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