C4 : Container - AdFlowGA - GetAnalyst.png
1.3 MB
🟦 Нотация С4: примеры схем архитектуры для проекта #AdFlowGA 🟦
Если вы никогда не работали с архитектурой, и на текущем или новом проекте появляется задача описать её в C4, то хочется увидеть полноценные образцы, а не учебные примеры на "три квадратика".
Поэтому я продолжаю собирать для вас базу полезных материалов и подготовила примеры схем архитектуры в нотации C4 для нового проекта.
Что внутри:
🟦 C4 / Context
Показывает систему на самом верхнем уровне:
▫️ саму систему,
▫️ всех пользователей и роли,
▫️ внешние системы, с которыми есть интеграции.
На этом уровне уже удобно знакомиться с системой,
с ролями пользователей и внешними взаимодействиями.
Протоколы интеграций здесь указывать не обязательно,
но если их добавить, схема становится полезнее.
🟦 C4 / Container
Показывает внутреннюю организацию системы:
▫️ пользователей и внешние системы,
▫️ приложения,
▫️ сервисы и микросервисы,
▫️ API Gateway,
▫️ базы данных,
▫️ файловые хранилища,
▫️ брокеры.
На что здесь стоит обратить внимание:
✔️ как отличаются контейнеры пользовательских приложений и backend-компонентов;
✔️ везде подписаны технологии - выяснять обязательно;
✔️ как на стрелках обозначены REST API, GraphQL, gRPC, SDK;
✔️ как показаны связи сервисов с БД и файловыми хранилищами.
Из практики:
+ API Gateway я показываю шестиугольником — так на схеме он читается удобнее (по нотации - прямоугольник);
+ микросервисы тоже показываю прямоугольниками, чтобы не было лишнего смешения разных форм (по нотации - шестиугольники).
+ главное — не просто повторять нотацию, а делать схему понятной с первого взгляда.
🟦 C4 / Component и C4 / Code
Это уже более глубокие уровни, которые показывают внутреннюю организацию кода внутри конкретного контейнера.
На практике они нужны не всегда.
Во многих задачах достаточно качественно проработанных Context и Container, чтобы понимать архитектуру системы.
⌛️ Сколько заняла подготовка: около 90 минут
Но важно: я не рисовала архитектуру с нуля.
У меня уже были исходники и понимание проекта, и я переводила почти готовую схему в C4.
Мои исходные схемы:
+ схема 1 с API Gateway, без внутренних интеграций
+ схема 2 с внутренними взаимодействиями
Если бы архитектуру пришлось собирать полностью с нуля, без исходников и без знания проекта, на такую работу легко мог уйти целый рабочий день — и больше.
Что помогает ускорить работу с C4:
🔹 AI + код Structurizr
🔹 AI + код PlantUML
🔹 AI + код MermaidChart
🔹 Встроенный AI в Draw.io (кривой черновик)
⚙️ Создано в draw.io
🔗 Исходники С4 для AdFlowGA
Сохраняйте эти схемы C4 в личную базу знаний — они не раз выручат, когда нужно будет быстро вспомнить, как наглядно показать архитектуру🔖
📱 TG | 💙 VK | 💬 Max
#АрхитектураGA
Если вы никогда не работали с архитектурой, и на текущем или новом проекте появляется задача описать её в C4, то хочется увидеть полноценные образцы, а не учебные примеры на "три квадратика".
Поэтому я продолжаю собирать для вас базу полезных материалов и подготовила примеры схем архитектуры в нотации C4 для нового проекта.
Что внутри:
🟦 C4 / Context
Показывает систему на самом верхнем уровне:
▫️ саму систему,
▫️ всех пользователей и роли,
▫️ внешние системы, с которыми есть интеграции.
На этом уровне уже удобно знакомиться с системой,
с ролями пользователей и внешними взаимодействиями.
Протоколы интеграций здесь указывать не обязательно,
но если их добавить, схема становится полезнее.
🟦 C4 / Container
Показывает внутреннюю организацию системы:
▫️ пользователей и внешние системы,
▫️ приложения,
▫️ сервисы и микросервисы,
▫️ API Gateway,
▫️ базы данных,
▫️ файловые хранилища,
▫️ брокеры.
На что здесь стоит обратить внимание:
✔️ как отличаются контейнеры пользовательских приложений и backend-компонентов;
✔️ везде подписаны технологии - выяснять обязательно;
✔️ как на стрелках обозначены REST API, GraphQL, gRPC, SDK;
✔️ как показаны связи сервисов с БД и файловыми хранилищами.
Из практики:
+ API Gateway я показываю шестиугольником — так на схеме он читается удобнее (по нотации - прямоугольник);
+ микросервисы тоже показываю прямоугольниками, чтобы не было лишнего смешения разных форм (по нотации - шестиугольники).
+ главное — не просто повторять нотацию, а делать схему понятной с первого взгляда.
🟦 C4 / Component и C4 / Code
Это уже более глубокие уровни, которые показывают внутреннюю организацию кода внутри конкретного контейнера.
На практике они нужны не всегда.
Во многих задачах достаточно качественно проработанных Context и Container, чтобы понимать архитектуру системы.
⌛️ Сколько заняла подготовка: около 90 минут
Но важно: я не рисовала архитектуру с нуля.
У меня уже были исходники и понимание проекта, и я переводила почти готовую схему в C4.
Мои исходные схемы:
+ схема 1 с API Gateway, без внутренних интеграций
+ схема 2 с внутренними взаимодействиями
Если бы архитектуру пришлось собирать полностью с нуля, без исходников и без знания проекта, на такую работу легко мог уйти целый рабочий день — и больше.
Что помогает ускорить работу с C4:
🔹 AI + код Structurizr
🔹 AI + код PlantUML
🔹 AI + код MermaidChart
🔹 Встроенный AI в Draw.io (кривой черновик)
Сохраняйте эти схемы C4 в личную базу знаний — они не раз выручат, когда нужно будет быстро вспомнить, как наглядно показать архитектуру
#АрхитектураGA
Please open Telegram to view this post
VIEW IN TELEGRAM
❤17🔥10❤🔥2🦄1
——————————————————
Основные факты о скорости голубей:
▫️ Обычная скорость: 60-70 км/ч.
▫️ Максимальная скорость: до 100 км/ч (почтовые и гоночные породы).
▫️ Рекордная скорость: до 160 км/ч у тренированных гоночных голубей.
▫️ Почтовый голубь может находиться в воздухе до 20 часов подряд, пролетая за день 800–1200 км.
——————————————————
Подписывайтесь, пока всех не разобрали 🕊
@getanalysts — здесь самые полезные IT-обновления 😎
Please open Telegram to view this post
VIEW IN TELEGRAM
1😁93❤9🦄3🤔2😢1
Последние пол года я учусь минимум по 10 часов в неделю. Лучший технический университет США - программа по Generative AI.
Много программирования на Python: алгоритмы машинного обучения для LLM моделей, NLP, AI-агенты, Fine-Tuning и много других тем. Погружение "под капот" нейросетей по полной программе.
👉 А параллельно с этим я создала AI-Акселератор для аналитиков в GetAnalyst, который стартует уже 2 апреля.
Большая загрузка, мало времени на отдых, выходных за пол года почти не было...
Но моя учеба почти завершена! И сейчас на финишной прямой! 🤩
Испытываю настоящий восторг от нового опыта!
В апреле ожидаю все результаты.
А все лучшие практики и знания я уже передаю в GetAnalyst! 💙
👉 Программа по AI для аналитиков — это не база про ChatGPT.
Я собираю весь тот опыт, который получила за последние 3 года учёбы и работы:
+ принципы работы нейросетей,
+ что надо знать, прежде чем их использовать,
+ как безопасно встроить AI в свою работу,
+ инструменты,
+ развертывание локальных LLM,
+ интеграции по API,
+ автоматизация процессов через low code,
+ разработка AI-агентов,
+ где AI реально экономит время, а где только создаёт иллюзию продуктивности.
Мой перфекционист в восторге от содержания 🫠
Для меня это стал особенно вдохновляющий период в GetAnalyst:
🔹 Удалось привлечь экспертов из США, которые делали ревью материалов по отдельным урокам и помогли докрутить контент
🔹 В курсе есть занятия, записанные специально для GetAnalyst экспертом по AI из Стэнфорда
🔹 Много практики, разбор ошибок и лайфхаки
Последний год я сознательно посвятила обучению, чтобы сместить фокус на AI-проекты. И сейчас искренне рада, что могу делиться своим опытом с вами.
И чем глубже во всё это погружаюсь, тем сильнее вижу - направление всё ещё очень не развито.
👉 Здесь ещё можно занять сильную позицию, начать применять новые инструменты раньше других и стать одним из тех, кто действительно меняет профессию изнутри.
Радостно видеть, что первый поток получил много сильных и тёплых отзывов. Мы уже собрали пожелания студентов, учли обратную связь, готовим обновления и пополнения базы знаний.
Именно такие результаты дают мне сильную мотивацию двигаться дальше и делать для вас ещё более полезное и глубокое обучение 💙
🔗 Узнать подробнее об AI-Акселераторе
Много программирования на Python: алгоритмы машинного обучения для LLM моделей, NLP, AI-агенты, Fine-Tuning и много других тем. Погружение "под капот" нейросетей по полной программе.
👉 А параллельно с этим я создала AI-Акселератор для аналитиков в GetAnalyst, который стартует уже 2 апреля.
Большая загрузка, мало времени на отдых, выходных за пол года почти не было...
Но моя учеба почти завершена! И сейчас на финишной прямой! 🤩
Испытываю настоящий восторг от нового опыта!
В апреле ожидаю все результаты.
А все лучшие практики и знания я уже передаю в GetAnalyst! 💙
👉 Программа по AI для аналитиков — это не база про ChatGPT.
Я собираю весь тот опыт, который получила за последние 3 года учёбы и работы:
+ принципы работы нейросетей,
+ что надо знать, прежде чем их использовать,
+ как безопасно встроить AI в свою работу,
+ инструменты,
+ развертывание локальных LLM,
+ интеграции по API,
+ автоматизация процессов через low code,
+ разработка AI-агентов,
+ где AI реально экономит время, а где только создаёт иллюзию продуктивности.
Мой перфекционист в восторге от содержания 🫠
Для меня это стал особенно вдохновляющий период в GetAnalyst:
🔹 Удалось привлечь экспертов из США, которые делали ревью материалов по отдельным урокам и помогли докрутить контент
🔹 В курсе есть занятия, записанные специально для GetAnalyst экспертом по AI из Стэнфорда
🔹 Много практики, разбор ошибок и лайфхаки
Последний год я сознательно посвятила обучению, чтобы сместить фокус на AI-проекты. И сейчас искренне рада, что могу делиться своим опытом с вами.
И чем глубже во всё это погружаюсь, тем сильнее вижу - направление всё ещё очень не развито.
👉 Здесь ещё можно занять сильную позицию, начать применять новые инструменты раньше других и стать одним из тех, кто действительно меняет профессию изнутри.
Радостно видеть, что первый поток получил много сильных и тёплых отзывов. Мы уже собрали пожелания студентов, учли обратную связь, готовим обновления и пополнения базы знаний.
Именно такие результаты дают мне сильную мотивацию двигаться дальше и делать для вас ещё более полезное и глубокое обучение 💙
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥31❤8🦄5👍2👎2❤🔥1
📝🔥 NotebookLM — AI-инструмент, который меняет парадигму работы с информацией 🤖
NotebookLM от Google — это ваш персональный AI-ассистент, который работает исключительно на базе ваших данных.
В отличие от обычных чат-ботов как ChatGPT или DeepSeek, он не ищет ответ на ваш вопрос "где-то в интернете", а строит ответы только на тех документах, ссылках и видео, которые вы туда загрузили.
👉 Помогает в:
✔️ обучении,
✔️ анализе,
✔️ исследованиях,
✔️ структурировании сложной информации.
Особенно полезен, когда у вас есть пачка PDF-документов, статьи, записи встреч, спецификации, YouTube-видео или учебные материалы, и нужно быстро вытащить из них суть.
📌 Ключевые возможности:
▫️ Работа по вашим источникам
Можно загрузить PDF, сайты, YouTube-видео, аудиофайлы, Google Docs, изображения, csv, pptx, ePub и другие.
▫️ Ответы со ссылками на источники
Показывает ссылки на конкретные фрагменты из ваших документов.
▫️ Чат с “блокнотом”
Можно буквально общаться со своими материалами: просить краткое резюме, сравнить документы, найти противоречия, объяснить термин простыми словами и так далее.
▫️ Преобразование текста в удобные форматы
+ презентации
+ ментальные карты (mind map)
+ инфографика
+ отчеты
+ квизы
+ таблицы данных
🔥 Audio Overviews — “подкаст” по вашим материалам
🔥 Video Overviews — видео-обзор по вашим материалам
Для аналитика это ускоритель всех задач: подготовка ко встречам, анализ предметной области, изучение огромного количества документации, разбор интеграций, проектирование архитектуры и не только.
👉 Лимиты бесплатной версии:
+ 100 блокнотов,
+ 50 источников.
Для начала работы достаточно иметь Google-аккаунт.
👉 Ссылка на инструмент:
https://notebooklm.google
👉 В картинках к посту показала пример использования инструмента:
🔺 Загрузила в NotebookLM видео с YouTube нашего последнего подкаста по архитектуре — System Design Interview для СА.
🔺 Сгенерировала инфографику, аудио, видео, презентацию и mind map.
🔺 Результат — максимально адекватные данные по нашему подкасту + красивые дизайны.
😍 Смотрите результаты сами:
https://notebooklm.google.com/notebook/6211bb65-ffea-44f9-9099-e742e8845f4e
Этот AI-инструмент однозначно востребован для работы СА и БА.
Сохраняйте этот пост и ставьте задачу в календарь, чтобы точно попробовать🔖 🗓
📱 GetAnalyst | 💙 VK | 💬 Max
#AI_for_analysts
NotebookLM от Google — это ваш персональный AI-ассистент, который работает исключительно на базе ваших данных.
В отличие от обычных чат-ботов как ChatGPT или DeepSeek, он не ищет ответ на ваш вопрос "где-то в интернете", а строит ответы только на тех документах, ссылках и видео, которые вы туда загрузили.
👉 Помогает в:
✔️ обучении,
✔️ анализе,
✔️ исследованиях,
✔️ структурировании сложной информации.
Особенно полезен, когда у вас есть пачка PDF-документов, статьи, записи встреч, спецификации, YouTube-видео или учебные материалы, и нужно быстро вытащить из них суть.
📌 Ключевые возможности:
▫️ Работа по вашим источникам
Можно загрузить PDF, сайты, YouTube-видео, аудиофайлы, Google Docs, изображения, csv, pptx, ePub и другие.
▫️ Ответы со ссылками на источники
Показывает ссылки на конкретные фрагменты из ваших документов.
▫️ Чат с “блокнотом”
Можно буквально общаться со своими материалами: просить краткое резюме, сравнить документы, найти противоречия, объяснить термин простыми словами и так далее.
▫️ Преобразование текста в удобные форматы
+ презентации
+ ментальные карты (mind map)
+ инфографика
+ отчеты
+ квизы
+ таблицы данных
🔥 Audio Overviews — “подкаст” по вашим материалам
🔥 Video Overviews — видео-обзор по вашим материалам
Для аналитика это ускоритель всех задач: подготовка ко встречам, анализ предметной области, изучение огромного количества документации, разбор интеграций, проектирование архитектуры и не только.
👉 Лимиты бесплатной версии:
+ 100 блокнотов,
+ 50 источников.
Для начала работы достаточно иметь Google-аккаунт.
👉 Ссылка на инструмент:
https://notebooklm.google
👉 В картинках к посту показала пример использования инструмента:
🔺 Загрузила в NotebookLM видео с YouTube нашего последнего подкаста по архитектуре — System Design Interview для СА.
🔺 Сгенерировала инфографику, аудио, видео, презентацию и mind map.
🔺 Результат — максимально адекватные данные по нашему подкасту + красивые дизайны.
😍 Смотрите результаты сами:
https://notebooklm.google.com/notebook/6211bb65-ffea-44f9-9099-e742e8845f4e
Этот AI-инструмент однозначно востребован для работы СА и БА.
Сохраняйте этот пост и ставьте задачу в календарь, чтобы точно попробовать
#AI_for_analysts
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥39❤18👍9❤🔥1
🧠 RAG и Fine-Tuning: про обучение нейросетей 🤖
Когда AI придёт и в ваш проект, эти два термина вам точно пригодятся.
👉 Да и в обычной работе с AI для задач СА и БА полезно знать не только промпт-инжиниринг, но и эти два подхода.
Они тоже помогают получать от AI более качественный результат.
Донастройку AI под себя через RAG и Fine Tuning можно сделать почти в любой нейросети, включая ChatGPT, Алиса AI, Qwen и другие.
Подробнее 👇
1️⃣ RAG = AI ищет ответ по вашим данным
RAG (Retrieval-Augmented Generation) — генерация, дополненная поиском.
Это подход, при котором AI отвечает на основе ваших документов и базы знаний.
Вы загружаете свои файлы: PDF, HTML-страницы, статьи, инструкции, регламенты и другие материалы, а система ищет ответ по ним.
То есть модель не переобучают.
Ей просто дают нужный контекст из ваших данных для ответов на вопросы.
Технически это реализуется так:
1) Векторизация запроса — преобразование запроса в числовое представление (без AI).
2) Поиск релевантных фрагментов — система ищет в векторной БД наиболее близкие числа, т.е. фрагменты документов (без AI).
3) генерация ответа на основе этих фрагментов — найденные фрагменты добавляются в запрос к AI-модели, и она формирует ответ с их учётом.
Пример:
NotebookLM работает по принципу RAG.
Вы загружаете материалы, и AI далее работает именно по ним.
2️⃣ Fine-Tuning = меняем саму модель под нужную задачу
Это дообучение модели под конкретные задачи, формат ответов или предметную область.
Другими словами — "улучшение мозгов" 🧠
То есть здесь меняются не внешние документы рядом с моделью, а сама модель адаптируется под нужный сценарий.
Например, если вы хотите, чтобы модель:
* писала Use Case в вашем формате,
* генерировала REST API методы по шаблону,
* лучше понимала терминологию конкретной отрасли,
* стабильно отвечала в нужном стиле.
Тогда Fine-Tuning может быть уместен.
🔻 Это более сложный и дорогой путь, который требует качественной подготовки обучающих данных.
Пример:
AI-ассистент “слушает” встречу врача с пациентом,
выделяет из разговора важные данные
и автоматически оформляет запись в медицинской карте в нужном формате и помогает с предварительным определением диагноза.
Для этого модель дообучают на большом количестве реальных врачебных записей, которые ранее заполнялись вручную.
Данные делят на "обучающие" и "тестовые". На обучающих модель учится, а на тестовых проверяют, что она отвечает как настоящий доктор.
👉 В чём разница
RAG
➡️ модель не дообучается
➡️ даёт ей доступ к внешним документам
➡️ удобно, когда данные часто меняются
Fine-Tuning
➡️ модель дообучается
➡️ меняется её внутреннее поведение
➡️ удобно, когда нужно глубже адаптировать её под задачу
👉 Когда выбирают RAG:
✔️ есть база документов
✔️ знания часто обновляются
✔️ нужен быстрый и более дешёвый запуск AI в продукте
👉 Когда выбирают Fine-Tuning:
✔️ нужен стабильный формат ответов
✔️ знания меняются редко
✔️ важна адаптация под узкую предметную область, простой RAG уже не даёт нужного качества
👉 Иногда в проекте используют оба подхода сразу:
▫️ RAG — для получения актуальных данных,
▫️ Fine-Tuning — для лучшего поведения модели.
Системному аналитику полезно знать оба термина.
Потому что в AI-проектах это уже не “что-то для ML-инженеров”, а часть обсуждения архитектуры решения.
📱 GetAnalyst | 💙 VK | 💬 Max
#AI_for_analysts
Когда AI придёт и в ваш проект, эти два термина вам точно пригодятся.
👉 Да и в обычной работе с AI для задач СА и БА полезно знать не только промпт-инжиниринг, но и эти два подхода.
Они тоже помогают получать от AI более качественный результат.
Донастройку AI под себя через RAG и Fine Tuning можно сделать почти в любой нейросети, включая ChatGPT, Алиса AI, Qwen и другие.
Подробнее 👇
1️⃣ RAG = AI ищет ответ по вашим данным
RAG (Retrieval-Augmented Generation) — генерация, дополненная поиском.
Это подход, при котором AI отвечает на основе ваших документов и базы знаний.
Вы загружаете свои файлы: PDF, HTML-страницы, статьи, инструкции, регламенты и другие материалы, а система ищет ответ по ним.
То есть модель не переобучают.
Ей просто дают нужный контекст из ваших данных для ответов на вопросы.
Технически это реализуется так:
1) Векторизация запроса — преобразование запроса в числовое представление (без AI).
2) Поиск релевантных фрагментов — система ищет в векторной БД наиболее близкие числа, т.е. фрагменты документов (без AI).
3) генерация ответа на основе этих фрагментов — найденные фрагменты добавляются в запрос к AI-модели, и она формирует ответ с их учётом.
Пример:
NotebookLM работает по принципу RAG.
Вы загружаете материалы, и AI далее работает именно по ним.
2️⃣ Fine-Tuning = меняем саму модель под нужную задачу
Это дообучение модели под конкретные задачи, формат ответов или предметную область.
Другими словами — "улучшение мозгов" 🧠
То есть здесь меняются не внешние документы рядом с моделью, а сама модель адаптируется под нужный сценарий.
Например, если вы хотите, чтобы модель:
* писала Use Case в вашем формате,
* генерировала REST API методы по шаблону,
* лучше понимала терминологию конкретной отрасли,
* стабильно отвечала в нужном стиле.
Тогда Fine-Tuning может быть уместен.
🔻 Это более сложный и дорогой путь, который требует качественной подготовки обучающих данных.
Пример:
AI-ассистент “слушает” встречу врача с пациентом,
выделяет из разговора важные данные
и автоматически оформляет запись в медицинской карте в нужном формате и помогает с предварительным определением диагноза.
Для этого модель дообучают на большом количестве реальных врачебных записей, которые ранее заполнялись вручную.
Данные делят на "обучающие" и "тестовые". На обучающих модель учится, а на тестовых проверяют, что она отвечает как настоящий доктор.
👉 В чём разница
RAG
➡️ модель не дообучается
➡️ даёт ей доступ к внешним документам
➡️ удобно, когда данные часто меняются
Fine-Tuning
➡️ модель дообучается
➡️ меняется её внутреннее поведение
➡️ удобно, когда нужно глубже адаптировать её под задачу
👉 Когда выбирают RAG:
✔️ есть база документов
✔️ знания часто обновляются
✔️ нужен быстрый и более дешёвый запуск AI в продукте
👉 Когда выбирают Fine-Tuning:
✔️ нужен стабильный формат ответов
✔️ знания меняются редко
✔️ важна адаптация под узкую предметную область, простой RAG уже не даёт нужного качества
👉 Иногда в проекте используют оба подхода сразу:
▫️ RAG — для получения актуальных данных,
▫️ Fine-Tuning — для лучшего поведения модели.
Системному аналитику полезно знать оба термина.
Потому что в AI-проектах это уже не “что-то для ML-инженеров”, а часть обсуждения архитектуры решения.
#AI_for_analysts
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥15❤7👍3❤🔥2
This media is not supported in your browser
VIEW IN TELEGRAM
Как бесплатно сделать своего AI аватара? 🧐
0. Снимите видео. Сделайте скриншот любого кадра из середины.
1. Откройте AI чат-бот Gemini от Google - нужна модель Nano Banana Pro для генерации изображений.
2. Авторизуйтесь через свой Google-аккаунт
3. В настройках сообщения выберите "Создание изображений" и модель "Pro"
4. Загрузите своё фото и далее запросите у AI по шагам:
✔️ Заменить фон
✔️ Добавить укладку
✔️ Добавить макияж
Так ваше фото не будет искажено и не появится третья рука 🫳
5. Откройте приложение Kling AI для генерации видео и авторизуйтесь через Google-аккаунт
6. Выберите функцию Motion Control
7. Загрузите:
✔️ Обработанное через Nano Banana Pro фото
✔️ Видео с жестами для обработки
8. Промт:
9. Запустите генерацию
Готово!
Бесплатных лимитов от Google хватает на генерацию изображений, а вводных кредитов от Kling как минимум на одно видео 😃
Совершенно бесполезно для работы, но даёт много идей по творческой работе с AI. Попробуйте! Возможно пригодится для ведения личных соц сетей или генерации профессиональных фотосессий 😉
📱 GetAnalyst | 💙 VK | 💬 Max
#AI_for_analysts
0. Снимите видео. Сделайте скриншот любого кадра из середины.
1. Откройте AI чат-бот Gemini от Google - нужна модель Nano Banana Pro для генерации изображений.
2. Авторизуйтесь через свой Google-аккаунт
3. В настройках сообщения выберите "Создание изображений" и модель "Pro"
4. Загрузите своё фото и далее запросите у AI по шагам:
✔️ Заменить фон
✔️ Добавить укладку
✔️ Добавить макияж
Так ваше фото не будет искажено и не появится третья рука 🫳
5. Откройте приложение Kling AI для генерации видео и авторизуйтесь через Google-аккаунт
6. Выберите функцию Motion Control
7. Загрузите:
✔️ Обработанное через Nano Banana Pro фото
✔️ Видео с жестами для обработки
8. Промт:
Перенеси изображение на движения человека, не меняй внешность и не добавляй артефактов.
9. Запустите генерацию
Готово!
Бесплатных лимитов от Google хватает на генерацию изображений, а вводных кредитов от Kling как минимум на одно видео 😃
Совершенно бесполезно для работы, но даёт много идей по творческой работе с AI. Попробуйте! Возможно пригодится для ведения личных соц сетей или генерации профессиональных фотосессий 😉
#AI_for_analysts
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥30❤12👍7😁4❤🔥2🤔2
🔴 21 задача аналитика, которую можно ускорить с ИИ 🤖🚀
Искусственный интеллект (ИИ) уже меняет работу системного и бизнес-аналитика.
ИИ сегодня — это полноценный рабочий инструмент, который можно указывать в резюме.
Задачи, решение которых можно ускорить с ИИ:
▫️ анализ требований,
▫️ исследование предметной области,
▫️ написание БТ, ФТ и НФТ,
▫️ разработка User Stores + критериев приемки,
▫️ разработка обычных и интеграционных Use Case,
▫️ BPMN-диаграммы,
▫️ UML-диаграммы,
▫️ проектирование БД (ERD),
▫️ SQL-запросы,
▫️ анализ API внешних систем для интеграций,
▫️ проектировать REST API, SOAP API, gRPC, GraphQL, WebSocket API, SSE API,
▫️ разработка контрактов REST API в OpenAPI (Swagger),
▫️ постановки задач на Backend, Frontend и Mobile по корпоративным шаблонам,
▫️ проработка архитектуры,
▫️ схемы архитектуры в нотации C4,
▫️ прототипирование UI,
▫️ задачи на настройку RabbitMQ и Kafka,
▫️ переписка с коллегами и заказчиками,
▫️ работа в международных командах (английский)
И всё это — не в одном чате, а через связки инструментов, переиспользуемые промпты и грамотный промптинг под разные типы задач.
Но дальше — ещё интереснее.
Следующий уровень для СА и БА — это уже разработка агентных AI-систем, самостоятельное создание приложений под свои рабочие задачи и их деплой без необходимости разработчиков и DevOps 😍
То есть аналитик может не просто пользоваться AI для отдельных артефактов, но и:
✔️ собирать полноценные AI-решения,
✔️ автоматизировать процессы команды,
✔️ автоматизировать рутину,
✔️ и делать рабочие MVP своими руками.
Всё это есть здесь:
💙 ИИ-Акселератор для СА и БА
🗓 Старт — 2 апреля.
📱 GetAnalyst | 💙 VK | 💬 Max
#AI_for_analysts
Искусственный интеллект (ИИ) уже меняет работу системного и бизнес-аналитика.
ИИ сегодня — это полноценный рабочий инструмент, который можно указывать в резюме.
Задачи, решение которых можно ускорить с ИИ:
▫️ анализ требований,
▫️ исследование предметной области,
▫️ написание БТ, ФТ и НФТ,
▫️ разработка User Stores + критериев приемки,
▫️ разработка обычных и интеграционных Use Case,
▫️ BPMN-диаграммы,
▫️ UML-диаграммы,
▫️ проектирование БД (ERD),
▫️ SQL-запросы,
▫️ анализ API внешних систем для интеграций,
▫️ проектировать REST API, SOAP API, gRPC, GraphQL, WebSocket API, SSE API,
▫️ разработка контрактов REST API в OpenAPI (Swagger),
▫️ постановки задач на Backend, Frontend и Mobile по корпоративным шаблонам,
▫️ проработка архитектуры,
▫️ схемы архитектуры в нотации C4,
▫️ прототипирование UI,
▫️ задачи на настройку RabbitMQ и Kafka,
▫️ переписка с коллегами и заказчиками,
▫️ работа в международных командах (английский)
И всё это — не в одном чате, а через связки инструментов, переиспользуемые промпты и грамотный промптинг под разные типы задач.
Но дальше — ещё интереснее.
Следующий уровень для СА и БА — это уже разработка агентных AI-систем, самостоятельное создание приложений под свои рабочие задачи и их деплой без необходимости разработчиков и DevOps 😍
То есть аналитик может не просто пользоваться AI для отдельных артефактов, но и:
✔️ собирать полноценные AI-решения,
✔️ автоматизировать процессы команды,
✔️ автоматизировать рутину,
✔️ и делать рабочие MVP своими руками.
Всё это есть здесь:
💙 ИИ-Акселератор для СА и БА
🗓 Старт — 2 апреля.
#AI_for_analysts
Please open Telegram to view this post
VIEW IN TELEGRAM
❤22👍9🔥8😢1
🛜 Как пользоваться бесплатными ИИ-инструментами от Google в России 🛜
На этой неделе поделилась AI-инструментами от Google:
🔖 Gemini AI - текстовый чат-бот для решения 21 задачи аналитика
🔖 NotebookLM - для работы и учебы
🔖 Nano Banana Pro + Kling AI - для AI-аватаров
Если у вас возникают проблемы с доступом, то попробуйте:
👉 1. Включить V** Европы или США
👉 2. Сменить местоположение или отозвать разрешение на его отслеживание
Но есть важный нюанс: даже если вы подменили текущее местоположение, Google может распознать вас по старым данным, сохранённым в браузере.
Если вы заходили в сервисы Google недавно с другого IP, система может это учитывать.
Что сделать:
+ Перед входом очистите cookie и кэш браузера — желательно за всё время.
+ Самый простой вариант — открывать NotebookLM 👉 в режиме Инкогнито / Private mode.
👉 3. Отключить WebRTC
В браузерах есть технология WebRTC, которая используется для звонков и видеосвязи прямо в браузере. Иногда она может передавать сайтам ваш реальный IP-адрес в обход VPN.
Что сделать:
+ Временно отключите WebRTC в настройках браузера или используйте простые расширения, например WebRTC Control.
Если произойдёт утечка реального IP через WebRTC, система может увидеть несоответствие: например, VPN показывает США, а часть сигнала идёт из другой страны. Из-за этого доступ к аккаунту или сервису может быть ограничен.
👉 4. Настроить язык и регион аккаунта
Системы Google анализируют не один параметр, а их совокупность. Например, если IP-адрес определяется как США, а интерфейс аккаунта и браузера полностью на русском, это может выглядеть подозрительно.
Что сделать:
+ В настройках Google-аккаунта и браузера смените основной язык на English (United States).
Это помогает сделать профиль более согласованным для Google.
Чем меньше противоречий в настройках, тем ниже вероятность ограничений или скрытых блокировок 🙌
(а ещё есть вот такой бот: VeoSeeBot, но я предпочитаю использовать AI-инструменты без посредников)
📱 GetAnalyst | 💙 VK | 💬 Max
#AI_for_analysts
На этой неделе поделилась AI-инструментами от Google:
Если у вас возникают проблемы с доступом, то попробуйте:
👉 1. Включить V** Европы или США
👉 2. Сменить местоположение или отозвать разрешение на его отслеживание
Но есть важный нюанс: даже если вы подменили текущее местоположение, Google может распознать вас по старым данным, сохранённым в браузере.
Если вы заходили в сервисы Google недавно с другого IP, система может это учитывать.
Что сделать:
+ Перед входом очистите cookie и кэш браузера — желательно за всё время.
+ Самый простой вариант — открывать NotebookLM 👉 в режиме Инкогнито / Private mode.
👉 3. Отключить WebRTC
В браузерах есть технология WebRTC, которая используется для звонков и видеосвязи прямо в браузере. Иногда она может передавать сайтам ваш реальный IP-адрес в обход VPN.
Что сделать:
+ Временно отключите WebRTC в настройках браузера или используйте простые расширения, например WebRTC Control.
Если произойдёт утечка реального IP через WebRTC, система может увидеть несоответствие: например, VPN показывает США, а часть сигнала идёт из другой страны. Из-за этого доступ к аккаунту или сервису может быть ограничен.
👉 4. Настроить язык и регион аккаунта
Системы Google анализируют не один параметр, а их совокупность. Например, если IP-адрес определяется как США, а интерфейс аккаунта и браузера полностью на русском, это может выглядеть подозрительно.
Что сделать:
+ В настройках Google-аккаунта и браузера смените основной язык на English (United States).
Это помогает сделать профиль более согласованным для Google.
Чем меньше противоречий в настройках, тем ниже вероятность ограничений или скрытых блокировок 🙌
(а ещё есть вот такой бот: VeoSeeBot, но я предпочитаю использовать AI-инструменты без посредников)
#AI_for_analysts
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥16❤6⚡1👍1👎1😢1
Please open Telegram to view this post
VIEW IN TELEGRAM
😁35🤣18🔥5👎1
Наш основной ресурс — это время.
И поэтому AI сейчас — это не просто «игрушки», а полноценные джуны-аналитики, если уметь с ними правильно обращаться.
Мой личный топ 7 AI-инструментов, которые я постоянно использую в работе в 2026 👇
🤖 ChatGPT от OpenAI
Задачи:
✔️ подготовка контрактов (ТЗ)
✔️ генерация основ под User Stories и Use Cases
✔️ создание UML-диаграмм (мой AI-бот для UML)
✔️ создание контрактов API (есть мои AI-боты)
✔️ превращение "потока мыслей" с созвона или идей в адекватный текст
✔️ анализ и поиск информации
✔️ письма
✔️ переводы на английский
✔️ личные вопросы
Почему выбираю:
Справляется с большинством задач лучше за счет огромной базы знаний. Передовик в открытом AI.
Плюс мой опыт использования с декабря 2021 помогает делать ответы качественными.
🇷🇺 Нюансы:
▫️ Требует V**
▫️ Нужна иностранная карта для подписки. Ограничения бесплатного тарифа в последнее время показывают ChatGPT с худшей стороны
🔥 Claude от Anthropic
Задачи:
✔️ работа с большими документами
✔️ генерация основ под User Stories и Use Cases
✔️ создание UML-диаграмм
✔️ создание C4-диаграмм архитектуры
✔️ создание контрактов API
✔️ написание SQL-запросов,
✔️ создание MVP-приложений для демо
✔️ написание сложного кода (Python, JavaScript)
Почему выбираю:
Claude — мой фаворит для анализа «простыней» текста. У него самое «человечное» повествование и гигантское контекстное окно.
Также он нереально круто работает с кодом.
А количество новых
🇷🇺 Нюансы:
▫️ Самый капризный к российским IP (нужен качественный прокси).
▫️ Рандомно может запросить номер телефонов при регистрации, если заподозрит, что вы из России.
🔥 Gemini AI от Google
Задачи:
✔️ полностью покрывает задачи, которые я решаю с ChatGPT
✔️ лучший в проектировании БД
✔️ хорошо справляется с SQL-запросами
✔️ лучший в проектировании архитектуры (определение микросервисов, подбор компонентов и др)
✔️ поиск актуальной информации
+ обратите внимание на NotebookLM.
В последнее время чаще обращаюсь к Gemini.
На платной подписке он заставляет меня задуматься о полном переезде с ChatGPT.
Сейчас всё чаще обращаюсь к нему.
Почему выбираю:
Gemini умеет гуглить в реальном времени лучше всех.
Без сложных промптов можно добиться высокого качества ответов и адекватных текстов, если сравнивать с ChatGPT.
🇷🇺 Нюансы:
В 2026-м доступ в РФ стал проще, но для продвинутых фишек может понадобиться зарубежный аккаунт.
Давала рекомендации тут.
🔥 Perplexity
Обратите внимание, если вам важно работать с анализом актуальной информации в сети Интернет. Это "Gemini на стероидах" - AI-поисковик с кучей встроенных моделей.
🔥 Qwen 3.5 от Alibaba
Для чего:
✔️ Отлично решает те же задачи, что и ChatGPT.
✔️ Работает почти на уровне платного ChatGPT, но бесплатно.
✔️ Режим обучения в Qwen - лучший.
Почему рекомендую:
Qwen — мощная открытая модель.
Если ваша компания боится утечки данных, Qwen можно развернуть на своём сервере.
🇷🇺 Нюансы:
Доступ без ограничений.
👍 DeepSeek
Задачи:
✔️ Работает также, как сейчас бесплатный ChatGPT (даже лучше).
Если у вас нет возможности купить подписку на ChatGPT или Gemini AI, то это хорошая альтернатива.
Почему рекомендую:
Этот «китаец» в 2025-26 годах совершил прорыв. Модель R1 не уступает GPT-4o в логике, но бесплатна.
🇷🇺 Нюансы:
Доступ без ограничений.
🤖 Алиса (Yandex GPT)
Для чего:
Если нужно что-то специфическое для России: писать требования под систему, вопросы по законодательству и т.п.
Общее впечатление от работы:
Алисе надо развиваться, хотя бы до уровня китайцев.
Когда рекомендую:
Модель обучена на русском языке и понимает законы, менталитет.
Также она внутри России.
Если есть ограничения по подключению к зарубежным сервисам с рабочего компьютера, то берите её.
🇷🇺 Нюансы:
▫️ работает везде,
▫️ оплата рублями.
👉 Итог:
Мои фавориты для работы ChatGPT, Gemini и Qwen.
Если нужно работать с кодом, то Claude.
Алиса и DeepSeek - запасные варианты, почти не использую.
А что используете вы? Делитесь в комментариях 👇
#AI_for_analysts
Please open Telegram to view this post
VIEW IN TELEGRAM
❤32👍8🔥5😁3
Когда я закончила учёбу по AI в Гарварде (Harvard University) в прошлом году, у меня остался главный вопрос:
Да, нам дали фундамент, кейсы внедрения AI в бизнес-процессы и инструменты.
Но Гарвард оказался больше про бизнес и стратегию, чем про технику.
Так что даже не смотря на громкое имя университета и бонус в портфолио, с учебы я вышла с небольшим разочарованием.
👉 Мне хотелось именно залезть "под капот" 👀
Поэтому почти сразу после завершения Гарварда я начала искать что дальше. Выбирала между лучшими техническими университетами - Стэнфордом и Джонсом Хопкинсом (Johns Hopkins University).
В итоге победил Хопкинс, так как программа сильно ближе к тому, что надо системному аналитику.
Хотела заглянуть "под капот"? Получила 😄
Последние пол года:
+ пишу код
+ обучаю модели
+ анализирую данные
+ делаю приложения с AI-интеграциями
Руками копаюсь во всей «внутрянке».
👉 Почему я вообще пошла учиться?
Синдром самозванца.
И желание брать проекты с AI.
К началу 2025 года я уже много знала: 2024 прошёл в конференциях и самостоятельном обучении, мы встроили AI во все наши программы. Но полноценного курса именно по AI не было.
В начале 2025 я написала первую версию программы по AI для GetAnalyst, но осталась ей недовольна. Не хотела делать очередной курс уровня «вставьте промпт - скопируйте ответ», поэтому заморозила его и занялась структурированием знаний.
👉 AI-Акселератор сегодня
Прошлой осенью я заново собрала программу по AI для СА и БА: со всеми полученными знаниями из университетов, проектов, ютубов и множества конференций.
И эта программа получилась тем самым, что я сама искала!
У аналитика с AI две ключевые роли:
1️⃣ пользователь — когда AI помогает в задачах
2️⃣ интегратор — когда мы внедряем AI в продукты
Поэтому в AI-Акселераторе разбираю:
✔️ как работают LLM «изнутри»
✔️ локальные LLM
✔️ промпт-инжиниринг
✔️ интеграция с моделями через API
✔️ программирование приложений с AI-интеграциями
✔️ много практики по реальным задачам аналитиков
Более 80 часов занятий.
Не по верхам, а максимально глубоко в технику.
На путь к сбору этих знаний ушло много времени, сил и денег, но теперь я честно могу сказать:
👉 я готова передать вам лучший технический опыт работы с AI
а не просто список промптов для "копи-паста".
🗓 AI-акселератор для аналитиков стартует уже в этот четверг, 2 апреля
Спасибо всем, кто уже с нами!
Уверенна, что вы заберёте самое лучшее!🤖
А как AI работает "под капотом"?
Да, нам дали фундамент, кейсы внедрения AI в бизнес-процессы и инструменты.
Но Гарвард оказался больше про бизнес и стратегию, чем про технику.
Так что даже не смотря на громкое имя университета и бонус в портфолио, с учебы я вышла с небольшим разочарованием.
👉 Мне хотелось именно залезть "под капот" 👀
Поэтому почти сразу после завершения Гарварда я начала искать что дальше. Выбирала между лучшими техническими университетами - Стэнфордом и Джонсом Хопкинсом (Johns Hopkins University).
В итоге победил Хопкинс, так как программа сильно ближе к тому, что надо системному аналитику.
Хотела заглянуть "под капот"? Получила 😄
Последние пол года:
+ пишу код
+ обучаю модели
+ анализирую данные
+ делаю приложения с AI-интеграциями
Руками копаюсь во всей «внутрянке».
👉 Почему я вообще пошла учиться?
Синдром самозванца.
И желание брать проекты с AI.
К началу 2025 года я уже много знала: 2024 прошёл в конференциях и самостоятельном обучении, мы встроили AI во все наши программы. Но полноценного курса именно по AI не было.
В начале 2025 я написала первую версию программы по AI для GetAnalyst, но осталась ей недовольна. Не хотела делать очередной курс уровня «вставьте промпт - скопируйте ответ», поэтому заморозила его и занялась структурированием знаний.
👉 AI-Акселератор сегодня
Прошлой осенью я заново собрала программу по AI для СА и БА: со всеми полученными знаниями из университетов, проектов, ютубов и множества конференций.
И эта программа получилась тем самым, что я сама искала!
У аналитика с AI две ключевые роли:
1️⃣ пользователь — когда AI помогает в задачах
2️⃣ интегратор — когда мы внедряем AI в продукты
Поэтому в AI-Акселераторе разбираю:
✔️ как работают LLM «изнутри»
✔️ локальные LLM
✔️ промпт-инжиниринг
✔️ интеграция с моделями через API
✔️ программирование приложений с AI-интеграциями
✔️ много практики по реальным задачам аналитиков
Более 80 часов занятий.
Не по верхам, а максимально глубоко в технику.
На путь к сбору этих знаний ушло много времени, сил и денег, но теперь я честно могу сказать:
👉 я готова передать вам лучший технический опыт работы с AI
а не просто список промптов для "копи-паста".
Спасибо всем, кто уже с нами!
Уверенна, что вы заберёте самое лучшее!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥20❤16
Книга_"Интеграции"_полный_справочник_с_примерами_для_СА_и_БА_GetAnalyst.pdf
5.8 MB
📗 Книга "Интеграции": полный справочник с разбором реальных примеров для СА и БА 📗
Интеграция — это процесс объединения различных систем и приложений в единое целое, чтобы они могли работать вместе, обмениваться данными и выполнять задачи, как одна система.
👉 Пример 1
Платформа по доставке еды хочет отправлять клиенту SMS о процессе доставки.
❔Надо ли этой платформе:
1. Покупать оборудование для отправки SMS?
2. Заключать договоры и делать интеграции со всеми операторами сотовой связи?
Мы подключаем готовый SMS-сервис (например, Unisender) через API — и задача по доставке SMS решена 🙌
👉 Пример 2
Тот же сервис доставки хочет принимать оплату банковскими картами.
❔ Надо ли ему:
1. Реализовывать проверку карты?
2. Поддерживать 3-D Secure?
3. Хранить токены и проходить банковскую сертификацию PCI DSS?
Мы просто подключаем готовое решение по API, например, от ТБанка.
Главная идея интеграций:
👉 Виды интеграций:
1) по окружениям:
▫️ Внешние
▫️ Внутренние
2) по направлению:
▫️ Во внешние системы (к вендорам)
▫️ К нашей системе (партнерские)
👉 Способы обмена данными:
▫️ Синхронный - отправили данные и получили ответ сразу.
▫️ Асинхронный - отправили данные и продолжили работу без ожидания ответа, обработка запроса в фоне.
👉 Основные способы интеграции:
▫️ API
▫️ Библиотеки и SDK
▫️ Брокеры
▫️ Файлы
▫️ Общая БД
📗 Подробнее об интеграциях читайте в мини-книге с картинками и примерами - прикреплена к посту.
Полезна, для детального погружения в тему.
Загружайте и изучайте!🔖
#ИнтеграцииGA
📱 GetAnalyst | 💙 VK | 💬 Max
Интеграция — это процесс объединения различных систем и приложений в единое целое, чтобы они могли работать вместе, обмениваться данными и выполнять задачи, как одна система.
👉 Пример 1
Платформа по доставке еды хочет отправлять клиенту SMS о процессе доставки.
❔Надо ли этой платформе:
1. Покупать оборудование для отправки SMS?
2. Заключать договоры и делать интеграции со всеми операторами сотовой связи?
Конечно, нет.
Мы подключаем готовый SMS-сервис (например, Unisender) через API — и задача по доставке SMS решена 🙌
👉 Пример 2
Тот же сервис доставки хочет принимать оплату банковскими картами.
❔ Надо ли ему:
1. Реализовывать проверку карты?
2. Поддерживать 3-D Secure?
3. Хранить токены и проходить банковскую сертификацию PCI DSS?
Нет.
Мы просто подключаем готовое решение по API, например, от ТБанка.
Главная идея интеграций:
Если не хочешь "изобретать велосипед", просто подключи (интегрируй) уже готовое решение в свою систему.
👉 Виды интеграций:
1) по окружениям:
▫️ Внешние
▫️ Внутренние
2) по направлению:
▫️ Во внешние системы (к вендорам)
▫️ К нашей системе (партнерские)
👉 Способы обмена данными:
▫️ Синхронный - отправили данные и получили ответ сразу.
▫️ Асинхронный - отправили данные и продолжили работу без ожидания ответа, обработка запроса в фоне.
👉 Основные способы интеграции:
▫️ API
▫️ Библиотеки и SDK
▫️ Брокеры
▫️ Файлы
▫️ Общая БД
📗 Подробнее об интеграциях читайте в мини-книге с картинками и примерами - прикреплена к посту.
Полезна, для детального погружения в тему.
Загружайте и изучайте!
#ИнтеграцииGA
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥51❤20👍9❤🔥2