Мои любимые книги из 2024.

1️⃣ Задача трех тел (3 книги) - Лю Цысинь

Научная фантастика на тему: Мы посылаем сигналы в космос для поиска внеземной жизни, а что если на них все же кто-то ответит? Иногда есть глупые сюжетные повороты (особенно в 3 книге я таких много заметил), но история действительно затягивает и держит на крючке на протяжении всех трех книг.

2️⃣ The Founders: The Story of Paypal and the Entrepreneurs Who Shaped Silicon Valley - Jimmy Soni

Про PayPal: как они бросили вызов банковским гигантам, искали product-market fit и совершили революцию платежных систем.

3️⃣ PIXAR. Перезагрузка. Как вдохнуть в бизнес новую жизнь - Леви Лоуренс

Про Pixar: как они бросили вызов Disney, искали product-market fit и совершили революцию в анимации. Вы вообще знали, что до Истории игрушек Pixar 10 лет производил технологии для компьютерной анимации и был безумно убыточным? Стив Джобс (он был CEO) 10 лет спонсировал Pixar, пока они не реорганизовали структуру компании и не выбрали одну единственную нишу. Про культуру, риски, сложные решения и успех.

4️⃣ Ампир V - Виктор Пелевин

Интепретация вампиров в современном мире. Естественно, с кучей философией, высмеивание сложившихся концепций и юмором. Вторая книга показалась слабее.

5️⃣ Думай медленно... решай быстро - Даниэль Канеман

Как человек принимает решения? Почему на нас действует реклама, почему мы вечно делаем очевидные ошибки? Какие факторы воздействуют на нас при принятии решений - все это в раскрыто автором-психологом, который посвятил всю жизнь постановке экспериментов на эту тему.

6️⃣ How Big Things Get Done - Dan Gardner

Какие проблемы могут быть у больших проектов? А если посмотреть на это со стороны статистики? Как планировать бюджет, время и стоит ли сразу идти в реализацию? В книге собраны отдельные рассказы и статистика с парой тысяч проектов: по их проблемам, задержам, перерасходованию бюджета и прочему. Отдельно рассматриваются самые фундаментальные проблемы планирования и реализации проектов.

📰Накидайте книг, которые вы прочитали и вам понравились!

Сабрина проделала очень крутую работу по курсу! Если интересуетесь объяснимым ИИ, то сюда точно стоит заглянуть

🐥 Как разобраться, что такое XAI? Какие модели можно назвать интерпретируемыми и почему? Как научиться считать SHAP и строить LIME, поняв, что там математически?

Привет, друзья!
А вот и первые ссылки! Я дописала бесплатную часть курса по explainable AI: Интерпретируемые модели!

Что в курсе:

— Полное описание области: зачем она, какие решает задачи и какие использует термины;
— Описания всех интерпретируемых ML моделей, а также то, как корректно их интерпретировать;
— Интерпретация ансамблей: Random Forest, XGBoost, LGBM и CatBoost — какие есть возможности и что с ней может быть не так;
— Код на Python для практики — открытые домашки;
— SHAP и LIME — самые популярные методы области — разобранные теоретически и практически.

Курс будет полезен:

Тем, кто только начинает изучать ML модели и имеет опыт работы с ними 1-2 года (или меньше);
Тем, кто хочет освежить знания классики и углубить работу с вкладами признаков;
Тем, кто читал 1000 статей по SHAP и LIME, но так ничего и не понял (бывает!).

Что внутри: Теория, практика, 101 тестовая задачка, 5 домашек с кодом и красивые картинки. В общем — я старалась и приглашаю присоединиться!

Новых вам знаний!
Ваш Дата-автор! ❤️

Лучшие AI приложения a16z

Кто не знает, a16z - фонд Марка Андерсена и Бена Хоровица, один из топовых в США, который инвестирует в технологические и не только стартапы: твиттер, фейсбук, пинтерест и прочие единороги вышли как раз из него. Это люди точно разбираются в продуктах и трендах.

Все довольно ожидаемо: Курсоры, Клауды, Миджорни. Все инструменты, что вы могли слышать.

Из интересного:
-Ко-пайлот для родительства. Для этого есть рынок, оказывается, и довольно большой, раз об этом приложении пишут СМИ и пользуется несколько десятков или сотен тысяч.

Что меня удивило и расстроило:
- Всего одно приложение из EdTech и то так себе: по первому впечатлению чат гпт поверх базы знаний.
- Нет ни одного приложения из FinTech

Заметки:
Недостаточно сделать приложение с доступом к чат боту и сказать, что он решает проблему Х у пользователя Y. Адопшн такого будет безумно низкий - пользователь просто не будет знать, что делать в этом приложении. Исключения: чат с аватаром в качестве социальной штуки и когда параметры запроса нельзя передать иначе (как описать фотографии для генерации без текста) . Пользователя нужно провести и сделать максимально простым использование продукта. В идеале, чтобы он нажал одну кнопку "Решить" и его проблема решилась. Пользователю в целом, все равно АИ или не АИ под капотом - он не хочет вникать в этом, да ему и не нужно. Почти все топ приложения в этом списке строятся как раз по этой формуле:

-Кнопка "Получить изображение которое я хочу"
-Кнопка "Получить аудио из текста"
-Кнопка "Получить код для этой функции"
-Кнопка "Получить саммари текста"

Чат в виде текста подключается только если это действительно самый простой способ донесения своих желаний. Как с кодом, например - тут необходимо описать, что хочешь словами, потому что иначе это сделать просто невозможно. Приложения из остальных Tech, как будто еще не до конца это осознали, делая просто обертки над ГПТ, до ценности которых, пользователю как до Луны, поэтому в этот лист не попали.

Лично я очень жду переворот в Fin и Ed техе в 2025.

tldr; Массовый юзер не будет промптить

Ссылки на все приложения

Возьмут на ICML с этим?

Как работать с ИИ эффективнее?

Общение между людьми и ИИ очень похоже, и не с проста: мы специально стремимся создавать инструменты с интерфейсом, удобным для нас. Неудивительно, что проблемы коммуникации между людьми и иишками в основном одинаковы: важнее не то, что ты говоришь, а то, как это воспринимает другая сторона. Слова ограничены по смыслу, как и наше мышление, что приводит к такому же недопонимаю между нами и машинами, как между нами и людьми.

Как разрешить это недопонимание? Указать модели явно, чтобы она задала тебе наводящие вопросы и разобралась в задаче, которую ты хочешь решить. Каждый раз, когда я начинаю новый проект или большую задачу, свой первый промпт я формулирую так:

Хочу сделать проект Х. Там должно быть Х, Y, Z. Построй архитектуру и помоги мне написать проект. Прежде чем приступать к реализации, задай мне наводящие вопросы, чтобы лучше понять, что я хочу.

Это не только поможет ИИ разобраться в задаче, но и мне осмыслить, а что действительно предстоят сделать: оформить вижн и перейти к деталям, которые я не заметил. Я всегда удивлялся, почему такой вещи нет в системном промпте большинства моделей. Есть подозрения, что это усложнит путь пользователя и вместо одного предложения ему придется писать параграф.

Сегодня OpenAI решила выпустить свой инстурумент для таких больших задач. И там как раз есть уточнение задачи с помощью вопросов, что очень круто и как раз соотносится с целью продукта - большие исследования / запросы, где детали и понимание важны.

Вы оформляете свой запрос, модель задает вам уточняющие вопросы и идет искать по источникам (как удачно сделали оператора).

По лимитам пока: только для PRO версии - 100 в месяц, у Plus - 10, но пока еще не выкатили.

Получаем максимум даже со спама 🐺

Нашел полезного AI саппортера

Заказал себе Oura Ring и захотел поменять размер кольца - максимально простая операция, которую, я уверен, выполняют довольно часто. У них на сайте нет номера или имейла поддержки, поэтому подумал, что тут сценарий как и везде: сначала напиши боту, он 3 раза не поймет, что ты хочешь, а потом позовет оператора, но нет! На удивление, бот сразу понял, что я хочу сделать, более того, он попросил меня выполнить простую процедуру: отправить ему код из имейла, выбрать новый размер кольца и отправить номер заказа - и все. Никаких разговоров с человеком - все выполнил бот. Почему у них это получилось, а у условного амазона - нет?

Скорее всего, они оцифровывали помощника не просто "А давайте GPT скинем 100 листов технической документации - будет работать за саппортера", а поступили по-умному и детально прописали его деятельность:

1️⃣ выписали текущие сценарии пользователя и его общение с саппортером

2️⃣ расписали что требуется на каждом этапе от пользователя, чтобы аишка понимала, куда вести диалог

3️⃣ по всей видимости, дали возможность использовать вызов функций - когда необходимо сохранить новые данные пользователя, или сравнить код с почты для аутентификации, чтобы человека можно было совсем не привлекать

В итоге, все что требуется от аишки - направить пользователя, чтобы получить от него информацию и занести эту информацию в базу данных. Ключевой пункт тут - детально прописать текущую деятельность, чтобы ИИ понимал, что от него требуется и что ему необходимо делать в конкретном сценарии. И вауля - у вас действительно полезный АИ саппорт

Perplexity активно интегрирует новости на свою площадку. Если честно, то больше похоже на поиск Яндекса с новостями, котировками и рекламой

Аналоги DeepSearch

Собрал несколько аналогов DeepSearch - многие из них бесплатны для нескольких запросов.

1. h2o

Сейчас он находится на 1 месте в GAIA бенчмарке - 65%, почти на уровне DeepSearch от Openai. Мне очень понравился - может запускать код, искать по интернету – настоящий агент, в общем. Из минусов, он прям очень долгий. Возможно, там сейчас сервера перегружены, но отвечает он мне на запросы посетить 4 сайта минут по 5.

Модели: Claude, GPT
API: Есть

2. Open-Source Deep Search

Ответ от Hugging Face на DeepSearch. Собрали его на коленке за 24 часа, 3 место на бечмарке GAIA.

Модели: GPT
API: Есть

3. Convergence

Из прикольного: есть автоматизация задач. То есть можно какой-то DeepSearch запрос автоматически запускать каждый день и получать, условно, саммари новостей из источников в 8 утра. Мне показался немного глуповатым - часто застревает на одной странице, пытается ее перезапустить 10 раз, а потом кидает ошибку.

Модели: Не указано
API: Нет

4. Search Pro (Perplexity)

Тут, конечно, не DeepSearch в агентном понимании: модель просто разбивает запрос на блоки и находит источники к каждому блоку. То есть внутри она не переходит на сайты и не делает там какие-то действия. Умный скраппер по сути.

Модели: GPT, Claude, DeepSeek
API: По-моему, АПИ к Pro Search нет

5. Другой Open-Source DeepSearch

Потыкать мне его не удалось, так как демо или чего-то такого нет, но он собрал 12 тысяч звезд на гитхабе, поэтому включил его в список.

Модели: GPT
API: да, но нужно развернуть все у себя на сервере

Если интересна информация о DeepSearch, то поставь лайк - на 20 напишу пост о том, как эффективнее промптить агента для DeepSearch

Про процесс обучения

Большинство курсов, книг, других учебных материалов, да и то, как обучение построено в школе и университете, следует такому принципу:

Даем теоретические знания -> Показываем примеры практического применения -> Обучающийся генерализиурется и решает дальше самостоятельно (мы надеемся на это)

Если после пары таких подходов дадут еще и проект, чтобы знания закрепить, то это прямо следующий уровень.

Большая проблема (которую я заметил на себе), что связи, которые соединяют множество отдельных знаний в единую структуру либо не появляются, либо появляются через 2 года на каком-нибудь проекте, где у тебя возникает мысль: "Аааа, так вот для чего мне это тогда показывали".

В моей голове сейчас есть как будто более эффективная структура обучения:

Даешь реальную задачу человеку -> Он сталкивается с проблемами, которую не решить на текущем уровне знаний -> Даешь ему практические знания, как это решить -> Он это пробует и у него формируется какое-то понимание -> Закрепляешь его понимание теоретической частью

Для больших задач такой подход разделится на много маленьких ступенек: нужно будет несколько раз столкнуться с проблемой, решить ее и вот, когда ты уже думаешь, что все знания у тебя есть, появляется что-то еще.

В отличии от первого подхода, у человека сразу формируется связь: как эта теория встраивается в общую картину проблемы и приближает нас к решению. Благодаря изначальному пониманию, зачем это нужно, мотивация получить новые знания становится выше, как и эффективность их получения.

Почему такой подход еще не используют везде? Теперь у меня появилось желание сделать какой-нибудь курс на такой методике.

Cal AI,
или как два школьника сделали миллионный проект за 6 месяцев

В ноябре 2024 только и говорили про Cal AI. Этот проект смог без внешних средств и инвестиций в маркетинг (денежных) за 6 месяцев собрать выручку в 1 млн долларов на рынке подсчёта калорий. Поразительно? Ещё поразительнее то, что его сделали два школьника и один студент.

В разработке любого революционного продукта меня интересует в первую очередь не сам продукт, а скорее история, которая за ним стоит: опыт, сложные решения, партнёрства — как набор зачастую случайных действий привёл к тому, что получилось. История Cal AI не уступает какому-нибудь голливудскому сериалу — давайте на неё посмотрим.

Начало

Обычный американский школьник — Генри Ядегари — преподавал программирование с 10 лет. Однажды, вдохновлённый сериалом Социальная сеть про Марка Цукерберга, он решил сделать что-то большее. Глобальная ситуация как раз к тому располагала: начался ковид — время возможностей. Эту возможность наш герой рассмотрел в сайте, на котором можно найти самые популярные игры — что ещё делать подросткам во время ковида? Сайт привлёк 5 миллионов пользователей и был продан за шестизначную сумму.

В летнем лагере по программированию он познакомился с будущим CTO Cal AI — вместе они решили сделать совместный продукт. Они попытали свою удачу с приложением Grind Clock — мотивационным будильником. Его скачали примерно 20 тысяч пользователей, но широкого успеха не получилось. Тогда они поняли, что главным просчётом запуска был маркетинг. Тогда они связались с третьим членом команды — Блэйком Андерсом, который до этого уже запустил два успешных AI-продукта, где занимался маркетингом. Изначально они хотели всего лишь получить консультацию, но ему так понравились вайб и идея команды, что он присоединился в качестве CMO.

Идея Cal AI

Где-то в этот момент зародилась идея Cal AI — подсчёт калорий с помощью ИИ. Рынок приложений для подсчёта калорий уже был сформирован: MyFitnessPal, Yazio, FatSecret и прочие. По классической схеме, чтобы выбиться в лидеры, необходимо потратить миллионы на создание приложения и ещё больше на маркетинг, чтобы купить инфлюенсеров и настроить таргетинг. Но им удалось стать самым быстрорастущим приложением без привлечения внешних инвестиций и с минимальными затратами на маркетинг.

Продукт

Приложения для подсчёта калорий уже нашли свою аудиторию, и в них давно не было больших инноваций: одно отличается от другого лишь количеством продуктов и возможностью детализировать метрики. Генри тогда начал интересоваться здоровым образом жизни, но ни одно из флагманских приложений не подошло ему: основной болью было ручное введение калорий — приходилось прикидывать БЖУ, считать граммовку и заносить всё в приложение. Он подумал: А что, если убрать этот этап? Снять с пользователей когнитивную нагрузку и сократить путь до одного действия: загрузить фотографию.

Инновационная простота и стала главной особенностью приложения: людям оказалось важнее удобство использования, чем точность подсчёта. Хотя, точность модели остаётся достаточно высокой (около 90%), хотя на некоторых форумах Reddit упоминаются показатели в 70–80%.

Viral growth

“У нас есть очень крутой продукт, и сейчас пользователи сами миллионами побегут его устанавливать, ведь так? Да?”

Даже если у тебя очень крутой продукт, попытки его раскрутить через контекстную рекламу, инфлюенсеров или коллаборации потребуют миллионы и вынудят конкурировать с лидерами индустрии за клики и внимание. Как же быть?

Они стали одними из первых, кто так успешно применил стратегию маркетинга через нестандартные каналы. CEO Cal AI записывал кучу роликов в TikTok, которые пересекались с интересами целевой аудитории: топ упражнений для новичков, как похудеть, как правильно считать калории и т.д. Они попали в свою ЦА: за 6 месяцев количество установок приложения перевалило за миллион. В основном его используют студенты и молодые люди в возрасте 15–25 лет.

С одной стороны, молодёжь — не самая платёжеспособная аудитория. С другой стороны, она бесплатная (почти) и активнее всех готова использовать AI-фичи. Более того, существуют ли для них каналы эффективнее? Контекстную рекламу блокируют адблоками или воспринимают как пережиток раннего интернета с баннерами и спамом. Блогеры? Да, но это дорого, и придётся конкурировать с лидерами индустрии.

Эпилог

После успеха Cal AI запрос на виральный рост через Instagram и TikTok вырос заметно. Например:

Надя недавно написала, что её FashionTech приложение получило 300% новых юзеров через TikTok за 2 недели.
Богдан экспериментирует с Content-Market-Fit и уже получает миллионы просмотров и тысячи инсталлов через короткие видео.

Бесплатный Deep Search от Grok3

В копилку к Deep Search добавляется еще Grok3. Его сделали бесплатным, да и модель сейчас State-of-the-art.

Потестировал - очень неплохо решение, ищет на множестве сайтов, а топовая модель делает хороший анализ результатов. Дизайн крутой. Из минусов: все еще не оператор, поиск просто берет первые n ссылок из гугл выдачи и анализирует их - никуда вглубь сайта не ходит, инструкциям следует не очень. Если напишешь "Сходи на https:....com и возьми данные", то он будет гуглить вместо простого перехода по ссылке.

Попробовать тут

В эту субботу в 14:00 мы проведём прямой эфир с Эмилией (ее канал)! Обсудим преподавание, продакт-менеджмент и текущую ситуацию на рынке труда:

-Какие ключевые навыки нужны для успеха в продакт-менеджменте?
-Как современные технологии и ИИ меняют роль продакт-менеджера?
-Какие секреты интервью помогут выделиться среди множества кандидатов?
-Правда ли, что утренний кофе для продакт-менеджера – это не просто кофе, а настоящий MVP, который спасает продукт от краха?

Если у вас есть вопросы по карьере, интервью пишите их в комментариях. Не пропустите!

Вышла очень крутая беседа с Эмилией! За почти 1.5 часа затронули:

-Как стать продактом
-Ожидание и реальность работы продакта
-Жизнь продакта с появлением ИИ
-Преподавание: чем полезно и стоит ли того
-Продакт-менеджмент как стиль жизни
-Главный совет начинающим продактам

Получилось погрузиться в детали, если остались вопросы, то можете написать их под этим постом.

Видео, к сожалению, не сохранилось, поэтому можете послушать в качестве подкаста!

Сколько максимум источников в гпт было у вас?