. Командой из семи человек за пять месяцев сделали Scion, инструмент ревью Antique и ещё несколько связанных систем. И перевезли туда монорепозиторий. 4. Поменяли работу инженеров. По словам команды, важной частью работы стало говорить Claude «нет»: удерживать архитектурные ограничения и останавливать ненужное усложнение. Это, конечно, специфический масштаб и доступ Anthropic к собственным моделям. Бежать переписывать Git всем подряд ребята не предлагают. А теперь моя любимая часть! Представьте разговор: — Мы ускорили разработчиков в десять раз! — Отлично! А выпускать изменения стали быстрее? — Пока не знаем. Они теперь стоят в очереди на сборку. Кажется, платформенным командам пора привыкать к новому пользователю. Раньше человек мог пару минут подождать, переключиться на встречу, сходить за кофе. Теперь к вам придут тысячи агентов. И каждый захочет среду, данные, тесты и возможность выкатить результат. Поэтому вместе с вопросом «сколько времени ИИ экономит разработчику» я бы уже задавал следующий: сколько из этого ускорения наша платформа способна довезти до прода?
2 164