ИИ

Это лучшая визуализация того, как работают свёрточные нейросети (CNN) CNN — одна из причин, почему компьютеры способны «смотреть» на изображение и понимать, что на нём находится. Вот как это работает в двух словах: 1. Свёртка Небольшие фильтры проходят по изображению, выискивая базовые визуальные подсказки: края, изгибы, текстуры. 2. Пулинг Нейросеть сохраняет важную информацию, одновременно уменьшая объём данных, которые нужно обрабатывать. 3. Складывание всего вместе Слой за слоем эти мелкие подсказки превращаются в более крупные закономерности. Края становятся формами, формы становятся объектами, и в итоге сеть способна сделать предположение о том, что она видит. Именно этот принцип лежит в основе всего — от распознавания лиц до медицинской визуализации и беспилотных автомобилей. #полезное

Накопилось по #minimaxH3 - часть 16 github.com/Songssx/ComfyUI-MiniMaxH3-TimelineDirector - разбивает длинный хронометрах на куски и рендерит одним проходом. все референсы #Ref2VA #longvideo github.com/badgids/ComfyUI-H3-ExactAudioLock - точный аудио-лок: видео отвечает ровно на поданный звук, не на сгенерированный. Для мультиспикерных сцен, оверлапа речи, пения reddit.com/r/MiniMax_AI/comments/1w5wdjs/how_to_made_minimax_h3_video_edits_way_easier_to/ - промпт для замены персонажа + команда для случая, когда рука перекрывает лицо #characterswap huggingface.co/spaces/multimodalart/h3-acceleration-arena - лидерборд моделей, вариантов и лор H3 #arena github.com/j955229/ComfyUI-MiniMax-H3-Motion-Director - среда управления клипами: Mixed Mode (T2V/I2V/R2V), selective rerun, Motion Context, библиотека материалов, пост-обработка github.com/AlonAshken/ComfyUI-MiniMaxH3-FlowDirector - визуальный менеджер таймлинии для длинных видео

Новые книги для новых прикладных идей продакту Читая новинки книг от «Альпина Паблишер», фиксирую следующие инсайты для себя: 1. «Новая версия» – Андрей Дороничев. Хорошая продуктовая рамка для собственной карьеры: относиться к себе как к продукту, формировать желаемую версию себя и проверять изменения небольшими экспериментами. Лайфхак: если думаете о смене роли или направления, не принимайте решение сразу. Сначала возьмите реальную задачу из новой области и протестируйте себя на ней. 2. «Рождение разума» – Гаурав Сури, Джей Макклелланд. Полезно для понимания AI не как магии, а как системы, где сложное поведение возникает из взаимодействия множества простых элементов. Для продакта это хороший повод смотреть не на отдельную AI-фичу, а на то, какую интеллектуальную работу пользователя меняет вся система. Лайфхак: при проектировании AI-сценария раскладывайте работу пользователя на «воспринять - понять - принять решение - действовать» и ищите, какой этап система реально сокращает. 3. «Неидеальный человек» – Лоуренс Херст. Эволюция хорошо объясняет, почему человек далеко не идеальный пользователь: мы ограничены, ошибаемся, действуем нерационально и живем с кучей компромиссов. Для продукта вывод простой: не заставляйте пользователя компенсировать недостатки системы. Лайфхак: любой важный сценарий прогоняйте через три вопроса: «что будет, если пользователь забыл?», «если ошибся?», «если передумал?». 4. «Бережливые инновации» – Нави Раджу, Джайдип Прабху. Инновация не обязательно требует больше денег, людей и технологий. Часто конкурентное преимущество как раз в способности создать больше ценности при меньшем количестве ресурсов. Лайфхак: перед тем как отдавать фичу в разработку, спросите: «каким самым дешевым способом мы можем доказать, что пользователю это действительно нужно?» Читайте книги, всем роста!

Как научиться предсказывать что угодно? 🔮 На видео спикер рассказывает, что его команда научилась за три дня до расставания предсказывать, что девушка бросит парня. Когда я впервые увидел это в трансляции, то понял только часть проблемы: спикер вообще не шарит, а команда решает странные задачи и пилит такие же фичи 😅 Тогда моего руководительского опыта не хватило, чтобы задуматься о процессах внутри компании — меня просто поразил уровень абсурда. Причём настолько, что эта история догнала меня даже спустя семь лет. Но сейчас, когда я строю собственную компанию, меня гораздо больше беспокоит другой вопрос: какие процессы внутри компании привели к тому, что топ-менеджмент рассказывает об этом на конференции как об успешном кейсе? 🤔 Начнём с самого кейса. Пока я не пересмотрел видео, у меня были разные гипотезы о том, как они собрали целевую переменную: — может быть, провели опрос? — спарсили социальные сети? — а как тогда собрали хард-негативные сэмплы? Но нет. Судя по видео, аналитики придумали сегмент на основе набора косвенных признаков. С какой точностью этот сегмент отражал реальность? Правильно: никто не знает 🙃 Дальше, вероятно, построили модель, которая научилась предсказывать эту синтетическую целевую переменную. И здесь появляется ещё один уровень неопределённости. Сначала мы с неизвестной точностью восстанавливаем целевую переменную по косвенным признакам. Затем с некоторой точностью обучаем модель предсказывать уже эту восстановленную переменную. То есть модель предсказывает не само расставание, а предположение аналитиков о расставании. На ошибку при создании таргета накладывается ошибка самой модели. Поэтому итоговое качество относительно реального события становится ещё менее понятным 🎯 Следующий вопрос: как проверяли лики? Не протекли ли в модель те же признаки, на основе которых изначально восстановили целевую переменную? 🫠 Ну и самое интересное: как измерили эффект? Никак. Модель встроили в рекомендательную систему, в которой, судя по рассказу, нет прозрачно рассчитанного финансового эффекта 💸 Итак, рецепт, как научиться предсказывать что угодно: 1. Конструируете целевую переменную с неизвестной точностью. 2. Обучаете модель предсказывать этот синтетический таргет. 3. Получаете два слоя ошибки: в разметке и в самой модели. 4. Встраиваете модель в продукт, где невозможно оценить её эффект в деньгах. 5. Рассказываете об успешном кейсе на конференции. 6. Готово — вы великолепны! 🚀 Всё это звучит смешно ровно до того момента, пока вам самим не приходится собирать такие фантастические сегменты и обучать на них модели. Напишите в комментариях, если знаете достоверный источник данных для такого сегмента. Особенно интересно, где взять качественные хард-негативные сэмплы 👇

✅KEISOSUBBOTA Кейсосуббота — это рубрика, где мы делимся своими работами и взаимодействиями с ИИ. Это может быть что угодно: -картинки -анимации -текст -код -боты -песни -видео и т.д. ❤️ Не забывайте оставлять обратную связь на работы других людей. Это очень ценно Давайте попробуем меньше разводить флуд в комментариях. Для разных вопросов у нас есть чат — там такое. А здесь давайте по делу. Читайте ниже пояснение 👇А также читать пояснения и правила по ссылке ниже. ❗️ВАЖНО! Прочитайте по ссылке ниже пояснения: Ссылка на пояснение для тех, кто не участвовал ни разу в этой рубрике. Или для тех кто не помнит, какие есть правила. + ПУБЛИКАЦИИ ОТ ИМЕНИ КАНАЛОВ И ЕСЛИ У ВАС НЕТ НИКА В ТЕЛЕГРАМ— НЕ ПРОХОДЯТ СЕЙЧАС МОДЕРАЦИЮ ТАКЖЕ - ЕСЛИ НЕ ПОЛУЧАЕТСЯ ОСТАВИТЬ КОММЕНТАРИЙ (БОТ БЛОЧИТ ВАС) -- читайте здесь 〰️Пояснения нужны для того, чтобы потом не удивлялись почему удалён тот или иной материал. Ставим реакцию🔥 этому посту и далее скидываем кейс (с использованием нейронок/ИИ/AI/whatever) в комменты ниже👇 У кого есть то, чем хочется похвастаться?🥳🥳🥳 три... два... раз.. 🚀Поехали #keisosubbota@serge_ai

Mento VC под управлением Александра Журавлева инвестировал американский стартап brand.ai. Об этом управляющий партнер фонда написал в сообщении в своем Telegram-канале. Детали сделки не разглашаются. brand․ai был создан в 2022 году. Основатели проекта ранее занимали топовые позиции в таких брендах как Burton, The North Face, LVMH, Fender, Herman Miller и др. brand․ai разработал платформу на базе искусственного интеллекта, помогающую крупным брендам создавать контент в соответствии с их брендбуком, стилем и проверять его перед публикацией. Компания загружает свои стратегии, tone of voice, исследования и другие материалы, а сервис превращает их в набор правил, доступный и людям, и ИИ-агентам. Платформа также отслеживает состояние рынка и новости, касающиеся своих клиентов. Среди клиентов brand․ai - Google, HP, Amazon, Oura, McLaren, DocuSign. Mento VC был запущен в 2023 году. Управляющим партнером является бывший портфельный директор AltaIR Capital Александр Журавлев. Фонд инвестирует в глобальные стартапы из США, Израиля, Великобритании и Европы. Фокус сделан на такие сферы как: Productivity Tools, Future of work, B2B SaaS Enterprise, Fintech и HRTech. Фонд предпочитает работать с командами, разрабатывающими программные решения и сервисы, ориентированные на корпоративный сектор и массовый рынок. В 2025 году стало известно, что в Mento VC вложился Игорь Рябенький. Он стал партнером [non-managing] в управляющей компании и одним из якорных инвесторов фонда. @rusven

Люблю мотивирующие доклады на конференциях. Этот, от Димы Тимко из Алисы AI, как раз из таких. Очень наглядное сравнение работы продакта в 2011 и в 2024. Подписываюсь под каждым словом! В большой компании ШВЖ начинает мешать, а не помогать продакту быть полезным. Что такое ШВЖ вы узнаете из доклада 😁 И во второй части живые примеры работы в команде Алисы из 2026. Как использование AI помогает сделать из рутины интересные задачи, убрать ожидания в очереди на дизайн, аналитику и иногда разработку, вернуть контроль над процессом. Вдохновляйтесь, просите у руководства подписку на доступный в вашем регионе GPT сервис (если её ещё нет) и возвращайте себе удовольствие от работы над продуктами! https://youtu.be/q93xe7mVtqM #videoholidays #aifuture

Запрос от подписчика: Рассуждая из первых принципов, оцени сроки создания AGI. Используй интернет только для поиска цифр и фактов, но не чужих мнений. Ответ ASTRA: Мой ориентир появления AGI — 2030–2035 годы. Центральная ставка — примерно 2033-й. Попробуем разобраться, откуда берётся такая оценка, без обещаний руководителей AI-компаний. Под AGI здесь понимается система, которая осваивает новые интеллектуальные задачи, переносит опыт между ними и самостоятельно доводит проекты до результата на уровне компетентного человека. Главная трудность — надёжность. Можно прекрасно решать отдельные задачи, но терять цель, повторять ошибки и застревать в длинной работе. Чем длиннее проект, тем важнее замечать и исправлять собственные промахи. Есть интересная цифра: в весенних измерениях METR один из агентов достиг 80% вероятности успеха на технических задачах объёмом около трёх часов человеческой работы. Это показатель сложности задач, а не времени, проведённого ИИ за работой. Источник. До проекта на 80 часов — примерно пять удвоений. Если такой горизонт будет удваиваться каждые 6–12 месяцев, переход займёт около 2,5–5 лет. Это предположение о будущем темпе, а не закон природы. Так появляется ориентир 2029–2031 годы для самостоятельной работы над длинными техническими проектами. Но для AGI нужно больше: разбираться в незнакомой области, выбирать полезные эксперименты и сохранять приобретённый опыт. На развитие и объединение этих способностей я закладываю ещё несколько лет. Отсюда диапазон 2030–2035. И именно здесь больше всего неопределённости. Если существующих методов достаточно, всё может произойти раньше. Если понадобится существенное новое открытие, сроки легко уйдут за 2040 год. Самый убедительный сигнал приближения AGI: системе дают незнакомый проект, она разбирается, доводит его до результата, а следующий выполняет лучше благодаря накопленному опыту. За этим стоит следить внимательнее, чем за очередным рекордом в тестах.