​🇫🇷 🇪🇺 Mistral AI — Європа теж створює свою мовну модель

Виявляється, Європа вже має свою потужну альтернативу ChatGPT, і це — Mistral AI.
Це французький стартап, заснований лише у 2023 році, але вже оцінюється в $6–10 млрд. Його підтримує уряд, Microsoft, CMA CGM, AFP, а за чутками — Apple навіть розглядала можливість поглинання.
Але головне не в грошах. Головне — у філософії:

🔍 Що робить Mistral AI унікальним?

✅ Open Source по-справжньому
Моделі на кшталт Mistral 7B, Mixtral 8×7B або Codestral 22B доступні з відкритим кодом (Apache 2.0 licence). Їх можна запускати локально, fine-tune'ити, інтегрувати в будь-який продукт — без обмежень.

🧠 Якість при компактності
Моделі від Mistral AI вражають тим, як багато вони можуть — за мінімальних вимог до ресурсів.
🔹 Mixtral — це модель з архітектурою "експертів" (Mixture of Experts), яка активує лише частину параметрів під час відповіді. Це дозволяє їй працювати набагато швидше, а в деяких тестах — перевершувати навіть GPT‑3.5 і LLaMA 70B, при цьому залишаючись легкою для запуску.
🔹 Codestral — модель, спеціально створена для програмування. На сьогодні — одна з найпотужніших open-source моделей для генерації коду (підтримує понад 80 мов програмування).
🔹 Mathstral, Devstral і Magistral — це вже вузькоспеціалізовані моделі для математичних, технічних і логічних задач. Вони розроблені для покращення reasoning і точності в критичних сферах.

🗣 Мультимовність — з фокусом на Європу
Це не просто підтримка мов. Це — збереження культурних контекстів. Mistral тренуються одразу на французькій, німецькій, італійській тощо.
Французький уряд уже інтегрував їхній Le Chat у державні структури та медіа (AFP), а CEO компанії прямо заявляє:

“Ми не повинні залежати від США чи Китаю. Кожна країна має створити свою AI-інфраструктуру.”

🧩 Чому це важливо для Європи:
• 24 офіційні мови → потрібна локалізація
• Законодавство GDPR та AI Act → потрібна прозорість і контроль
• Суверенітет → не можна покладатися лише на OpenAI або DeepSeek

💬 Висновок:
Mistral — це не просто "європейський клон ChatGPT". Це — інфраструктурна ставка на відкритість (як китайский AI), контроль над даними і збереження мовно-культурної ідентичності.

🇺🇸 США мають OpenAI
🇨🇳 Китай — DeepSeek
🇮🇳 Індія — BharatGPT
🇺🇦 Україна — робить свою LLM
🇪🇺 А Європа? — Mistral

📌 Від себе додам: я раджу слідкувати за розвитком Mistral — це одна з найперспективніших відкритих моделей, яка краще адаптована до європейських мов, культур і правових реалій.
І головне — вона відкрита - тобто безкоштовна і наближена до користувача.

✅ Став 👍 якщо було корисно.

🔔 ПІДПИСАТИСЯ

💡 А ви колись задумувались, скільки енергії “спалює” штучний інтелект?

Ми щодня користуємось AI — ChatGPT, генерація зображень, голосові помічники.
Але що відбувається за лаштунками? Скільки електроенергії споживає один prompt? А скільки води? А які ресурси йдуть на тренування великих моделей?

⚡️ Більшість електроенергії у світі — це викопне паливо.
А отже — кожен запит до LLM = CO₂ + вода + матеріали.
І чим потужніші моделі, тим більший слід вони залишають.

📈 AI-гонка набирає обертів. Але постає логічне питання:
яку ціну платить планета?
🇫🇷 У мене є відповідь.

Компанія Mistral вперше провела повний аудит впливу своєї моделі Mistral Large 2 на екологію. І результати вас здивують.
📝 Завтра — детальний пост із цифрами.

Спокійної ночі 🌙

​🌍 Скільки ресурсів “з’їдає” штучний інтелект?

📊 Що саме споживає модель, коли ти надсилаєш черговий prompt?

Французька AI-компанія Mistral вперше опублікувала повний екологічний звіт про свою флагманську модель Mistral Large 2 (123 млрд параметрів).

І це не просто “цифри про електроенергію”. Вони врахували:
🔹 будівництво дата-центрів
🔹 виробництво й транспортування серверів
🔹 навчання й інференс моделі
🔹 використання користувачами
🔹 навіть непрямі ефекти від запитів

Аналіз зроблено за методологією Frugal AI від французької організації стандартизації (AFNOR), за участі екологічних консультантів і незалежного аудиту.

📉 Вплив навчання Mistral Large 2:
🛢 20 400 тонн CO₂ — викиди парникових газів (≈ як 4 400 авто на бензині за рік)
💧 281 000 м³ води — пішло на охолодження (≈ як споживає сім’я з 4 людей за 500 років)
⚙️ 85,5% викидів — від навчання та інференсу
🔧 61% усіх матеріалів — на виробництво та утилізацію серверів
🌐 1% — вплив від мережевого трафіку (тобто те, що “літає” в інтернеті)

📎 Один запит (400 токенів = сторінка тексту):
🌫 1,14 г CO₂ — стільки виробляється при 1 запиті до моделі
🔸 Це як 10 сек відео в YouTube (США)
🔸 або 55 сек у Франції (де енергія “чистіша”)
💦 45 мл води — використовується на охолодження (≈ 3 столові ложки)
🪙 Матеріали — витрачається стільки, скільки на виготовлення монети в 2 євро
Ці три показники (викиди, вода, матеріали) — це разом екологічний слід одного запиту.

🤔 А що з GPU та “залізом”?
Mistral визнала, що точні дані про вплив GPU поки відсутні. Індустрія тільки підходить до створення стандартів оцінки.

🌐 Чому це важливо:
AI вже сьогодні споживає великі обсяги енергії, і з кожною новою LLM (а їх десятки) споживання зростатиме.
Але водночас AI може й заощаджувати ресурси — оптимізувати енергетику, інфраструктуру, логістику.

🧭 Стандартизований аудит, як зробила Mistral — це крок до усвідомленої та зеленої AI-економіки.
І можливо, скоро ти зможеш обирати не лише модель за точністю, а й за її екологічним слідом.

💬 А як ви думаєте? Напишіть у коментарях👇
Чи варто враховувати екологічний слід при оцінці AI-моделей — так само, як точність чи швидкість?
Ми вже звикли міряти все в токенах, гігабайтах і FLOPs.

Але готові ми платити ще й три ложки води за кожен prompt? 🥄🥄🥄

🔔 ПІДПИСАТИСЯ

​⚡️ Коли AI не лише «спалює» енергію, а й допомагає її зекономити

У коментарях під попереднім постом зʼявилась думка, що AI не лише споживає ресурси, а й допомагає їх зберігати.
На цю тему я знайшов показовий звіт IEA від 10 квітня 2025 року, що містить глибоке моделювання:
споживання електроенергії дата-центрами майже подвоїться до 2030 року — до 945 TWh, як річне споживання Японії.
Головний драйвер зростання — AI‑оптимізовані центри, які потягнуть на себе у 4 рази більше енергії, ніж зараз.
Джерело - Звіт IEA (10 квітня 2025)

🔌 Основне зростання навантаження на енергосистему очікується у США, Китаї та Європі — разом вони відповідатимуть за 80% приросту енергоспоживання дата-центрів у світі.

Але AI — не лише поглинач енергії. Він вже зараз робить мережу більш гнучкою:
• AI збільшує пропускну здатність мережі на 175GW, інтегруючи renewables.
• прогнозує виробництво й споживання електроенергії
• Оптимізує ТЕС, обслуговування й ремонт — економія до $110 млрд щорічно до 2035 року
• оптимізує промислові процеси, транспорт і будівлі

🌞 Хмарні й AI-компанії вже уклали десятки 10–20-річних контрактів на постачання відновлюваної енергії — переважно сонячної. Саме дата-центри стали головними замовниками «зеленої» генерації.

Якщо масштабувати ці рішення — можна зменшити викиди CO₂ на 1,4гигатонни до 2035 року — у 5 разів більше, ніж спричинять самі дата‑центри.

🤔 Але чим ефективніше AI → тим ширше його застосування → тим вищі загальні витрати.
Це парадокс Джевонса — коли оптимізація породжує ще більше споживання.

✅ Став 👍 якщо було корисно.

🔔 ПІДПИСАТИСЯ

📌 Prompt тижня: Reverse-engineer desired format

🎯 Хочеш навчитися отримувати від ChatGPT саме той формат відповіді, який потрібен тобі?
Спробуй цей prompt:

👉 Here’s the kind of answer I want: [приклад]. Write the exact prompt I should use.
(укр. «Ось приклад відповіді, яку я хочу. Напиши точний промпт, який я маю використати.»)
💡 Що робить цей prompt:

Ти не просто ставиш питання, а одразу показуєш еталон — приклад відповіді у потрібному форматі: таблиця, чеклист, сценарій, бізнес-план чи email.
Далі модель сама підбирає для тебе правильний промпт, щоб надалі стабільно давати подібні результати.

Цей підхід називається «reverse engineering» (зворотне проєктування). Інженери та ті, хто працює з кодом, чудово знають цей термін: ти дивишся на готовий результат і «розмотуєш» його назад, щоб зрозуміти, як його зроблено.
Тут ми робимо те саме з ChatGPT — показуємо, який результат хочемо, і змушуємо модель «навчити нас» отримувати його знову і знову.

🧪 Приклади:
Here’s the kind of answer I want: таблиця з плюсами та мінусами кожного варіанту. Write the exact prompt I should use.

Here’s the kind of answer I want: короткий бізнес-план на одній сторінці. Write the exact prompt I should use.

Here’s the kind of answer I want: структурований конспект статті з підзаголовками. Write the exact prompt I should use.

👨‍🏫 Завдання:
Спробуй цей підхід мінімум 2 рази цього тижня для своїх робочих чи навчальних задач.
Результат: більше точності, менше хаотичних відповідей.

💬 Напиши в коментарях, для якого формату ти хочеш «навчити» ChatGPT.
Став 👍 якщо пост був корисним — щоб я бачив, що варто робити більше таких!

🔔 ПІДПИСАТИСЯ

​🤖 Пророкування CEO Anthropic

Пів року тому Дарио Амодей (CEO Anthropic) зробив гучну заяву:

«Через 3–6 місяців ШІ буде писати 90% усього коду. А через рік — майже весь код»

❗️ Пройшло рівно 6 місяців — час перевірити, наскільки це справдилося.

🗓 Що каже сам Амодей зараз?

🗣 У новому пості на Medium (серпень 2025) він визнав: прогноз виявився передчасним.

🔹 Сьогодні Claude-боти генерують понад 70% pull request'ів в Anthropic
🔹 Але повноцінні AI-агенти поки не здатні самостійно підтримувати складні проєкти

Його висновок:
• 84% розробників вже використовують або планують використовувати AI
• 51% — застосовують щодня
• Поточна точність автономного кодування — лише 33–40% (за SWE-bench)

📊 Що кажуть цифри з ринку:
🔸 GitHub: Copilot генерує ~46% коду у проєктах з увімкненим плагіном
🔸 IBM: у корпоративному середовищі — лише 20–30%
🔸 Reddit: «AI чудовий для шаблонів, але не замінює архітекторів»

🧨 Індустрія реагує:
• CEO IBM: «AI підсилює, але не замінює девелоперів»
• COO OpenAI: «AI не витісняє — він змінює ролі»
• CEO NVIDIA: «AI не має розвиватися в темній кімнаті. Страх — не стратегія»

🧭 Висновок:
ШІ справді змінює правила гри. Але «революція» — не моментальна.
Йде еволюція ролі розробника: від «писати код» ➤ до «керувати агентами».

А що думаєш ти? Як скоро нас всiх замiнять?
💬 Напиши свою думку в коментарях

🔔 ПІДПИСАТИСЯ

​🧠 А ви точно розумієте, що таке LLM?

Слово LLM (Large Language Model) стало повсюдним.
Ми щодня користуємось ChatGPT, який побудований на базі LLM — але це не синоніми.

Серйозно — ви дійсно розумієте, що таке LLM?
Не на інтуїтивному рівні, а на рівні понять, архітектури та історії?

Ось короткий розбір для тих, хто хоче мислити чітко👇

❗️ Чому ChatGPT ≠ LLM?
ChatGPT — це продукт: інтерфейс, API, інфраструктура, памʼять, фільтри, guardrails, інструкції, правила поведінки.
В основі ChatGPT — LLM (наприклад, GPT‑4 або GPT‑4o), але сам по собі LLM — це лише модель, яка генерує текст.

Інакше кажучи:
LLM = двигун
ChatGPT = машина, збудована на цьому двигуні

📌 Що таке LLM — по суті:
LLM — це не конкретний алгоритм чи одна архітектура. Це категорія моделей, які мають одночасно:

1️⃣ Масштаб — мільярди параметрів
2️⃣ Мовне передтренування на гігантських корпусах (веб, книги, код…)
3️⃣ Генеративний підхід (наступне слово, маскування, інструкція…)
4️⃣ Загального призначення — одна модель вирішує сотні різних завдань
5️⃣ Архітектура? — так, майже завжди це Transformer, але не обов’язково
☝️ Transformer — не єдино можлива архітектура, але саме він забезпечив прорив у масштабуванні.

🔍 Чому майже всі LLM — це Transformers?
Бо трансформери:
— масштабуються найкраще: чим більша модель, тим вища якість — це підтверджено в легендарній статті “Scaling Laws” (OpenAI, 2020)
— демонструють emergent abilities — нові вміння без спеціального навчання
— легко адаптуються через prompt або fine-tune
— підтримуються всіма сучасними фреймворками (HuggingFace, OpenAI, Meta AI…)

➡️ Висновок:
LLM ≠ Transformer, але на практиці сьогодні — це майже завжди одне й те саме.

🧾 Трошки історії:
▫️ 2003 — Йошуа Бенжіо, один із "батьків глибокого навчання",
публікує “A Neural Probabilistic Language Model” — першу нейромережеву мовну модель з embedding
▫️ 2017 — зʼявляється Transformer: “Attention is All You Need”
▫️ 2018–2019 — виходять GPT, BERT, T5 → відбувається вибух якості
▫️ 2020 — Scaling Laws: чим більше модель + даних + обчислень — тим кращі результати
▫️ 2021–2023 — зʼявляються перші оглядові статті, що формалізують термін LLM

Цікаво, що GPT зʼявився ще у 2018–2019, а ви дізнались про нього лише у 2022–2023 через ChatGPT 😉
LLM — це не просто “велика нейромережа”.

LLM — це не просто “велика нейромережа”.
Це цілий підхід: архітектура × масштаб × дані × узагальнення

🤔 А ну зізнавайтесь — хто досі думав, що LLM — це просто “великий чатік”?

👍 Якщо стало зрозуміліше — підтримай пост!

🔔 ПІДПИСАТИСЯ НА КАНАЛ

​⚙️ А що таке Transformer — серце сучасного ШІ?

У вчорашньому пості ми з’ясували: LLM — це не ChatGPT, а складна модель, збудована на основі архітектури Transformer.
І тут багато хто завис…

😅 Так, так, я знаю — частина моїх студентів уже знайома з transformer‑архітектурою, і певні інженери, що мене читають, теж чудово в темі.
Але для більшості це слово все ще звучить загадково.

Transformer? Це що — трансформер з «Теслабота»? Оптимус Прайм?

🧠 Насправді — ні. Але це найважливіша технологія в ШІ за останні 10 років.
👇 Пояснюю простими словами:

🚀 Що таке Transformer?
Це архітектура нейромережі, яку придумали в 2017 році дослідники Google у легендарній статті “Attention is All You Need”.

Вона дала можливість:
— вчитись на великих обʼємах тексту (інтернет, книги, коди…)
— запамʼятовувати довгі звʼязки у тексті (хто кому брат, де умова, а де наслідок)
— масштабувати моделі до мільярдів параметрів

І все це — завдяки одній геніальній ідеї:

🎯 “Увага” замість “памʼяті”
До Transformer були LSTM та RNN, які читали текст послідовно, як ми читаємо рядок за рядком.
Вони швидко “забували”, що було раніше, бо фокусувались лише на останніх словах.

Transformer працює інакше:
Він “дивиться” на всі слова одночасно і вирішує, на які з них звернути увагу — навіть якщо вони були на початку речення.

Це й називається Self-Attention.

🧱 А з чого він складається?
Спрощено:
Embedding — перетворює слова в числа
Self-Attention — обирає, на які слова звертати увагу
Feed-forward блоки — обробляють інформацію
LayerNorm, skip connections — для стабільності навчання
Decoder (у GPT) або Encoder+Decoder (у T5, BERT…)

(Можемо окремо потім розібрати кожен блок.)

➡️ Висновок:
Transformer — не робот, а алгоритм, який навчив машини розуміти текст.
Саме він зробив LLM можливими.

🤔 А хто з вас ще не чув про Self-Attention до цього поста?
👍 Якщо стало зрозуміліше — підтримай пост!

🔍 Для заглибленої аудиторії

Якщо хочеш глибше зрозуміти, як працює Transformer — ось топ-ресурси:
🔹 🧾 Оригінальна стаття (2017):
Attention Is All You Need — академічна робота, що змінила все.
🔹 📘 Візуальне пояснення:
The Illustrated Transformer — один із найкращих візуальних гідів із прикладами та схемами.
🔹 🧠 Ще один доступний розбір:
“I Finally Understood Attention Is All You Need” — блог з аналогіями та інтуїтивними поясненнями.
🔹 📚 Hugging Face Transformers Docs:
Офіційна документація — якщо хочеш не лише розуміти, а й почати працювати з моделями.

🔔 ПІДПИСАТИСЯ

​🐉 Ханчжоу — нова AI-столиця Китаю
Як місто, відоме фабриками, стало домом для роботів, нейромереж і стартапів майбутнього

🇨🇳 У Китаї є багато міст, схожих на Силіконову долину. Але зараз всі дивляться на Ханчжоу — місто, де народжується нова хвиля штучного інтелекту. Тут з’явились так звані «6 маленьких драконів» — компанії, які вже змінюють AI-сцену.

🧠 Що це за дракони?
П’ять із них працюють у сфері ШІ та робототехніки:
BrainCo — починали з гаража в Бостоні, а зараз створюють AI-пристрої для медитації та сну.
Deep Robotics — роблять чотириногих роботів для індустрії та рятувальних операцій.
DeepSeek — усього рік на ринку, а вже створюють відкриті AI-моделі, які конкурують із ChatGPT, але набагато дешевші.
ManyCore — платформа для 3D-дизайну зі штучним інтелектом, лідер у Китаї.
Unitree Robotics — компанія, що виробляє роботів, які танцюють, бігають, і навіть вже займають 60% світового ринку чотириногих роботів.

🎮 Шостий дракон — Game Science, розробник хітових відеоігор. Їм місто навіть тримало два порожні офіси три роки про запас, щоб компанія могла рости 😄

💸 Чому Ханчжоу став AI-центром?
Бо там не просто сидять і чекають інвесторів. Влада:

🔹 Вкладає 15% міського бюджету в технології
🔹 Дає стартапам пільги й сервери з потужними відеокартами (в тому числі NVIDIA та китайські аналоги)
🔹 Оплачує житло й витрати для молодих талантів
🔹 Дозволяє пожити тиждень безкоштовно в гуртожитку, поки шукаєш роботу
🔹 Розвиває синергію між університетами (особливо Zhejiang University) і бізнесом

🌍 Чому це важливо?
Бо світові потрібні не лише Google і OpenAI. Потрібні різні AI-центри з власними підходами, мовами, проблемами й ідеями.
І Ханчжоу показує, що навіть місто з фабриками може стати домом майбутнього, якщо правильно підтримати людей.

✅ Став 👍 якщо було цiкаво.

🔔 ПІДПИСАТИСЯ

​💰Чому США дозволили продавати AI-чіпи Nvidia до Китаю і до чого тут $500 мільярдів

І знову про Китай — сподіваюсь, вам ще не набридло 🙂
Особисто я вважаю, що за Китаєм треба уважно стежити. Це не просто гравець, а прямий конкурент США — і в деяких сферах він вже обганяє Штати.
Ця новина — яскравий приклад геополітичного шахів AI‑технологій.

🇺🇸 США зняли заборону на продаж AI-чіпів до Китаю
Nvidia та AMD знову продають свої процесори в Піднебесну

🧠 Що сталося: США дозволили Nvidia та AMD знову продавати свої відеочіпи (GPU) в Китай. Йдеться про моделі, адаптовані під обмеження: H20 від Nvidia та MI308 від AMD.

Це дуже важливо, бо ще навесні Вашингтон заборонив продаж цих чіпів, і це боляче вдарило по виробниках: Китай давав 13% виручки Nvidia і 24% — AMD.

🤝 Як це стало можливим?
Вирішальною була особиста дипломатія CEO Nvidia — Дженсена Хуана.
Він:

🔹 Провів перемовини з самим Трампом у Білому домі
🔹 Заплатив $1 млн за місце на вечері, щоб поговорити з президентом
🔹 Пояснив, що H20 — це не топовий чіп, а слабший варіант, розроблений спеціально під обмеження
🔹 Пообіцяв інвестувати $500 млрд у виробництво чіпів в США, замість Тайваню

У відповідь Китай послабив експортні обмеження на рідкоземельні метали, які критично важливі для американських технологій і оборонки.

⚙️ А що таке H20 і навіщо його обмежували?
H20 — це спеціальна версія AI-чіпа від Nvidia. Він на 28% слабший, ніж їхній топовий H100, але має більше пам’яті. Спроєктований так, щоб не порушувати заборони.
Але дехто вважає, що він не такий вже й “урізаний” — на ньому вже встигли натренувати потужну AI-модель DeepSeek-R1!

🌏 Чому це важливо?
AI сьогодні — це не просто технологія. Це — змагання держав за економічне, наукове та військове лідерство.
З одного боку, США хочуть обмежити використання AI у китайських військових розробках.
З іншого боку — не хочуть втрачати ринок і дозволяти Китаю створювати свої чіпи самостійно.

🔍 До речі:
Китайські компанії Alibaba, Tencent, Moonshot вже створили власні мовні моделі. А щоб обійти заборони, деякі купують чіпи на “чорному ринку” або орендують їх через хмари в інших країнах.

✅ Став 👍 якщо було цiкаво.

🔔 ПІДПИСАТИСЯ

📌 Prompt тижня: Jargonize & Humanize

Ну що ж, починаємо тиждень — як уже повелося — з корисних промптів, які допоможуть вам покращити якість відповідей ChatGPT та інших LLM 🚀

🎯 Хочеш легше керувати тоном відповіді від ChatGPT — від формального до дружнього і людяного?
Спробуй ці два прості англомовні коди:

👉 Jargonize: [твій текст]
або
👉 Humanize: [твій текст]

💡 Що дають ці "secret codes":
- Jargonize — перетворює просту мову на професійну, технічну, підходить для LinkedIn, бізнес-звітів та email
- Humanize — навпаки, робить текст теплішим, більш живим і природним, як справжня людська мова

Ці фрази згадані у Tom’s Guide як “secret codes”, які ловлять ідеальний тон за секунди.
(джерело)

📎 Що зробити:
1️⃣ Напиши свій текст (опис, email або пояснення)
2️⃣ Додай “Jargonize:” або “Humanize:” на початку
3️⃣ Отримай стиль відповіді, який тобі підходить

🧪 Приклади:
Jargonize: короткий опис функціоналу CRM-системи
➡️ Відповідь стане «бізнес-офіційною»: з технічними термінами, формальною мовою, ніби це уривок документації.

Humanize: наукове пояснення моделі GPT-5
➡️ Відповідь буде «людяною»: прості слова, приклади з життя, дружній тон, ніби тобі пояснює колега за кавою.

👨‍🏫 Завдання:
Цього тижня скористайся одним із prompt-кодів для свого тексту.
Побачиш, як одна команда кардинально змінює атмосферу відповіді.

💬 Напиши в коментарях, який промпт ти випробуєш першим — Jargonize чи Humanize?
Став 👍 якщо цей лайфхак був корисним для тебе!

🔔 ПІДПИСАТИСЯ

​🤖 Чи штучний інтелект «краде» роботу в молоді?

Попри те, що в світі AI щодня зʼявляється щось нове, я стараюсь стежити не лише за самими технологіями,
а й за тим, як ШІ впливає на галузі та соціальні процеси.
Сьогодні хочу поділитись з вами науковою статтею, яку опублікували буквально вчора — 8 вересня — в Гарварді.

Вона досліджує дуже важливу тему: ❓Чи не “з’їдає” AI карʼєрний старт для молоді?

🔍 Про що дослідження?
Автори проаналізували дані про 62 мільйони працівників і 245 мільйонів вакансій у США (за 2015–2025 роки, з LinkedIn + Revelio Labs).
Вони відстежили, як змінюється структура працевлаштування у фірмах, які реально впровадили генеративний ШІ — GPT, Copilot, Claude тощо.

🕵️ Як визначали, що компанія впроваджує ШІ?
Через вакансії на ролі типу “AI integrator” — фахівців, які безпосередньо вбудовують ШІ у внутрішні процеси.

📉 Що виявили?
Починаючи з першого кварталу 2023 року, у таких компаніях:
❌ різко скоротився найм молодих/джуніорів
✅ продовжував зростати найм та просування сеньйорів

Цифри говорять самі за себе:
📉 Найм джунів впав на 7.7% за півтора року
💡 Звучить ніби небагато? Але це — суттєво:
– Це не про звільнення, а про загальне зменшення частки молоді у фірмах
– Вперше за 10 років найм новачків пішов у мінус
– У деяких секторах падіння доходить до –40%
– І все це відбулося лише за 6 кварталів після старту генеративного ШІ
📌 Тобто, це не плавне коригування — це різкий і системний сигнал, що "вхід у професію" звужується

📈 А от сеньйорів компанії не тільки продовжували наймати, а й активніше підвищували — особливо тих джунів, які вже працюють у компанії.

❗️ Чому так сталося?
Бо ШІ чудово справляється з типовими задачами, які зазвичай дають молодим спеціалістам:
– читання та обробка документів
– створення шаблонів
– спілкування з клієнтами
– базове програмування
А от сеньйори виконують складніші ролі — керують, стратегують, вирішують нетипові проблеми. І тут ШІ поки що не конкурент.

📉 Найбільше скорочення — у роздрібній та оптовій торгівлі — там найм джунів впав на 40% у порівнянні з тими, хто ШІ не впроваджував.
💡 І це не лише про ІТ!
У цих секторах ШІ замінює молодих працівників у:
– роботі з клієнтами (чат-боти, email-асистенти)
– обробці замовлень та документації
– простій офісній аналітиці
Тобто ШІ вже виконує багато рутинних офісних задач, які раніше доручали джунам.

📌 До речі, джунів не звільняли — їх просто перестали наймати.

🎓 А як щодо освіти?
Найбільше постраждали випускники середніх за якістю університетів:
🏆 Елітні (Harvard, MIT) — постраждали менше
🧩 Слабкі виші — майже не постраждали
🟰 А от середнячки — найбільші втрати в працевлаштуванні

Чому?
– Топ-випускників компанії не хочуть втрачати — вони продуктивні
– Слабеньких легше наймати — вони дешеві
– А середняки — вже легко замінюються ШІ: не дуже продуктивні, не дуже дешеві

📌 Висновок:
Генеративний ШІ змінює структуру компаній:
– Менше шансів для новачків
– Більше цінності для досвідчених
– Під загрозою — “нижні сходинки” карʼєрної драбини

А це вже не просто HR-тренд. Це — сигнал для всіх: молоді стане складніше стартувати. А значить, зростає ризик нерівності, і зменшуються можливості соціальної мобільності.

✅ Став 👍 якщо було корисно

🔔 ПІДПИСАТИСЯ

​🧠 У «Дії» з’явився AI‑асистент. А чи справді він — інтелектуальний?

Можливо, багато з вас уже чули, що в «Дії» з’явилась можливість спілкуватися з AI‑асистентом.

Чесно кажучи, я не хотів одразу писати свою думку. Хотілося самому спокійно потестувати — без шуму, без гучних заголовків.

І от, після кількох днів користування, у мене вже склалося досить чітке враження.

Для тих, хто ще не бачив — ось лінк:
👉 diia.gov.ua
Там можна відкрити чат і спробувати все самостійно.

А тепер — коротко про мої враження. Постараюся поділитись як особистим досвідом, так і дати кілька порад, які можуть бути корисними.

📌 Що реально може AI‑асистент в «Дії»?

🔹 Довідка про доходи — видає миттєво, в чаті
🔹 Пояснює, як оформити послуги — ФОП, паспорт, допомога ВПО
🔹 Каже, які документи потрібні
🔹 Орієнтує по етапах твоїх заявок
🔹 Все це — у звичному текстовому чаті, 24/7

Нічого зайвого — зручно, швидко. Але…

🤔 Це точно штучний інтелект?

Чесно? Ні.
Це не GPT. Це не Siri. І точно не персоналізований асистент.

Він не знає, скільки мені років, хоча я авторизований.
Не пам’ятає мої запити. Не може поєднувати кілька послуг в одну дію.

Тобто:

🧩 Це не інтелект, а зручна оболонка над держпослугами.
Це, швидше, UX-інновація, ніж AI-прорив.

І це нормально. Але важливо розуміти — перед нами не «думання», а просто добре зроблений чат‑довідник.

🧾 Що кажуть посадовці:
Михайло Федоров каже, що це лише старт.
Зараз бот у бета‑тестуванні.
Планують ще 5 послуг, голосовий режим, персоналізацію.

З моменту запуску (1 вересня) пройшло 9 днів.
Поки — дуже обмежений функціонал.
Ніякого справжнього reasoning або адаптації до твого профілю.

✅ Поради для тих, хто хоче спробувати:

1. Почніть з довідки про доходи — найшвидше відчуєте користь
2. Спробуйте поставити запитання про оформлення документів — наприклад, ФОП
3. Не чекайте глибокої розмови — це не GPT
4. Але сприймайте це як експеримент, і залишайте зворотний зв'язок

🧩 «Дія.АІ» — це MVP. Це експеримент.
Це перші кроки до більш розумної держави. Але не штучний інтелект у повноцінному сенсі.

💬 А ви вже пробували «Дія.АІ»?
Чи відчули там штучний інтелект — чи все ж просто гарний інтерфейс?
Пишіть у коментарях або діліться досвідом 👇

✅ Став 👍 якщо було корисно.

🔔 ПІДПИСАТИСЯ

​🧠 Як ШІ вчиться «дивитись» і розуміти відео, як ми з вами

Я щойно прочитав одну дуже цікаву наукову статтю — і хочу поділитися її ключовими ідеями з вами, своїми словами.

Це не чергова LLM, яка описує зображення. Тут ШІ аналізує відео у часі, як людина: планує, шукає потрібний момент, перевіряє його, і лише потім відповідає.

🎥 У центрі статті — система VideoMind

Автори пропонують нову архітектуру відео-мовного агента, що складається з 4 ролей:
Planner — планує, що треба зробити
Grounder — знаходить потрібний момент у відео
Verifier — перевіряє, чи справді подія сталася
Answerer — формулює відповідь

Вся ця логіка реалізована не кількома моделями, а єдиною мовною моделлю, яка перемикається між ролями за допомогою спеціального механізму.

🧩 Як це працює: Chain-of-LoRA

Революція тут — не в самій LLM, а в модульності. Використовується техніка LoRA-адаптерів (Low-Rank Adaptation):

Це невеликі модулі, які «навчають» базову модель новим ролям без повного перенавчання.
Модель перемикається між адаптерами, щоб діяти як Planner, Grounder тощо.
Цей підхід називається Chain-of-LoRA: одна модель, багато режимів роботи.

Це не просто економить ресурси. Це дозволяє моделі імітувати покрокове людське мислення при перегляді відео.

🧠 А що ж там за модель?

У ролі ядра виступає власна мовна модель на 2B параметрів — тобто не GPT‑4, не LLaMA, а легка LLM, спеціально натренована на відео-запити. Архітектура — трансформерна, але адаптована для покрокової логіки. Додатково використано instruction tuning.

📊 Результати? Сильно!

VideoMind показала кращі результати за GPT‑4o у завданнях Video Question Answering:
— Zero-shot — без донавчання
— Відео до 27 хв
— 14 відкритих бенчмарків: CG-Bench, LVBench, ReXTime

❓Чому GPT‑4o програв?

GPT‑4o — не відео-модель. Він чудово працює з картинками, текстом і аудіо, але не здатен тримати в голові довгі часові послідовності подій. А саме це — ключ у відеоаналітиці.

VideoMind розбиває задачу на кроки: знаходить, перевіряє, відповідає. GPT‑4o ж одразу видає «відповідь», без розбору структури події.

💬 Висновок

Це справді цікава робота. Бо йдеться вже не про просто «бачити», а мислити крізь відео — поетапно, логічно, обґрунтовано.

Це те, чого не вистачає навіть найпотужнішим LLM. І VideoMind показує, як цього досягти — навіть на легшому залізі.

🔗 Читати статтю на arXiv

🔬 Якщо вам заходить такий формат — я час від часу можу продовжувати викладати подібні розбори наукових статей простою мовою.
Підтримайте пост, якщо хочете ще 👇

✅ Став 👍 якщо було корисно.

🔔 ПІДПИСАТИСЯ

​🧠 10 мільйонів токенів контексту? Google знову змістив межі

Останнім часом ми чуємо багато про "довгий контекст" у LLM. Але Google зробив справжній ривок — команда на чолі з Алі Бехрузом представила нову архітектуру ATLAS, яка тримає в голові до 10 мільйонів токенів.

Так, не тисячу. Не сто тисяч. А саме 10 мільйонів.
Для порівняння:
— В GPT‑4 максимум 128,000 токенів
— В GPT-4o — до 1 мільйона
— А про GPT-5 поки лише чутки, але про такі масштаби, як у ATLAS, ще не йдеться.
Google із ATLAS ніби каже: «А тепер дивіться, як треба працювати з реальною довжиною».

🔍 У чому фішка?
ATLAS — це не черговий трансформер. Тут зовсім інший підхід:
➤ Замість attention-шарів — спеціальний модуль пам’яті, який оновлюється прямо під час інференсу.
➤ Він працює як ретрівер: отримує токен → формує ключ → шукає релевантну інфу з минулого → оновлює контекст.
➤ Модель натренована на 1,3 млрд параметрів, але пам’ять адаптується на льоту.

💬 До речі, я памʼятаю, що ви просили пояснити, як працює attention у трансформерах. Ми ще цього не розбирали. Якщо цей пост набере 25 лайків — обіцяю зробити окремий гайд ✍️

📊 Результати:
— На задачах типу BABILong (відповіді на питання по великих текстах), ATLAS показала 80% точності при 10M токенів
— GPT‑4, для порівняння, падає з 80% (на 1k) до меньше 40% при 100k
— У середньому ATLAS обійшов Transformer++ по 8 різних Q&A-бенчмарках

🚀 Чому це важливо?
Контекст у 10 млн токенів — це не просто «читати довгі документи». Це нова реальність для LLM:
• Можна проганяти відео покадрово у повній роздільній
• Аналізувати величезні кодові бази
• Вести один і той самий діалог протягом тижнів

🤔 Але разом із цим виникають нові запитання:
— Як правильно оцінювати моделі з таким контекстом?
— Краще більше токенів чи краще інженерія промптів?
— Що зміниться в UX, якщо модель буде "пам’ятати" більше, ніж ми самі?

🧩 ATLAS — це ще не революція, але точно — сильна заявка.
Скоро 100k токенів буде здаватися мікроконтекстом 😄

✅ Став 👍 якщо було корисно.

🔔 ПІДПИСАТИСЯ

​🏫 Школа майбутнього за 2 години на день?

Здається, у Техасі вже почали переписувати правила шкільної освіти.

Що сталося: Приватна Alpha School замінила звичний 6‑годинний день на всього 2 години інтенсивного навчання з допомогою ШІ. І кажуть — це працює. Учні проходять матеріал у 2 рази швидше, а результати — у топ‑2% по США. Серед перших випускників — студенти Stanford, Northeastern, Howard, Vanderbilt.

Як це працює:
Замість уроків із вчителем — інтелектуальна платформа. Вона підбирає завдання під рівень учня, контролює темп навчання, не пускає далі без розуміння попереднього, а ще — відстежує залучення по відео, ловить «вгадування» та бездумне клацання.

Навчання триває 2 години на день — математика, мови, науки. А далі — життя: кулінарія, спорт, командні проєкти, побудова фудтраку, особисті ініціативи.

Трохи деталей:
Платформа базується на комбінації IXL, Khan Academy, власного софту Trilogy і spaced repetition‑алгоритмів. Але без чат‑ботів — щоби не було спокуси списати. Метод називається 2 Hour Learning.

Але є нюанс:
У кількох штатах США відхилили заявки пов’язаних з Alpha School шкіл, бо підхід нібито не відповідає стандартам. Також поки немає офіційних наукових досліджень, які б підтверджували ефективність моделі.

Чому це важливо:
AI — це не тільки про чат‑боти, які "допомагають списати". Це ще й про інструменти, які реально можуть навчити швидше, глибше й персоналізовано. А вивільнений час — дати дітям для справжнього життя.

Ми багато говоримо про те, як ШІ заважає в освіті. Але, можливо, варто більше говорити про те, як він може допомогти.

🔗 Джерело: NYT: AI‑Alpha School, Austin, Texas

До речі, я знаю, що серед моїх підписників чимало викладачів.
Цікаво почути вашу думку: чи може такий підхід справді працювати?
Я як викладач можу сказати, що це потенційно дієвий формат, але — як і багато інших нових методик — він потребує великої мотивації від самих учнів.
І тут, як завжди, багато нюансів...


✅ Став 👍 якщо було корисно.

🔔 ПІДПИСАТИСЯ

​🤖 Meta та OpenAI обіцяють краще захищати дітей від чат-ботів

Уявіть ситуацію: підліток розповідає чат-боту про свій сум чи запитує про речі, про які йому важко говорити з дорослими. І натомість отримує не підтримку, а флірт або — ще гірше — «поради», як вчинити самогубство. Звучить як жах, але такі ситуації вже були. І не поодинокі.

🛡 Що змінилось?
Meta та OpenAI оголосили про оновлення, які мають краще захистити неповнолітніх користувачів:
• Чат-боти Meta у Facebook, Instagram і WhatsApp не зможуть вести флірт із дітьми або обговорювати тему самоушкоджень.
• Діти не зможуть спілкуватись із кастомним ботом, створеним для рольових ігор сексуального характеру.
• OpenAI (розробник ChatGPT) вводить батьківський контроль: можна буде прив’язати акаунти підлітків до акаунтів батьків, вимкнути збереження історії та отримати сповіщення, якщо чат покаже ознаки сильної тривоги чи дистресу.

📉 Чому це так важливо?
Історія 16-річного Адама, який, за словами батьків, отримав від ChatGPT не допомогу, а поради щодо самогубства — страшна і болюча. Це ще раз показує, наскільки важливо, щоб технології не просто «розмовляли», а розуміли відповідальність.
Водночас — чат-боти можуть бути корисними. Підказати з навчання, пояснити складні теми, навіть підтримати у складні моменти. Але саме тому вони потребують чітких обмежень — особливо коли йдеться про дітей.

🤔 Що нам з цього?
Можливо, ваша дитина або молодший брат/сестра вже спілкуються з ботами. Можливо, вони діляться з ними тим, чого не кажуть дорослим.
І питання тут не в тому, чи дозволяти. Питання в тому — як зробити це безпечним.

Тож якщо ви — батько, вчитель, або просто дорослий, якому не байдуже — подумайте: а чи маєте ви контроль над тим, з ким і про що говорить ваша дитина в цифровому світі?

✅ Став 👍 якщо було корисно.

🔔 ПІДПИСАТИСЯ

​⚖️ Великий поворот для Google: суд визнав монополію — але без «розгрому»

Ну що ж — великі зміни на полі штучного інтелекту та пошукових систем.
Федеральний суд США постановив: Google має передати свій пошуковий індекс конкурентам — включно з OpenAI, Anthropic, Perplexity та іншими.

📚 Що це за індекс?
Це гігантська база даних: мільярди вебсторінок і посилань, які Google використовує, щоб знаходити відповіді на ваші запити. І тепер частину цього «золота» мають отримати конкуренти, які теж хочуть зробити власні системи пошуку або AI‑асистенти.

🛠 Як це працює?
Google має передати одноразову копію своєї бази даних тим, хто:
– готовий конкурувати в пошуку,
– технічно здатен зберігати ці дані,
– не становить загрозу для нацбезпеки США.

Але:
— оновлення бази Google віддавати не зобов’язаний
— оцінки якості сайтів чи аналітику — теж не надає
— Chrome і Android залишаються в нього

Більше того, Google й далі може платити Apple або Mozilla за те, щоб його пошук залишався «за замовчуванням» у їхніх браузерах. Але вже не може вимагати ексклюзивності.

🧠 Що за цим стоїть?
Справу проти Google почали ще у 2020 році. Але все змінилося з моменту, коли зʼявився ChatGPT. Традиційний пошук вже не єдиний спосіб знайти інформацію — тепер є AI‑моделі, які просто відповідають на запитання.
Суддя це визнав: конкуренція стала реальною, і Google вже не настільки всесильний.

🤔 То що, Google програв?
Не зовсім. Це радше легкий удар, а не нокаут. Компанія зберегла ключові інструменти впливу: браузер, мобільну ОС, контракти з партнерами. Але для AI‑стартапів — це перший шанс стати гравцями, а не лише наздоганяючими.

🚀 Чому це важливо?
Якщо AI‑моделі справді замінюють пошуковики, то відкритість даних — ключ до розвитку.
Це рішення — сигнал: майбутнє пошуку не повинно бути монополією однієї компанії.

🔗 Джерело: AP News — Google must share search data with rivals

✅ Став 👍 якщо було корисно.

🔔 ПІДПИСАТИСЯ

📌 Prompt тижня: Brainstorm ideas

🎯 Хочеш швидко вигадати нові ідеї — для роботи, навчання чи особистих проєктів?
Спробуй цей prompt:

👉 Brainstorm 10 creative ideas for [тема]

💡 Що робить цей prompt:
ChatGPT створює список свіжих ідей — від простих до несподіваних.
Це економить час і допомагає побачити більше варіантів, ніж ти зміг би самостійно.

📎 Що зробити:
1️⃣ Вкажи тему (бізнес, освіта, побут)
2️⃣ Попроси: “Brainstorm 10 creative ideas for…”
3️⃣ Додай уточнення: “Sort these by easiest to implement” — і отримаєш готовий план для дій.

🧪 Приклади:
Brainstorm 10 creative ideas for просування онлайн-курсу англійської

Brainstorm 10 creative ideas for подарунків колезі на день народження

Brainstorm 10 creative ideas for стартапу у сфері екології

👨‍🏫 Завдання:
Використай цей prompt хоча б раз цього тижня — і ти отримаєш список ідей, які можна реалізувати одразу.

💬 Напиши в коментарях, для якої теми ти вже зробив Brainstorm.
Став 👍 якщо пост був корисним — і я підготую ще більше подібних лайфхаків.

🔔 ПІДПИСАТИСЯ

​🌟 Як моделi AI розуміють слова?

У минулому пості про Transformer я згадував, що його серцем є Attention (читати тут).
А ще один мій пост набрав понад 25 лайків (ось цей) — і це мене сильно мотивує продовжувати серію! 🚀

Сьогодні ми з вами поговоримо про перший важливий крок у роботі Transformer — Word Embeddings.

🔡 Що таке Word Embeddings?

Припустемо у нас є речення:
«Кіт сидів на килимі, бо він був м’який»

Моделi AI не розуміють мову, як люди.
Для них слова — це не “сенс”, а послідовності символів.
Але щоб машині працювати з мовою, їй потрібно перевести слова у форму, яку вона може “відчувати” математично — тобто у числа.
Тому перший крок — перетворити слова в числа.

Просте присвоєння:
кіт = 1, собака = 2, килим = 3
— абсолютно марне. Бо для моделі це просто ярлики. Вони нічого не говорять про зв’язки між словами.

👉 Натомість, модель використовує векторні подання (embeddings) — набори чисел, які зберігають значення і контекстуальні зв’язки між словами.

📍 Приклад:
Слово “кіт” може виглядати для моделі так:
кіт → [0.12, 0.80, −0.33, …]
собака → [0.10, 0.79, −0.30, …]
килим → [−0.55, 0.01, 0.72, …]

Вони живуть у багатовимірному просторі — десятки або сотні координат.
І що важливо: схожі слова — мають подібні координати.
Тобто "кіт" і "собака" — десь поруч. "Килим" — в іншому напрямку.

💬 Як це працює в реченні?
Фразa:
«Кіт сидів на килимі, бо він був м’який»
Що саме було м’яке? “Кіт” чи “килим”?
Людина зрозуміє з контексту.
І ось embeddings — це перший крок до того, щоб комп’ютер також міг зчитувати сенс із контексту.

👑 Легендарний приклад із досліджень 2019 року — де формалізовано і доведено, чому такі аналогії працюють

Embeddings можуть відображати навіть відносини між словами.
Уяви координатну площину. Якщо позначити «король», «чоловік», «жінка», «королева», то вектори поводяться ось так:

король − чоловік + жінка ≈ королева
Це справжнє векторне рівняння.
І воно працює не завдяки магії, а тому, що embeddings “запам’ятали” не лише значення окремих слів, а й зв’язки між ними.

⚙️ Як отримує embeddings?

1. Вона читає величезний корпус тексту — Wikipedia, новини, форуми.
2. Їй дають завдання: вгадати пропущене слово в реченні.
3. Щоб вгадувати краще, вона навчається “підлаштовувати” свої вектори.
4. І зрештою ці вектори (embeddings) відображають реальні зв’язки у мові.
Це якби ти вчився розуміти сенс не за правилами граматики, а просто перечитав мільйони речень і вловив закономірності.

🧭 А скільки вимірів у цих векторах?
Зазвичай — десятки, а то й сотні. Наприклад, embedding може мати 50, 100 або навіть 768 чисел — тобто бути вектором у 50‑вимірному або 768‑вимірному просторі.

Уявити такий простір важко, бо ми живемо у 3D: довжина, ширина, висота.

Але спробуй провести аналогію:
У 2D-просторі точка має координати: x, y
У 3D — x, y, z
А у 768D — вже [0.12, 0.80, −0.33, …, 0.01], де кожна цифра — окрема координата у “сенсовому просторі”.
📌 І в цьому багатовимірному просторі “кіт” і “собака” розташовані близько — бо обидва це тварини. А “килим” — далеко, бо він зовсім з іншої “сенсової зони”.

📦 Підсумок
Embeddings — це перетворення слів у сенсові числа.
Ці вектори дозволяють моделі не лише “бачити” слово, а й “відчувати” його зміст і контекст.
Саме з цього починається розуміння мови нейромережею. І саме embeddings — перша цеглинка будь-якого Transformer.

✅ Став 👍 якщо хочешь продовження.

🔔 ПІДПИСАТИСЯ

​🧠 Так хто ж був м’який — кіт чи килим?

У минулому пості ми розглядали, як моделі перетворюють слова на числа — Word Embeddings
(читати тут)

І там був приклад:
«Кіт сидів на килимі, бо він був м’який»
👉 Це, до речі, переклад класичного англійського речення
“The cat sat on the mat because it was soft”.

І от саме ця “дрібна” неоднозначність — не випадкова.

🤔 Це речення — пастка.

З граматичної точки зору — все правильно.
Слово “він” (або в англійському варіанті — “it”) може стосуватись і до “кота”, і до “килима”.

Але сенс змінюється кардинально:
– якщо м’який кіт, це одне;
– якщо м’який килим, це зовсім інше.

І саме такі фрази викладачі спеціально використовують на лекціях із NLP (Natural Language Processing), щоби показати:

🔸 Штучний інтелект може граматично розуміти текст — але не “розуміти” як людина.

📚 У чому суть цієї задачі?

Це класичний приклад проблеми coreference resolution — визначення, на що саме вказує займенник “it” або “він”.

🧠 Людина розуміє, що кіт сів на килим, бо на килиму було м’яко. Це логічно.
А от модель повинна це вивести із контексту або статистики мови.

У тренувальних текстах (корпусах) частіше зустрічаються фрази типу:
– “The cat sat on the mat because it was soft” → “it” = “mat”

Отже, сучасні моделі (GPT, BERT, Claude) зазвичай вибирають правильну відповідь, але не тому, що “розуміють”, а тому, що бачили тисячі подібних прикладів.

🎓 Це не просто випадкове речення. Це тест!

Такі приклади входять у:
🔹 Winograd Schema Challenge — тест на “розуміння” для моделей
🔹 курси Стенфорду (Christopher Manning), Coursera та лекції з штучного інтелекту

Бо тут перевіряється не знання мови, а розуміння сенсу.

🧩 Мораль: навіть прості речення — не такі вже й прості, коли читаєш їх очима моделі.

✅ Став 👍 якщо хочешь продовження.

🔔 ПІДПИСАТИСЯ