На конференции предприниматели рассказали автору (канал Dumik/AI Happens), что по их ощущениям 70-80% бизнесов сейчас самостоятельно собирают свой технологический стек — таск-трекер, базу, колл-трекинг, а сверху чат-боты и автоматизации — вместо того чтобы покупать готовое SaaS-решение. Причина простая: написать своё по затратам времени часто сопоставимо с онбордингом в чужую систему.
Это ломает классическую модель продаж стартапов, описанную Стивеном Бланком: клиент без бюджета с самописным решением у него считался идеальным «ранним евангелистом» именно потому, что таких мало и они терпят сырой продукт в обмен на внимание. Если же таким становится массовый, не-ранний клиент, вся экономика customer development меняется.
wslc. Так что прожорливый Docker Desktop можно с чистой совестью отправлять на мороз.
Похоже, микрослоповцы хотят, чтобы Windows стал лучшим дистрибутивом Linux 😂
Команда исследователей Т-Технологий выступила на международной конференции ACM RecSys 2026i в Миннеаполисе (США) с тремя разработками, решающими проблему нехватки данных в рекомендательных системах — так называемый холодный стартi, когда у нового пользователя нет истории действий, а у редких товаров почти нет взаимодействий. Все три инструмента — библиотека Scikit-Rank, фреймворк Perseus и метод ScaL³AE — выложены в открытый доступ.
Разработки нацелены на разные этапы работы рексистем: Perseus объединяет разрозненные данные о пользователе из разных сервисов экосистемы, Scikit-Rank упрощает внедрение нейросетевых моделей ранжирования в существующие пайплайны, а ScaL³AE позволяет эффективно работать с промышленными каталогами из миллионов товаров, в том числе с малым числом взаимодействий.
ВыводPerseus обучает нейросеть на общей последовательности сигналов о пользователе из разных продуктов (например, покупки в «Шопинге», кэшбэк, обращения в поддержку), благодаря чему даже новый сервис сразу «знает» клиента
