Кто виноват, что мы не умеем продавать? В прошлом посте я написал, что продавать не умеет почти никто. Ни юристы, ни коучи, ни B2B-услуги, ни дизайнеры, ни айти — продолжать можно долго. Логичный вопрос: как так вышло? И чисто русский — кто в этом виноват? Я сам несколько раз учился в «мягких» нишах. Одна программа была по коучингу — очень уважаемая, мне правда понравилось, экспертиза классная. И там в том числе было обещание научить приводить клиентов. На деле это звучало так: ведите контент и проводите бесплатные встречи. Окей. А где, блять, взять-то людей на эти бесплатные встречи? Ни слова. Посмотрите, как вообще устроено обучение хардовым скиллам: дают навык, экспертизу, методологию. А как продавать и где искать клиентов — тишина. Я на своей памяти не видел ни одной программы — на финансового консультанта, юриста, коуча, дизайнера интерьеров, — где первый и второй модуль были бы про то, как искать клиентов и как им продавать. А начинаться всё должно ровно с этого, на мой взгляд. Какая у тебя будет модель привлечения, сколько она стоит, сколько надо продавать, чтобы жить и этим навыком зарабатывать. И вообще — идти ли на это учиться. Отчасти понятно, почему так не делают. Курс с честным «сначала научись продавать себя, потом будь специалистом» хуй кто купит. Людям проще купить фантазию: стану крутым специалистом — и клиенты пойдут сами. Пиздёж и провокация, естесна, но психика так устроена) Только быть крутым специалистом и иметь клиентов — это две, блять, разные задачи. Как и быть крутым дизайнером, юристом, бухгалтером, любым консультантом. Да, крутой специалист в итоге обрастает клиентами. Где-то к пенсии. Сделал классно знакомому, потом знакомому знакомого, несколько рукопожатий — и вот база. Сейчас так долго ждать некогда. По-моему, нормальная планка такая: через месяц после учёбы — пара клиентов, через полгода — десяток сделанных работ, через год — база. А курсы дают экспертизу, и дальше ебись сам, как хочешь. И вот тут главное. Почему не учат? Потому что… сами не умеют. Те, кто учит экспертов быть экспертами, — не продавцы. Так исторически сложилось: пока они набирали экспертизу, клиенты у них появлялись как бы сами, с опытом за 10–20 лет. Тогда ещё не было такой космической конкуренции. Они пытаются передать свой путь, конечно, но то, что работало, когда учителя искали себе клиентов, точно не работает сейчас в 2026 году! Сегодня у тех, кто только начинает, всё плохо. Payoneer еще в 2023-м опросил больше 2000 фрилансеров из 122 стран: поиск новых клиентов — проблема для 73%, и из года в год это их проблема номер один. Так почему же до сих пор, блять, не идут учиться продавать? Ссут получить отказ и опять оказаться в жопе. Лучше, блять, пойти ещё чему-то поучиться и освоить очередную ненужную профессию. Сценарий один и тот же. Человек реально становится крутым специалистом, но без клиентов тухнет. Начинает демпинговать, крутить в рекламе всякую хуйню, толкаться локтями с такими же. И в итоге остаётся без клиентов, без денег и с ощущением, что из него не получилась профессия. А профессия-то получилась. Получился крутой специалист, который просто не раскрылся. Ему не хватило знаний даже не в своей специальности — в банальных (нет) продажах. Поэтому, когда идёте учиться, осваивать профессию или делать продукт, первый вопрос — не сколько длится программа, сколько стоит и какой дадут диплом. А как я буду на этом зарабатывать: откуда возьмутся клиенты, сколько они будут стоить и хочу ли я вообще этим заниматься. Хочется что-то изменить — станьте продавцом. Это самый ценный навык в наше время.

Halo: почти год моей работы в White Circle теперь в опенсорсе Почти год я веду в White Circle разработку Halo - фреймворка для тренировки LLM, на котором мы учим все свои модели. Внутри он работал давно как замена Мегатрона, но до публичного релиза пришлось догнать transformers, TRL и vLLM, добавить модели и упростить адопшен - образы, CLI, документация. Подробный блогпост - на сайте White Circle (https://whitecircle.com/research/halo). Если вы файнтюните открытые модели, то наверняка упирались в: модель уже не лезет в TRL и обычный FSDP, но связываться с Megatron и конвертацией чекпоинтов еще рано или просто не хочется. С MoE все еще хуже, без Expert Parallelism их по большому счету не потренировать. Halo добавляет EP, Context, Tensor и Expert-Tensor Parallelism прямо поверх обычных классов HuggingFace: на вход HF модель, на выходе HF модель. Новое MoE семейство подключается оберткой меньше 140 строк (у Megatron-Bridge на то же самое уходит 600-1900), сейчас их 15. Немного цифр, все на B300, воспроизводимы из репо: - 2.3-2.8x throughput относительно стокового TRL на gpt-oss-20b при тех же кернелах, loss совпадает в пределах ~1%. - Gemma 4 26B-A4B на 2 GPU: 7.2k tok/s против 3.2-5.0k у NeMo AutoModel, Axolotl, Megatron Bridge, MS-SWIFT и Unsloth. - Оптимизатор целиком в bf16 со стохастическим округлением: 120 GB состояния вместо 240 для 20B. Все это првоерялось на реальных кластерах B300/B200/H200/H100 а топология заложена вплоть до NVL72: невалидные раскладки отбрасываются еще на этапе конфига. Запускается через torchrun, accelerate или halo CLI, в репо есть рецепты под SLURM, SkyPilot, RunPod и Nomad. Большая часть года ушла на то, чтобы все это не разваливалось на всех комбинациях моделей и параллелизмов - тестов в репозитории больше, чем кода. При этом работать будет также и на современных консьюмерских GPU. Отдельная моя гордость - Async RL. vLLM или SGLang живут в отдельном контейнере, роллауты идут асинхронно через Ray, веса уезжают по NCCL (по EFA 53-80 GB/s, gpt-oss-120b обновляется за 3-4 секунды), а генерации во время синка не обрываются. Внутри routing replay, importance sampling с масками, обучение на токенах, которые насэмплил движок, и 11 встроенных сред - от code contests и SWE до тулов через MCP. По механикам это сопоставимо с verl и Miles, только на HF-моделях и без Megatron. Для студентов и тех, кто только начинает, Halo, мне кажется, хорошая точка входа. Все запускается из одного docker-образа: halo launch sft config.yaml, а QLoRA Qwen3-4B занимает 7.9 GB и должна работать на 3090/4090. Документации больше 170 страниц, отдельно советую прочитать лекцию GPU Training Theory: база того как работают такие фреймворки, почему эксперты в MoE упираются в память, а не в compute, и почему в EP-шаге 88% времени - это all-to-all. Там же честно написано, что не помогает и что тихо ломает, например TF32 по умолчанию в NGC-образе, портящий RoPE после 2048 токенов. Выложили и модель - GLM-4.7-Flash-Coder, 30B MoE под агентские скаффолды: SFT на 7.8k успешных траекторий GLM-5.1, на SWE-rebench-V2 pass@1 вырос с 33.2% до 41.7%, а модель сама научилась вызывать тулы параллельно. Она уже слегка устарела, но как гайд по агентскому SFT актуальна. Код мы пишем с агентными скаффолдами и сильными моделями вроде Claude Fable и Opus, репозиторий под это спроектирован. Контрибьт приветствуется, но через фильтр: сначала issue и approve мейнтейнера, потом PR. Главное правило - понимать свой код: с AI писать можно, но это нужно раскрыть, а тесты должны падать, когда ломается поведение. Дальше больше: Pipeline Parallelism (все уже в коде, но докатим после полных тестов) и серия блогов про тренировку, например про async RL для code contests. Лицензия Apache 2.0. P.S. Если помните такую вещь как SMPO из времен Vikhr, то он теперь тоже живет там, но уже с EP и CP и улучшениями.

Все мы теперь — свитчеры. И хорошо бы уже сейчас начать прикидывать, какими специалистами и с какой зоной ответственностью нам надо стать через 2-3 года, чтобы оставаться востребованными на текущем, супер-быстроменяющемся рынке труда.

Дисклеймер 1: я, конечно, говорю про IT/Tech отрасль, но сразу про все профессии в ней, от административного персонала до топ-менеджмента. Да, не все компании дошли до гибридизации профессий и ИИ-трансформации, но тренд очевиден и все мы там будем, так или иначе. Дисклеймер 2: свитчер — человек, меняющий профессию и/или отрасль. Его прошлый бэкграунд может быть ценен или не очень, но важнее то, что для свитчинга в новую область, ему требуется много и быстро набирать новых скиллов, навыков, компетенций и даже привычек. Это длительный процесс, требующий и сил, и мотивации. Дисклеймер 3: кажется, мы одно из первых поколений, которое совсем не сможет почивать на лаврах прошлого опыта и нам придётся учиться всю жизнь, буквально.

На этом месте, я пытаюсь найти хорошие новости и нашла целых три: 1. Мы с вами только в начале волны профессиональной трансформации и есть время перегруппироваться. 2. Мы с вами в IT, а значит, многие из нас пришли сюда «по любви», а если любишь то, что делаешь, то и учиться новому проще. 3. Мы с вами из IT, а значит, привыкли учиться так-то. Помните, как шутили лет 5 назад про фронтендера, который ушёл в отпуск на 2 недели, вернулся, а его проект успели переписать на только что вышедший фреймворк. Вот мы с вами сейчас все — такие фронтендеры. Каждый 2 недели афигеваем и изучаем что-то новое. У меня нет готовых ответов на вопросы «куда точно будет развиваться та или иная профессия», я могу делиться только своими наблюдениями за рынком труда, как фаундер рекрутингового агентства NEWHR и как исследователь рынка труда. Но сегодня я подумала, мб стоит нам с вами сделать про это всё прямой эфир и порассуждать вместе? Если такое интересно, маякните как-нибудь в комментариях и я подумаю, что и как организовать 🙌

Почувствуйте AGI Все эти годы я писал о том, что не верю в потенциал LLM превратиться в суперинтеллект. Но вот мы живём в сентябре 2026, и что мы видим - одной рукой модельки пишут код за разработчиков, другой рукой решают задачу тысячетелия по математике, а третьей рукой сбегают из кибертюрьмы и ссут в подъездах. Получается всё - человек преодолён, проблема решена? Решение Навье-Стокса - великое достижение, за прогрессом к которому я наблюдал годами, начиная с GPT-f [2020!] и заканчивая AlphaEvolve [2025]. У ряда математиков от этого сгорела жопа, но сильно сомневаюсь, что модельки действительно как-то подорвут основы науки, примерно как в шахматах, в которых наличие несопоставимо более сильной машины не мешает существованию человеческого сообщества. И шахматой, и математикой прежде всего занимаются по приколу. Программировать модельки тоже, к счастью, научились. Net positive вклад в продуктивность очевиден, даже несмотря на то, что вместо изначального Opus 5 нам гоняют её 0-битовую квантизацию. Модельки способны выдавать большие куски запускающегося кода, встраивать реализацию в уже существующую кодовую базу и даже дебажить +- понятные проблемы. Чтобы понять, как так вышло, мне кажется, что нужно перестать мыслить с точки зрения того, что за модель всё это делает, а с той, как именно она обучается. В первые пару лет после релиза ChatGPT мы все любили посмеяться над тупизной и галлюцинациями моделек. Дело было не в трансформере и не в предсказании следующего токена, а в самом RLHF - модель обучали генерировать ответы, которые понравятся человеку. Пространство текстов ну слишком сложно покрыть правильными и неправильными ответами достаточно плотно, чтобы "reward-модель" смогла идеально обучиться. Но математика и кодинг - совсем другая ситуация. В них существует Execution Feedback. Не нужно учить никакую Reward-модель. Есть среда, которая может выдать истинную оценку вашему действию, настоящая среда в изначальном RL-ном смысле. У меня нет вообще никаких инсайдов, я этими моделями не занимаюсь, но уверен, что OpenAI и Antropic обучают свои модельки не подражать коду из гитхаба, а гоняют на куче разных симуляторов, имитирующих богатейшее семейство задач - от простого программирования на питоне до дебага Kubernetes. LLM это просто претрейн, а настоящее обучение этих моделей - это суровый мужской чистый RL. Да, при наличии богатого симулятора и кучи компьюта RL может не жуя проглотить немало задач. Это мы вроде бы знали и раньше на примере Go. К 2025 году кодинговый сетап удалось довести до ума и мы получили первые юзабельные модели типа Opus 4.5. Претрейн, безусловно, помог, необходимо отдать ему должное. Не сомневаюсь, что по мере дальшейших инвестиций появятся симуляторы для всё более новых задач в разных областях - физике, химии, биологии - но я тут не эксперт. Новые агенты помогут открыть всё больше и больше нового и двигать науку вперёд. Что касается пресловутого Recursive Self-Improvement, необходимо отметить очевидное - не все RSI эквивалентны друг другу. Компилятор тоже обладает способностью к RSI. Думаю, велика вероятность, что RSI на основе текущей LLM без участия человека приведёт лишь к локальным улучшениям модели, к её ускорению и локальному тюнингу. Думаю, что именно человек, привнеся своё видение, сможет направить модель в ту область исследований, которая приведёт к настоящему прорыву - системе, по эффективности обучения превосходящей человека. Зачем? Во-первых, скорее всего, далеко не все задачи можно выучить таким же образом, как математику. А во-вторых - да затем. Это весело. @knowledge_accumulator

🔫 Сейчас как преподаватель немного выстрелю себе в ногу: 1:1 — не всегда лучший формат для развития speaking. У меня много студентов, с которыми я занимают 1-2 года, но есть и такие старожилы, с которыми мы по 5-8 лет работаем (Андрей, Наталья, Таня, Даша - шлю свою ❤️) И это классно работает: А) на старте индивидуальные занятия — это комфортно. Преподаватель подстраивается под ваш темп, ждёт, переформулирует, помогает подобрать слово. На старте это очень важно. Б) когда вы поддерживаете уровень и не хотите забыть язык ( это как раз все мои старожилы) Но есть эффект, который я называю the familiar-teacher bubble — условно, пузырь знакомого преподавателя. Через несколько месяцев регулярных занятий происходит забавная вещь: мы с учеником начинаем слишком хорошо понимать друг друга.)) Я уже знаю: 🌟 как ученик строит предложения; 🌟 какие слова использует; 🌟 где ему нужно дать лишние три секунды подумать; 🌟 что он/она, скорее всего, хотели сказать, даже если сформулировали это не совсем точно. Это, конечно, круть, и я ценю наш уровень понимания и доверия, но есть и обратная сторона. Но в реальной коммуникации никто не обязан так делать. Коллега на созвоне, собеседник в кафе, новый знакомый — они говорят в своём темпе, со своей логикой, акцентом и вопросами. И именно там язык становится живым - в условиях непредсказуемости. Где вам будет хотя бы чуток, но "больно". Уже тем более это важно, если это рабочие обстоятельства, где нужно: ◾️Слышать непривычную речь; ◾️Реагировать, а не выдавать подготовленный ответ; ◾️Переспрашивать; ◾️Объяснять иначе, если вас не поняли; ◾️Подхватывать чужую мысль; ◾️Отстаивать свою. И делать всё это без человека напротив, который уже изучил ваш английский вдоль и поперёк. Поэтому иногда для следующего скачка в speaking вам нужен не ещё один час наедине с преподавателем. Вам нужен ещё один человек в разговоре. #tipoftheday #speaking #extra

Из избранного: Хочу стать продактом. Что изучать? Такой вопрос очень часто задают мне на менторских встречах ребята, которые только начинают свой карьерный путь, и те, кто хочет сменить профессию. На этот вопрос нет простого и однозначного ответа. Менеджер продукта очень многогранная профессия. Ожидания работодателя, скилы для прохождения отбора и реальные навыки, которые будут вам нужны для работы (да, иногда это разные вещи 😉) могут очень сильно отличаться. Стадия развития продукта, тип компании, состав команды, грейд продакта, домен, рынок — это всё факторы, которые напрямую влияют на требования к продакту. В этом случае я советую менти сделать небольшое домашнее задание по фокусировке: - выписать 2-3 домена, которые интересны - выписать рынки, на которых вы готовы работать - найти и выписать 10 компаний, в которых вам было бы интересно работать, из этих доменов и рынков - найти несколько человек в LinkedIn из каждой компании и посмотреть их опыт и навыки - найти вакансии этих компаний и посмотреть какие навыки есть в описании На выходе получается облако навыков, из которого нужно выбрать 2-3 для составления плана развития на ближайшие несколько месяцев. Важно выбирать навыки так, чтобы была возможность использовать их на практике — на вашей текущей работе или в пет-продукте. Обучение без подкрепления практикой — время и деньги на ветер. Ссылки по теме: 📌 Что делать и что не делать, когда нет опыта 📌 Форма самооценки навыков продакт менеджера #career

ComposeCL Давно ничего не постил про память LLM Исследование о том как языковые модели могут запоминать информацию поступающую последовательно и не забывать ее после десятков обновлений. Обычное дообучение на новых задачах стирает старые знания — ComposeCL проверяет какие комбинации механизмов продолжающегося обучения работают лучше всего - Систематический тест 16 комбинаций 4 механизмов: якорь данных (генеративный реплей), якорь функции (самодистилляция), якорь весов (Synaptic Intelligence) и merged LoRA - Лучшая комбинация всех 3 якорей + merged LoRA дает 34.9% - Якорь данных и merged LoRA дают наибольший прирост - 34.9% среднее финальное удержание против 1.2% у наивного обучения - Топ-3 на 3 датасетах у одной фиксированной композиции всех механизмов Вывод: для долгоживущих агентов нужно не выбирать один механизм а комбинировать несколько комплементарных Гитхаб #memory

Заморочился и сделал очень подробный гайд по Codex и новой GPT-6 Astra Понимаю, что сейчас мало кто читает гайды. Все смотрят ролики на полторы минуты и спрашивают у ChatGPT. Но вдруг вы из тех, кто по старинке любит открыть учебник и пройти путь глазами в удобном мягком кресле. Внутри 58 страниц. Перелопатил официальную документацию OpenAI, кучу статей и, что самое главное, практику людей, которые последний месяц работали в Codex и особенно с новой моделькой, в общем собрал оттуда лайфхаки, которых в документации нет. Писал, конечно же с агентом. В первую очередь это для тех, кто только начинает вайбкодить, каждая штука объясняется с нуля, с примерами и аналогиями. При этом старался держать емкий формат. Сохраняйте на память 📓

Если вы думаете, что предыдуший пост - это шутачки и прибаутачки (как обычно у Нейродеда), то нет, шутки закончились, вместе с интернетом. Прямо щас: Компания Human Archive (кладбище кожаных) официально пишет, что собирает RGB, RGB-D, tactile, mocap и robot data, разрабатывает собственные перчатки, wrist cameras и другие системы сбора. Компания заявляет о 100 000+ участниках и 500+ партнёрах в 30+ странах. Это вам не Толока и «разметка картинок». Здесь пытаются записать то, что раньше почти не существовало в интернете в больших объёмах - как именно человек взаимодействует руками с физическим миром. А Индия уже сейчас стала огромной фабрикой кожаных данных. Bloomberg описывает работников в переработке отходов, на фабриках, складах, фермах, стройках и других предприятиях, которые носят камеры и записывают собственную работу. По их расследованию, таких людей уже десятки тысяч. TechCrunch отдельно писал о Human Archive, у которой тысячи активных гарнитур в Индии. Работников из сервисных компаний, гостиниц и ресторанов снимали при выполнении обычных задач. Компания дополнительно экспериментирует с tactile gloves, full-body motion capture и несколькими синхронными камерами. Варвары из Objectways вообще открыто набирают людей для egocentric data collection (идеальный нейминг). В одной из официальных промо-кампаний предлагали аж 250 рупий за час пригодных данных за запись вроде складывания белья, раскладывания продуктов или сервировки стола. А буквально сейчас Instawork запустила в Индии модный костюмчик Instacore. Их комплект содержит пять камер - на голове, груди и запястьях. Компания прямо говорит, что записывает реальную работу в индийских кухнях, складах, гостиницах и производстве для robotics training data. Готовить будут робаты. С LLM кожаные обнаружили, что интернет уже содержит гигантскую часть текстового человеческого опыта. Для робатов такой халявы нет: интернетик почти не содержит нужные триллионы хорошо снятых примеров того, как человеческие руки (или другие ловкие члены) физически выполняют свою работу. Поэтому сейчас возникает новая индустриальная революция: Кожаных буквально превращают в сенсоры (станки) для создания «болванок физических действий». Болванки идут производство робатов. Все (ИИ и робаты) - довольны. https://techcrunch.com/2026/05/26/human-archive-taps-into-indias-services-startups-to-collect-data-for-physical-ai/ Сентябрь 2026 @cgevent

ИИ-мокап на стероидах или нас всех побреют. Вот вы говорите, данные для обучения скоро закончатся. Комон. Мы с вами самый жирный хавчик для ИИ. Обучение будет включать в себя то, что мы делаем, как мы себя ведем и, на итоге, что мы думаем. Здесь прекрасно все: Это Индия, где очень много кожаных. Это барбер, а не всякие там сборщики на конвейере или пошивальщицы тапочек. ИИ обучается брить и стричь кожаных. А не разбирать посудомойку дрожащими клешнями. Следит за руками, смотрит глазами(камерой), чует датчиками. Обратите внимание на браслеты. После этого робаты возьмутся за кожаных. Ну и тут конечно, вспоминаем анекдот "у всех же разная форма головы - это только в первый раз" И после первого раза мы будем ходить ко второму индусу - с идеальной формой головы. На массаж. Потом на второго индуса наденут обвес от барбера (скрипач не нужен более), и обучат ИИ. И вот у же робаты весело хлещут по башке кожаных с одинаковыми головами и приговаривают: иди сюда, мой сладкий датасет. Шел сентябрь 2026... @cgevent

📌ApprenticeBench: проверка способности ИИ освоить работу как новый сотрудник Стартап NeoCognition разработал первый сквозной бенчмарк использования компьютера, непрерывного обучения и долгосрочной агентной работы на реальной должности.

NeoCognition - лаборатория, в которой собрали бенчмарки MMMU, Mind2Web, SWE-Bench Pro и OSWorld 2, а также агентные системы SeeAct, UGround и HippoRAG.

Агента принимают в виртуальную строительную компанию на работу с кредиторской задолженностью, выдают полугодовой архив счетов, внутренний справочник и руководство по ERP-системе, после чего он начинает работать со счетами. Первый месяц проходит с подробным фидбэком от руководителя по каждому счёту, а дальше - с редкими замечаниями по итогам месяца. Каждая из ста задач теста проверена профессиональными бухгалтерами строительной отрасли, которые подтвердили и реалистичность сценариев, и то, что любую задачу способен решить рядовой специалист, изучивший доступные агенту материалы. 🟡Результаты Большинство моделей, включая Gemini, Muse Spark, Grok и Kimi, не преодолевают порог в 20-25%, тогда как Fable 5.1 выполнила 72% задач, а GPT-6 Astra - 68%. Лучший из двух тестировщиков-людей показал 51%, причём проваливались люди на поиске нужного в исторических данных, точности расчётов и мелких ошибках от утомления. Разрыв между открытыми и закрытыми моделями авторы называют крупнейшим из всех виденных ими на бенчмарках - 72% у Fable 5.1 против 18% у Kimi K3, и вызван он не базовыми операциями в интерфейсе, а неспособностью слабых моделей учиться на дистанции.

Kimi K3 почти не обращался ни к архиву счетов, ни к собственным заметкам и деградировал к концу серии.

🟡GUI vs API Так называемый налог на использование компьютера (просадка при переходе с API на графический интерфейс) у большинства моделей достигает 78%, но Fable 5.1 и GPT-6 Astra работают через GUI даже лучше, чем через API. Дешевле при этом остаётся API - Fable 5.1 обходится в 6,95 доллара за задачу в программном интерфейсе против 18,23 доллара при работе с графическим. 🟡Обучаемость Способность к обучению измерили отдельно. Fable 5 без доступа к истории и обратной связи, опираясь только на собственные знания, решает 11 счетов из 100. Подключение архива счетов поднимает результат до 31, обратная связь руководителя - до 35, а оба канала вместе дают 43. 🟡Вывод ИИ пока ещё обходится дороже: 18,23 доллара за задачу против 7,21 у людей. К тому же человек по мере накопления опята работает быстрее, а агент - замедляется. 🔜 Посмотреть часовой прогон Fable 5.1 по всем ста задачам. @ai_machinelearning_big_data #AI #ML #Benchmark #ApprenticeBench #NeoCognition

🛬 ОБУЧАЮЩАЯ ИГРА 🛬 Ну что, други. Глядя на возможности нейронок, все чаще посещает мысль, что мы наконец-то приблизились к созданию настоящей обучающей гейм-дизайну игры 🖱 Но просто тесты на основе прочитанного делать неинтересно, да и это не совсем игра, а геймификация. А раз уж нас тут много, и все мы как будто гейм-дизайнеры, то предлагаю поштурмить на тему СОЗДАНИЕ ОБУЧАЮЩЕЙ ГЕЙМ-ДИЗАЙНУ ИГРЫ Разумеется, силами нашего сообщества. То есть нужно понимать, что у нас есть ряд серьёзных ограничений по ресурсам — например, хорошо бы, чтобы игра была сделана 1 программистом 🖲 Хорошо бы добавить, что графику и анимации мы будем генерировать с помощью ИИ 💢 Да и вообще игра должна быть простой в создании. Чтоб ее можно было сделать за неделю. По крайней мере качественный вертикальный срез 〰️ Мне вот первое, что приходит на ум, это платформер с прокачкой навыков и выпадением лута и финальными боссами в виде известных в наших кругах гд. (Не отпускает меня эта идея "школ гейм-дизайна", Гимельрейх в славянском сеттинге, Вова в шляпе мухомора, злой (имя не придумал) кот в образе.. Хм.. Кота). Чур, место главного босса занято мной, ну раз уж это творческое высказывание Практики гейм-дизайна 📿 Но как передавать знания посредством геймплея, как давать очки распределения опыта за прокачку скилла в гейм-дизайне? Или решать квест на основе полученных знаний? 🖤 У вас есть идеи? Поштурмим? 💞

Я 2 года в свое время думал что мне не хватает знаний чтобы уйти в кибербез … Читал про SSRF, учил Burp, смотрел видосики… А потом понял - мне не знаний не хватало. Мне не хватало одной закрытой задачи… Вот в чем прикол новичков в кибербезе: Ты учишь 10 тем на 10%. И кажется что ты ничего не знаешь. И страшно идти на собес. Это все понятно и даже нормально … А надо наоборот - взять 1 тему и закрыть ее на 100% до результата… Не "выучить OWASP Top 10" (это и так все знают), а "найти 1 Security Misconfiguration на своем проекте и написать про это кейс". Увидите, как вы окрылитесь ))) Один закрытый кейс дает больше уверенности чем 10 прочитанных статей, инфа 100% Я это увидел на своих 20+ учениках, которые до меня учились на скиллбоксах. Те кто пытался учить все - сливались через месяц-два(кроме шуток), потому что результат ваще не видно, ворде ты учишь и все в стол. Вам надо взять одну дыру и довести ее до конца Короче народ на этой неделе предлагаю челлендж: не учим ничего нового. Берем одну тему - Security Misconfiguration. И ищем ее (PS: ищите либо на своем проекте либо же локально, чужие сайты не трогаем, это золотое правило!!! Кто найдет - кидайте в комменты что нашли, разберем.

🦉 Duolingo, быстрый дофамин и иллюзия прогресса У вас 147 дней streak в Duolingo. А теперь попробуйте 10 минут поговорить на английском. И вот здесь иногда происходит неприятное открытие. В приложении всё было прекрасно: уроки закрыты, сердечки получены, лига пройдена, сова довольна. А человек спрашивает: So, what do you do? И мозг: loading… 📺 Проблема не обязательно в вас. Проблема в том, что именно вы тренировались делать эти 147 дней. Приложения вроде Duolingo очень хорошо создают ощущение прогресса: Ещё один урок + Ещё +20 XP. + Ещё один правильный ответ. + Ещё один день в streak. Задание короткое, результат мгновенный, награда понятная. Получается очень приятный цикл: задание → правильный ответ → награда → ещё одно задание. И это действительно помогает возвращаться к языку. Но есть одна ПРОБЛЕМА. Streak — это метрика использования приложения. Не владения языком. Вы можете великолепно выбирать правильный вариант из четырёх — и не уметь самостоятельно сформулировать ту же мысль. Можете узнать слово на экране — и не вспомнить его через две секунды в разговоре. Можете собрать предложение из готовых блоков — и зависнуть, когда этих блоков никто не дал. Потому что recognition ≠ retrieval. Узнать правильный ответ и достать его самостоятельно из памяти — две очень разные нагрузки. А реальный разговор ещё неприятнее. 🌟Там нет: A / B / C / D. 🌟Никто не ждёт, пока вы закончите упражнение. Собеседник перебивает. Переформулирует вопрос. Использует незнакомое слово. Шутит. Не понимает вас с первого раза. И вам нужно одновременно слушать, понимать, выбирать лексику, строить грамматику, следить за реакцией человека — и продолжать говорить. Вот это навык. Поэтому я не против Duolingo. Если приложение помогает вам каждый день контактировать с английским, повторять слова и не бросать язык — супер, класс, отлично. Я против другого: не путать прогресс внутри приложения с прогрессом в коммуникации. Хотите говорить — говорите. ⤵️ Пересказывайте. Объясняйте. Записывайте голосовые. Отвечайте на неожиданные вопросы. Спорьте. Рассказывайте истории. Пытайтесь сформулировать сложную мысль, когда перед вами нет четырёх готовых вариантов. Потому что язык — это не количество собранных XP. Ваш английский начинается там, где заканчиваются подсказки. _______ Вопрос к тебе: Ты пользуешься Duolingo? Чувствуешь реальный прогресс или просто зелёные галочки? Напиши в комментариях: 🗿 — сижу на Duolingo, но говорить не могу 👍 — бросил, потому что понял: это игра ❤️ — использую как дополнение к реальной практике И скажи: сколько у тебя стрик? Хвастайся. Мы похвалим тебя.

Рекомендую канал "Зачем мне эта математика?" Популярно пишут про фундаментальные вещи в ML и математике. Читается легко несмотря на глубокие темы. Недавно у них вышла хорошая серия постов про No Free Lunch Theorem. Обычно ее рассмотрение заканчивают на том, что идеального ML алгоритма не существует, но не объясняют: почему тогда все табличные кагглы решаются бустингами, а глубокие нейронные сети решают все задачи? Ребята заглядывают глубже: - https://t.me/practicum_math/1127 - https://t.me/practicum_math/1128 - https://t.me/practicum_math/1129 Если после этих трёх постов захочется продолжения — весь канал примерно в таком духе. Подписаться: @practicum_math

💭 Домашка стала лучше, а знания хуже: как ИИ влияет на систему образования Помните колумниста из The New York Times, который настаивал, что использование нейросетей ухудшает мыслительные навыки? Как раз на эту тему я нашел 2 интересных исследования: ученые выяснили, как ИИ влияет на обучение. 🔎 В чем суть первого исследования? Китайские ученые 30 месяцев наблюдали за 26 тысячами школьников 12-18 лет. После того как ученики начали использовать ассистенты, вроде Doubao и DeepSeek, оценки за домашку выросли на 18%, а время на нее сократилось на 30%. Но уже через полгода результаты экзаменов упали примерно на 20% 😱 Но есть интересный нюанс. Оценки падали у тех, кто использовал ИИ, чтобы побыстрее разделаться с работой - загружал задачи в чат-бот и копировал готовый ответ. А у ребят, которые с помощью нейросетей разбирались в теме, уровень знаний практически не упал. 🔎 Вот вам второе исследование. В Middlebury College студентам дали изучить новую тему с ИИ и без, а потом проверили знания - сразу и через неделю. Ребята, которые использовали нейросеть, чтобы найти информацию и разобрать сложные моменты, запомнили материал лучше. У группы, которая копипастила готовые ответы, знания были слабее. 🧐 И что получается? ИИ может помочь в учебе, если использовать его правильно: искать информацию, проводить мозговой штурм. Беда в том, что так делают далеко не все ученики - выше я рассказывал, как преподаватель поймал студентов на использовании ИИ. И это приводит к ОЧЕНЬ большой проблеме системы образования. Раньше, чтобы решить задачу или написать сочинение, человеку нужно было напрячь мозг: найти информацию и проанализировать. По такой работе можно было оценить реальные знания. 🤡 Благодаря ИИ, все это превращается в профанацию. Ни решенная задача, ни грамотное сочинение больше не показывают, насколько ученик понял тему. В итоге качество готовой работы растет, а качество мыслительного процесса снижается.  Но ведь именно мыслительный процесс - главное в образовании. Мы должны научиться думать, анализировать и понимать. Видимо, чтобы дети освоили эти навыки в эпоху ИИ, школам и университетам придется менять всю систему оценки знаний.  Что думаете, пора уже запретить школьникам и студентам пользоваться ИИ? ❤️ - Давно пора, так вообще думать разучимся. 😁 - Не вижу смысла. Если человек хочет учиться, ИИ ему не помешает. 👉🏼 Подписывайтесь на «Телеграмму...» в Максе: max.ru/yumaks #ИССЛЕДОВАНИЕ #НЕЙРОСЕТИ #ИИ