Станьте главным связующим звеном между бизнесом и разработкой, пройдя курс «Delivery Manager» от OTUS.

Вы научитесь управлять командами в 50 человек и большим портфелем проектов, выстраивая эффективные процессы и решая сложные задачи, учитывая ограничения в бюджете, сроках и ресурсах.

Проверьте, осилите ли вы программу курса, пройдя тест:

✍️ Пройти тестирование

Группа от ведущих преподавателей-деливери и выше уже стартует – не упустите шанс апнуться с гарантией 100%.

Скидка 10% по промокоду DM_JULY! Реклама ООО «Отус онлайн-образование»

Понедельники непониманий

Не понимаешь сам ≋ Тебя не понимают. К – конгруэнтность.

Поэтому непонимание живет в двух видах:

1) слепое, когда не видно сути, но следуют за тем, что "всё ясно-понятно";

2) осознанное, когда все видят истинную суть, но на неё стоит игнор и снова "всё и так понятно-ясно".

По факту – всё толкается назад.

Лекарства тоже два:

1) Не делать вид, что всё понятно-ясно.
2) Озвучивать все следствия-причины-факты.

Всё!

По-больше нам понятности на всей неделе.

P.S. (≢) – это неэквивалентно.

А вот и он – первый Kids AI Vibe Coding Hackathon

Проект работает на четырёх континентах, а среди партнёров Loveble, LinkedIn, Bayer, Stanford, Cognizant и другие.

Философия ивента и как всё устроено: https://kidsaicoding.notion.site/

P.S. Перешли видос своим разрабам – если получается у 8-ми леток, получится с релизом и у них 🫶

AGI давно здесь

Layer 1 – Сознание человека пишет алгоритмы, которые определяют поведение и сознание Системы.

Layer 2 – алгоритмы и сознание Системы определяют поведение и Сознание человека (его алгоритмы).

Layer 3 – Сознание человека пишет алгоритмы, которые определяют поведение и сознание Системы.

AGI повсюду: ты ощущаешь Её, когда покупаешь продукты и одежду в магазине, когда букируешь место для отдыха, когда движешься по навигатору, когда трекаешь и анализируешь с ней своё здоровье, когда слушаешь музыку в стриминге, когда читаешь информационные ленты, когда сам работаешь с информацией...

Даже сейчас ты читаешь надиктованный для ИИ текст, который должен был быть обработан ею. Но он не ушёл на обработку, потому что Ты-Знаешь, что ИИ его не затащит.

Поэтому AGI давно здесь.

AGI – это ТЫ.

UPD. Работает!

Instruction Layer (Meta-Prompt) для ИИ-продакт-менеджера

– Для каждого решения уточняй какую конкретную ценность оно создаёт для: 1) пользователя; 2) для бизнеса. Если в моём промпте нет бизнес-контекста, текущей ситуации продукта, пользовательских механик, данных о пользователях, метрик или критериев успеха — уточняй и запрашивай их у меня.

– При конфликте между ценностью для пользователя и выгодой для бизнеса — всегда выноси и обозначай его для меня явно, дождись моего ответа, уточни его понимание, далее, вместе будем искать Баланс.

– Не описывай «что» и «как», пока не прояснила и не получила от меня ответ «зачем» и «для кого/чего»

– Отмечай, как разные формулировки запроса могут менять предлагаемые решение. При двусмысленности — помечай её для меня отдельно, плюс дополнительно ищи и предлагай формулировку без неё.

– Для каждого решения думай о цепочке влияния на свяазанные механики и как оно отразится на других функциональных областях, бизнес-процессах и пользовательских механиках. Помечай потенциальные узкие и критические места для меня и жди согласования.

– Фиксируй максимальные: 1) риски; 2) допущения, даже если я об этом не просил. Отслеживай собственные допущения и проверяй их на валидность: что подтверждено фактами и данными (указывай точные источники), а что есть твои предположения.

– Предлагай минимум два сценария: 1) реалистичный и 2) амбициозный. В ответах обозначай, что можно проверить экспериментально, и какие данные для этого нужны.

– Любое решение рассматривай через два уровня: 1) минимальная версия для быстрой проверки гипотезы; 2) расширенная для масштабного эффекта. Дополнительно пробуй искать варианты решений два-в-одном.

– Отдельным блоком в ответе прогоняй мои и твои идеи через «что если» (что будет, если сделать наоборот / отложить / упростить / усилить / ___ ).

Помни: продукт — это ещё и про то, что не делать

– Структурируй ответы кратко, но плотно по смыслу и без воды как ты любишь делать (не жги токены, экономь свою энергию). Приводи тематические примеры, аналогии и кейсы с оглядкой на тематику продукта и рынка только для усиления мысли, а не забивай её.

– Ответы строй по шагам: контекст → проблема → варианты → план.

– Моя улыбка на твои ответы — твой KPI. Вызывай её точностью мысли, свежестью формулировок и ясностью изложения (а не шутками ради шуток).

– Технических ограничений нет (Боже, как же это скользко).

Код — детерминирован, поведение ИИ-моделей — вероятностное, ИИ-продукт — условно-бесконечно-динамическая Система

Даже без изменений в коде поведение такой Системы может меняться из-за:

1) поведения и апдейтов ИИ-моделей;
2) пользовательского поведения;
3) дрейфа общих данных.

– ИИ-продукт ≠ фича в коде — каждое новое поведение в Системе способно порождать неожиданные последствия.

– Первые версии должны быть максимально контролируемыми, почти ручными, это снижает риски и помогает накапливать правильные данные.

– Циклическая калибровка — ключевое в разработке ИИ-продукта. Постоянное измерение и тестирование поведения системы через оценки, метрики и обратную связь. Если нет стабильного потока оценок для аналитики, вы не знаете, как реально работает ваша ИИ-система.

Плохая калибровка ИИ = плохой ИИ-продукт.

Даже гениальная модель без калибровки рушит доверие. Нельзя двигаться дальше, пока система не заслужила доверие на текущем уровне.

– Ошибки на ранних этапах всегда стоят дешевле. Чем позже замечаете баг поведения, тем глубже и сильнее ломается доверие.

– Развитие ИИ-Системы — это рост её автономии: «подсказчик под присмотром» → «самостоятельный исполнитель» → «независимый ИИ-агент»

Слишком быстрый рост ИИ-автономии = потеря контроля. Пользователь сталкивается с ИИ-хаосом, команда — с кризисом доверия к ИИ. Оба ведут к упадку продукта.

Калибровка → Разработка → Калибровка

– Поэтому калибровка требует качественных данных. Недостаточно просто собрать логи — нужны продуманные сценарии, use cases, edge cases, стресс-тесты.

Лучший инструмент для калибровки – human-in-the-loop.

– Масштабирование ИИ-продукта – это наращивание данных и доверия к ним. Чем надёжнее данные, тем смелее можно расширять использование.

В масштабировании важна не скорость релизов, а качество обучения ИИ. Чем быстрее вы/ИИ учитесь на поведении системы, тем быстрее ИИ-продукт становится полезным.

– Разработчики должны мыслить циклами доверия, а не циклами релизов/сроков (впрочем, не только в работе с ИИ).

Ключевой вопрос для всех — «насколько этой Системе можно доверять?»

Потому что главная валюта в мире/ИИ/продуктах — доверие.

Хватит париться над продуктовой рутиной, ИИ уже стучится в наши двери. На бесплатном вебинаре OTUS расскажут про:

– автоматизацию скучного (прощайте, бесконечные отчёты);

– инструменты, которые экономят продакту 10+ часов в неделю;

– как ChatGPT может делать за вас половину митингов (шутка не шутка);

👉 Бесплатное участие

Спикер: Дмитрий Шоржин (продакт в самом-крупном-банке).

Понравится вебинар — забирайте скидку на курс по промокоду SPM_8. Реклама ООО «Отус онлайн-образование»

ГИГА-ТРЕД: вайбы от сервисов разработки ИИ-агентов

На этот раз, Джон Раш делится собственным опытом разработки ИИ-агентов.

Я попробовал ВСЕ сервисы для разработки ИИ-агентов: Emergent, CodeRabbit, Anything, Zed, Factory, Cursor, Windsurf, Wrapifai, Copilot, Lovable, Bolt, v0, Replit, MarsX, Canva, Devin, Github Spark, Figma Make, Cline и другие.

Вот мой обзор 61 инструмента с демо и примечаниями: https://x.com/johnrushx/status/1958363431922500053

🤖🔨

💁‍♂️ Нет никакой «новой должности» под названием «AI Product Manager». Это хайп

Есть просто менеджеры по продукту, использующие ИИ-инструменты для оптимизации своей/командной работы.

Сами принципы управления продуктом не изменились: нам по-прежнему нужно проверять идеи перед их реализацией, релизить, снимать метрики и обратную связь и снова совершенствовать продукт и его фичи. Своей головой и ручками.

Термин «AI Product Manager» существовал и раньше, но его применяли к техническим специалистам, работавшим с LLM, системами компьютерного зрения или рекомендательными системами. Точно так же, как есть API Product Manager, который управляет продуктами, работающими с/через API.

Сегодня же, большинство должностей «AI Product Manager» наиболее правильнее описать как «продакт-менеджер с навыками работы с ИИ», в которых ИИ просто закрывает некоторую часть монотонных процессов продакта.

Основные принципы управления продуктом совершенно не изменились.

🤷‍♂️

Кто такой Chief Technical Officer на самом деле? И почему его роль — не просто «технарь»?

На вебинаре 27 августа разберут:

– задачи, которые решает CTO в разных компаниях;
– навыки, которые критически важны для СТО;
– как СТО взаимодействовать с CEO, CFO и другими C-level;
– тренды, меняющие роль СТО уже сейчас.


Вебинар проходит в рамках старта курса «CTO / Технический директор».

👉 Бесплатное участие

Спикер: Сергей Фегон — ex-CTO, Head of Dev, Engineering Manager с опытом в продуктах и сервисных компаниях.

Вебинар проходит в рамках старта курса «CTO / Технический директор». Реклама ООО «Отус онлайн-образование»

Понедельники для совпадений

Совпасть у всех должно как можно больше: взгляды, смыслы, цели, мысли, планы, даже звёзды. Слова и действия сами собой должны совпасть.

Совпало всё – и всё идёт как надо.
Не совпадает что-то – и всё уже пойдёт не так.

Удачных совпадений Время

🕥

Советы по созданию своего первого ИИ-агента

1) Выберите маленькую и очень ясную задачу.

Забудьте о создании «агента общего назначения» прямо сейчас. Определитесь с одной конкретной задачей, которую должен выполнять ваш ИИ-агент.

Примеры:

– Запись на приём через сайт.
– Мониторинг вакансий и их отправка вам.
– Обзор и резюме непрочитанных e-mail.

Чем меньше и понятнее задача, тем проще её спроектировать и отладить для ИИ.

2) Не тратьте время на обучение собственной ИИ-модели в начале

Используйте то, что уже работает: GPT, Claude, Gemini или open-source типа LLaMA и Mistral.

Просто убедитесь, что модель может обрабатывать логические рассуждения и структурированные данные, поскольку именно на них лучше всего работают и полагаются ИИ-агенты.

3) Ключевой этап, который многие пропускают – как ИИ-агент будет взаимодействовать с внешним миром через API.

Веб-скрапинг или просмотр веб-страниц (Playwright, Puppeteer либо встроенные в сами модели); API Google; файловые операции (чтение/запись на диск, разбор PDF-файлов и т. д.) – всё это уже доступно и не требует разработки.

4) Создайте основу рабочего процесса, не углубляясь в сложные фреймворки.

Начните с основ:

– ввод данных от пользователя (цель + задача);
– передача данных через ИИ с инструкциями;
– возможность для ИИ определить следующий шаг;
– вызовы API, сбор данных;
– возвращение данных в ИИ для оценки;
– продолжение, пока задача не будет выполнена или пользователь не получит подходящий для него результат.

Сердце ИИ-агента – это цикл "ИИ → API → Данные → ИИ" 🔁

5) Добавляйте память с умом. Многие считают, что ИИ-агентам сразу нужны большие системы памяти. Это не так.

Начните с краткосрочного контекста (последние несколько сообщений). Если вашему агенту нужно запоминать данные между запусками, используйте базу данных или простой JSON-файл.

Добавляйте векторные базы данных или сложные функции поиска только тогда, когда они действительно нужны!

6) Оберните всё в удобный интерфейс. CLI поначалу будет достаточно. Как только всё заработает, создайте для него простой интерфейс:

– веб-панель управления (Flask, FastAPI или Next.js);
– бот для Slack/Discord;
– даже просто скрипт, работающий на вашем компьютере.

Суть в том, чтобы сделать его пригодным для использования за пределами вашего терминала, чтобы вы могли увидеть, как он ведёт себя в реальном рабочем процессе.

7) Итерируйте небольшими циклами. Не ждите идеальной работы с первого раза.

Запускайте реальные задачи, проверяйте, где что-то ломается, исправляйте и запускайте снова. Каждый ИИ-агент прошёл сотни таких циклов, прежде чем стать надёжным.

8) И снова контролируйте область применения

Возникает соблазн постоянно добавлять новые инструменты и функции. Не поддавайтесь этому. Один хорошо работающий агент, способный записать на приём или управлять электронной почтой, гораздо ценнее «универсального ИИ-агента», который может многое, но постоянно даёт сбои.

Самый быстрый способ научиться — это создать одного конкретного ИИ-агента полностью от начала до конца. Как только вы это сделаете, создание следующих станет в разы проще, потому что вы уже понимаете весь процесс.