Хочу как у них

Эта глава Ководства 2004 года никогда не потеряет своей актуальности. Горячо рекомендую ознакомиться, если кто-то не читал.

Есть один тихий когнитивный капкан, в который попадают почти все продуктовые команды. Я сам в него попадал — и не один раз.

Механика простая: видишь чужое решение → оно кажется разумным → хочется перенести к себе.

Мозг даже заботливо подкидывает аргументы в его пользу. Потому что думаем мы не от данных — а от паттернов, которые уже видели.

Проблема в том, что чужой паттерн вырван из контекста. Ты не знаешь, почему они сделали именно так. Работает ли это решение у них на самом деле. Какую проблему они решали — и совпадает ли она с твоей.

Я несколько раз наблюдал одну и ту же сцену: команда тащит скриншот с продукта конкурента, долго обсуждает детали, придумывает гипотезу — и ни разу не задаёт вопрос «а у нас вообще есть эта проблема?».

Просто потому что у конкурентов это есть — а раз есть, наверное, не зря.

Что реально помогает: прежде чем тянуться за чужим скриншотом — поговорите с пользователями. Посмотрите сессии. Не чтобы найти подтверждение своей идее, а чтобы понять, есть ли вообще проблема, которую собираетесь решать.

Это скучно. Зато потом не приходится объяснять стейкхолдерам, почему «как у конкурентов» не поехало.

Про ширину и глубину

Короче, ребят, было принято стратегичсекое решение писать в этом канале не только про карьеру, продукт и вот это всё — но и больше делиться личным. Почему? Потому что хочется и чувствуется правильным. Но не убегайте — продуктовые штучки тоже останутся.

Сегодня вот о чём.

Я всегда хотел, чтобы жизнь была наполнена. Чем именно — сам не понимал. Просто в какой-то момент ощущал: вот сейчас — да, наполнена. А вот сейчас — меньше.

И вот, долгое время мне казалось, что полнота жизни – это широта возможных переживаний. Ну там, например, начать заниматься бразильским джиу-джитсу, вот новая частичка мира открыта мне – татами, турниры, комьюнити, ощущения эти невероятные и всё такое.

Попробовал новую кухню – теперь эти переживания тоже мои. Познакомился с новыми людьми, нашел новую классную музыку, вытащил из глубокого переживания новый инсайт – и вот снова это чувство нового кусочка паззла.

Но в какой-то момент случилось что-то, что разрушило саму модель – в ней оказалось спрятано еще одно измерение наполненности, которое было просто не видно из-за погони за шириной. Это – глубина. И она всё время была рядом, тут, прямо перед носом.

Когда я сталкиваюсь с глубиной, я не могу её ни с чем спутать, она совсем не похожа на ширину.

Во-первых, глубокие переживания не получается коллекционировать, хотя поначалу очень хочется. Их не отразить точно в тексте и не зафиксировать на фотографии. Они проживаются в моменте — но иногда этот момент длится годами.

Во-вторых, в глубоких переживаниях нет однозначности. Это не хорошо и не плохо. Они живут за границами оценок, суждений о пользе, целеполагания. Поэтому бывает смешно, когда кто-то спрашивает: «а ребёнок тебе не мешает достигать целей?». Эти переживания просто в другом месте — не там, где живут цели.

В-третьих, глубокие переживания навсегда меняют мир, в котором живёшь. Коллекционировать их нельзя — но полнота жизни под их воздействием преображается насовсем. Когда оказывается, что даже обычная, банальная жизнь вдруг наполняется каким-то смыслом (который, как я написал выше, нельзя просто так зафиксировать и передать) — это и есть та самая наполненность, только в 3D.

Заземлю на примерах. Рождение и воспитание ребёнка — невероятно глубокое переживание:

1. Его нельзя понятно транслировать и зафиксировать.
2. Сложно оценивать и сравнивать
3. Оно навсегда меняет и наполняет жизнь

И ещё: глубина — это страшно, некомфортно, непривычно. Иногда можно спутать очень сильные «широкие» переживания с глубокими — они похожи по интенсивности, но разные по природе. Я не говорю, что глубина хорошо, а ширина плохо — глубина по определению вне этих оценок. Но глубина — это точно больше жизни в жизни.

Муд понедельника от Илюхи. Тихонечко напеваю: «Hello darkness, my old friend»

Классическим интерфейсам осталось 3-4 года

Ребят, я тут пару недель назад наткнулся на рилс с таким заголовком и он мне вот прямо в душу запал.

Речь про AIUI и AIGUI — интерфейсы, где AI не вспомогательный инструмент сбоку, а часть логики продукта: интерфейс нативно генерируется и перестраивается в реальном времени.

Все мы помним, как VR/AR уже изменили интерфейс, а web 3.0 изменил интернет. Ждём новой волны.

Если серьезно, возможно я просто слишком старый, но у меня есть несколько возражений.

Во-первых, источник. Громче всего про AIUI говорят те, чья бизнес-модель напрямую зависит от внедрения AI. Это не делает идею неверной, но стоит держать в голове при оценке прогнозов.

Во-вторых, даже лидеры рынка пока не нашли ответа. В OpenAI почему-то выдумывать что-то большее, чем чат не получается.

При этом OpenAI наняли всех топ чуваков с рынка, попробовали и браузер, и аппстор, и рекламу, чего там только не пробовали, короче, даже свой тикток. И все как-то блекло. Не то чтобы провально, но этого недостаточно для того, чтобы стать бизнесом. Если даже с такими ресурсами сложно выйти за пределы чата — это сигнал о реальных ограничениях формата.

В-третьих, инфраструктурные ограничения. Уже сейчас наблюдается дефицит GPU и электроэнергии на фоне роста AI. Если каждый второй продукт начнёт генерировать интерфейс в реальном времени — это кратно увеличит нагрузку на и без того перегруженную инфраструктуру.

(Дружеский совет: если вы задумываетесь о собственном стартапе, то идите в сторону энергетики, атомной там или на худой конец гидро.)

В-четвёртых, и это главное: предсказуемость — базовое требование к интерфейсу. Интерфейс — это метод взаимодействия с программой, и его ключевая задача — быть понятным. Интерфейс, который динамически перестраивается, перестаёт быть предсказуемым. Пользователь каждый раз заново ориентируется — это не снижение трения, а его увеличение. Это же создаёт проблемы с accessibility, обучением команд и доверием к продукту.

При этом важно разделить два разных тезиса. Тезис о том, что AI вытеснит классические интерфейсы целиком — не подкреплён ни логикой, ни примерами с рынка. Трансформация не равна вытеснению, например, тот же еком не убил традиционный офлайн-ритейл, он изменил его структуру. Но тезис о том, что AI меняет модель взаимодействия в конкретных сценариях — справедлив. Cursor, Perplexity, Notion AI — это уже другой тип взаимодействия с продуктом, где AI встроен в логику.

На мой взгляд, граница проходит по типу задачи: там, где задача открытая — исследование, генерация, синтез — AI-интерфейс органичен. Там, где задача операционная и повторяющаяся — традиционный UI быстрее и надёжнее.

AI хорошо работает там, где нужна экстраполяция и предиктивный анализ на основе имеющихся данных. Это сильный инструмент в определённых сценариях. Но, видимо, «AI заменит всё целиком» звучит лучше как заголовок, чем «AI изменит структуру в определённых сценариях».

А вы верите в смерть классических интерфейсов — или мы снова наблюдаем так называемый хайп?

Всех с 27 декабря! А. Ой. Апреля.

Я стоял посреди коробок в три часа ночи и думал: ну почему всё не может быть просто нормально?

За последний месяц мы вынуждено съехали с квартиры, которую только-только обжили. Нашли новую — для семьи с маленьким ребёнком, собакой и двумя взрослыми. Переехали. Несколько недель жили на коробках. Дружно заболели. И параллельно у Ильи режутся зубы.

В какой-то момент во всём этом у меня проснулась животная, кричащая потребность в стабильности. События последнего месяца и последних лет глобально, как вы понимаете, это чувство только усиливают.

В общем, я ходил с этой болезненной мыслью некоторое время. Примерно недели две. Продуктивно.

Я уверен, что многие люди, которые недавно столкнулись с сокращениями, верили: работа — это стабильность. Тебе регулярно приходит зарплата, у тебя есть страховка, ты защищен. А за пределами — страшно и непредсказуемо. Но рынок изменился, и их уволили одним днём. Стабильность оказалась лишь образом.

По факту единственное полезное и жизнеутверждающее, что можно сделать — найти точку опоры внутри себя и учиться жить в непредсказуемом и хаотичном мире (гениально в своей банальности, знаю).

Когда ты не спишь, болеешь и физически живёшь в хаосе — способность делать именно эту внутреннюю работу объективно снижена. Префронтальная кора, которая отвечает за рефлексию и саморегуляцию, работает хуже. То есть в момент, когда внутренняя точка опоры нужна больше всего — она труднее всего доступна.

Классический bootstrapping: чтобы построить внутреннюю стабильность, нужно какое-то её количество уже иметь.

Отсюда главная мысль, которую я для себя сформулировал.

Внутренняя стабильность — это навык возвращения. Вопрос не в том, чтобы никогда не терять равновесие. Вопрос в том — как быстро и откуда ты умеешь возвращаться.

И что важно: это не задача с простым решением, это скорее гигиена. Как физическая форма: её не «достигают» раз и навсегда. Ты либо поддерживаешь её постоянно небольшими усилиями, либо теряешь.

Поэтому самый практичный вопрос, который из всего этого следует — не «как найти внутреннюю точку опоры», а «какие конкретные практики помогают мне быстрее возвращаться к себе, когда меня выбило». И у каждого человека ответ разный.

У меня, например, это — выйти на улицу с Абрикосом. Лечь рядом с Ильёй и просто послушать, как он дышит. Обнять Настю и не отпускать минуты три. Написать что-нибудь в блог в конце концов...

Это, наверное, и есть ответ 🖤

Буллшит бинго

Периодически по работе я читаю продуктовые стратегии, офферы от вендоров о новой прорывной технологии, которая всех порвёт, и ван-пейджеры разных компаний.

И вот во всём этом потоке нет-нет да и промелькнёт:

— Быстрый, простой, удобный, энергоэффективный, выгодный, качественный, нересурсоёмкий, интуитивно понятный (кончились синонимы у меня) пользовательский опыт.
— GenAI, AI-powered и ML — разумеется, без привязки к конкретным кейсам и пользовательским проблемам.
— Это станет вашей стратегической инвестицией и ставкой вашей компании на… Усилит ваше присутствие... Мощный способ достичь ваших целей.

В общем, пробудим спящих, воскресим мёртвых, достучимся до каждого клиента.

А мне печально. Для меня это индикатор плохо сделанной продуктовой работы. Любую сложную вещь можно свести к простой — но для этого сначала нужно разобраться. Тут не разобрались. Не разобрались в потребностях и поведении пользователей (есть ли они вообще, эти потребности), чётко не сформулировали problem statement, решили за меня как за клиента, что продукт удобный и что мой опыт будет бесшовным. Ведь любую из фраз выше можно просто взять и скопировать в любой продукт — вот вам и готовая стратегия.

Поищите в ваших документах такую напасть. А то мало ли — прокралась как-то.

Тополинный пух, жара, июнь

Простите, не удержался от заголовка. Никто бы не удержался.

Тополя бесят. Пух лезет во все щели, цепляется к одежде и беззаботно перекатывается по асфальту — всем видом показывая, что ему в отличие от меня не нужно работать. Я уже молчу про людей с аллергией.

В общем, приятного мало. И меня всю жизнь мучал вопрос: кто, блин, это вообще придумал? При этом тополя воспринимались как константа — что-то, что было всегда, — поэтому загуглить мне в голову не приходило. Но к 28 годам я решил, что пора разобраться.

И... Эм... Оказалось, решение высадить тополя было вполне разумным.

В пятидесятых, после войны, в СССР запустили программу озеленения. Нужно было быстрое, дешёвое и масштабируемое решение. Тополь идеально подходил: растёт быстрее других деревьев, рекордсмен по выработке кислорода, поглощает пыль и выхлопные газы, неприхотлив к почве, устойчив к морозам и жаре. Вертикальная крона позволяла сажать плотнее. В случае урагана ветки падают вдоль ствола — не на провода, не на машины.

Пух, кстати, производят только женские особи. В питомниках тогда не разделяли — высаживали всё подряд. Это не была принципиальная ошибка. Просто деталь, которой не уделили внимания при масштабировании.

Решение было нормальным. Для своего времени — даже хорошим.

Какие выводы из этой истории мы можем сделать?

Во-первых, многие решения, которые с твоей перспективы выглядят глупыми могут иметь под собой рациональный фундамент и решать реальные проблемы. Да, иногда эти решения устаревают, но это уже другая история.

Во-вторых, тополя планировалось постепенно заменять — на клёны, липы, что угодно без пуха. Пожалуй, самая частая история любого масштабного проекта: сложнее всего довести до конца, а не запустить.

Привет, ребята!

На этой неделе — два знаменательных события.

Тейлор Свифт вышла замуж. А моя подруга Даша Никулина выпустила второй сезон подкаста «Лингвистический код» (или кот). И он всё так же прекрасен.

Я тут пишу про продукты, менеджмент, карьеру и всякое такое. Всё это люблю. Но свежие мысли обычно приходят не из глубины своей темы, а откуда-то сбоку — из совсем чужого домена.

Лингвистика — ровно такое чужое. Вроде к продукту отношения не имеет, а мозг после неё начинает думать иначе. И Дашин подкаст — лёгкий способ туда заглянуть.

Выходите за периметр собственных знаний. Ну и лайк поставьте — на Яндекс Музыке сейчас 696, давайте доведём до 777 (хотел до 666, но пока писал пост, лайков стало больше)

Слушать на Apple Podcasts
Слушать на Яндекс Музыке

Друзья,

После школы я три года учился на историка. Потом бросил — но тяга к историям, как жанру, никуда не делась.

Сегодня как раз расскажу вам парочку. Не про крещение Руси и стояние на Угре, а про то, как несколько математических идей превратились в то, что все называют искусственным интеллектом.

Сейчас вокруг очень много разговоров про AI, но в большинстве своём они сводятся к тому, как пользоваться GPT, Claude, Cursor и так далее — по сути, «как написать промпт», а не «как это устроено».

Поэтому решил написать серию постов — без «нажмите сюда, чтобы открыть новый чат», но и по возможности без занудной матчасти. Плюс поделюсь своим практическим опытом внедрения AI и ML в продуктах.

Как и полагается хорошей истории — начнём издалека

История 1. Представьте: на графике раскиданы несколько точек, и нужно провести через них одну функцию — так, чтобы она прошла ровно через каждую. Если точек n, хватит многочлена степени n−1: он гарантированно попадёт во все точки без исключения. Такое точное прохождение через каждую точку называется интерполяцией. Способ обобщил и довёл до формулы французский математик Жозеф Лагранж — конец XVIII века, компьютеров тогда не было вообще, всё руками.

Красиво? Да. Работает? Пока точек мало — вполне. Но добавьте их сотню — и начинается цирк: многочлен сотой степени пройдёт через каждую точку идеально, а между ними будет вытворять что-то невообразимое, чего в исходных данных и близко не было.

С похожей проблемой примерно двести лет назад столкнулись астрономы. В 1801 году открыли карликовую планету Цереру, понаблюдали за ней немного — и потеряли из виду, она скрылась за Солнцем. Данных мало, а предсказать, где она снова появится, очень хотелось. Молодой Карл Гаусс предложил не гнаться за точным совпадением с каждым наблюдением, а найти кривую, которая просто стоит близко ко всем сразу. Не интерполяция, а аппроксимация. Церера, кстати, нашлась именно там, где предсказали расчёты — а предсказание за пределами уже увиденных данных с тех пор называют экстраполяцией.

Но зачем вообще малевать многочлены? Мозг ведь не решает уравнения, когда вы отличаете кота от собаки на картинке. Как это тогда работает?

История 2. В 1943 году нейрофизиолог Уоррен Маккалок и логик Уолтер Питтс предложили смоделировать нейрон предельно грубо: на входе несколько сигналов, каждый что-то «весит», и если сумма взвешенных сигналов превышает порог — нейрон срабатывает и передаёт сигнал дальше. Никакой биологии, только сложение и порог.

Из этой идеи в 1958 году Фрэнк Розенблатт собрал настоящую машину — перцептрон. Главное отличие от идеи Лагранжа: перцептрон не вычислял готовую формулу, а сам подбирал веса — смотрел на ошибку, чуть подкручивал коэффициенты, смотрел снова. New York Times тогда писала, что скоро эта штука научится ходить, говорить и, кажется, размножаться (спойлер: не сразу, и не в 1958-м). Потом выяснилось, что один такой нейрон-переключатель не решает даже элементарные логические задачи, и тема почти на десять лет умерла. Но идея — учиться на ошибке, а не вычислять по готовой формуле — осталась и стала фундаментом всего, что сегодня называют нейросетями.

Проблема в другом: чтобы что-то взвешивать и складывать, нейрону нужны на входе числа. А если у вас на входе не числа, а, например, машина, товар или человек?

История 3. Тут кирпичик ещё старше первых двух. В 1637 году философ и математик Рене Декарт предложил штуку, которая сегодня кажется очевидной: любую точку на плоскости можно описать парой чисел — координатами. До этого геометрия и алгебра существовали как будто в разных мирах, Декарт их поженил. Так мы приходим к пониманию того, что данные могут быть точками в пространстве.

Возьмём квартиру. У неё есть площадь, этаж, расстояние до метро. Три числа — три координаты. Квартира — точка в трёхмерном пространстве. Добавьте ещё сто параметров — и это уже точка в стопятимерном пространстве, которое невозможно представить, но с которым прекрасно работает математика.

Товар в каталоге — тоже точка: цена, рейтинг, категория, CTR за последний месяц. Пользователь — тоже точка: история покупок, средний чек, устройство, регион.

И как только вы начинаете думать про данные как про точки в пространстве, почти все ключевые понятия машинного обучения превращаются в геометрию:

• Классификация → это проведение границы между двумя облаками точек, «купит» с одной стороны, «не купит» — с другой.
• Похожесть → расстояние между точками: два товара похожи, если их точки стоят рядом.
• Рекомендация → поиск ближайших точек к вам в этом пространстве.
• Экстраполяция → достраивание линии в ту область пространства, где точек никогда не было.

Это не метафора ради красоты. По сути именно так построены современные системы поиска и рекомендаций: товары и запросы превращают в векторы — наборы чисел, то есть координаты в пространстве, — и дальше вся система работает с геометрией этого пространства: ищет ближайшие точки, проводит между ними границы, группирует по кластерам.

Декарт, разумеется, ни о чём таком не думал — он просто хотел рисовать кривые уравнениями. Но координаты, придуманные для двух измерений, прекрасно дожили до эпохи, где измерений тысячи.

Вот, собственно, и всё: три идеи, разбросанные по четырём столетиям, сложились в то, что мы сегодня называем искусственным интеллектом.

Не History Channel, конечно, но тоже неплохо я считаю.

Продолжение — в следующих постах.

Вопрос знатокам: откроет ли водитель дверь?

Кстати, делитесь в комментах, почему это дизайн-решение не работает. Интересно послушать ваше мнение