Знакомые ищут Руководителя ИИ направления. [ CAIO ]

Задачи:
- формировать стратегию развития ИИ в компании (масштаб ~700 сотрудников)
- управлять внедрением (Ml Ops, ML Sec Ops, агенты)
- уметь самому руками настраивать агентов и вайбкодить прототипы и вот это вот все.

Позиция уровня CxO.
Если чувствуете силы и есть желание отмечайтесь в комментах,- напишу сам в лс с запросом резюме.

Персональные данные в чате не публикуем.

Горшочек не вари. :)

Пауза пока. Кандидатов уже много. Хватит на 10 компаний.
Пост не удаляю для истории.

Может обратную историю запустить? Кому кандидаты нужны? :)

#вакансии
------
@tsingular

Навык pmbok6

Создан на основе полного русского перевода PMBOK® Guide — Sixth Edition (PMI, 2017, 762 стр.).
13 глав, стандарт управления проектом, 5 приложений X1–X5. Каждый раздел распределён по своему .md-файлу: 17 справочных в references/, 4 шаблона в templates/, оркестратор в SKILL.md.

С этим навыком ваш ИИ агент сможет:

Планировать проекты «с нуля»
— Создать устав, ИСР, расписание, бюджет, реестр рисков, матрицу стейкхолдеров по шаблонам
— Разложить любой проект на 49 процессов и сказать, что когда делать

Считать и анализировать
— EVM: SPI, CPI, EAC, ETC, TCPI — дай фактические данные, скажу, укладываешься или нет
— Критический путь, PERT (O+4M+P/6), резервы, сжатие расписания
— EMV рисков, PTA для контрактов FPIF

Подбирать инструменты под процесс
— Нужно собрать требования? Интервью, фокус-группы, прототипирование
— Нужно проанализировать риски? SWOT, Монте-Карло, дерево решений, диаграмма «торнадо»
— Нужен контракт? CPFF, FPIF или T&M — с формулами расчёта поощрений

Адаптировать под Agile
— Как запустить инициацию в Scrum, как планировать бэклогом, как мониторить через burn-down и velocity
— Когда гибридный подход лучше чистого Agile или Waterfall

Готовить к PMP и аудировать проекты
— Карта 49 процессов, все ITTO по 10 областям знаний, ключевые концепции, изменения 5→6 издания
— Пройти по процессным группам и сказать, что пропущено или нарушено

навык в комментарии

https://github.com/mb-mal/pmbok6

Установка одной командой:

curl -fsSL https://raw.githubusercontent.com/mb-mal/pmbok6/main/install.sh | bash

#pmbook #навыки
———
@tsingular

Как я люблю метафоры…

Норвегия вылетела с чемпионата мира. Это лучший урок по ИИ-трансформации в этом месяце.

Смотрите, что произошло. Холанд забил семь голов, в одиночку выбил Бразилию — страна в эйфории, викинги гребут на Таймс-сквер. А в четвертьфинале Англия сделала простую вещь: поставила вокруг него пятерых. И звезда впервые за турнир не коснулась результата. Норвегия едет домой.

Англия победила не звездой. Англия победила системой.

Теперь переведите это на свою компанию.
У вас наверняка есть свой Холанд (возможно это директор по ии трансформации). Энтузиаст, который «забивает» собрал агента, автоматизировал свой участок, показал демо на собрании. Все аплодируют и в шоке. И ровно в этот момент вокруг него выстраивается оборона: безопасники, юристы, регламенты, руководители. Чем ярче звезда тем плотнее опека. Это нормальная реакция системы на инородное тело.

Консультанты знают эту статистику наизусть: около 70% трансформаций проваливаются, и не из-за технологий. У BCG есть правило 10/20/70 — только 10% успеха это алгоритмы, 20% технологии, а 70% — люди и процессы. Hero-driven transformation не масштабируется. Никогда.

Призываю понять глубже. Звезда это не механизм изменений. Звезда это доказательство возможного. Холанд не проиграл: он показал Норвегии, на что она способна. Дальше вопрос не к нему, а к тренеру.

Поэтому единственный честный вопрос владельцу бизнеса звучит так: вы ищете следующего Холанда в виде директора по ИИ трансформации (часто он безусловно нужен) или строите систему, в которой забить может любой?

Первое это надежда. Второе это стратегия.

Работники стали использовать микрофоны с глушителями для того чтобы команды голосом для ИИ не мешали коллегам в офисе.

#юмор #голос
------
@tsingular

Вайбкодеры через 5 лет

Ваши версии?

#юмор
------
@tsingular

В догонку:

https://github.com/mb-mal/pmbok6

Установка одной командой:

curl -fsSL https://raw.githubusercontent.com/mb-mal/pmbok6/main/install.sh | bash

#навык
------
@tsingular

а ты забавный. удалю тебя последним. :)

#юмор
———
@tsingular

Добро пожаловать всем вновь прибывшим.

В связи со стабильным ростом количества читателей, вопреки блокировкам, каналу снова требуются ваши бусты, для поддержания жироты широты эмоционального разнообразия и автопереводов.

Поддержите кому не жаль 😀:

https://t.me/boost/tsingular

——-

Welcome to all newcomers.

Due to increase in subscribers numbers, despite of telegram blockage, channel once again needs your boosts to keep the breadth of emoji diversity and automatic translations from russian to your language.

Any support appreciated 😀:

https://t.me/boost/tsingular

#boost
———
@tsingular

Трансформеры Hugging Face теперь летают в vLLM на родной скорости — без ручного портирования

⚡️ Авторы моделей годами жили в раздвоенном мире: пишешь эталонную реализацию для библиотеки transformers — понятную, самодостаточную, удобную для изучения, а потом вручную портируешь её под vLLM со всеми оптимизациями ядер и параллелизацией. Теперь этот второй шаг исчезает: transformers-бэкенд vLLM догнал и местами обогнал нативные реализации по пропускной способности.

🖥️ Достигается это через динамический анализ графа модели с помощью torch.fx и перезапись операций через AST прямо во время исполнения. Бэкенд ищет известные паттерны (MergedColumnParallelLinear, QKVParallelLinear) и применяет fused-ядра на лету, плюс torch.compile для компиляции всего, что можно скомпилировать. Модель при этом не меняется: достаточно флага --model-impl transformers при запуске vLLM. Тензорный параллелизм, data-parallel, expert-parallel — всё работает из коробки.

📊 Сравнивали на трёх моделях Qwen3 разного масштаба: 4B (dense, 1 GPU), 32B (tensor-parallel на 2 GPU) и 235B MoE (data-parallel + expert-parallel на 8 GPU). После оптимизации transformers-бэкенд сравнялся с нативными реализациями vLLM, а на MoE-модели — обогнал. Поддерживается 450+ архитектур из экосистемы Hugging Face, не работает пока только с linear attention — но это временно.

Путь от «зарелизил модель на Hugging Face» до «пользователи гоняют её в vLLM на максимальной скорости» сократился до одного шага.
Код выложен, установка — uv pip install --upgrade vllm.

#HuggingFace #vLLM #инференс
------
@tsingular

Сбер выкатил в опенсорс GigaAM Multilingual и GigaChat Audio

Статьи по архитектуре моделей уже приняли на Interspeech 2026. В релизах исправили две проблемы открытых Speech AI систем — слабую поддержку языков СНГ и деградацию качества на длинных аудио.

GigaAM Multilingual — мультиязычный стек для распознавания русского, казахского, киргизского, узбекского и английского. Тут две части: аудио-энкодер и CTC ASR. Энкодер обучали на 2 млн часов речи на 70+ языках, и он быстро адаптируется к новым доменам. На башкирском и грузинском его дообучили с одного датасета Common Voice до ошибки WER ~4% (у Whisper Encoder при тех же вводных — 11%+). А модель распознавания CTC ASR в версии на 240M параметров обходит Whisper Large v3 и Omnilingual 1B, хотя весит кратно меньше.

GigaChat Audio — это audio-native LLM на базе GigaAM Multilingual и GigaChat3.1-10B-A1.8B. Модель тянет до 2 часов контекста и умеет в temporal grounding — локализацию событий во времени с таймстемпами и суммаризацией интервалов. На длинных записях от 20 до 60 минут точность локализации IoU составляет 48.3, в то время как у Voxtral, Phi-4 и Qwen3-Omni результат близок к нулю. Вдобавок опубликовали датасет TimeGround-1M для обучения LLM привязке событий ко времени, а на RuBQ-Audio модель выбивает 60.0 (против 43.7 у Qwen3-Omni).

Полноразмерную GigaChat-Max-Audio уже добавили в ИИ-помощник ГигаЧат giga.chat, а распознавание голосовых сообщений работает в @smartspeech_sber_bot. Веса открытых моделей, датасет и статьи на arXiv уже в сети.

GigaAM Multilingual
GigaChat Audio

@ai_newz