Kimi Slides: разные подходы к генерации ИИ-контента
В этом посте расскажу про Kimi Slides – весьма толковый ИИ-инструмент для разработки редактируемых презентаций, и на его примере о разных подходах в генерации ИИ-контента.
Итак, как работает Kimi Slides:
1. В обычном интерфейсе чата написали запрос (например, можно скинуть текст выступления, или попросить сделать презентацию по какой-то теме);
2. Выбираем один из предложенных визуальных стилей или доверяем выбор ИИ;
3. ИИ составляет структуру презентации и прописывает наполнение для каждого слайда. При необходимости все можно подкорректировать ручками;
4. Довольно долго ждем, пока ИИ найдет в интернете подходящие картинки (либо сгенерирует их в Nana Banana, но это только на платной подписке) и соберет слайды;
5. Получаем готовый результат, который можно отредактировать в интерфейсе браузера, или скачать редактируемую версию в PowerPoint.
Касаемо результата:
1. Презентации выглядят неплохо.
Да, есть небольшие «косяки», то картинку найдет в интернете с водяными знаками, то текст поедет (иногда не корректно рассчитывает длину некоторых текстовых блоков, достаточно просто немного растянуть текстовый блок и все становится ровненько). Говорит, что умеет добавлять ваши скриншоты и картинки в презентацию, и вроде пытается это делать, но пока не работает (место под ваш скриншот оставляет, так что ручками добавить можно без проблем).
2. Структуру делает хорошо.
Да, структура шаблонная, да, за ним нужно проверять. Но первое решается правильным промптом (Kimi все еще не умеет читать мысли и не знает чего конкретно вы хотите, придется рассказывать), а результат любой работы нужно проверять, не зависимо от того, кто (или что) ее делал.
Касаемо подходов к генерации контента:
Kimi, по факту, не генерирует вам презентацию полностью. Она просто заполняет шаблон*.
*такой подход используют многие компании, например, так генерирует лендинги Tilda, а Napkin создает инфографику.
В базе есть несколько стилей презентаций, в каждой из которых слайды под все случаи жизни: титульники, буллиты, цитаты, графики, и т.д..
Языковая модель разбивает ваш текст (или придумывает свой) на слайды, выбирает для каждого информационного блока подходящий шаблон слайда, и «причесывает» под него информацию.
В итоге, стоимость генерации такого контента принципиально ниже, чем генерация всего с нуля, а результат стабильнее (ИИшка знает, что в шапку шаблона Х поместится только 15 букв, и либо сокращает заголовок, либо ищет другой шаблон).
Но обратная сторона медали в том, что результат получается «пресным»:
Кастомизация слабая (буквально только цвет можно выбрать и все), слайды «удобные» (в которые что угодно можно закинуть, получится нормально и все поместится), вау-эффекта, необычных дизайнерских решений или просто оригинальной композиции ожидать не стоит.
В проектах, которые генерируют весь контент с нуля*, ситуация диаметрально противоположная: любая ваша креативная идея может быть реализована, при этом ожидать стабильного результата точно не стоит (даже Google пока не научился генерировать стабильно инфографику).
*какая-то доля шаблонности будет в любом случае, иначе ИИ не справится.
Как итог:
Чаще всего, когда нам нужно сделать презентацию, у нас нет необходимости «поражать аудиторию креативом», мы просто хотим донести информацию. Здесь шаблонные слайды выполнят свою задачу. Да и «поражать» каждым слайдом – весьма утомительно, можно добавить в скучную ИИ-презентацию парочку дизайнерский слайдов – и уже получим хороший эффект.
До настоящих, классных дизайнеров ИИ еще далеко (как и до настоящих классных кого угодно), но базовые задачи уже можно решать без проблем.
В этом посте расскажу про Kimi Slides – весьма толковый ИИ-инструмент для разработки редактируемых презентаций, и на его примере о разных подходах в генерации ИИ-контента.
Примеры слайдов в шапке поста, полные презентации в комментариях:
№1 Презентация по прошлому посту (у ИИ был полный текст поста).
№2 Презентация по технике продаж для компании «Мир карданных валов 46» (контент на 100% придумал ИИ).
Итак, как работает Kimi Slides:
1. В обычном интерфейсе чата написали запрос (например, можно скинуть текст выступления, или попросить сделать презентацию по какой-то теме);
2. Выбираем один из предложенных визуальных стилей или доверяем выбор ИИ;
3. ИИ составляет структуру презентации и прописывает наполнение для каждого слайда. При необходимости все можно подкорректировать ручками;
4. Довольно долго ждем, пока ИИ найдет в интернете подходящие картинки (либо сгенерирует их в Nana Banana, но это только на платной подписке) и соберет слайды;
5. Получаем готовый результат, который можно отредактировать в интерфейсе браузера, или скачать редактируемую версию в PowerPoint.
Касаемо результата:
1. Презентации выглядят неплохо.
Да, есть небольшие «косяки», то картинку найдет в интернете с водяными знаками, то текст поедет (иногда не корректно рассчитывает длину некоторых текстовых блоков, достаточно просто немного растянуть текстовый блок и все становится ровненько). Говорит, что умеет добавлять ваши скриншоты и картинки в презентацию, и вроде пытается это делать, но пока не работает (место под ваш скриншот оставляет, так что ручками добавить можно без проблем).
2. Структуру делает хорошо.
Да, структура шаблонная, да, за ним нужно проверять. Но первое решается правильным промптом (Kimi все еще не умеет читать мысли и не знает чего конкретно вы хотите, придется рассказывать), а результат любой работы нужно проверять, не зависимо от того, кто (или что) ее делал.
Касаемо подходов к генерации контента:
Kimi, по факту, не генерирует вам презентацию полностью. Она просто заполняет шаблон*.
*такой подход используют многие компании, например, так генерирует лендинги Tilda, а Napkin создает инфографику.
В базе есть несколько стилей презентаций, в каждой из которых слайды под все случаи жизни: титульники, буллиты, цитаты, графики, и т.д..
Языковая модель разбивает ваш текст (или придумывает свой) на слайды, выбирает для каждого информационного блока подходящий шаблон слайда, и «причесывает» под него информацию.
В итоге, стоимость генерации такого контента принципиально ниже, чем генерация всего с нуля, а результат стабильнее (ИИшка знает, что в шапку шаблона Х поместится только 15 букв, и либо сокращает заголовок, либо ищет другой шаблон).
Но обратная сторона медали в том, что результат получается «пресным»:
Кастомизация слабая (буквально только цвет можно выбрать и все), слайды «удобные» (в которые что угодно можно закинуть, получится нормально и все поместится), вау-эффекта, необычных дизайнерских решений или просто оригинальной композиции ожидать не стоит.
В проектах, которые генерируют весь контент с нуля*, ситуация диаметрально противоположная: любая ваша креативная идея может быть реализована, при этом ожидать стабильного результата точно не стоит (даже Google пока не научился генерировать стабильно инфографику).
*какая-то доля шаблонности будет в любом случае, иначе ИИ не справится.
Как итог:
Чаще всего, когда нам нужно сделать презентацию, у нас нет необходимости «поражать аудиторию креативом», мы просто хотим донести информацию. Здесь шаблонные слайды выполнят свою задачу. Да и «поражать» каждым слайдом – весьма утомительно, можно добавить в скучную ИИ-презентацию парочку дизайнерский слайдов – и уже получим хороший эффект.
До настоящих, классных дизайнеров ИИ еще далеко (как и до настоящих классных кого угодно), но базовые задачи уже можно решать без проблем.
❤9👍8🔥5
🎲 Почему в эпоху ИИ нам всё еще нужны физические «якоря»?
Я часто пишу про ИИ и технологии в обучении, но сегодня хочу сделать шаг в сторону «аналогового» мира.
Купил себе гравитационный таймер-куб: переворачиваешь нужной гранью вверх — и пошел отсчет (60, 30, 10 или 5 минут).
Казалось бы, зачем покупать отдельный девайс, если в телефоне есть таймер, а в браузере — сотни сайтов с Pomodoro? Но гравитационный куб-таймер оказался чем-то большим, чем просто игрушкой (но и игрушкой тоже).
1. Лекарство от «паралича задачи»
У всех бывают дни, когда задач гора, и ты просто сидишь перед монитором в ступоре, не зная, за что хвататься. Или, когда висит та самая «неприятная» задача, к которой испытываешь физическое сопротивление.
Куб здесь работает как кнопка «Пуск». Ты не обещаешь себе сделать всю работу. Ты просто говоришь: «Я переверну куб на 60 минут, и пока идет таймер — я буду работать». Магия в том, что самое сложное — это начать. Куб помогает преодолеть этот порог сопротивления за счет простого механического действия.
2. Принцип «Ноль трения»
В UX-дизайне мы боремся за каждый клик. Чтобы запустить таймер в телефоне, нужно:
• Разблокировать экран (привет, уведомления из Telegram!).
• Найти приложение.
• Выставить время.
С кубом всё решается одним движением руки. Чем меньше барьеров между вами и задачей, тем выше шансы, что вы за неё возьметесь.
3. Честный аудит вашего времени
Мы часто обманываем себя, думая, что работали 8 часов. На деле — переписки, кофе, «залипание» в новости. С кубом статистика становится более точной.
• Перевернул грань на 60 минут — работаешь.
• Отвлекся на звонок или ушел на кухню — положил куб «лицом» вверх (пауза).
В конце дня расчет предельно прост: 7 переворотов по часу = 7 часов реальной работы.
Геймификация – не волшебная таблетка
Конечно, в такой вещи нет какой-то магии.
Но это работает.
Геймификация не заменяет волю и не делает работу за тебя. Она не превращает скучный отчет в захватывающий квест в виртуальной реальности. Это скорее «социальный контракт» с самим собой, облаченный в прикольную форму.
Когда я переворачиваю куб, я даю себе обещание. Нарушить такое обещание сложнее, потому что физическое действие зафиксировало моё намерение. Это как подпись под договором: можно и не соблюдать, но ощущение уже не то.
Этот гаджет — идеальный пример физического интерфейса для когнитивной деятельности (да и вообще физические интерфейсы прикольные). Иногда, чтобы заставить голову варить, нужно просто дать рукам перевернуть пластиковый кубик.
В мире, где всё становится виртуальным, а кнопки заменяются сенсорами, мы начинаем тосковать по тактильности (кто вообще придумал дурацкие сенсорные магнитолы в авто?!).
В обучении, как и в жизни, нам всё еще нужны материальные якоря. Потому что, в конечном счете, человеку нужен человек — или хотя бы понятная человеческая вещь, которую можно потрогать, нажать или с удовольствием перевернуть. И никакой ИИ это не заменит.
P.S. пост написан за 2 переворота куба.
Я часто пишу про ИИ и технологии в обучении, но сегодня хочу сделать шаг в сторону «аналогового» мира.
Купил себе гравитационный таймер-куб: переворачиваешь нужной гранью вверх — и пошел отсчет (60, 30, 10 или 5 минут).
Казалось бы, зачем покупать отдельный девайс, если в телефоне есть таймер, а в браузере — сотни сайтов с Pomodoro? Но гравитационный куб-таймер оказался чем-то большим, чем просто игрушкой (но и игрушкой тоже).
1. Лекарство от «паралича задачи»
У всех бывают дни, когда задач гора, и ты просто сидишь перед монитором в ступоре, не зная, за что хвататься. Или, когда висит та самая «неприятная» задача, к которой испытываешь физическое сопротивление.
Куб здесь работает как кнопка «Пуск». Ты не обещаешь себе сделать всю работу. Ты просто говоришь: «Я переверну куб на 60 минут, и пока идет таймер — я буду работать». Магия в том, что самое сложное — это начать. Куб помогает преодолеть этот порог сопротивления за счет простого механического действия.
А еще переворачивать куб прикольно. Если чтобы попереворачивать куб нужно немного поработать – ну и ладно, оно того стоит, я согласен.
2. Принцип «Ноль трения»
В UX-дизайне мы боремся за каждый клик. Чтобы запустить таймер в телефоне, нужно:
• Разблокировать экран (привет, уведомления из Telegram!).
• Найти приложение.
• Выставить время.
С кубом всё решается одним движением руки. Чем меньше барьеров между вами и задачей, тем выше шансы, что вы за неё возьметесь.
3. Честный аудит вашего времени
Мы часто обманываем себя, думая, что работали 8 часов. На деле — переписки, кофе, «залипание» в новости. С кубом статистика становится более точной.
• Перевернул грань на 60 минут — работаешь.
• Отвлекся на звонок или ушел на кухню — положил куб «лицом» вверх (пауза).
В конце дня расчет предельно прост: 7 переворотов по часу = 7 часов реальной работы.
Геймификация – не волшебная таблетка
Конечно, в такой вещи нет какой-то магии.
Я взрослый мужчина, и уж точно какая-то пластиковая штуковина из Китая не может мне указывать, когда и что мне делать (у жены получается с трудом, тут вообще без шансов 😄).
Но это работает.
Геймификация не заменяет волю и не делает работу за тебя. Она не превращает скучный отчет в захватывающий квест в виртуальной реальности. Это скорее «социальный контракт» с самим собой, облаченный в прикольную форму.
Когда я переворачиваю куб, я даю себе обещание. Нарушить такое обещание сложнее, потому что физическое действие зафиксировало моё намерение. Это как подпись под договором: можно и не соблюдать, но ощущение уже не то.
Этот гаджет — идеальный пример физического интерфейса для когнитивной деятельности (да и вообще физические интерфейсы прикольные). Иногда, чтобы заставить голову варить, нужно просто дать рукам перевернуть пластиковый кубик.
В мире, где всё становится виртуальным, а кнопки заменяются сенсорами, мы начинаем тосковать по тактильности (кто вообще придумал дурацкие сенсорные магнитолы в авто?!).
В обучении, как и в жизни, нам всё еще нужны материальные якоря. Потому что, в конечном счете, человеку нужен человек — или хотя бы понятная человеческая вещь, которую можно потрогать, нажать или с удовольствием перевернуть. И никакой ИИ это не заменит.
P.S. пост написан за 2 переворота куба.
🔥13❤6👍4
Hume AI: как сделать диалоговые тренажеры с ИИ еще эффективнее
В сфере e-learning мы уже начали привыкать к диалоговым тренажерам на базе больших языковых моделей (когда ты общаешься с ИИ-собеседником голосом, как с реальным человеком, проигрываешь какой-то кейс, а в конце получаешь развернутую ОС по диалогу).
Писал про эту тему несколько раз: пример диалогового тренажера с симулятором ПО и первый опыт разработки ИИ-тренажера.
Очень классный и эффективный инструмент, который позволяет прокачивать не только знания, но и УМЕНИЕ общаться!
Но нам же всегда хочется большего, хочется сделать эффективный инструмент еще полезнее, правда?
Такой продукт классно оценивает логику работы, технику продаж, адекватно реагирует на ваши слова, но с эмоциями не работает совсем. ИИ и сам общается без эмоций, обычным дежурным спокойным голосом, и ваши эмоции не понимает.
Конечно, он по смыслу догадывается, что, если вы сказали: «Добро пожаловать» — это было сказано доброжелательно, а «ПОШЕЛ ВОН ОТСЮДА!» — явно с какой-то долей негатива. НО, во-первых, далеко не факт, что смысл ваших слов совпадает с невербаликой (бывает же такое, что говорят: «рады вас видеть», а на лице «написано», что всё с точностью наоборот, или фраза вообще может быть сказана без эмоций — бубнеж себе под нос), во-вторых — далеко не всегда в словах есть реальные маркеры, по которым можно понять, какие эмоции использует человек.
Иными словами, в таких продуктах есть фундаментальный изъян: они оценивают, что говорит человек, но полностью игнорируют, как он это делает.
Инструмент Hume AI переносит фокус на невербалику: ИИ сам говорит с эмоциями и «понимает» эмоции собеседника.
Инструмент очень интересный, пост получился объемным.
Полная версия ТУТ.
В шапке пример работы сервиса в плейграунде* (диалог по выбору тура, оценка эмоций по голосу и оценка эмоций по видео).
*сервис умеет говорить на русском, но в плейграунде, очевидно, серьезный системный промпт, который дает директивную инструкцию разговаривать на английском.
Тезисы ниже:
- Голос ИИ больше не «читалка»: ИИ анализирует тембр, темп и интонацию (более 50 эмоциональных состояний) и сам отвечает с нужной эмоцией — от заинтересованности до ответной агрессии.
- Чтение эмоций по лицу: Через камеру система считывает микромимику, фиксируя сомнения или фальшь, которые голос может не выдать.
- Глубокая обратная связь: Теперь можно разобрать не только скрипт, но и невербалику: почему у сотрудника «дрогнул голос» на вопросе о цене или почему его улыбка выглядела как усмешка. Да и просто понять, как он говорит: ярко и эмоционально, или бубнит что-то себе под нос.
- Сложность внедрения: Это не просто «подключить API». Нужно прописывать «эмоциональную партитуру» диалога и уметь обрабатывать огромные потоки данных (Big Data) от сервиса (есть инструменты «из коробки», которые облегчают задачу).
А как вы считаете: стоит ли игра свеч или «эмоциональная аналитика» — это пока избыточная игрушка для e-learning?
В сфере e-learning мы уже начали привыкать к диалоговым тренажерам на базе больших языковых моделей (когда ты общаешься с ИИ-собеседником голосом, как с реальным человеком, проигрываешь какой-то кейс, а в конце получаешь развернутую ОС по диалогу).
Писал про эту тему несколько раз: пример диалогового тренажера с симулятором ПО и первый опыт разработки ИИ-тренажера.
Очень классный и эффективный инструмент, который позволяет прокачивать не только знания, но и УМЕНИЕ общаться!
Но нам же всегда хочется большего, хочется сделать эффективный инструмент еще полезнее, правда?
Такой продукт классно оценивает логику работы, технику продаж, адекватно реагирует на ваши слова, но с эмоциями не работает совсем. ИИ и сам общается без эмоций, обычным дежурным спокойным голосом, и ваши эмоции не понимает.
Конечно, он по смыслу догадывается, что, если вы сказали: «Добро пожаловать» — это было сказано доброжелательно, а «ПОШЕЛ ВОН ОТСЮДА!» — явно с какой-то долей негатива. НО, во-первых, далеко не факт, что смысл ваших слов совпадает с невербаликой (бывает же такое, что говорят: «рады вас видеть», а на лице «написано», что всё с точностью наоборот, или фраза вообще может быть сказана без эмоций — бубнеж себе под нос), во-вторых — далеко не всегда в словах есть реальные маркеры, по которым можно понять, какие эмоции использует человек.
Иными словами, в таких продуктах есть фундаментальный изъян: они оценивают, что говорит человек, но полностью игнорируют, как он это делает.
Инструмент Hume AI переносит фокус на невербалику: ИИ сам говорит с эмоциями и «понимает» эмоции собеседника.
Инструмент очень интересный, пост получился объемным.
Полная версия ТУТ.
В шапке пример работы сервиса в плейграунде* (диалог по выбору тура, оценка эмоций по голосу и оценка эмоций по видео).
*сервис умеет говорить на русском, но в плейграунде, очевидно, серьезный системный промпт, который дает директивную инструкцию разговаривать на английском.
Тезисы ниже:
- Голос ИИ больше не «читалка»: ИИ анализирует тембр, темп и интонацию (более 50 эмоциональных состояний) и сам отвечает с нужной эмоцией — от заинтересованности до ответной агрессии.
- Чтение эмоций по лицу: Через камеру система считывает микромимику, фиксируя сомнения или фальшь, которые голос может не выдать.
- Глубокая обратная связь: Теперь можно разобрать не только скрипт, но и невербалику: почему у сотрудника «дрогнул голос» на вопросе о цене или почему его улыбка выглядела как усмешка. Да и просто понять, как он говорит: ярко и эмоционально, или бубнит что-то себе под нос.
- Сложность внедрения: Это не просто «подключить API». Нужно прописывать «эмоциональную партитуру» диалога и уметь обрабатывать огромные потоки данных (Big Data) от сервиса (есть инструменты «из коробки», которые облегчают задачу).
А как вы считаете: стоит ли игра свеч или «эмоциональная аналитика» — это пока избыточная игрушка для e-learning?
🔥11❤5👍4🤷♂1
Зачем вайбкодинг разработчику курсов?
Пару лет назад в сообществе Digital Learning был интересный кейс: нужно было сделать упражнение для проверки понимания того, как работают электрические схемы.
Понятно, что можно было сделать обычный тест — показать 4 картинки со схемами и спросить: «Какая правильная?» или тыкнуть в участок схемы с ошибкой, и потом ответить на вопрос: «А что тут не так?».
Оба варианта вполне рабочие, но всегда хочется сделать что-то более интересное/эффективное — «Пусть сами построят схему, а курс даст обратную связь что не так».
Идея отличная, но реализация чего-то подобного средствами конструктора курсов крайне проблематична. Не невозможна, конечно, но, если брать сложные схемы (а такие и нужно было брать) — это было бы самое настоящее испытание. Реализация чего-то подобного на JS для непрофильного специалиста тоже задача со звездочкой и явно не укладывается ни в один time-to-market.
С вайбкодингом такие упражнения собираются буквально за полчаса. Потом готовый продукт немного дорабатывается напильником, чтобы он передавал статусы в курс (если оно вам нужно, а подозреваю, что нужно) и вставляется в ваш любимый конструктор курсов. Готово.
В шапке 2 примера упражнений:
1. Упражнение с электрическими схемами собрал Google всего с одной доработкой (я захотел больше заданий и указание допущенных ошибок при обратной связи).
Сами упражнения тоже придумал он. Я в схемах ничего не понимаю.
2. Набившая оскомину всем школьникам задача с яичницей собрана в DeepSeek.
Тут потребовалось 5 итераций и качество сборки все еще страдает. Пациент скорее жив…но нужно несколько раз подумать перед тем, как назначать такой продукт на живых людей (если вы, конечно, не испытываете к ним личной неприязни).
Как итог:
Технических ограничений почти нет.
Ограничение только одно — профессиональная зрелость.
Очень легко начать делать интерактивы ради интерактивов.
Потому что можем.
Потому что весело.
Потому что ИИ справляется.
Но курс — это не игровая площадка для разработчика.
Это инструмент решения бизнес-задач.
И если 100 интерактивов не усиливают обучение — они просто увеличивают шум.
Пару лет назад в сообществе Digital Learning был интересный кейс: нужно было сделать упражнение для проверки понимания того, как работают электрические схемы.
Понятно, что можно было сделать обычный тест — показать 4 картинки со схемами и спросить: «Какая правильная?» или тыкнуть в участок схемы с ошибкой, и потом ответить на вопрос: «А что тут не так?».
Оба варианта вполне рабочие, но всегда хочется сделать что-то более интересное/эффективное — «Пусть сами построят схему, а курс даст обратную связь что не так».
Идея отличная, но реализация чего-то подобного средствами конструктора курсов крайне проблематична. Не невозможна, конечно, но, если брать сложные схемы (а такие и нужно было брать) — это было бы самое настоящее испытание. Реализация чего-то подобного на JS для непрофильного специалиста тоже задача со звездочкой и явно не укладывается ни в один time-to-market.
С вайбкодингом такие упражнения собираются буквально за полчаса. Потом готовый продукт немного дорабатывается напильником, чтобы он передавал статусы в курс (если оно вам нужно, а подозреваю, что нужно) и вставляется в ваш любимый конструктор курсов. Готово.
В шапке 2 примера упражнений:
1. Упражнение с электрическими схемами собрал Google всего с одной доработкой (я захотел больше заданий и указание допущенных ошибок при обратной связи).
Сами упражнения тоже придумал он. Я в схемах ничего не понимаю.
2. Набившая оскомину всем школьникам задача с яичницей собрана в DeepSeek.
Тут потребовалось 5 итераций и качество сборки все еще страдает. Пациент скорее жив…но нужно несколько раз подумать перед тем, как назначать такой продукт на живых людей (если вы, конечно, не испытываете к ним личной неприязни).
Как итог:
Технических ограничений почти нет.
Ограничение только одно — профессиональная зрелость.
Очень легко начать делать интерактивы ради интерактивов.
Потому что можем.
Потому что весело.
Потому что ИИ справляется.
Но курс — это не игровая площадка для разработчика.
Это инструмент решения бизнес-задач.
И если 100 интерактивов не усиливают обучение — они просто увеличивают шум.
🔥9👍7❤6
ИИ-проекты зачастую доступнее, чем кажутся
На первый взгляд может показаться, что внедрение ИИ в HR — это какая-то магия или, как минимум, космические технологии. На деле же ощутимая доля продуктов с плашкой «AI» — это аккуратная «обвязка» вокруг API готовой языковой модели (LLM). Вся тяжелая работа «под капотом» уже сделана создателями модели, ваша задача — написать правильный промпт и сделать интерфейс.
*Это не обесценивает работу разработчиков — наоборот, основная инженерная задача смещается в сторону интеграции и продуктовой логики.
Хорошая новость: разработка базового решения (например, ассистента для обратной связи по домашним заданиям в LMS) посильна IT-команде в короткий срок (если все пойдет по плану (а оно не пойдет)).
Вот тут делал пост про режим обучения в Google. За 10 минут был собран прототип без автоматизации (т.е. руками нужно вводить промпт в LLM) и красивой формы для тестов. Без всяких «вайбкодингов» это можно докрутить за день до работающего MVP.
Покажу всю простоту на шуточном примере (в каждой шутке есть доля правды): давайте сравним два алгоритма.
Первый («сложный и страшный») — это проверка домашних заданий с использованием ИИ в LMS.
Второй (из школьной программы для 7-го класса по программированию) — приготовление яичницы.
Посмотрите на картинку: алгоритм с приготовлением яичницы намного больше, и в нем есть более сложные элементы. Да, я тут подробно расписываю алгоритм с яичницей, а проверку ДЗ упрощаю. Да, весьма вероятно, что IT-команда столкнется с проблемой прямо сразу, на этапе выгрузки ответов из LMS (когда создавали LMS, никто не думал, что возникнет потребность выгружать что-то и «запихивать» в ИИ).
Но в любом случае большая часть задач на деле намного проще, чем может показаться на первый взгляд. В подобных проектах основная сложность не в IT-решении, а в качественной методологии и промптинге.
И именно здесь ключевая роль у методистов и экспертов по обучению.
На первый взгляд может показаться, что внедрение ИИ в HR — это какая-то магия или, как минимум, космические технологии. На деле же ощутимая доля продуктов с плашкой «AI» — это аккуратная «обвязка» вокруг API готовой языковой модели (LLM). Вся тяжелая работа «под капотом» уже сделана создателями модели, ваша задача — написать правильный промпт и сделать интерфейс.
*Это не обесценивает работу разработчиков — наоборот, основная инженерная задача смещается в сторону интеграции и продуктовой логики.
Хорошая новость: разработка базового решения (например, ассистента для обратной связи по домашним заданиям в LMS) посильна IT-команде в короткий срок (если все пойдет по плану (а оно не пойдет)).
Вот тут делал пост про режим обучения в Google. За 10 минут был собран прототип без автоматизации (т.е. руками нужно вводить промпт в LLM) и красивой формы для тестов. Без всяких «вайбкодингов» это можно докрутить за день до работающего MVP.
Покажу всю простоту на шуточном примере (в каждой шутке есть доля правды): давайте сравним два алгоритма.
Первый («сложный и страшный») — это проверка домашних заданий с использованием ИИ в LMS.
Второй (из школьной программы для 7-го класса по программированию) — приготовление яичницы.
Посмотрите на картинку: алгоритм с приготовлением яичницы намного больше, и в нем есть более сложные элементы. Да, я тут подробно расписываю алгоритм с яичницей, а проверку ДЗ упрощаю. Да, весьма вероятно, что IT-команда столкнется с проблемой прямо сразу, на этапе выгрузки ответов из LMS (когда создавали LMS, никто не думал, что возникнет потребность выгружать что-то и «запихивать» в ИИ).
Но в любом случае большая часть задач на деле намного проще, чем может показаться на первый взгляд. В подобных проектах основная сложность не в IT-решении, а в качественной методологии и промптинге.
И именно здесь ключевая роль у методистов и экспертов по обучению.
👍11❤4
Gurufy: лечение того, что не болит
Наткнулся на сервис gurufy.ru.
Идея: нейросеть сама собирает курс по заданной теме.
Задает вопросы о целях и задачах курса, уровне знаний и нюансах. Потом генерирует структуру, текст, картинки, тесты, ИИ-фишки (можно задавать вопросы по курсу) и оформляет в удобный лонгрид — всё в одном месте.
Потом его можно скачать в html или pdf (зачем нам лонгрид в pdf?) и залить в свою LMS.
Сначала кажется, что работает здорово:
• Структура аккуратная, текст связный.
• Ссылается на источники и всю информацию берет из них.
• Картинки генерируются автоматически (да, они не суперкрасивые, но наглядные и без косяков).
• За 10 минут получается готовый продукт.
Но чем дольше смотришь, тем яснее: это лекарство от боли, которой нет.
Верхнеуровнево – курс получается нормальный (если читаем по диагонали), но немного копнув видишь, что везде что-то не так. От мелких проблем с формулировками, до серьезных сложностей со структурой или некорректными вопросами в тестах.
И нет, вывод не в том, что «руками сделать проще, чем с этими вашими ИИ».
Проще сделать ВМЕСТЕ с ИИ, а не чтобы ИИ делал за тебя
Если нужно собрать курс, есть более прозрачный путь:
1. Попросить тот же Gemini (или ChatGPT) помочь со структурой. И вместе с нейросетью доработать ее. Это дольше, но вы держите руку на пульсе и потом не нужно переделывать (на фундаменте экономить время – не самое лучшее решение).
2. Проработать каждый блок отдельно. Доработать и докрутить до нужного содержания и формулировок.
3. Нагенерировать картинки
4. Собрать в любом конструкторе.
Важный момент: сборка текста с картинками в современном конструкторе — от силы пару часов (когда текст и картинки уже готовы). Автоматизировать этот этап просто бессмысленно. Вы сэкономите не тот ресурс.
Более того, если вы выгружаете курс в HTML, чтобы потом упаковать в SCORM для корпоративной LMS — то упаковка займет больше времени, чем ручная сборка контента.*
*Конечно, тут на выручку может прийти вайбкодинг. Можно автоматизировать этот процесс.
А еще есть поддержка. Потом придется переверстывать html, чтобы добавить главу/блок. Опять время.
⚠️ Главный вопрос
Если вас устраивает качество курса, полностью собранного нейросетью без вашего участия — спросите себя: вам вообще нужен этот курс?
Потому что, если экспертность, точность, брендинг и методология не важны настолько, что их можно делегировать автоматике — вероятно, сама потребность в обучении надуманна.
А если использовать для самообучения?
В таком контексте в продукте видится еще меньше смысла. Если мы можем максимально гибко учиться об ИИ, зачем нам практически типовой курс собранный нейронкой?
На мой взгляд, это иллюзия продуктивности: индустрия, конечно, может сейчас производить тонны контента просто потому, что теперь это дешево, но обучение — это не доставка букв в глаза, а изменение поведения или мышления.
Наткнулся на сервис gurufy.ru.
Идея: нейросеть сама собирает курс по заданной теме.
Задает вопросы о целях и задачах курса, уровне знаний и нюансах. Потом генерирует структуру, текст, картинки, тесты, ИИ-фишки (можно задавать вопросы по курсу) и оформляет в удобный лонгрид — всё в одном месте.
Потом его можно скачать в html или pdf (зачем нам лонгрид в pdf?) и залить в свою LMS.
Сначала кажется, что работает здорово:
• Структура аккуратная, текст связный.
• Ссылается на источники и всю информацию берет из них.
• Картинки генерируются автоматически (да, они не суперкрасивые, но наглядные и без косяков).
• За 10 минут получается готовый продукт.
Но чем дольше смотришь, тем яснее: это лекарство от боли, которой нет.
Верхнеуровнево – курс получается нормальный (если читаем по диагонали), но немного копнув видишь, что везде что-то не так. От мелких проблем с формулировками, до серьезных сложностей со структурой или некорректными вопросами в тестах.
И нет, вывод не в том, что «руками сделать проще, чем с этими вашими ИИ».
Проще сделать ВМЕСТЕ с ИИ, а не чтобы ИИ делал за тебя
Если нужно собрать курс, есть более прозрачный путь:
1. Попросить тот же Gemini (или ChatGPT) помочь со структурой. И вместе с нейросетью доработать ее. Это дольше, но вы держите руку на пульсе и потом не нужно переделывать (на фундаменте экономить время – не самое лучшее решение).
2. Проработать каждый блок отдельно. Доработать и докрутить до нужного содержания и формулировок.
3. Нагенерировать картинки
4. Собрать в любом конструкторе.
Важный момент: сборка текста с картинками в современном конструкторе — от силы пару часов (когда текст и картинки уже готовы). Автоматизировать этот этап просто бессмысленно. Вы сэкономите не тот ресурс.
Более того, если вы выгружаете курс в HTML, чтобы потом упаковать в SCORM для корпоративной LMS — то упаковка займет больше времени, чем ручная сборка контента.*
*Конечно, тут на выручку может прийти вайбкодинг. Можно автоматизировать этот процесс.
А еще есть поддержка. Потом придется переверстывать html, чтобы добавить главу/блок. Опять время.
⚠️ Главный вопрос
Если вас устраивает качество курса, полностью собранного нейросетью без вашего участия — спросите себя: вам вообще нужен этот курс?
Потому что, если экспертность, точность, брендинг и методология не важны настолько, что их можно делегировать автоматике — вероятно, сама потребность в обучении надуманна.
А если использовать для самообучения?
В таком контексте в продукте видится еще меньше смысла. Если мы можем максимально гибко учиться об ИИ, зачем нам практически типовой курс собранный нейронкой?
На мой взгляд, это иллюзия продуктивности: индустрия, конечно, может сейчас производить тонны контента просто потому, что теперь это дешево, но обучение — это не доставка букв в глаза, а изменение поведения или мышления.
👍7🔥7❤5
Почему я уже в пятый раз участвую в конференции Learning Elements?
В этом году я буду выступать на Learning Elements в пятый раз.
Тема, естественно, связана с ИИ в e-learning. Расскажу (и покажу) о проверенных, полезных и простых интеграциях, которые позволят сделать ваше обучение еще более эффективным.
Никаких космолетов – только простые и понятные проекты, которые может реализовать опытный разработчик или методолог.
Конечно, поговорим про Time-to-Market, инструменты и подводные камни (без них никуда).
Так почему я снова участвую?
✅ Качественные выступления. Организаторы готовят спикеров, репетируют с ними выступления. А еще темы нацелены на практику. Послушал, понял, как это можно использовать в своих реалиях – и пошел применять.
✅ Сам собираешь свой маршрут. За 2 дня выступит более 70 спикеров, в том числе из крупных компаний (МегаФон, РЖД, Х5, Открытие, Ozon, Трансмашхолдинг и другие). Одновременно будет работать несколько секций – можно выбрать те темы, которые актуальны именно сейчас.
✅ Крутое комьюнити. 400 участников — и все из нашей сферы. 100% найдете единомышленников и полезные инсайты.
✅ Удобный нетворкинг. Здесь вкусно кормят. Серьёзно. Обеды и фуршет — это не просто про еду. Фуршет — лучшее место для нетворкинга. За бокалом сока 😉 намного комфортнее (и приятнее) обсуждать рабочие вопросы.
Буду рад увидеть вас лично и пообщаться уже на месте — в зале или за фуршетным столиком.
Программа, билеты и всё, что нужно знать: https://elearningelements.ru/
А по промокоду ТУТПРОМОКОД при покупке билета на конференцию можно получить на выбор:
✅ книгу Елены Тихомировой «Обучение со смыслом» (вручение на конференции)
✅ или курс в записи из этой коллекции
В этом году я буду выступать на Learning Elements в пятый раз.
Тема, естественно, связана с ИИ в e-learning. Расскажу (и покажу) о проверенных, полезных и простых интеграциях, которые позволят сделать ваше обучение еще более эффективным.
Никаких космолетов – только простые и понятные проекты, которые может реализовать опытный разработчик или методолог.
Конечно, поговорим про Time-to-Market, инструменты и подводные камни (без них никуда).
Так почему я снова участвую?
Буду рад увидеть вас лично и пообщаться уже на месте — в зале или за фуршетным столиком.
Программа, билеты и всё, что нужно знать: https://elearningelements.ru/
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍4🔥3🎉2
Media is too big
VIEW IN TELEGRAM
ИИ — не всегда лучшее решение
Сегодня модно пихать искусственный интеллект куда только можно. Чат-боты, курсы, CRM, сервисы поддержки — если в продукте нет «AI», кажется, он устарел.
Но ИИ не всегда лучшее решение.
Я провел простой эксперимент. Выставил DeepSeek против программы, которая идеально играет в крестики-нолики. Современный ИИ проигрывал почти всегда (победить невозможно – ничья лучший результат).
Почему? Потому что я использовал его не по назначению. LLM великолепны в диалоге, генерации идей, работе с текстом. Но для формальной логики, точного просчета и жестких алгоритмов есть другие инструменты.
ИИ — это инструмент. Один из многих.
Он не отменяет старые добрые алгоритмы, четкие правила и формальную логику. Он дополняет их там, где действительно силен: в креативности, адаптивности, работе с неструктурированной информацией, может сделать обучение более иммерсивным и реально прокачать «разговорные» умения.
Внедрять ИИ — это модно. Но эффективно — использовать правильный инструмент под правильную задачу. Даже если этому инструменту уже за 70.
Сегодня модно пихать искусственный интеллект куда только можно. Чат-боты, курсы, CRM, сервисы поддержки — если в продукте нет «AI», кажется, он устарел.
Но ИИ не всегда лучшее решение.
Я провел простой эксперимент. Выставил DeepSeek против программы, которая идеально играет в крестики-нолики. Современный ИИ проигрывал почти всегда (победить невозможно – ничья лучший результат).
Почему? Потому что я использовал его не по назначению. LLM великолепны в диалоге, генерации идей, работе с текстом. Но для формальной логики, точного просчета и жестких алгоритмов есть другие инструменты.
Кстати, первая программа для игры в крестики-нолики на ЭВМ появилась еще в 1952 году. Старый, проверенный метод справился с задачей идеально. Современный ИИ — нет.
ИИ — это инструмент. Один из многих.
Он не отменяет старые добрые алгоритмы, четкие правила и формальную логику. Он дополняет их там, где действительно силен: в креативности, адаптивности, работе с неструктурированной информацией, может сделать обучение более иммерсивным и реально прокачать «разговорные» умения.
Внедрять ИИ — это модно. Но эффективно — использовать правильный инструмент под правильную задачу. Даже если этому инструменту уже за 70.
❤10👍6🔥3👏1
Media is too big
VIEW IN TELEGRAM
Может ли ИИ заменить друзей? Опыт Имаджинариума с нейросетями.
Год назад писал пост о том, как используются языковые модели в геймдеве.
Если коротко – сложно сказать, что вообще как-то используются. Была пара маленьких интересных проектов (в основном это текстовые игры), и какие-то демо, которые просто кривенько демонстрируют идеи.
Решил посмотреть, а что изменилось за год?
Ничего.
Раз геймдев не идет в ИИ – пойдем мы.
Я решил сделать ИИ-версию игры Имаджинариум.
Коротко о правилах:
Игроки получают карты с абстрактными картинками. Ведущий загадывает ассоциацию к своей карте. Остальные — подбирают из своего набора ту, которая лучше всего подходит под эту ассоциацию. Дальше голосование: нужно угадать, какая из выложенных карт принадлежала ведущему.
Соль в том, чтобы ассоциация не была ни слишком очевидной (иначе все угадают, и ведущий теряет очки), ни слишком мутной (иначе никто не выберет его карту).
Игра идеальна для посиделок: не требует глубокого вникания в правила и не выматывает. А еще можно играть с детьми, т.к. правила простые.
Единственный минус– одному в нее не поиграть.
Вот тут на помощь приходит ИИ.
Ты играешь с тремя ИИ-противниками.
ИИ отлично фантазирует, так что придумывать ассоциации к картам у него получается без проблем, а галлюцинации вообще скорее идут на пользу, с ними играть только интереснее.
Как было реализовано:
- Понятно, что это вайбкодинг. Т.к. задача не очень сложная – использовал DeepSeek. Он справился…но задача была на грани его возможностей. Ушло больше 10 итераций (либо я просто не умею объяснять).
- ИИ сейчас умеет «смотреть» на картинки. Но это долго и дорого. Поэтому были написаны подробные описания для каждой картинки, чтобы ИИ ориентировался на текст.
- Описания карт для ИИ придумывал ИИ. Загрузил в Gemini картинки, объяснил задачу, получил классное и подробное описание.
- В качестве языковой модели использовал модель от OpenAI 4.1 mini. Она дешевая и отлично справляется.
- При желании можно было сгенерировать картинки самостоятельно (желание было, а вот времени нет, возможно сделаю позже какую-то интересную версию про отечественный e-learning).
Что в итоге:
Все работает, и получилось забавно, но основная фишка подобных игр в общении и вот этом всем человеческом. Тут ИИ просто имитирует человека, из-за этого почти весь фан пропадает.
Подобный подход не так сложно реализовать и в бизнес-играх. Но можно ли научить условной командой работе, если члены твоей «команды» ИИ-коллеги? Есть ощущение, что это так не работает.
Год назад писал пост о том, как используются языковые модели в геймдеве.
Если коротко – сложно сказать, что вообще как-то используются. Была пара маленьких интересных проектов (в основном это текстовые игры), и какие-то демо, которые просто кривенько демонстрируют идеи.
Решил посмотреть, а что изменилось за год?
Ничего.
Раз геймдев не идет в ИИ – пойдем мы.
Я решил сделать ИИ-версию игры Имаджинариум.
Коротко о правилах:
Игроки получают карты с абстрактными картинками. Ведущий загадывает ассоциацию к своей карте. Остальные — подбирают из своего набора ту, которая лучше всего подходит под эту ассоциацию. Дальше голосование: нужно угадать, какая из выложенных карт принадлежала ведущему.
Соль в том, чтобы ассоциация не была ни слишком очевидной (иначе все угадают, и ведущий теряет очки), ни слишком мутной (иначе никто не выберет его карту).
Игра идеальна для посиделок: не требует глубокого вникания в правила и не выматывает. А еще можно играть с детьми, т.к. правила простые.
Единственный минус– одному в нее не поиграть.
Вот тут на помощь приходит ИИ.
Ты играешь с тремя ИИ-противниками.
ИИ отлично фантазирует, так что придумывать ассоциации к картам у него получается без проблем, а галлюцинации вообще скорее идут на пользу, с ними играть только интереснее.
Как было реализовано:
- Понятно, что это вайбкодинг. Т.к. задача не очень сложная – использовал DeepSeek. Он справился…но задача была на грани его возможностей. Ушло больше 10 итераций (либо я просто не умею объяснять).
- ИИ сейчас умеет «смотреть» на картинки. Но это долго и дорого. Поэтому были написаны подробные описания для каждой картинки, чтобы ИИ ориентировался на текст.
- Описания карт для ИИ придумывал ИИ. Загрузил в Gemini картинки, объяснил задачу, получил классное и подробное описание.
- В качестве языковой модели использовал модель от OpenAI 4.1 mini. Она дешевая и отлично справляется.
- При желании можно было сгенерировать картинки самостоятельно (желание было, а вот времени нет, возможно сделаю позже какую-то интересную версию про отечественный e-learning).
Что в итоге:
Все работает, и получилось забавно, но основная фишка подобных игр в общении и вот этом всем человеческом. Тут ИИ просто имитирует человека, из-за этого почти весь фан пропадает.
Подобный подход не так сложно реализовать и в бизнес-играх. Но можно ли научить условной командой работе, если члены твоей «команды» ИИ-коллеги? Есть ощущение, что это так не работает.
❤9👍6🔥4
Emo: как оживить ИИ-собеседника в курсе, не перегружая компьютер сотрудника?
Emo — это крошечный умный робот с ИИ, который пару лет назад очаровал мир своим умилительным поведением и ужимками.
Когда в первый раз увидел рекламу – сразу пошел искать, где можно купить. Оказалось, он стоит 1000$. В этот момент я как-то передумал (сейчас он подешевел в 2 раза, но ситуацию это принципиально не меняет).
Робот прикольный, но при чем тут e-learning?
Общаться в чате/голосом с реалистичным ИИ-собеседником очень эффективно, но без интересной визуализации это похоже на «будущее» из фантастических фильмов 70х-80х.
Эффективно, но...скучновато.
Заполнить визуальную пустоту чем-то живым, что само по себе будет цеплять внимание – не самая плохая идея.
Способов визуализировать ИИ-собеседника много, но у всех есть ряд минусов:
1. 3D персонажи
+ Есть целый вагон готовых решений, которые позволяют не только анимировать персонажа, но и сделать реалистичную мимику и даже синхронизировать губы под речь.
- Веб все еще не очень любит 3D, а офисные компьютеры от таких решений начинают одним глазом коситься на ладан.
2. ИИ-генерация видео в реальном времени (например, в HeyGen)
+ Первые минуты прикольно.
- Потом эффект зловещей долины все портит, и думаешь, что уж лучше бы визуализации и не было бы вообще. И, конечно, все это платно.
3. 2D персонажи
+ Офисный компьютер потянет такое без проблем
- Подходящего готового рабочего решения (особенно для использования внутри контура) нет. Делать что-то самому – долго и дорого.
А вот решение робота Emo выглядит интересно. Анимации простые, но милые и притягательные.
Такая графика вообще не нагружает систему и будет работать на чем угодно. Из-за простоты графики мелкие недочеты не вызывают негатива, а что самое главное такой подход очень просто повторить.
Как это работает?
1. Добавляем библиотеку эмоций в проект
2. Пишем промпт для ИИ, чтобы он не только отвечал на наши вопросы, но и выбирал подходящую анимацию под контекст/эмоциональное состояние
3. Все. Одна маленькая доработка промпта и в каждом диалоговом тренажере наш персонаж немного оживает.
По сути, это простая форма геймификации:
— эмоции персонажа становятся мгновенной обратной связью
— пользователь начинает лучше считывать реакцию ИИ (голос и интонации у ИИ пока далеки от идеала — визуализация это компенсирует)
— а сам диалог ощущается как прогресс, а не просто набор реплик
Иными словами, мы получаем очень бюджетный элемент, который дополнительно вовлекает сотрудника и делает ИИ более человечным.
Emo — это крошечный умный робот с ИИ, который пару лет назад очаровал мир своим умилительным поведением и ужимками.
Когда в первый раз увидел рекламу – сразу пошел искать, где можно купить. Оказалось, он стоит 1000$. В этот момент я как-то передумал (сейчас он подешевел в 2 раза, но ситуацию это принципиально не меняет).
Робот прикольный, но при чем тут e-learning?
Общаться в чате/голосом с реалистичным ИИ-собеседником очень эффективно, но без интересной визуализации это похоже на «будущее» из фантастических фильмов 70х-80х.
Помните, там герои голосом взаимодействовали с различными вариациями компьютеров, на которых был установлен футуристический MS DOS с 16-битной поддержкой цвета.
Эффективно, но...скучновато.
Заполнить визуальную пустоту чем-то живым, что само по себе будет цеплять внимание – не самая плохая идея.
Способов визуализировать ИИ-собеседника много, но у всех есть ряд минусов:
1. 3D персонажи
+ Есть целый вагон готовых решений, которые позволяют не только анимировать персонажа, но и сделать реалистичную мимику и даже синхронизировать губы под речь.
- Веб все еще не очень любит 3D, а офисные компьютеры от таких решений начинают одним глазом коситься на ладан.
2. ИИ-генерация видео в реальном времени (например, в HeyGen)
+ Первые минуты прикольно.
- Потом эффект зловещей долины все портит, и думаешь, что уж лучше бы визуализации и не было бы вообще. И, конечно, все это платно.
3. 2D персонажи
+ Офисный компьютер потянет такое без проблем
- Подходящего готового рабочего решения (особенно для использования внутри контура) нет. Делать что-то самому – долго и дорого.
А вот решение робота Emo выглядит интересно. Анимации простые, но милые и притягательные.
Такая графика вообще не нагружает систему и будет работать на чем угодно. Из-за простоты графики мелкие недочеты не вызывают негатива, а что самое главное такой подход очень просто повторить.
Как это работает?
1. Добавляем библиотеку эмоций в проект
2. Пишем промпт для ИИ, чтобы он не только отвечал на наши вопросы, но и выбирал подходящую анимацию под контекст/эмоциональное состояние
3. Все. Одна маленькая доработка промпта и в каждом диалоговом тренажере наш персонаж немного оживает.
Но самое интересное — такая визуализация — это не только «украшение».
По сути, это простая форма геймификации:
— эмоции персонажа становятся мгновенной обратной связью
— пользователь начинает лучше считывать реакцию ИИ (голос и интонации у ИИ пока далеки от идеала — визуализация это компенсирует)
— а сам диалог ощущается как прогресс, а не просто набор реплик
Иными словами, мы получаем очень бюджетный элемент, который дополнительно вовлекает сотрудника и делает ИИ более человечным.
👍10🔥6❤4
Технологии не главное: Sega против Nintendo
В 1989 году Nintendo выпустила Game Boy, портативную консоль, которая перевернула мир мобильного гейминга.
До Game Boy на рынке в основном были портативные консоли Game & Watch (наша «Электроника») с одной простенькой игрой на борту. GB же предлагал принципиально другой уровень гейминга: сменные картриджи, игры с серьёзными механиками (прямо как на ПК или домашней консоли), до 30 часов работы от батареи и современный внешний вид (а еще и Тетрис шел в комплекте).
Единственный минус — экран был чёрно-белым. Но, знаете ли, 1989 год, у многих не было цветного ТВ.
Продажи огромные.
Sega тоже захотела много денег.
В 1990 году выходит Sega Game Gear. Технически — передовое устройство. Цветной дисплей с подсветкой (для портативной консоли того времени — нечто невероятное), производительность на уровне домашней Sega Master System, возможность смотреть ТВ через тюнер. Игры выглядели почти как на домашней приставке. Sega явно думала: «У нас мощнее, ярче, круче — мы победим».
Итог войны:
Продажи Game Boy — более 118 млн единиц. Продажи Game Gear — около 11 млн (это очень много, но в 10 раз меньше, чем у Nintendo).
Почему?
1. Время автономной работы.
Game Gear «съедал» 6 батареек за 3–4 часа. Game Boy работал на 4 батарейках до 30 часов. В реальном мире (школа, поездка, самолет) — разница огромная.
2. Удобство и вес.
Game Gear была громоздкой. Game Boy помещался в карман куртки.
3. Цена.
Game Gear стоила почти вдвое дороже ($149 против $89).
4. Библиотека игр.
Да, на Game Gear были технологичные порты аркад, были классные эксклюзивы про Соника, да и вообще можно было подключить картридж от домашней консоли. Но на Game Boy вышли Tetris, Super Mario Land, Link's Awakening — и главный козырь, Pokémon. Продажи одних только Pokémon превысили все продажи Game Gear за всю историю.
Для большинства игроков собирать чёрно-белых покемонов было намного интереснее, чем смотреть ТВ или играть с классной цветастой графикой.
Какая связь с e-learning?
Сейчас идет технологическая гонка: у кого больше параметров, где больше контекста, кто внедрил больше ИИ-фич, кто прикрутил сколько моделей, скиллов и прочего. Технологии — это круто. Но они не гарантируют результат.
Важнее вопроса «насколько это технологично?» оказываются другие: насколько это полезно, какие задачи решает, насколько это удобно, сколько это стоит и вообще нужно ли это кому-то?
Иногда намного интереснее собирать чёрно-белых покемонов, чем бегать по ярким, красивым, но «пустым» мирам.
В 1989 году Nintendo выпустила Game Boy, портативную консоль, которая перевернула мир мобильного гейминга.
До Game Boy на рынке в основном были портативные консоли Game & Watch (наша «Электроника») с одной простенькой игрой на борту. GB же предлагал принципиально другой уровень гейминга: сменные картриджи, игры с серьёзными механиками (прямо как на ПК или домашней консоли), до 30 часов работы от батареи и современный внешний вид (а еще и Тетрис шел в комплекте).
Единственный минус — экран был чёрно-белым. Но, знаете ли, 1989 год, у многих не было цветного ТВ.
Продажи огромные.
Sega тоже захотела много денег.
В 1990 году выходит Sega Game Gear. Технически — передовое устройство. Цветной дисплей с подсветкой (для портативной консоли того времени — нечто невероятное), производительность на уровне домашней Sega Master System, возможность смотреть ТВ через тюнер. Игры выглядели почти как на домашней приставке. Sega явно думала: «У нас мощнее, ярче, круче — мы победим».
Итог войны:
Продажи Game Boy — более 118 млн единиц. Продажи Game Gear — около 11 млн (это очень много, но в 10 раз меньше, чем у Nintendo).
Почему?
1. Время автономной работы.
Game Gear «съедал» 6 батареек за 3–4 часа. Game Boy работал на 4 батарейках до 30 часов. В реальном мире (школа, поездка, самолет) — разница огромная.
2. Удобство и вес.
Game Gear была громоздкой. Game Boy помещался в карман куртки.
3. Цена.
Game Gear стоила почти вдвое дороже ($149 против $89).
4. Библиотека игр.
Да, на Game Gear были технологичные порты аркад, были классные эксклюзивы про Соника, да и вообще можно было подключить картридж от домашней консоли. Но на Game Boy вышли Tetris, Super Mario Land, Link's Awakening — и главный козырь, Pokémon. Продажи одних только Pokémon превысили все продажи Game Gear за всю историю.
Для большинства игроков собирать чёрно-белых покемонов было намного интереснее, чем смотреть ТВ или играть с классной цветастой графикой.
Какая связь с e-learning?
Сейчас идет технологическая гонка: у кого больше параметров, где больше контекста, кто внедрил больше ИИ-фич, кто прикрутил сколько моделей, скиллов и прочего. Технологии — это круто. Но они не гарантируют результат.
Важнее вопроса «насколько это технологично?» оказываются другие: насколько это полезно, какие задачи решает, насколько это удобно, сколько это стоит и вообще нужно ли это кому-то?
Иногда намного интереснее собирать чёрно-белых покемонов, чем бегать по ярким, красивым, но «пустым» мирам.
👍8❤4🎉1
Генерация презентаций: какой сервис выбрать?
Через полтора месяца выступаю на Learning Elements с почти часовой темой про ИИ в e-learning. Это десятки слайдов — и десятки часов работы.
Время хочется вложить в смыслы и примеры, а не в верстку. Поэтому я пошел тестировать ИИ-сервисы для презентаций.
ИИ неплохо собирает презентации.
Нужно сравнить сервисы и выбрать самый оптимальный.
Понятно, что я не жду магии от ИИ, не получится написать «сделай хорошо» и получить классный продукт. В любом случае часть слайдов нужно будет доработать, а 30% собрать с нуля.
Попробовал все сервисы, которые предлагал мне поиск в Google и советы от LLM. Про все писать не буду, т.к. есть 2 явных фаворита, вот их и обсудим.
Kimi Slides VS NotebookLM.
Презентации в NotebookLM сейчас в режиме беты.
1. Подходы
- NotebookLM делает презентацию «с нуля». Пишешь какой стиль, цвета – получаешь результат как в промпте.
- У Kimi 2 подхода: может использовать аналогичный подход, а может заполнить готовый шаблон нужным текстом.
2. Цена
- NotebookLM дает 3 генерации в день бесплатно.
- У Kimi бесплатная генерация только в шаблонах.
3. Качество
- NotebookLM делает оригинальные слайды. Некоторые получаются очень интересными. Но, с другой стороны, из-за того, что он генерирует текст как картинку – получается много артефактов (особенно на русском языке). Просто так подправить текст не получится – иди «замазывай» текст и пиши свой.
- У Kimi в генерации шаблонов ситуация противоположная. Ты получаешь заполненный шаблон, который очень легко редактировать. Да, слайды не такие интересные (их можно назвать «базовыми»), но зато быстро и удобно.
4. Итерации
Вот тут, на мой взгляд, самые важные отличия.
- В NotebookLM ты устанавливаешь базовые настройки, пишешь промпт и получаешь презентацию.
- Kimi согласовывает с тобой сценарий. В начале показывает текст слайдов, можно что-то изменить/удалить/добавить, а только потом переходит к генерации.
Основная моя претензия к Google не в качестве визуала, и даже не в артефактах в тексте, а в смыслах. Мне нужно по-другому разбить слайды, сделать другую логику, другие акценты – те, которые я выделяю в своем выступлении, а не ИИ.
ИИ это все еще про автоматизацию части процессов, про помощь в решении задач, а не про «сделай работу за меня» (да, «не про… а про» классический оборот ИИ, но писал я 😁).
Как итог, в NotebookLM слайды получаются интереснее, но из-за сложности с редактированием текста – время разработки сильно увеличивается (а текст нужно будет править практически везде, т.к. ИИ его с тобой не обсуждает, а просто ляпает как считает нужным…а еще шрифты и артефакты).
Kimi однозначно лучше подойдет для всяких отчетов и регулярных презентаций, где нет задачи «поразить» кого-то классным слайдом или собрать что-то сложное и нестандартное. Вот тебе таблица, вот тебе буллиты, вот тебе карточки. Все уже заполнено в нужном тебе цвете – можешь показывать.
Так что я выбрал NotebookLM. Да, это боль с правкой текста, но хочется показать что-то красивое 😁.
Kimi — для рабочих будней. NotebookLM — для выступлений, где важен каждый слайд.
Если планируете посетить Elements в этом году — вот промокод на подарок книги Елены Тихомировой при покупке билета:ТУТПРОМОКОД
Через полтора месяца выступаю на Learning Elements с почти часовой темой про ИИ в e-learning. Это десятки слайдов — и десятки часов работы.
Время хочется вложить в смыслы и примеры, а не в верстку. Поэтому я пошел тестировать ИИ-сервисы для презентаций.
ИИ неплохо собирает презентации.
Нужно сравнить сервисы и выбрать самый оптимальный.
Понятно, что я не жду магии от ИИ, не получится написать «сделай хорошо» и получить классный продукт. В любом случае часть слайдов нужно будет доработать, а 30% собрать с нуля.
Попробовал все сервисы, которые предлагал мне поиск в Google и советы от LLM. Про все писать не буду, т.к. есть 2 явных фаворита, вот их и обсудим.
Kimi Slides VS NotebookLM.
Презентации в NotebookLM сейчас в режиме беты.
Примеры слайдов в шапке. Работы Google с надписью NotebookLM (собрал интересные слайды из нескольких итераций).
1. Подходы
- NotebookLM делает презентацию «с нуля». Пишешь какой стиль, цвета – получаешь результат как в промпте.
- У Kimi 2 подхода: может использовать аналогичный подход, а может заполнить готовый шаблон нужным текстом.
2. Цена
- NotebookLM дает 3 генерации в день бесплатно.
- У Kimi бесплатная генерация только в шаблонах.
3. Качество
- NotebookLM делает оригинальные слайды. Некоторые получаются очень интересными. Но, с другой стороны, из-за того, что он генерирует текст как картинку – получается много артефактов (особенно на русском языке). Просто так подправить текст не получится – иди «замазывай» текст и пиши свой.
- У Kimi в генерации шаблонов ситуация противоположная. Ты получаешь заполненный шаблон, который очень легко редактировать. Да, слайды не такие интересные (их можно назвать «базовыми»), но зато быстро и удобно.
4. Итерации
Вот тут, на мой взгляд, самые важные отличия.
- В NotebookLM ты устанавливаешь базовые настройки, пишешь промпт и получаешь презентацию.
- Kimi согласовывает с тобой сценарий. В начале показывает текст слайдов, можно что-то изменить/удалить/добавить, а только потом переходит к генерации.
Основная моя претензия к Google не в качестве визуала, и даже не в артефактах в тексте, а в смыслах. Мне нужно по-другому разбить слайды, сделать другую логику, другие акценты – те, которые я выделяю в своем выступлении, а не ИИ.
ИИ это все еще про автоматизацию части процессов, про помощь в решении задач, а не про «сделай работу за меня» (да, «не про… а про» классический оборот ИИ, но писал я 😁).
Небольшой лайфхак
Если загрузить в NotebookLM файл с разбивкой текста по слайдам и в промпте прописать, чтобы он следовал точно структуре – мы получим презентацию с нужными смыслами и акцентами (работает процентов на 80).
Но Google все равно иногда думает «что-то у тебя маловато текста на слайдах, давай объединим 3 слайда в 1».
Как итог, в NotebookLM слайды получаются интереснее, но из-за сложности с редактированием текста – время разработки сильно увеличивается (а текст нужно будет править практически везде, т.к. ИИ его с тобой не обсуждает, а просто ляпает как считает нужным…а еще шрифты и артефакты).
Kimi однозначно лучше подойдет для всяких отчетов и регулярных презентаций, где нет задачи «поразить» кого-то классным слайдом или собрать что-то сложное и нестандартное. Вот тебе таблица, вот тебе буллиты, вот тебе карточки. Все уже заполнено в нужном тебе цвете – можешь показывать.
Так что я выбрал NotebookLM. Да, это боль с правкой текста, но хочется показать что-то красивое 😁.
Kimi — для рабочих будней. NotebookLM — для выступлений, где важен каждый слайд.
Если планируете посетить Elements в этом году — вот промокод на подарок книги Елены Тихомировой при покупке билета:
🔥11❤6👍4👏1