Чему учит отсутствие конкуренции Один предприниматель решил открыть ресторан в небольшом городе, где почти не было заведений общественного питания. Он считал, что без соперников успех ему обеспечен. Но спустя несколько месяцев бизнес начал приносить убытки. Причина оказалась простой: малое количество конкурентов не гарантирует поток клиентов. Ресторан не выделялся — ни меню, ни атмосферой. Ситуация изменилась, когда в городе появился новый ресторан с ярким интерьером и оригинальным подходом к кухне. Люди начали уходить туда, и стало очевидно: простое присутствие на рынке недостаточно. Предприниматель осознал, что важно не только занять свободную нишу, но и постоянно развиваться, предлагать что-то особенное и ориентироваться на желания своих гостей. Вывод прост: отсутствие конкуренции — не повод расслабляться. Даже в «тихом» рынке выигрывает тот, кто умеет удивлять и ценит своих клиентов. Фаундер | Бизнес и Стартапы

Провела внутренний мастер класс по ИИ для коллег. Показывала очень конкретные примеры того, как работаю с диском, таблицами и данными, превращаю их в дашборды. Несколько мыслей по итогу: 1. Всего полгода назад я не умела ничего из того, о чем сегодня не рассказывала. По внутренним ощущениям кажется, что я уже вечность с ИИ, но нет - продвинутое взаимодействие я начала в январе-феврале. А умную ИИ-систему построила всего месяц назад. 2. Вторая мысль грустнее. Я хотела, чтоб ребята ушли с ощущением - О! Я тоже так смогу! Но мне кажется, что все ушли с ощущением, что все это очень сложно. И далеко - недостижимо. И надо у кого-то долго и сложно учиться. И тут повторюсь, я полгода назад была в этой точке. Добежать до моего уровня можно очень быстро при желании. Но мне кажется, мне не поверили, что это реально просто можно освоить. 3. Работать с документами. таблицами и дашами через коннекторы и MCP - лучшее, что случилось в моей рабочей жизни. Сокращает недели, месяцы рутинного труда. Я тут совершенно точно не преувеличиваю оценку. 4. Такие воркшопы с обменом опытом - лучше всего продвигают в технике взаимодействия с ИИ. Видишь, как рабочую задачу решает коллега, пробуешь решить ее также = осваиваешь новую ступеньку. Просто надо делать это регулярно. Я почти каждый вечер и каждую субботу что-то «пилю» в своей ИИ-системе. Не считая того, что ежедневно активно использую в работе. 5. Мне говорили - ну что там готовиться? Придешь расскажешь как что делаешь. Кажется во мне ноль импровизации))) я упоролась: разработала структуру этого МК, превратила в интерактивный чек-лист, сделала раздатку про подключения, собрала в кучу все материалы для демонстрации. Часа два готовилась вчера ночью. А потом еще плохо спала: металась между «никто не придет» и «придет неуправляемо много людей». Рада, что провела. Но с моим уровнем ответственности это было вообще не легко. Надеюсь, ребятам будет полезно. В общем, как ваш ИИ-амбассадор, призываю - продолжайте пробовать и не бойтесь. Шаг за шагом все освоится. Любовь на удаленке | Оля Сохнева #ИИ_наудаленке

🚀 OpenAI приближается к $40 млрд годовой выручки. По данным Bloomberg, компания сейчас движется к annualized revenue run rate около $40 млрд - примерно в два раза больше, чем в конце 2025 года. Главный драйвер роста - не только ChatGPT, но и инструменты для разработчиков. Особенно быстро растёт Codex, который становится одним из самых сильных направлений бизнеса OpenAI. При этом Anthropic с Claude Code показывает агрессивную динамику и уже движется к очень высоким показателям выручки в корпоративном сегменте. AI-рынок всё больше превращается в гонку не только моделей, но и продуктов вокруг них: кто лучше встроится в рабочие процессы разработчиков и компаний, тот заберёт большую часть рынка.

Коллайдер, для разбора протона на детали В США готовятся строить электрон-ионный коллайдер — EIC. Установка станет первой в мире, где сталкиваются поляризованные электроны с поляризованными протонами и ионами. Перед началом стройки американская команда расширила сотрудничество с CERN. Сначала объясним зачем это нужно, простыми словами. Почти вся видимая материя вокруг нас состоит из протонов и нейтронов. Казалось бы, они изучены вдоль и поперёк. Но как именно фундаментальные частицы и силы внутри них складываются в те свойства, которые мы у протона измеряем, физика до конца не понимает. EIC и строят ради этого: просветить протоны, нейтроны и атомные ядра с недостижимой прежде точностью. Что-то вроде рентгена, только для внутренностей ядерной материи. Слово «поляризованный» здесь ключевое. Оно означает, что частицы в пучке ориентированы согласованно, а не вразнобой. Такой пучок позволяет задавать эксперименту направленные вопросы вместо того, чтобы усреднять всё подряд. Проектом с 2022 года руководит Луизелла Лари. По её словам, сообщество CERN «крайне заинтересовано» в научной программе EIC, а физики «хотят EIC» — им нужны новые, непохожие на прежние данные. 28 мая Лари выступила на коллоквиуме в CERN с докладом «Путь к электрон-ионному коллайдеру»: статус, цели, ожидаемый эффект. Обсуждали работу коллайдеров, будущие научные возможности и роль ИИ в физических исследованиях. Сотрудничество, впрочем, не с нуля — у CERN и EIC уже есть общая история: техническая экспертиза, вклад ресурсами, совместные разработки. Будем ждать результатов! @vselennayaplus

Вышел технический репорт о Sona – модели, которая заменила весь рекомендательный стек Яндекс Музыки https://arxiv.org/abs/2608.11015 Эта модель – итог целого года работы. И это лучшее внедрение трансформеров в истории А/B-тестов в Яндекс Музыке. Но главное здесь, что Sona – это одна модель. До этого продакшн-каскад рекомендаций Яндекс Музыки включал в себя 15+ генераторов кандидатов плюс ранжирование на сотнях ручных фич. И это все заменили единой моделью, обучаемой end-to-end. Это даже звучит сложно, а на деле несет за собой еще больше проблем и нюансов, чем может показаться на первый взгляд. Вот три центральных момента: 1️⃣ Раньше, в подходах типа OneRec, ранжирование считала отдельная модель на ручных фичах. Sona же должна была стать единым рецептом обучения и инференса, то есть декодер (который генерирует кандидатов) и ранкер (который их ранжирует) должны использовать один и тот же энкодер user-эмбеддингов, которые рассчитываются один раз за запрос. А значит – надо обходиться без ручных фич. Но проблема в том, что явный сигнал (лайки, репиты) довольно редок, чтобы выучить ранжирование напрямую. Поэтому тут встроена дистилляция. Сначала обучали Teacher Ranker. Это большая, медленная, но очень умная модель, которую тренили аж на годе логов. Она не используется в проде и нужна для того, чтобы научить шустрый Ranking Module воспроизводить ее скоры. 2️⃣ Так как Sona – это encoder-decoder, обучаемый хронологически на Next Token Prediction, каждый трек нужно представить в виде токенов. Это называется Semantic ID. И тут кроется парадокс: чем больше растет словарь токенов, тем модель должна быть умнее, но на самом деле она просто не успевала эффективно использовать возросшее пространство и деградировала. Поэтому одной из самых сложных частей было сделать рецепт токенизации, который бы обеспечивал рост качества при росте словаря. Дьявол кроется в деталях. 3️⃣ Ну и, конечно же, инфраструктура. Переход на одну модель потребовал фактически нового движка рекомендаций, включая сложный online learning pipeline. Кроме того, авторегрессивная генерация с длинными историями – это дорого, и поэтому пришлось прорабатывать отдельные архитектурные трюки (History Compression, кастомные CUDA-кернелы, radix top-k), просто чтобы уложиться в приемлемую латентность. Ради чего была вся эта огромная работа? На этот вопрос хорошо отвечают метрики. Sona принесла: +4,53% Active Users, +6,30% Total Listening Time и +11,42% Likes. Причем это прирост поверх улучшений от предыдущих внедрений, которые оставались в контрольной выборке в продакшне. В планах у команды – масштабирование, добавление RL и, конечно, раскачивание Sona на полный трафик. Поздравляем ребят с грандиозными результатами!