Я думаю, что все уже видели новость о том, что OpenAI запускают платформу для плагинов к ChatGPT, чтобы чатбот мог искать в интернете, бронировать рестораны или билеты и т.д. Поражает не это, а то, что для создания своего плагина нужно просто написать манифест к API на естественном языке, а модель сама разберется как авторизоваться, сформировать запрос, обработать ответ и прочее 🤯
https://platform.openai.com/docs/plugins/introduction

Глянул "Тетрис". Никогда бы не подумал, что фильм про Тетрис сможет держать меня 2 часа в напряжении и делать это так красиво с визуальной точки зрения. Многие жалуются на клюкву, но, как по мне, она абсолютно органичная и используется как инструмент передачи нарратива и настроения, как в том же "Чернобыле".

Вообще, мне нравится, как на рынок стриминга зашел Apple. Большая часть контента на очень высоком уровне, как минимум визуально. "Foundation" разочаровал, конечно, но за "Теда Лассо" и "Разделение" Apple точно гигантский респект и лимит доверия, как минимум на очередную годовую подписку. Еще радует, что каждый сериал и фильм это 4к с Dolby Vision и Dolby Atmos, которые грамотно используются.

Мои кореша (читайте это голосом Дудя) из GoPractice наконец-то выпустили новый симулятор - "Симулятор управления ML/AI-проектами"!

В симуляторе вы станете главным героем увлекательной истории, где будете работать над тремя проектами с машинным обучением. Все нацелено на то, чтобы помочь вам на практике освоить скилы управления проектами с машинным обучением, даже если у вас нет навыков программирования или глубокого знания математики. Если вы давно хотели попробовать свои силы в машинном обучении, то данный симулятор - идеальный способ для старта.

Мне очень нравится контент и продукты, которые выпускает команда GoPractice. Всегда высокий уровень и качество. И этот курс не исключение: не просто собранный на коленке онлайн-курс по машинному обучению, а продукт, который разрабатывался более трех лет!

Давно ждал появления симулятора, так как подобный формат - это лучший способ, на мой взгляд, получить знания и практику применения ML теории, решая реальные кейсы, а не слушая бесконечные лекции и решая тесты после них.

Присоединиться можно по ссылке https://gopractice.ru/course/ml/.

Как легко испортить продукт? Сказать, что продакт отвечает за метрику. К примеру, за churn rate в подписочном сервисе. Через пару недель экран отмены подписки превратится в лабиринт минотавра, где кнопка отписки появится только, если принести жертву богу Ра.

Про оценку рынка

Обратил внимание на то, что во многих статьях и материалах присутствует дихотомия: рынок оценивают либо сверху, либо снизу. На самом деле, важно проводить оценку рынка с обеих сторон. Оценка снизу помогает определить нижнюю границу возможностей, в то время как оценка сверху позволяет понять не столько потенциал, сколько потолок. В противном случае, если оценивать только снизу, мы можем столкнуться с ситуацией, когда модель роста показывает количество пользователей, превышающую население страны присутствия продукта. Если оценивать только сверху, то легко можно SOM (Serviceable Obtainable Market) или SAM (Serviceable Available Market) приравнять к TAM (Total Addressable Market) или даже PAM (Potential Available Market) и переоценить потенциал продукта.

Сегодня расскажу, как в YouDo работаем с гипотезами.

Как я уже говорил ранее, фундаментальной основой для гипотезы является феномен (наблюдение, событие, явление и т.д.), который мы пытаемся объяснить. Пайплайн гипотезы выглядит следующим образом: феномен → мы строим предположение, которое его объясняет и эксплуатирует → эксперимент, проверяющий предположение → знания → возвращаемся в начало цикла.

Мы разделили гипотезы на два типа:

- Гипотеза о новой возможности для пользователя.
- Гипотеза об изменении в существующей возможности.

Начнем для начала с первого типа. Фундаментом данного типа гипотез являются наблюдения, которые говорят о том, что у людей есть мотивация и потребность в возможности, которую мы не удовлетворяем. В качестве наблюдений выступают количественные и/или качественные данные. Из этих данных мы вытаскиваем инсайты и описываем их в виде Job Story (контекст, мотивация, ауткам). То есть мы описываем в какой ситуации какую мотивацию испытывает пользователь и какой ауткам он ожидает.

Далее мы можем, к примеру, используя Triple Strike Canvas от Димы Капаева, описать свою идею:

1. Формируем идею о возможности, как удовлетворить мотивацию пользователя, дав ему возможность для этого.
2. Как сообщить пользователю о новой возможности.
3. В какой момент времени, в каком месте и каким пользователям мы будем сообщать о новой возможности?

Имеем “наблюдение → инсайты → идея”. Осталось придумать, как мы проверим это. В итоге, шаблон качественного описания гипотезы звучит как на картинке. Чуть подробнее про каждый пункт в следующем посте.

Hypothesis Framework. Часть 2

Давайте рассмотрим детальнее каждый пункт из предыдущего поста:

- Предпосылки: данные (количественные и/или качественные) и инсайты из них. То, на основе чего базируется наше предположение, которое мы хотим проверить.
- Возможность: какую возможность мы предоставляем пользователю?
- Пользовательский сегмент: в какой ситуации оказались пользователи? Где и как нам их найти?
- Ауткам: что получит пользователь благодаря этой возможности?
- Мотивация: почему эта возможность полезна для пользователя? Какую проблему она позволяет решить?
- Сообщение: как мы сообщим пользователю, что он получил эту возможность? Что мы ему скажем, чтобы он ей воспользовался? Важно продумывать канал коммуникации заранее, чтобы не придумать классную фичу, которой никто не воспользуется, потому что мы не подумали о способе ее дистрибьюции.
- Эффект: какой эффект мы ожидаем увидеть, после того, как дадим пользователю эту возможность? Качественное описание того, какой результат мы хотим получить.
- Метрики: с помощью каких метрик мы можем измерить, что мы получили ожидаемый эффект? Как они должны измениться: увеличиться или уменьшиться? Список метрик состоит из следующих типов:
- Ключевые — метрики, по которым принимаем решение в эксперименте. Обычно, это 1-3 разнородных метрики, если больше, то рискуем увеличить ошибку первого рода из-за множественного сравнения.
- Guardrails — контр-метрики, которые не должны пострадать и ухудшиться.
- Discovery — дополнительные метрики для анализа, которые могут не влиять на ключевое решение, но они нужны, чтобы получить больше знаний. Мы их, обычно, не указываем, так как это список из нескольких десятков метрик и они, все равно, автоматически считаются в нашей системе экспериментов.
- Риски: какие риски ставят под угрозу данную гипотезу? Как мы их можем проверить? По сути, это список рисков, которые проверяются через RAT.

В следующих постах расскажу про второй тип гипотез, рассмотрим примеры и как данный фреймворк встроен в общий фреймворк по работе со стратегей.

В сеть утек внутренний документ Google, в котором говорится, что Open Source LLM модели превзойдут LLM Google и OpenAI. Moat, созданный за счет технологического доминирования корпораций, скоро исчезнет.

Удивительно, что разрыв сокращается так быстро, но сам процесс не удивителен, так как владение уникальной технологией является частным случаем "Cornered Resource" — одной из стратегических сил защиты и обособления на конкурентном поле, которая рассматривается в книге "7 Powers". За счет владения ограниченным ресурсом (технология, команда, патент и прочее) компания может выгодно обособляться и защищаться от конкурентов, но данная сила не является долгосрочным методом защиты и действует только на старте, так как рано или поздно ваш уникальный ресурс конкуренты повторят и нивелируют его силу. Далее на этапе активного роста нужно обрастать как минимум одной из 3 сил: network effects, scale economies или switching cost.

По сути, OpenAI может сделать это следующим образом:
• за счет масштаба более низкая себестоимость на обучение и разработку в пересчете на пользователя/запрос.
• сетевые эффекты на основе данных (частный случай network effects) позволяют генерировать более качественный датасет, утилизировать преимущество в виде RLHF и создавать тем самым более высокий уровень добавленной ценности за счет более лучшего качества модели.
• В случае SaaS типа Copilot, корпорации начнут использовать инструмент и из-за Switching Cost уже не смогут отказаться от него.
• В будущем инвестиции в разработку позволят иметь более низкую себестоимость инференса, что позволит обуздать другую силу — «Process Power».

В какой-то момент, я думаю, что весь AI на основе LLM за счет Open Source превратится в комодити, и сами модели не будут продуктом и основой бизнеса. Все эти LLM будут лишь функциями в продуктах, которые позволяют им генерировать больший уровень добавленной ценности в решении задач пользователя: писать документы, голосовой ассистент в iOS или Android, поиск информации, обучать новым знаниям и т.д. А OpenAI и прочие будут исследовать новые горизонты в поисках очередного технологического прорыва. В итоге, основной фокус будет смещаться на создание продуктов и сервисов, которые эффективно интегрируют эти модели и обеспечивают наилучший пользовательский опыт, а также на поиск новых областей применения AI.

Hypothesis Framework. Часть 3.

Продолжаем серию постов про работу с гипотезами.

Как поступать, если не хотим давать пользователю новую возможность, а хотим оптимизировать существующую? Все еще проще, но давайте на примере.

Представим, что мы хотели увеличить количество исполнителей на YouDo, копались в модели роста, воронках и на данных увидели, что ключевой ботлнек в увеличении количества исполнителей — этап прохождения верификации (по сути процесс, когда пользователь создает профиль исполнителя и заполняет анкету и прочие данные).

Количественные данные дали нам ответ на вопросы "где?" и "сколько?", но нам нужен ответ на вопрос "почему?". Для этого мы пообщались с пользователями, которые недавно заходили на форму, но не закончили, узнали у них, что им помешало, и большинство сказало, что очень сложно, неудобно, они не понимали, как ее заполнить, форма им постоянно говорила, что не заполнены все необходимые поля, но пользователь не понимал, какие именно. Далее мы провели юзабилити-тестирование формы, верифицировали фидбек пользователей, обнаружили новые сложности в UI. Итог: мы имеем количественные и качественные данные, инсайты из них.

Ключевые инсайты: форма одностраничная, не вмещается на весь экран, люди не понимают, что нужно скроллить, не понимают, сколько еще осталось заполнять, нет пояснений к полям, что мешает понять, что пользователю требуется написать.

Теперь мы выдвигаем предположение, что если сделаем форму пошаговой, с прогресс-баром, онбордингом и качественными описаниями полей, то пройти верификацию будет проще. Итог: данные → инсайты → предположение.

Осталось придумать, как провести эксперимент и проверить наше предположение, а эта секция одинаковая для обоих типов гипотез.

По интернету распространяется, как раковая опухоль, история про то, как Amazon Prime переписал себя с микросервисов на монолит и сэкономил 90% расходов и улучшил масштабирование. Об этом уже написали сотню твитов, подкастов и активный борец за права монолитов и автор Ruby on Rails David Heinemeier Hansson накинул кликбейтно на вентилятор.

Если прочитать оригинал статьи в тех блоге Amazon Prime дальше заголовка, то становится понятно, что никакого переписывания c микросервисов на монолит там не было. Amazon Prime как состоял из кучи сервисов, так и состоит, а по факту чуваки взяли конкретный сервис мониторинга качества стримов, который выполняет одну конкуретную задачу (то есть уже bounded context), сначала сделали его из кучи мелких лямбда функций, которые гоняют стейт в виде файлов туда сюда с s3 и по сети, а потом переписали это в один сервис с несколькими функциями, которые уже гоняют ссылку на объект в памяти. Удивляться снижению оверхеда в этом кейсе не стоит.

Следующим этапом в споре «монолит vs микросервисы» любители монолитов напишут на каждую инструкцию процессора по отдельному сервису, а потом объединят все это в один сервис на 20 строк кода и будут заявлять о превосходстве монолитов.

На Reddit самаризовали подкасты Хубермана и выписали все его рекоммендации по тому, как стать сверхчеловеком и заслужить уважение Ницше
https://www.reddit.com/r/HubermanLab/comments/135weq7/a_simplified_list_of_all_protocols/

P.S. Я сам уже не успеваю слушать его последние выпуски, также, как и весь другой контент, а от выкрученной на х2 скорости мне снятся кринжовые сны, поэтому спасают саммаризаторы на основе GPT типа https://shoki.app и https://eightify.app

Заметил, что у продактов в последние месяцы сильно развился экзистенциальный страх из-за нашествия AI. Вообще не понимаю кипиша. На мой взгляд, ситуация комическая и шизофреническая, ибо есть 2 фактора:
1. Большинство продактов жалуются на операционную и административную работу в их деятельности и в идеале больше хотели бы заниматься дискавери, стратегией и пипл менеджментом.
2. Весь вой и страх из-за GPT связан с тем, что последний может позволить по максимуму оптимизировать как раз операционную и административную деятельность.

На самом деле, все просто — неверное понимание сути работы продакт-менеджера. Многие атрибуцируют практику и деятельность с ролью: написание роадмапов, фоллоу апов, документов, презентаций, скриптов для интервью, юзер сторис, пинание людей в чатике и прочая комодити деятельность ассоциировалась с продактом, поэтому людям и кажется, что автоматизация этих процессов приведет к умиранию роли.

Как бы не хотелось некоторым, но продакт не самурай, у него помимо пути есть и цель. А все эти ритуалы лишь инструменты в достижении целей, а не сама цель.

Apple готовит пушку-бомбу в рамках accessibility фич. Теперь iphone/ipad/mac сможет зачитывать текст не синтетическим голосом Siri, а вашим!

https://techcrunch.com/2023/05/16/apple-reveals-upcoming-accessibility-features-for-iphone-ipad-and-mac/

Вы же понимаете, что мы приблизились вплотную к будущему, где у каждого будут очки с AR и Джаревисом внутри?

Apple в своей презе делала большой акцент на гейминг. Даже гения Кодзиму Сана показали с его Death Stranding и рассказали про Game Porting Tool, в котором, к слову, сделали полноценный эмулятор, чтобы разраб до разработки мог оценить эффорт портирования игрушки.

Многие СМИ пишут, что Apple решила делать ставку на гейминг на маках из-за мощи Apple Silicon и исторического отставания в домене, который хотят наверстать. Я тоже так подумал сначала, но если поразмыслить, то становиться ясно, что все это делается, чтобы снизить затраты на портирование VR игрушек на Vision Pro, так как пока это основной юзкейс применения VR в индустрии и было бы странно его игнорить и делать VR очки только для просмотра фильмов на Apple TV+.

P. S. Судя по всему, Game Porting Tool позволяет с минимальными затратами портировать игрушки и на M2 и M2 Max давать офигенный перформанс.

Кстати, я думаю, что все заметили, что Apple не юзает базворды в своих презах и других продуктово-маркетинговых материалах, а также дает любой своей фиче отдельное название типа Retina Display, True Motion, Face ID и прочее, а не просто говорит дисплей с 120гц и камера с 100500 мегапикселей. Особенно, это бросается в глаза после последней Google I/O, где зашкаливал счетчик упоминания AI.

У Маркуса как раз вышел видос вчера про это. https://youtu.be/kvN5_GXlg2Y
Marketing 101, который среди гигантов мало кто применяет, кроме Apple.

Прочитал тут у Данилова пост. Не могу не прокомментировать.

Многие продакты не понимают, что MVP это не продукт вовсе, а, по сути, способ собрать максимум знаний за минимум усилий и времени и запустить фидбек луп. Тут даже не про продукт речь, а, скорее, про процесс. Я не очень понимаю, почему все считают, что MVP это какой-то сарайный и забагованный продукт. Видимо, как и в случае с Customer Development, надо книжки в оригинале читать.

В оригинале Эрик Рис в книжке Lean Startup пишет следующее:
«Once clear on these leap-of-faith assumptions, the first step is to enter the Build phase as quickly as possible with a minimum viable product (MVP). The MVP is that version of the product that enables a full turn of the Build-Measure-Learn loop with a minimum amount of effort and the least amount of development time. The minimum viable product lacks many features that may prove essential later on. However, in some ways, creating a MVP requires extra work: we must be able to measure its impact. For example, it is inadequate to build a prototype that is evaluated solely for internal quality by engineers and designers. We also need to get it in front of potential customers to gauge their reactions. We may even need to try selling them the prototype, as we’ll soon see.».

Никакой речи про баги и плохое качество. Речь про то, что нужно начать собирать данные, как можно раньше, за минимальные затраты, а для этого надо отказаться от функционала, а не качества, как многие думают.

Кажется, что всем должно быть очевидно, что запущенный фидбек луп, где основными полученными знаниями будут те, что говорят, что ничего не работает, особой ценности не представляют. Так и зачем такой фидбек луп?

Потыкал в Threads от Цукера. Посмотрел на цифры их запуска в США. Twitter, похоже, R.I.P. Будет уникальный случай, когда СЕО самодур угробил бизнес стоимостью в несколько десятков миллиардов баксов, защищенный 2-мя самыми сильными силами: network effects и брэнд.