Data Flow | AI & Автоматизация | Stas Gasilovskii

🤩 Создание презентации в два счёта Решил потестировать создание презентации через гугловский сервис NotebookLM и просто офигел. Закинул книжку "Достижение результатов для чайников" - это книга про то, как качественно организовать свое время, чтобы достигать результатов. И попросил по этой книжке сгенерировать презентацию. Просто зацените, что получилось. Красота! P.S. Полную презентацию отправлю следующим сообщении.

Nano Banana изобрели в 2025 году. Люди до:

a16z выкатили 6-й выпуск топ-100 AI-продуктов И вот, что получилось: ChatGPT - 900 млн еженедельных пользователей, больше 10 % населения планеты. Но конкуренты растут быстрее: Claude +200 % по платным подписчикам за год, Gemini +258 %. Примерно 20 % пользователей ChatGPT параллельно сидят в Gemini - люди перестают быть моногамными в AI. Платформы расходятся по стратегии, и это самое интересное. ChatGPT строит суперапп: 220 приложений в каталоге, от шопинга до здоровья (Expedia, Instacart, Zillow), тестирует рекламу и готовит «Sign in with ChatGPT». Claude идёт к профи и разработчикам: финансовые терминалы, девтулзы, научные базы, а Claude Code за полгода вышел на $1 млрд годовой выручки. Пересечение каталогов - 11 %. Генерация картинок переехала внутрь больших платформ, Midjourney упал с топ-10 на 46-е место. Зато взлетели AI-видео (Kling, Hailuo, Pixverse), музыка (Suno) и агенты: опенсорсный OpenClaw за несколько недель обогнал React и Linux по звёздам на GitHub, и OpenAI его купил. Географически мир AI раскололся на три полюса: Запад (ChatGPT, Claude, Gemini), Китай (Doubao, Kimi, DeepSeek) и Россия, где Яндекс Браузер с Алисой вошёл в топ-10 мобильных AI-продуктов мира. А по адопции на душу населения лидирует Сингапур - США только на 20-м месте. 👩‍💻 Data Flow

Сегодня можно собирать сайты в Lovable безлимитно. Если планировали сделать свой первый сайт или доработать существующие наброски, самое подходящее время 👍

GPT, который можно "потрогать руками" Все объяснения работы GPT упираются в одно и то же: attention, эмбеддинги, softmax. Слова знакомые, а что реально происходит внутри — непонятно. Корейский разработчик сделал ko-microgpt - крошечную GPT-модель, которая генерирует корейские имена и показывает каждый шаг прямо в браузере. Скроллишь страницу и видишь, как токен идёт через эмбеддинги, нормализацию, attention, MLP. Живые числа и веса на реальных данных. Проект вырос из microgpt Андрея Карпати - той самой GPT на ~200 строк Python. Только здесь к модели прикрутили интерактивный интерфейс, и получилось супер наглядное объяснений трансформеров. 👩‍💻 Data Flow

Оказывается, Claude Code умеет собирать презентации - и довольно неплохо. Была задача сделать презентацию, и я решил дать ему шанс. Схема простая: сделал шаблон в Google Slides, скормил его Claude Code и посмотрел, что выйдет. Результат удивил. Не шедевр, но вполне рабочий baseline - особенно когда нужно что-то быстро собрать. Единственное - ему нужно давать конкретные комментарии по стилю, иначе будет "ну такое". Важный момент по модели: Claude Opus справляется процентов на 30 лучше, чем Sonnet. По крайней мере, по моим ощущениям. 👩‍💻 Data Flow

В последнее время наблюдаю, большой хайп вокруг Claude Code - такой агентской системы на основе Claude. И вот понятное дело, как его используют вайбкодеры программисты. Тут в целом вопросов нет. Понятно, как его можно использовать для создания приложений. Но вот что интересно, так это то, что все чаще и чаще слышу о том, что Claude Code используют для автоматизации рутины. Очень интересно послушать вас. Если вы уже используете его для автоматизации каких-то повседневных задач, поделитесь своими кейсами в комментариях 🔥 👩‍💻 Data Flow

❔ В чем сила, брат смысл жизни, Клод? Последнее время активно использую нейронку Opus для решения разного рода "твердых" (технических) задач. И вот сегодня решил пойти в "мягкое" и побеседовать с ней о смысле жизни. А именно: найти свой Икигай.

Ikigai (яп. 生き甲斐) - это японская концепция, которая помогает найти то, ради чего стоит просыпаться по утрам. По сути это пересечение четырёх вещей: что ты любишь делать, в чём ты силён, за что тебе готовы платить и что нужно миру вокруг тебя.

Считается, что когда эти четыре области сходятся в одной точке, появляется ощущение осмысленности и наполненности того, чем ты занимаешься.

Прошу, проведи меня через глубокий процесс открытия моего Ikigai.

Так звучал промпт. Результат получился крутым, удалось прямо таки глубоко "копнуть". Если в кратце, то вот мой Икигай: Я - инженер трансформаций. Я беру сложные системы (технические, ментальные, жизненные), раскладываю их на понятные элементы, нахожу структуру, и через точную коммуникацию помогаю людям увидеть то, чего они не видели, чтобы они стали действовать по новому и получили результат. 💎 Turn chaos into clarity, clarity into action, одним словом. Пробуйте и делитесь своими результатами в комментариях! ✌️ 👩‍💻 Data Flow

🪙 Как не сливать токены в языковых моделях Если вы активно пользуетесь языковыми моделями вроде Claude или GPT, то наверняка замечали, как быстро заканчиваются лимиты токенов. Особенно это применимо к премиум моделям, типа Opus 4.6, использование которых даже на платных подписках лимитировано. Всё дело в том, что при каждом запросе передаётся вся история диалога, и чем она длиннее, тем больше токенов уходит. Но есть способ сэкономить. Попробуйте делать краткое summary. На определённом этапе общения с моделью (например, в середине диалога) попросите её сформулировать резюме в формате markdown. В этом резюме должна быть вся ключевая информация, чтобы другой агент мог продолжить разговор с того же места. Затем откройте нового агента, вставьте туда это summary и задайте следующий вопрос. Новый диалог начнётся с минимальной историей, но с сохранением контекста 👍 👩‍💻 Data Flow

Как скоротать зимний вечер выходного? Можно конечно завернуться в плед, почитать интересную книгу. А можно послушать лекцию по MCP под расслабляющую музыку и голос Стаса 🤓

Всем отличных выходных! Поговаривают, что в Москве эти пару дней будет морозно 🥶Если вы все еще в раздумьях, чем же заняться, то делюсь с вами годным советом, от одного из наших студентов 😉👍

✅ Вот такие результаты года получились P.s. За сервис спасибо @neural_prosecco @snimshchikov, @neuraldeep 👩‍💻 Data Flow

🧰 n8n: автоматизация без границ Если всё ещё вручную копируешь данные между сервисами или пишешь одни и те же скрипты для типовых задач - пора познакомиться с n8n. Это визуальный конструктор рабочих процессов, который связывает приложения, API и базы данных без необходимости писать длинный код. 💡 Как это работает В основе n8n - нодовая логика. Каждый узел (node) выполняет отдельное действие: отправляет запрос, парсит файл, фильтрует данные, вызывает API или запускает скрипт. Соединяя ноды линиями, ты создаёшь целую систему - от простых последовательностей до сложных сценариев с десятками условий и циклов. Простые задачи? Легко: - Отправить уведомление в Telegram при поступлении новой заявки из формы - Каждые сутки собирать данные с сайта и сохранять в Google Sheets Сложные сценарии? Ещё интереснее: - Интеграции с REST API - Управление потоками данных между CRM и ERP - Работа с Redis, OpenAI, Qdrant или LangChain - Собственные ИИ-агенты, которые выполняют задачи по цепочке - от получения данных до генерации отчётов ⚡️ Главное - n8n остаётся открытой платформой. Можешь добавить свои ноды, нормализовать данные и выстраивать гибкую архитектуру автоматизации любого масштаба - от стартапа до корпоративного решения. Я уже упоминал n8n как no-code инструмент для сборки первого ИИ-ассистента. Но это только верхушка айсберга - с его помощью можно автоматизировать практически любые рутинные процессы в работе. 👩‍💻 Data Flow

🧑‍🎓 GPT Week от Яндекса: как обучают и дообучают GPT #MLSTART Если хочется разобраться, что реально происходит под капотом больших языковых моделей - от pretrain до fine-tuning - у Яндекса был крутой интенсив GPT Week. Я сам посмотрел примерно половину. Честно скажу - местами довольно сложно. Но зато там много действительно полезного контента, особенно если уже есть база по ML и нейросетям. 💡Что там разбирают: - Как обучаются большие языковые модели - Этапы pretrain и fine-tuning - С какими ограничениями и компромиссами сталкиваются на практике 📺 Записи всех занятий можно найти в плейлисте. А если хочется не просто смотреть, а разбираться руками - есть ноутбуки к семинарам: - Семинар 1 - Семинар 2 - Семинар 4 Ещё есть дайджест интенсива - кратко и по делу. ⚡️ GPT Week - это уже следующий уровень после "вката". Когда хочется понять не только как пользоваться моделями, но и что реально происходит внутри - от обучения до дообучения. Если какие-то лекции покажутся сложными - это нормально. Даже выборочный просмотр даёт хорошее представление о том, насколько LLM - это инженерно сложные системы. На этом серия про старт в ML и LLM логично завершается. Надеюсь, она поможет вам быстрее выстроить путь и избежать лишней каши в голове 🙂 Вернуться к оглавлению 👩‍💻 Data Flow

🤖 ИИ-ассистент на Avito: как заменить менеджера в пиковые часы Если думаешь, что ИИ-агенты - это что-то далекое и абстрактное, вот реальный кейс с цифрами от одного из наших студентов. Магазин одежды на Avito с оборотом 3 млн рублей в месяц внедрил ИИ-ассистента для обработки заявок - и результаты впечатляют. 💡 Что такое ИИ-агент? Это программа, которая может самостоятельно думать, принимать решения и выполнять задачи. В отличие от обычной языковой модели, ИИ-агент имеет доступ к вспомогательным инструментам и способен ими осознанно пользоваться. В этом кейсе ИИ-агент: - Читает сообщения клиентов - Понимает их вопросы (размеры, доставка, цена) - Ищет нужную информацию в базе из ~500 товаров - Генерирует ответ на основе данных бизнеса - Отправляет ответ в Авито 🎯 Задача Менеджер не успевал обрабатывать 30-40 заявок в час в пиковое время. Если не ответить быстро - клиент уходит. Нужно было освободить менеджера от рутины и взять обработку заявок на автоматизацию. ⚙️ Как это работает Webhook от Авито → Преобразование сообщения → Загрузка данных из БД → Проверка токена → Фильтр (только от клиентов) → AI генерирует ответ → Отправка обратно в Авито.

Но была проблема: клиент пишет 3 сообщения подряд за 10 секунд - ассистент отвечает 3 раза. Выглядит странно + лишние затраты на токены. Решение: внедрение Redis, который объединяет все сообщения клиента в течение нескольких секунд в единое сообщение - и ассистент отвечает один раз, но сразу на все вопросы.

📊 Результаты

- Время ответа 5-15 минут -> 1-5 секунд - 5-10 заявок/час -> 30-40+ заявок/час - Менеджер: 10ч в день -> ИИ-агент: 24/7 - 50.000₽ в месяц -> 10.000₽ в месяц

За 4 недели тестирования заявки "без ответа" исчезли при сохранении конверсии в оплату. Количество оплат даже немного выросло за счет полной переработки спроса. 🔧 Бонус-фича Когда клиенту пишут с предложением сотрудничества или нестандартными вопросами - ассистент перенаправляет диалог владельцу через уведомление в Telegram. ⚡️ Человек не убирается полностью из процесса - он просто усиливается автоматизацией. Контроль сохраняется, но пиковые нагрузки теперь не проблема. 😎 Хочешь собирать такие же автоматизации? Приходи к нам на курс. 👩‍💻 Data Flow

💻 Где запускать модели, если дома нет мощного GPU? #MLSTART Не у всех есть дома RTX 4090 (и это нормально 😄). Но это вообще не повод откладывать эксперименты с ML и LLM. На старте почти всё можно делать в облаке - быстро, дёшево (иногда бесплатно) и без боли с настройкой окружения. Вот два варианта, которыми я сам пользовался 👇 🏟 Kaggle Notebooks Kaggle - это не только соревнования, но и удобная среда для запуска ноутбуков с GPU. Что здесь хорошего: - Бесплатный доступ к GPU (обычно T4 / P100, с лимитами по времени) - Уже настроенное окружение: PyTorch, TensorFlow, Hugging Face - всё из коробки - Огромное количество публичных ноутбуков - можно смотреть, как другие решают задачи Отличный вариант, если хочется поучиться ML, попробовать fine-tuning лёгких моделей или поиграться с датасетами и baseline-решениями. 🚀 Google Colab Google Colab - классика, с которой начинали (и продолжают начинать) очень многие. Плюсы: - Бесплатные GPU и TPU (сессионно, с ограничениями) - Легко подключать Google Drive для данных и моделей - Огромное количество туториалов и примеров Если захочется больше стабильности и ресурсов - есть платные тарифы (Colab Pro / Pro+), но на старте бесплатной версии более чем достаточно. 💡 Что важно понимать: лимиты есть везде, сессии могут обрываться, GPU могут быть недоступны. Для обучения огромных моделей этого не хватит - но для обучения небольших моделей, экспериментов и прототипов это вообще не проблема. Большинство задач на старте - это не "обучить 70B модель", а понять пайплайн и механику. Kaggle и Colab закрывают 80% учебных и экспериментальных задач и позволяют спокойно двигаться дальше. Вернуться к оглавлению 👩‍💻 Data Flow

🛒 Объединили все 3 наших хита в один пакет Если вы давно тут и все не решались познакомиться с моей командой крутых авторов, то вот шанс, забирайте сразу весь пакет 🍖 💻 Пакет из 3-х курсов по цене двух, чтобы быстро, но плотно нырнуть в сферу AI инженерии. 🍭 И сверху еще скидка 50% по промокоду FIFTY2START до конца дня в честь публикации ✍️ Внутри пакета три курса (смотри второй скрин) Посмотреть и забрать можно тут 👉 три курса

🕶 Fine-tuning и RAG: нужно ли дообучать модели? #MLSTART Когда начинаешь работать с моделями, часто хочется их "допилить под себя" - чтобы понимали контекст проекта, говорили в нужном тоне, лучше решали конкретные задачи. Первое, что приходит в голову - дообучить модель. Но это не всегда лучший (и точно не первый) шаг. 🍭 Fine-tuning - это мощно. Но при этом и сильно дорого: нужны данные, вычислительные ресурсы и время. Поэтому обычно к нему прибегают, когда уже опробованы все другие способы. А вот что точно стоит попробовать вначале 👇 - Few-shot prompting - когда ты показываешь модели несколько примеров правильных ответов прямо в промпте. Это помогает направить её стиль и логику без дополнительного обучения. - RAG (Retrieval-Augmented Generation) - подход, при котором модель "обогащается" нужными знаниями из внешних источников (например, базы документов или вики). - SGR (Schema-Guided Reasoning) - относительно свежий подход: структурировать ответы моделей, чтобы их формат был более детерминированным и предсказуемым. 💡 Иногда даже простая настройка температуры (параметра "творчества") решает половину проблем: - Меньше температура → более точные и стабильные ответы - Выше → больше вариативности и креатива Если же хочется поэкспериментировать с fine-tuning, можно брать лёгкие модели (например, Qwen-8B или Mistral) и обучать их на узких задачах. Большое количество уже готовых датасетов можно найти на HuggingFace. Но чаще всего бывает достаточно просто поработать с промптами, контекстом и гиперпараметрами. 👩‍💻 Data Flow