Интересные в 2018 году были release notes в ТГ

Корпоративный брэндинг Wildberries

Интересно, что WB привязал PR-стратегию к персональному бренду. Образ Татьяны Бакальчук Ким строится на базе концепции честного частного успеха, но с tone of voice в духе скорее тети Тани из «Спокойной ночи малыши», чем эффективной бизнес-вумен. Вероятно такой микс образов помогает привлекать селлеров начального уровня.

Для примера: недавно опубликованный портальчик про персональные данные не содержит полезной информации, но зато демонстрирует аудитории почти материнскую заботу.

В то же время к топам Озона нет коллективного персонализированного интереса: «там какие-то чуваки в пиджаках работают, имен и лиц не помним».

#Оказывается, есть такая проблема у омниканальных ритейлеров:

Торговые центры включают выручку заказов самовывоза в базу для расчета стоимости аренды. (Она часто считается как процент от оборота).

Компания с помощью интернет-продаж приводит новых людей в ТЦ, но вынуждена платить за них дополнительную аренду. И не всегда получается переубедить арендодателя, что это не ок.

(не про еком, но сложно было пропустить)

Через Госуслуги Авто теперь можно чатиться с владельцем конкретной машины. Но нельзя написать просто любой художественный текст. Только предзаданные скучные сообщения.

Хорошо, но не праздник 😕

Недавно обсуждали с организаторами секцию на одной из главных еком-выставок, и нам предложили промоутеров-карликов.

Кто-нибудь пробовал, работает?

Хотим устроить марафон из постов, в которых на пальцах поясним, как устроены сервисы на основе ИИ. А то все об этом говорят, но часто не до конца понимают, что это значит. Для большинства ИИ — это тексты из ДипСика и сладкие картинки/видосы из Миджорни. А оно на самом деле немного о другом.

Делать?

Тенденция понятна, поэтому начинаем

Марафон на тему ИИ

Распишем в духе известной брошюры «Kubernetes для детей» основные моменты, связанные с искуственным интеллектом.

Кто не видел, вот она брошюра про Кубер

1️⃣

Искуственный интеллект — это набор методов, позволяющих компам имитировать интеллектуальное поведение (типа мыслить, но нет).

Такие методы противопоставляются алгоритмическому подходу, когда программа работает по заранее заданной схеме — алгоритму.

2️⃣

Машинное обучение (Machine Learning — ML) — один из методов ИИ, который позволяет программам обучаться на данных, выявляя в них закономерности. ML— это способ создать ИИ, который сам учится на данных. То есть всякое ML — это ИИ, но не всякий ИИ — это ML.

3️⃣

Есть еще LLM (Large Language Model) — большие языковые модели — ИИ, работающий с текстами. DeepSeek и ChatGPT — самые известные примеры.

LLM и ML — это несколько разные подходы искуственного интеллекта.

4️⃣

Но вернемся к ML

Для многих задач на основе ИИ используются так называемые Модели машинного обучения. Это программа, которая анализирует данные и делает предсказания или решения, выявляя закономерности в данных.

Вместо того, чтобы вручную программировать логику, мы даём модели примеры (данные), на которых она обучается и сама находит зависимости.

5️⃣

Существуют сайты, на которых представлены модели на любой вкус. Что-то вроде AppStore или Google Play. Многие модели — бесплатные. Пример такого портала — Hugging Face.

Это площадка не для средних умов, а скорее для разработчиков. Но и любопытному менеджеру какого-нибудь звена (вроде автора этого поста) интересно поизучать, что бывает.

6️⃣

Небольшой отступление.

Когда вы в екоме сталкиваетесь с Сервисом на основе ИИ, то речь в большинстве случаев идет об одной из двух ситуаций:

1. Какие-то ребята по API обращаются к ChatGPT (или другим популярным ИИ штукам) и обрабатывают ответы в рамках своего сервиса (скажем, анализируют отзывы на маркетплейсах).

2. Другие ребята взяли одну или несколько open source моделей с Hugging Face, дообучили их и построили сервис на этой базе (скажем, товарный поиск ensi.cloud/search).

* * *

В первом случае ты получаешь мощность, но зависишь от тарифов, устойчивости и функциональности базового ИИ-сервиса. Во втором — можешь всем управлять, но несешь ответственность за разворот, поддержку и производительность.

7️⃣

Инференс модели — это процесс использования уже обученной модели для получения предсказаний или ответов на новые данные.

Например, если модель обучена распознавать котиков на фото, то инференс — это когда вы загружаете новое фото, а модель говорит, есть ли там котик.

8️⃣

Дообучение модели (или fine-tuning)— это процесс дальнейшего обучения уже предобученной модели на новом наборе данных, чтобы адаптировать её к конкретной задаче или улучшить её производительность.

Этот подход широко используется, особенно в задачах, где данные ограничены, или для адаптации модели под специфические требования.

Пока хватит, продолжим завтра послезавтра

Вернемся к вопросу, как делают сервисы на базе ИИ

9️⃣

______

Чтобы разобраться, как устроены все эти модели, представим, что «сервис на основе ИИ» — это служба доставки 🚚 со своими машинами , водителями и остальной инфраструктурой.
______

1. Базовая модель, которую мы выбираем на GitHub Hugging Face, — это грузовик в обычной комплектации от производителя, который может перевозить какие-то грузы.

2. Обучение на данных — тренировка водителя возить разные грузы по произвольным маршрутам с заездом на склад и в точки назначения.

3. Дообучение модели — следующий уровень тренировки под разные условия: дождь, снег, отсутствие сигнала GPS, 👮‍♂️ мент остановил и т.д.

4. Тонкая настройка — обучение конкретному типу доставки, например, свежих продуктов в течение двух часов. Это уровень адаптации ИИ-сервиса под конкретный бизнес. Частая проблема — модель забывает всё остальное, тереяет обобщаемость (генерализацию).

* * *

Итого: можно делать сервис на основе базовой модели, как и служба доставки может работать на каких-то машинах по умолчанию. Но чтобы улучшать сервис и быть конкурентоспособным, машины и процессы нужно постоянно улучшать.

А вот что еще можно сделать:


5. Модель можно сжать — это как замена грузовиков на малолитражки, которые не могут взять на борт большой груз, но зато быстрее перемещаются по городу, жрут меньше бензина.

6. Масштабировать модель (добавить серверов или использовать облачные вычисления) — если заказов много, можно нанять больше водителей и купить дополнительный транспорт.

7. Ошибка модели — поломка машины. Ее можно починить (дообучить модель) или заменить на другую (заменить модель)

8. Тестировать модель — проверка машины перед выездом.

9. Обновить модель — замена старого грузовика на новый. Например, обновить модель до более современной версии (с GPT-3 на GPT-4), чтобы она работала быстрее и точнее.

10. Интегрировать несколько моделей – это как создание логистического центра. Одна модель отвечает за поиск товаров, другая — за рекомендации, третья — за обработку заказов. Как если бы грузовики забирают товары со центрального склада, другие доставляют их клиентам, а третьи — занимаются возвратами.

#Оказывается, странные заголовки на Алиэкспрессе обусловлены внутренним устройством 🇨🇳 китайского языка.

В нем нет словоизменения (падежей, спряжений, всяких там родов). Вместо этого все слова стоят условно в именительном падеже, а для каждой грамматической ситуации существуют отдельные спецслова.

Фраза на китайском — это фактически набор тегов: примерно как состав на упаковке сникерса. И прямой перевод подобной конструкции дает смешной и слегка абсурдный результат.

* * *

👉 Вот тут (есть только ютуб) ребята рассказали, как они правили с помощью моделей ИИ названия товаров на русском Алиэкспрессе.