Хочется немного затереть с вами Мы с товарищем недавно обсуждали, чем наше поколение отличается от текущего Мол, если взять принципиальные какие-то вещи, то - сильно подорожало жилье, то есть стало почти недоступным, а это сильно влияет на представление о том, чем в жизни надо заниматься, как жить и на что нужны деньги - мир трясется, а вот опыта проживания кризисов еще вообще нет, от чего кажется, что будущее просто украли (= какой смысл что-то делать?) - есть широчайший доступ к негативной информации или просто к "пустому", на фоне чего все призывы к тому, что надо брать дело в свои руки может казаться радостным информационным цыганством - поощряется одиночество, потому что семья – опасно, дорого, неудобно (причем для каждого пола свои сказки и реалити-шоу) Я в Сигналах бытия (мой новый канал о будущем) на днях писала о "футурансии" – боязни будущего Вместе с тем, мой аналитик периодически шутит: говорит, Маша, вам надо съездить в отпуск в Сибирь (подразумевая, что там юные поколения ого-го) При этом, не то чтобы я хотела обобщить собственный пример, однако, если вспомнить: школу я заканчивала в Самаре, время было откровенно бандитское, и мое юное представление о мире было такое: - люблю историю и географию, но туда поступать – жить в нищете - деньги есть у финансистов/юристов, а еще у бандитов и их жен (но чаще – недолго) Я когда слушаю людей, у которых с детства был план или мечта, я диву даюсь, потому что ничего такого у меня не было, будущее было непроглядным, и по сути, я просто делала то, что умела хорошо – быть умной и стараться 😁😁😁🫶 Что скажете? Как было у вас?

Чтение мыслей 2.0 от Meta*: компания выпустила Brain2Qwerty v2 В компании сделали модель, которая может с большой точностью восстанавливать текст, который человек молча печатает на клавиатуре. И, кажется, они впервые доказали, что неинвазивные методы могут приближаться к качеству, которое раньше считалось достижимым только после операции на мозге аля Neuralink. Итак, Brain2Qwerty v2: – Система основана на Brain2Qwerty v1. Но, в отличие от первой версии, v2 восстанавливает текст без знания момента каждого нажатия клавиши. Она получает непрерывный поток мозговой активности и сразу генерирует предложение целиком. – Внутри задача разбита на три уровня: есть энкодер, который преобразовывает сырые сигналы MEG в отдельные символы. Дальше эту последовательность обрабатывает Aligner: он пытается понять, где начинаются и заканчиваются слова и строит их эмбеддинги. Далее эти эмбеддинги вместе с исходными сигналами отправляются в LLM, и она уже правит все в конечный вид. – Выглядит это все как огромная установка стоимостью в миллионы долларов. Точность относительно предыдущих методов, можно сказать, зашкаливает. Заявляется 61% word accuracy в среднем (около 70% на лучших участниках). При этом система может допускать больше символьных ошибок, чем первая версия, потому что не знает времени нажатия клавиш, но смысл оказывается намного ближе к оригиналу. И да, это все еще слишком низкая точность для массового применения. НО (и это самое интересное!) исследователи открыли почти идеальный scaling law. Качество продолжает улучшаться почти логарифмически с увеличением объема данных, и насыщения пока не видно. Так что возможно все, что нужно для очень точного неинвазивного чтения мыслей – это больше данных. В удивительное время живем. facebookresearch.github.io/brain2qwerty/

Об общих целях Саша и Коля запустили бизнес. За несколько лет он дорос до осязаемых масштабов. Основатели начали зарабатывать заметно больше своих сотрудников. Коля квартиру купил. И в этот момент забил: жизнь удалась, больше ему от бизнеса ничего не надо было. Миша и Петя запустили бизнес. За несколько лет компания доросла до осязаемых масштабов, и стало ясно, что великой она не станет. IPO и список Forbes не предвидятся никак. Миша забил. Квартира и деньги до конца жизни у него и так были, какой смысл стараться, чтобы их стало в два раза больше. Имена придуманные, истории – нет. Саша и Петя действительно тянут сейчас лямку в одиночестве, и им от этого совершенно не сладко. Проговаривайте на входе уровень амбиций и цели предприятия. Не всегда возможно, не от всего защитит, но лучше чем ничего. #простомысли

Управленческая дилемма С системной моделью вроде бы разобрались. Однако тут надо добавить еще один уровень сложности для систем — экономический и социальный. Системы не создаются для того, чтобы быть безопасными. Безопасность важна, но цель не этом. Системы существуют для производства продукции, оказания услуг — для получения экономической и другой выгоды.  У любой организации существует дилемма между рентабельностью и безопасностью. Если слишком много усилий тратить на безопасность, то возникнут проблемы с рентабельностью. Если же заниматься повышением рентабельности, то рано или поздно случится катастрофа.  Стивен Кови называл эту дилемму балансом между ресурсами и результатами. Если вкладываться в результаты — эксплуатировать доменную печь без плановых остановок и обслуживания, то у нас будут хорошие результаты, но скоро доменная печь сломается. Если мы будем слишком много времени уделять обслуживанию доменной печи, то она станет экономически невыгодной и у нас не будет ресурсов на ее поддержку.  Таким образом, существует зона безопасности — баланса между возможным уровнем рентабельности / производительности и необходимым уровнем защиты и/или обслуживания системы. Эта зона баланса зависит от восприятия ситуации в организации и извне. Давление может идти со всех стороны: со стороны проверяющих органов, общественности, государства. Сотрудники могут испытывать давление со стороны компании и т.д.  Рентабельность с одной стороны и надежность и безопасность с другой стороны противоречат друг другу. Можно создать систему по тщательному контролю оборудования, но это увеличит нагрузку на персонал и снизит полезное время работы оборудования, что, в свою очередь, снизит рентабельность компании. С другой стороны, можно начать выжимать максимум из оборудования, экономить на компонентах, что вначале сильно увеличит результаты, зато потом приведет к выходу из строя оборудования или аварии.  С точки зрения проектного управления и выделения ресурсов это представляет проблему. Проекты, направленные на поддержание безопасности и/или требуемого уровня надежности невозможно (или очень сложно) оценить стандартными методами финансовой оценки. Поэтому иногда требуется законодательные требования о том, что нужно делать для поддержки необходимого уровня безопасности. #системная_модель #ЧФ #управленческая_дилемма

Нейродайджест за неделю (#121) LLM - Анонс GPT 5.6 от OpenAI — Вышли три варианта (Sol, Terra, Luna). Это ответов на Fable. В следующем месяце версию Sol обещают запустить на Cerebras со скоростью 750 токенов в секунду. Генеративные модели - Нативные 4K в SeeDance 2.5 — ByteDance анонсировали новую модель с поддержкой до 50 мультимодальных референсов. А ещё запустили платформу для легальных ремиксов с отчислениями правообладателям. Прочее - Чип OpenAI — Jalapeño предназначен исключительно для инференса. Разработан совместно с Broadcom всего за девять месяцев, но продавать или сдавать в аренду его не планируют. - ИИ прочитал обуглившийся свиток — В рамках Vesuvius Challenge впервые удалось полностью расшифровать папирус, переживший извержение Везувия. Это оказался философский текст 2 века до нашей эры. > Читать дайджест #120 #дайджест @ai_newz

Rocket Lab покупает оператора спутниковой связи Iridium за 8 миллиардов долларов — по 54 доллара за акцию деньгами и бумагами, что на 24% выше цены закрытия 26 июня. Сделку объявили 29 июня, закрытие ожидается в середине 2027 года при условии регуляторных одобрений. Iridium управляет группировкой из 66 спутников (плюс 14 резервных на орбите), работающих в L-диапазоне, и владеет авиационным сервисом Aireon. Для Rocket Lab, до сих пор занимавшейся запусками и производством спутников, это вход на рынок спутниковых услуг. Питер Бек, глава Rocket Lab, более года намекал на собственную группировку, но компания не подавала заявок на спектр и не делала практических шагов — теперь он называет покупку Iridium «коротким путём» к редкому глобально согласованному спектру и готовой работающей сети. Если встретите толкование — ну да, понятно, решили конкурировать со Starlink, — проходите мимо. Iridium глобально не конкурирует со Starlink, просто потому что Iridium есть глобально везде за счет более высокой орбиты и согласованного спектра частот, а Starlink оставляет пробелы в покрытии. Единственная точка пересечения — новомодная услуга Direct-To-Cell, где Starlink действительно попадает в нишу глобально доступной телефонной связи. Ну, и Iridium не конкурент в плане скорости, конечно — там передача данных и до мегабита не доходит. https://spacenews.com/rocket-lab-to-acquire-iridium/

У меня есть два супер - скилла. Первый - способность к обучению при абсолютно искренней нелюбви к этому процессу. Второй - способность видеть таланты в людях и помогать им раскрываться. 🎓Про обучение. У меня три высших образования - первый медицинский, ГУУ, Плехановская академия, при этом я ненавижу учиться. Для мы было пыткой получить все эти дипломы. Но хотелось определенных знаний, опыта и это помогло мне в жизни. Когда я связался с EdTech, сделал первые курсы, запуски, я увидел, что повторяю путь того ненавистного образования. Теория, скучно, лекции - УЖААААС. Я поставил себе целью, что любой процесс обучения должен быть интересным, драйвовым, соревновательным. После 18го LinkedInPUMP в феврале, участники программы попросили ПРОДОЛЖЕНИЕ) Т.е. им было мало и они хотели ещё) Мы собрали 4 человека и сделали для них индивидуальную программу обучения. - они учились ещё 4 недели, используя наш трекер - 2 приглашенных эксперта: по ИИ-обучение и Контент-продакшн - был приглашенный немецкий рекрутер, который показал как работает найм в LinkedIn - подготовка индивидуального плана развития и прокачки LI. Это настолько хорошо сработало, что после 19го PUMP, на PUMP+ записалось уже 9 человек🔥! К ним добавились ещё ребята с предыдущих буткемпов. В итоге это превратилось в отдельный продукт, систему, отличную от PUMP и результаты просто космос: 🚀3 человека в процессе собесов на целевые позиции!!!! 🔔2 человека теперь присоединяются к основной программе PUMP в качестве авторов Продуктов! Ведущих практически! 🔥Ведущих оценили на 9.5 из 10!!! Я совсем не ждал, что если слушать людей и делать то, что они просят может получиться такой классный результат) Вообщем теперь официально у нас есть PUMP+ доступный после прохождения программы. Скоро будем делать сайт. 🚀Теперь про мой второй супер скилл - способность видеть таланты. В прошлом году у нас училась Ксюша Соколянская, абсолютная звезда большого медиа и так получилось, что две её подруги тоже учились у нас и друг другу передавали повесть об Александре Лепёшкине) Вообщем Ксюша абсолютнейший лидер, визионер, системщик с…. (угадайте)... нашим любимым синдромом самозванца(как и у всех нас). Я увидел, что Ксюша - это я, способная зажигать людей, давать систему, драйвить и она успешно справилась с этим и раскрылась с новой стороны. Второй человек - это Андрей Щербуха, наш неизменный куратор и звезда LinkedInPUMP. В паре с Ксюшей он внедрил систему, трекинг, дал прозрачность и внедрил ответственность. Так у нас получился тандем новых ведущих. Я безумного горжусь ребятами, что буквально с чистого листа им удалось сделать такой продукт.❤️ Я благодарен участникам, что поверили, доверились! ❤️ Ну и не устаю напоминать себе, что вся жизнь игра и в ней можно делать всё, что угодно) Попробовал - получилось. Не получилось - пробуй заново.

🎶Как ИИ взламывает код быстрее, чем компании успевают его патчить Гонка кибервооружений вышла на новый виток. В центре внимания автоматический поиск уязвимостей. ИИ-модели начали массово находить баги, которые люди не замечали десятилетиями. 🔍Исследователи натравили Claude Mythos на популярный прокси-сервер Squid. Итог - обнаружена критическая уязвимость Squidbleed (утечка данных пользователей из памяти), которая сидела в коде… с 1997 года. Почти 30 лет ручных аудитов не находили ее. ⚡️Штаты и Китай уже вовсю делят этот рынок. В рамках американского Project Glasswing та же модель Mythos вскрыла уязвимости в куче засекреченных госсистем США всего за несколько часов. В ответ китайцы со своим ИИ Tulongfeng, уже якобы нашли более 3400 программных уязвимостей.

🟦ИИ на стороне врага. Хакеры активно юзают LLM, чтобы мгновенно разбирать чужой софт и штамповать эксплойты под свежие баги. Время между раскрытием уязвимости и первой атакой сократилось до минимума. В России за первые пять месяцев 2026 года в базе ФСТЭК уже зарегистрировано почти 4000 уязвимостей - это лавина, которая накрывает ИБ-отделы. 🟦ИИ-код от своих же. Разработчики пишут софт с помощью нейронок. Скорость кодинга выросла, но вместе с ней в корпоративные репозитории, Docker-контейнеры и API тоннами льется небезопасный код, который никто не проверяет. 🟦Главная проблема теперь - не найти баг, а успеть его закрыть. Компании тонут в отчетах сканеров. Голая оценка уязвимости по шкале CVSS больше не работает.

Рынок срочно перестраивается. Компании уже внедряют генеративный ИИ в свои системы управления уязвимостями (Vulnerability Management), чтобы хоть как-то автоматизировать разбор этого завала. 🦔 CyberYozh

Тут китайцы поставили рекорд по скорости интернета — 1,2 Тбит/с на одну длину волны (одна нитка тёмной оптики). С мультиплексированием по длине волны итоговый канал у них получился 51,3 Тбит/с (рекорд в этом). Это без ретрансляторов на 206 километров. Самое интересное не то, что это быстрее камаза с DVD-болванками, а то, что всё это гоняется через новое оптоволокно с воздушным зазором. Если что, полое волокно — это будущее технологий связи. Там деньги за продажу красиво упакованного воздуха! В обычном волокне сигнал идёт через стекло. Стекло твёрдое, свету тяжело через него пролезать, поэтому скорость падает примерно на треть от доступной в вакууме. А вот в воздухе она не очень сильно отличается от скорости в вакууме. Очевидная проблема в переотражениях, и сейчас расскажем, как они это решили. Основная работа 2019 года говорит, что технологию SMF (это наша обычная оптика) за десятилетия так хорошо научились делать, что упёрлись в физические пределы. 1. Волокно, грубо говоря, греется от света. На самом деле всё сложнее, это эффект Керра. Когда в стекло запускают мощный сигнал, само стекло немного меняет свои оптические свойства в зависимости от яркости света. Грубо говоря, сильный свет сам себе портит дорогу: разные части сигнала начинают искажать друг друга. Чем больше мощность, тем сильнее искажения. 2. Свет в стекле медленнее, и биржевики давно уже хотели гонять через воздух, но не было технической возможности. Операторы дата-центров уже требуют, чтобы сигнал туда-обратно между двумя площадками шёл меньше 2 миллисекунд для синхронных репликаций. Чтобы выжать задержку, прокладывают кабели как можно прямее между точками — это дорого и не всегда возможно. Особенно если там по пути торговый центр и памятник Ленину. Ответ вы уже знаете. Но чтобы сделать дырку в волокне, надо подумать, как удерживать там свет. Нужны зеркальные стены вокруг дырки. В итоге свет удерживается отражением от тонких стеклянных трубчатых стенок-мембран. Каждая мембрана работает как зеркало (по принципу резонатора Фабри-Перо): на одних длинах волн она пропускает свет (резонанс), а в широких промежутках между этими длинами волн — почти полностью отражает (антирезонанс). Внутри такого антирезонансного окна свет падает на стенку под очень скользящим углом, отражается почти идеально и остаётся в пустой сердцевине. У такой технологии очень хорошие показатели по пропускной способности, возможности ставить DWDM (мультиплексоры) и низким шумам. Но есть одна проблема — цена — в основном, это цена R&D. Как вы можете догадаться, проблемой это было только поначалу. В эксперименте частота ошибок коррекции от 2,7% до 3,5%. Если что, там дополнительное кодирование (FEC) с запасом 17 процентов. В камазе с болванками FEC может быть 13% и больше. Передача через полое волокно не ухудшила сигнал вообще никак. Слабое место работы — они не могли прокладывать трассу по городу, поэтому она получилась короткой. Но вот в реальных условиях, как видите, уже подтвердили. Вторая более ранняя работа — как раз про один из способов делать такое нанозеркало на стенку кабеля. В обычном кристалле электроны не могут иметь некоторые энергии: периодическая решётка атомов их «не пропускает». Это называется запрещённая зона. Точно так же можно сделать решётку для света — фотонный кристалл. Это материал с периодической структурой (например, стекло с регулярными дырками). Для определённых длин волн и углов свет просто не может распространяться внутри такой структуры — это запрещено интерференцией. Такой свет структура отражает обратно. Интересен у них способ изготовления в гараже: несколько сотен стеклянных соломинок складывают руками, а потом всю стопку растягивают и сжимают в 10 тысяч раз. Получается дамасское нановолокно! И вот ещё базовая работа откуда взялось полое волокно вообще. Основное оттуда вы уже знаете. Но как показала практика, только на облачные хранилища рассчитывать не стоит, болванки пока не выкидывайте. -- Вступайте в ряды Фурье! | Лучшие посты Подключайтесь к Интернету через железнодорожные рельсы! Толщина рельса гарантирует скорость и стабильность соединения!

В последнее время почти на каждой встрече предпринимателей всплывает тема AI. Кто-то уже купил подписки для команды. Кто-то попросил сотрудников «начать пользоваться нейросетями». Кто-то пробует автоматизировать тексты, таблицы, презентации, аналитику. И вроде бы все правильно. Но часто через пару месяцев выясняется, что в бизнесе почти ничего не изменилось. Просто появился еще один инструмент, которым кто-то пользуется, а кто-то нет. Кажется, что главная ошибка здесь в том, что многие начинают не с процесса, а с сервиса. Как будто достаточно выбрать правильный инструмент — и дальше все само заработает. Но в бизнесе так редко бывает. Сначала нужно понять, где у компании реально болит: какие задачи повторяются каждый день, где команда тратит слишком много времени, где руководитель снова и снова включается руками, хотя давно не должен. И уже потом смотреть, может ли AI это усилить. С 13 июля у AI Mindset стартует новый поток AI-Native Organizations — онлайн-спринт для фаундеров, команд и корпоративных лидеров, которые хотят внедрять AI не ради галочки, а через конкретные задачи бизнеса. Формат такой: участники приходят со своим реальным процессом и за время спринта доводят его до рабочего AI-решения. Это может быть автоматизация, внутренний помощник, микросервис или новый сценарий работы команды. Внутри — практика, кураторы, разборы и спикеры, которые уже внедряли AI в продажи, операции, данные, маркетинг и клиентскую работу. Среди спикеров — Степан Гершуни, Александр Поваляев, Дмитрий Твердохлебов, Даниил Кравцов, Всеволод Устинов, Артём Новосёлов и др. Прошлые потоки уже прошли 400+ участников из Nebius, Яндекса, Альфы, Raiffeisen, МТС и других компаний. Внутри были кейсы с внедрением AI в отделы, запуском MVP-микросервисов, сокращением ручной работы и ростом эффективности команд. Это хороший формат для предпринимателей, которые уже понимают: AI нельзя просто «поручить кому-то в команде». Если технология действительно меняет рынок, собственнику важно самому разобраться, где она может дать бизнесу преимущество, а где будет просто красивой игрушкой. Потому что выигрывает не тот, кто первым купил подписку. А тот, кто первым понял, какой процесс с ее помощью нужно перестроить. Подробности по ссылке.

LFM2.5-230M: ультракомпактная модель работает на Raspberry Pi и почти любом современном телефоне Команда Liquid AI выпустила LFM2.5-230M — одну из самых маленьких языковых моделей на сегодня, всего на 230 миллионов параметров. Модели хватает 293 МБ памяти на Raspberry Pi 5 и 375 МБ на смартфоне. На Raspberry Pi 5 модель выдаёт 42 токена в секунду при декодировании, а на флагмане Galaxy S25 Ultra разгоняется до 213 т/с. Человек читает текст со скоростью примерно 5–7 т/с. На бенчмарках модель конкурирует с моделями вдвое больше и часто их обходит. Модель поставили на человекоподобного робота Unitree G1, и она работала на встроенном чипе NVIDIA Jetson Orin. Модель выступила в качестве слоя выбора навыков: берёт одну команду на обычном языке вроде «постой 2 секунды, потом иди вперёд со скоростью 1 м/с на 3 метра» и раскладывает её на последовательность вызовов готовых низкоуровневых навыков. Получается, что модель на 230 миллионов параметров может служить языковым интерфейсом управления для робота. Главное ограничение модели простое: ей нужно около 350MB RAM и более-менее современный процессор. Прямыми тестами авторов подтверждены запуск на одноплатнике Raspberry Pi 5. Заявлена поддержка чипов Apple, AMD, Qualcomm и Nvidia, ее потянет почти любой современный телефон или планшет, а на ноутбуках ресурсов с запасом. Часы тоже теоретически потянут, но на практике мешают нагрев и неемкая батарейка. Микроконтроллеры и простая бытовая электроника (чайники, лампочки, фитнес-браслеты, наушники) точно не потянут: там памяти килобайты, а не сотни мегабайт. Несмотря на размер, на бенчмарках модель обходит соперников вдвое крупнее. На тесте следования инструкциям IFEval она набрала 71.71 против 63.49 у Gemma 3 1B и 59.94 у Qwen3.5-0.8B. Сильнее всего она в вызове инструментов и извлечении данных, а вот для математики, кода и сложных рассуждений авторы её брать не советуют — она заточена под другое. Модель и веса можно скачать на Hugging Face, исходники и SDK лежат на Github. #Stateoftheart

Запись стрима "Что же такое harness?". Ссылка на YouTube: https://www.youtube.com/watch?v=QAxejH-KNak Стрим получился полезным, с примерами на практике. Большое спасибо, Паша, что согласился прийти! Таймкоды доступны как на YouTube, так и прямо в Telegram: 00:00 — Вступление 07:12 — О чём этот стрим? 09:31 — Что такое harness? 17:10 — Откуда появился термин «harness»? 23:20 — Виды harness 26:20 — Анатомия harness 34:28 — Вопросы от зрителей 35:20 — Что такое Skill? 39:10 — Чем harness отличается от guardrails? 44:30 — Можно ли использовать harness в продакшене банка? 49:43 — Чем harness отличается от scaffolding? 53:05 — Агент Coddy на практике 54:45 — Как harness может быть заточен под модель? На примере Coddy 59:03 — Как Coddy обрабатывает запрос? 1:00:30 — Пример работы Agent Loop 1:03:30 — 30 инструментов для on-prem-модели 1:06:15 — Работа с schedule-задачами 1:08:50 — Работа в режиме Plan 1:12:20 — Заставляем OSS-120B работать по SSH 1:14:20 — Проблемы on-prem-моделей с мультиязычностью 1:16:40 — Как работают Agent Skills? 1:21:30 — Протокол ACP на примере интеграции с Obsidian 1:31:10 — HTTP API в Coddy 1:36:50 — Уроки и грабли при создании собственного harness 1:48:00 — Готовые фреймворки для создания harness 1:50:06 — Принципы построения агентов на базе harness и отличие от AI-агентных фреймворков 1:53:55 — Harness работает только через API или поддерживает подписки Claude и Codex? 1:55:55 — Инструменты для экономии токенов 2:00:30 — Как патчить Hermes и Claude Code? 2:03:09 — Мониторинг качества harness Полезные ссылки со стрима: 1. Презентация – использовать как полезную шпаргалку по harness 2. Coddy – harness, который создал Паша 3. Pi – минималистичный harness 4. Hermes – качественно-сделанный harness, который умеет доделывать самого себя 5. OpenClaw = Hermes+страдания (для ценителей) Подписывайтесь на каналы участников трансляции: Павел Рыков Константин Доронин p.s.: Под конец стрима у меня немного отвалился звук. Прошу понять и простить – я всё ещё в процессе дрессировки OBS.

Вопросы для понимания, на чем лучше зарабатывать в продукте После прошлого поста многие задали хороший вопрос: а как вообще понять, на чем компании выгоднее всего зарабатывать? Есть ощущение, что это какая-то магия, доступная только CEO и финансистам. На самом деле у сильных продактов есть несколько очень практичных приемов. Если вам нужна помощь в росте продуктов и команды, пишите @SKoloskov (свыше 120 кейсов на 7 рынках), а если хотите расти в профессии продакта, возможности от редакции канала по ссылке. Первый вопрос, который надо задавать: если завтра запретить компании продавать основной продукт, что она будет спасать в первую очередь? Не что она рекламирует, а что будет защищать. Банк может отказаться от комиссии за переводы, но никогда не откажется от данных для скоринга. Маркетплейс может снизить комиссию продавцам, но не станет отключать рекламный кабинет. Именно здесь обычно находится настоящий двигатель экономики. Второй прием – посмотреть, во что компания инвестирует непропорционально много ресурсов. Если небольшую функцию развивают пять команд, проводят десятки A/B-тестов и обсуждают на уровне топ-менеджмента, значит ее ценность намного выше, чем кажется пользователю. Например, многие банки годами инвестируют в персональные предложения. Не потому что любят баннеры, а потому что каждый дополнительный процент точности рекомендаций может приносить миллионы на кредитах, инвестициях или страховании. Третий прием – искать лидирующий показатель, а не деньги. Деньги почти всегда являются следствием. Например, для подписочного бизнеса важнее не количество подписчиков, а количество людей, которые пережили третий месяц использования. Для маркетплейса – не число заказов, а количество продавцов с повторными продажами. Для банка – не количество карт, а доля расходов клиента, проходящих через его экосистему. Если найти показатель, после которого экономика начинает резко улучшаться, вы найдете и точку приложения усилий. Четвертый вопрос – какая привычка пользователя стоит компании дороже всего? Например, если человек открывает банковское приложение каждый день, вероятность покупки других продуктов значительно выше. Если покупатель начинает искать товар сразу в маркетплейсе, а не в поисковике, стоимость его удержания падает. Если пользователь автоматически оформляет повторный заказ в сервисе доставки, компания начинает выигрывать не за счет одной транзакции, а за счет сформированной привычки. Лучшие продукты инвестируют именно в изменение поведения, а не в отдельную продажу. Попробуйте ответить на вопрос: какую метрику директор продукта готов объяснять совету директоров каждый месяц? Не ту, что красиво смотрится в презентации, а ту, за которую его действительно оценивают. Именно вокруг этой метрики обычно строятся дорожная карта, эксперименты и распределение бюджета. Поэтому, когда вы придумываете новую функцию, сначала спросите: «Какое поведение пользователя она изменит?», «Какую новую информацию мы получим?» и «Какие продукты, сервисы или решения эта информация позволит продавать лучше?» Зачастую самая прибыльная функция не монетизируется вообще. Она лишь создает условия, при которых все остальные продукты компании начинают работать значительно эффективнее. Именно такие механики обычно и строят долгосрочное конкурентное преимущество. Также обратите внимание на предложения от редакции тут https://t.me/FreshProductGo/1792

Игры и цифры (17 июня — 30 июня, 2026) PC/консольные игры ▫️Black Myth: Wukong от Game Science преодолела отметку в 30 миллионов проданных копий. Почти половина продаж пришлась на Китай. ▫️Meccha Chameleon от японского соло-разработчика lemorion_1224 купили свыше 10 миллионов раз за 16 дней после релиза. Пиковый онлайн достиг 209,7 тысячи человек - игра вошла в топ-100 самых популярных в истории Steam. Это кооперативная игра в прятки, где игроки маскируются под окружение с помощью краски. ▫️Kingdom Come: Deliverance II от Warhorse Studios продалась тиражом свыше 6 миллионов копий за 16 месяцев после релиза. ▫️Warhammer 40,000: Rogue Trader от Owlcat Games достигла 2 миллионов проданных копий. По данным Gamalytic, около 1,3 миллиона копий пришлось на Steam. ▫️Paralives от Paralives Studio продалась тиражом свыше 1 миллиона копий за месяц после релиза. Это в 10 раз больше плана студии. 900 тысяч копий было продано за первые 15 дней. ▫️SAND: Raiders of Sophie от Hologryph и TowerHaus (издатель - tinyBuild) продалась тиражом свыше 200 тысяч копий за неделю и заработала более $2 миллионов за первые пять дней. При этом, старт проекта омрачили DDoS-атаки - рейтинг в Steam просел до 55%. ▫️KIBORG от Sobaka Studio продался тиражом свыше 100 тысяч копий за чуть более года после релиза. ▫️Скандальный проект Horses от Santa Ragione продался тиражом 30 тысяч копий и принес 100 тысяч долларов. Таким образом, разработка начался окупаться. Сюрреалистичный хоррор был забанен в Steam и Epic Games Store и вышел на itch.io, GOG и в Humble Store. ▫️Симулятор продавца в киоске I Have no Change от Studio Rassvet собрал более 600 тысяч вишлистов, заняв 121 место в топе самых ожидаемых игр Steam. Релиз ожидается в 2027. ▫️Симулятор ремонта техники ReStory: Chill Electronics Repairs от Mandragora и tinyBuild добавили в списки желаемого 500 тысяч раз. Релиз запланирован на лето 2026. ▫️Stronghold 4 от Firefly Studios собрала свыше 250 тысяч вишлистов за две недели с момента анонса на PC Gaming Show 2026. Мобильные игры ▫️Rush Royale от MY.GAMES заработала более 500 миллионов долларов за пять с половиной лет после выхода. За это время игру скачали 105 миллионов раз. Платформы ▫️Epic Games выплатила создателям контента свыше 1 миллиарда долларов через Unreal Editor for Fortnite с момента запуска в марте 2023. В мае 2026 на пользовательские острова пришлось 47% всего игрового времени в Fortnite против 35% годом ранее.

Да кто такие эти ваши producer-side A/B-тесты? В своей яндексовской эре работы над рекомендациями я точечно работал над качеством ранжирующей модели и не выглядывал за пределы этой области. Та же история была и в рекомендательном периоде работы в X. Но тут один добрый человек рассказал мне, что я оказывается жизни-то вообще и не знаю. Качество системы с точки зрения пользователя это ещё половина проблемы. Дело в том, что для долгосрочного качества платформы и процветания бизнеса необходимо смотреть на то, как изменение системы влияет на производителей контента (что в соцсети, что в маркетплейсе). В самом экстремальном случае система может показывать пользователям очень маленькую прослойку разнообразных авторов и игнорировать остальных. Те могут расстроиться и перестать постить, тем самым ухудшить долгосрочную ситуацию. Влияние на авторов и замеряется с помощью этого самого producer-side A/B теста. Посмотрим на то, как выглядит наивная её реализация в контексте рекомендаций. Среди всех авторов выделяем 2 группы - контрольную и тестовую - к примеру, по 1%. Скор для (98+1)% документов считается дефолтной моделью, тогда как для тестового набора из 1% будем предсказывать новой моделькой. Допустим, что она отдаёт большее предпочтения мелким авторам. Такой тест покажет прекрасный результат - все мелкие авторы счастливы и стали генерировать больше контента. Классический user-side тест, допустим, показал нейтральные метрики. Вроде бы всё в шоколаде, и вы шипаете изменение в прод, но вот беда - эффект испарился. Задроты вам укажут - на лицо нарушение Stable Unit Treatment Value Assumption. Перевожу на русский - изменение ведёт себя по-разному в зависимости от доли, на которую его раскатили. Тот кусочек мелких авторов среди 1%-ной выборки получил преимущество перед 99% таких же вне её. Раскатив изменение, весь рост показов, которые они получили в AB-тесте, размажется на остальные 99%. Чтобы побороть этот эффект, нужен фреймворк посложнее. Одно из решений предлагается в статье от Меты - "A Counterfactual Framework for Seller-Side A/B Testing on Marketplaces". Не знаю, насколько в ней это впервые предложили - может и нет, мне не важно. Иллюстрация на картинке. Итак, теперь мы будем оценивать 100% постов обеими системами - старой и новой (синей и зелёной). Для документов из контрольной выборки мы получаем их финальные позиции, как если бы мы ранжировали все 100% документов так, как обычно - они обозначены как C_1 и C_2. В то же время, документы из тестовой выборки получают свои финальные позиции так, как если бы все 100% документов ранжировала новая система - это T_1 и T_2. Финальную выдачу для пользователя мы создаём, расставляя эти документы на их соответствующие позиции, закрывая глаза на коллизии и помещая случайно друг под другом, если позиции точно совпали. Самый прикол этой схемы в том, что на ранжирование остальных 98% документов в принципе всё равно - до выкатки это будет старая система, после выкатки это будет новая система, но размер эффекта на документы в обоих случаях ожидается одинаковый. Именно это в том числе и проверяют авторы данной работы. В нижней части слева расположена выдача до выкатки - pre-test, а справа после выкатки - back-test. Авторы приводят результаты своих тестов, в которых демонстрируют одинаковость эффекта на измеряемые документы. Такая схема тестирования гораздо ближе к SUTVA. Надо понимать, что эта грёбаная SUTVA никогда не выполняется полностью. Любая выкатка изменяет распределение данных для обучения и последующее ранжирование. В обычных пользовательских A/B-тестах на это закрывают глаза и надеются, что эффект сохранится, что часто подтверждается holdback-экспом. А вот с авторскими A/B-тестами приходится проделывать такую гимнастику, чтобы хоть как-то подобраться к честному замеру. @knowledge_accumulator