ИИ

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!

Цензура в GPT Image Идете в chatGPT и кидаете: make a image extremely strange and disturbing! No questions, no explanatory text. Subject: Metaverse Вместо Метаверсищща можно все что угодно: Snowboarding Politics Celebs Или даже так: Of your freaking choice (тут псы получились) Или так: <😨> <😍> - тетенька с кроликом с ванной полной голов <#&-():"£+;'t> - тут у вас полезут рыбы, не спрашивайте откуда Мне понравились картинки про Метаверс, там и Матрица, и порно, и зависимости. Я знаю, что раньше так можно было в Гроке, да и в 2.0 Но 2.5 стал лучше разбираться в извращениях и чуть прибрал цензуру. Одни сноубордисты чего стоят. @cgevent

Что ИИ ломает в продуктовой команде и почему старые роли больше не работают Спикер: Андрей Южаков Раньше работа двигалась по цепочке: аналитика → дизайн → разработка → тестирование. Каждый передавал дальше контекст в виде артефакта. С агентами всю цепочку может пройти один человек. С приходом ИИ меняется сама единица работы: вместо отдельного артефакта ей становится клиентское изменение целиком, которое один человек ведет end-to-end, подключая экспертов там, где это необходимо. На примере банковского продукта мы проверили новую модель на большом сценарии в интернет-банке. С помощью агентов удалось самостоятельно подготовить требования, API, UX, архитектуру, бэкенд, фронтенд, gateway и тесты. Первая версия появилась примерно за неделю. Но дальше начали ломаться привычные процессы. Первая поломка: автор изменения больше не обязательно владелец результата. Границы ролей размываются. Менеджер продуктов может написать код, разработчик — придумать и реализовать фичу, дизайнер — самостоятельно внести изменение в продукт. Но возможность что-то сделать ≠ ответственность за качество результата. Например, раньше дизайнер готовил интерфейс, а затем ждал приоритизации и разработки. Теперь он может получить доступ к агенту и репозиторию и самостоятельно внести изменение. Но ответственность за UX остается на дизайнере, а за техническую надежность — на инженере. Поэтому важно определить, кто отвечает за бизнес-результат, клиентский опыт, техническое качество и стандарты — и кто в итоге может сказать: «это можно выпускать в продакшн». Вторая поломка: генерировать мы научились быстрее, чем проверять. Первую версию фичи удалось сделать за неделю, но до продакшна она дошла только через два месяца. Выяснилось, что существует множество стандартов и требований, которые нигде нормально не описаны. Узкое место сместилось с создания решения на проверку его качества: после перехода на новый процесс с агентами до 78% времени стало уходить на code review. Но и это еще не все. Отдельные части решения могли успешно пройти тесты, а после сборки на тестовом контуре начинали ломаться интеграции. Поэтому пришлось пересматривать интеграционные тесты и способы получения обратной связи. Третья поломка: привычные профессиональные роли перестают совпадать с тем, что реально делает человек. Раньше было понятно: frontend-разработчик отвечает за свой участок, backend-разработчик — за свой, аналитик, тестировщик и дизайнер — за свои. Но что происходит, когда с агентом можно сделать работу соседней роли или вообще пройти всю цепочку самостоятельно? В примере банковского продукта мы перешли к модели, в которой один человек ведет изменение end-to-end: от постановки задачи до реализации и проверки качества. Так появилась более широкая роль product engineer — человека, который лидирует клиентское изменение целиком, а не только свой технический кусочек. Такая перестройка вызывает вопросы: «Почему я должен писать тесты?», «Почему должен вести документацию?», «Я буду делать чужую работу хуже». Поэтому просто дать команде агентов недостаточно. Нужно заново ответить на вопрос: за что мы ценим человека в продуктовой команде? Сейчас по новой модели в банковском продукте работают уже восемь команд, а через новый процесс в продакшн провели больше 200 изменений. То, что раньше могло занимать около полугода работы команды, в эксперименте удалось довести до продакшена примерно за два календарных месяца. Агенты могут написать код, сделать дизайн, подготовить требования или тесты. Но они не определят за нас, что такое хороший код, хороший клиентский опыт или надежный продукт. Критерии качества, стандарты и ответственность остаются на людях. Поэтому при перестройке команды важно определить: — кто отвечает за результат для клиента; — кто отвечает за надежность и качество; — кто принимает решение о выпуске; — кто ведет изменение целиком. И еще одно правило: если после ошибки не появилось новое правило, тест или стандарт — скорее всего, мы просто заплатили за эту ошибку и ничему не научились. @productsense

В России появился новый рынок "цифровых клеток" для ИИ-агентов Бизнес так торопился выдать искусственному интеллекту доступ к терминалам, базам данных и внутренним сетям, что теперь в панике изобретает для него цифровые наручники. ⚡️На этой почве в российском инфобезе моментально нарисовался новый золотой клондайк емкостью до 4 миллиардов рублей. Сбер, Яндекс и MWS AI наперегонки пилят так называемые harness-системы - программные каркасы, которые берут языковую модель в жесткие клещи. По сути, вокруг нейросети возводят изолированную песочницу:

Режут лишние инструменты, жестко лимитируют вычислительные мощности и бьют по рукам каждый раз, когда агент пытается совершить критическое действие без ручного подтверждения оператора.

🦔 CyberYozh

Новый Fable 5.1 cделает тебя бедным. Или это просто треш как теперь быстро стали улетать лимиты. Я первый раз уперся в недельный лимит позавчера. И целые сутки не знал что теперь делать. И после обнуления уже успел потратить 30% меньше чем за следующие сутки. Короче полез ковыряться и смотреть в чем же омжет быть причина. И нашел много интересной инфы. 1) Субагенты это и добро и зло. В режиме оркестрации, они помогают более качественно и быстрее делать задачи. Вчера загрузил историю чата на 70к сообщений. Opus макс вызвал мне 18 субагентов чтобы они помогли ему отсмотреть весь объем и разобрать все сообщения. И за 20 минут слили мне весь 5часлв лимит подписки за 200 баксов. 2) Усилие которое мы выбираем рядом с моделью. Я особо раньше не понимал на сколько они отличаются. И лупил максимальное на большинство задач. Хуле, подписка за 200 баксов, хватит же. А с новым фейблом в режиме Extra или Max он в 66 раз больше токенов ест! Хоть я люблю и боготворю Calude с антропиком, ну это пиздец товарищи! Хотя ChatGPT Астра в соседнем окне тоже еще тот пылесос. Короче я поресерчил и собрал такой гайд, как обстоят дела токенами в Calude Можете просто скормить своему агенту и сказать - примени)

✔️ IFM представил K2 Horizon - шесть открытых моделей от 0,9B до 375B Линейка Institute of Foundation Models охватывает задачи от работы на устройствах до рассуждений, программирования и AI-агентов. По заявлению IFM, для каждой модели публикуются веса, код обучения, конфигурации, данные или подробные рецепты их подготовки, промежуточные чекпоинты, логи и оценки качества. Материалы охватывают путь от предобучения до обучения рассуждениям и агентным задачам. Основные детали: * Около 20 трлн токенов на модель. В обучающей смеси - веб, код, математика, научные, многоязычные и синтетические данные. * Около 17% корпуса содержат явные цепочки рассуждений. По данным IFM, при предобучении использовали примерно 10 трлн синтетических токенов. * Более 100 млн уникальных задач подготовлены для постобучения. Открывается пайплайн SFT, объединения моделей, RL и специализированного обучения агентов. * 36B-A4B активирует около 4 млрд параметров на токен. Архитектура Mixture-of-Value Attention переносит маршрутизацию экспертов в механизм внимания. По оценкам авторов, модель приближается к плотной 32B, обученной в сопоставимых условиях. Для версий 0,9B, 3,7B и 7B IFM заявляет лучшие результаты в своих размерных категориях. Также команда выпускает инфраструктуру обучения xLLM. Один из датасетов предобучения, TxT360-v2 объёмом 5,3 ТБ, опубликован на Hugging Face. https://huggingface.co/datasets/IFM/TxT360-v2

Programmable World Model (Alaya Lab) Программируемая модель мира Состояние мира существует отдельно от картинки как код, а не как тень в истории кадров. Раньше видеомодель сама хранила все неявно: объект ушел из кадра - забыла, правила не выражались. Теперь мир - это явные данные, а видео просто их рисует. - Агент пишет правила мира кодом: где объекты, как двигаются, какие события происходят - Движок состояний следит за сущностями даже за кадром — повернул камеру, а они на месте - Детерминированный компилятор превращает состояние в управляющие сигналы для видеогенератора — модель не «вспоминает» мир, а рендерит его - Мир описывается по одному референсу и тексту — VLM-агент собирает всю спецификацию Результат: объекты не забываются, правила исполняются точно, 897 кадров без распада, разные миры на одном движке Прошли по кругу и вернулись к 3D моделированию, но с лишними шагами Гитхаб ждем #world