ИИ

AI ускорил всех, кроме компании Если уж говорить про AI-тизацию, которая стала главным трендом и прошла все классические стадии вместе с отрицанием, то говорить во всех красках. Если раньше галлюцинировала только нейронка, то сейчас не меньше галлюцинаций производит сам человек, ведь КПД восприятия у модели ушёл далеко вперёд, а КПД человека по формированию запросов остался почти там же, где и был. Чего душой кривить, у нас уже случались прецеденты, когда один менеджер с другим общается через нейронки, а тот ими же и отвечает. Первый собрал гладкую техническую документацию по проекту и отправил. Второй, если скептик, почелленджит и придёт с вопросами «какого хрена», а если нет — вкинет её в ту же нейронку со словами «проверь и дай мне краткий пересказ». (Сам этим грешу, когда существую в режиме цейтнота) Так и получаются целые стримы, где чтение идёт на уровне машины, без валидации человека, и это стреляет по ногам. Терпения нашему аналитику: он стабильно получает от меня на ревью очередные аудиты от Fable, которые я нагенерил на выходных. Для такого уже придумали слово — workslop. Работа, которая выглядит ооочень как работа: со структурой, заголовками и выводами, только профит чаще всего никуда не двигается, а разбирать её приходится тому, кто получил. Каждый быстрее, все так же Фокус в том, что эффект от AI пока сидит в частном порядке. У каждого свой кусок работы правда стал легче, и любой вам это покажет на пальцах: вот отчёт, который собирался день, а теперь за час, вот анализы и разбор в рамках дня. Никто тут не врёт и цену себе не набивает, всё так и есть. Но когда начинаешь смотреть на уровне компании, ловишь следующее: сроки как ехали, так и едут, правда с небольшой поправкой. Там, где ожидали, что скорость сделает х2 или х3, она увеличилась процентов на 20-30, что ничто на фоне ожиданий. Цифры опроса McKinsey это подтверждают, его провели на 1719 человек в августе: 80% сотрудников говорят, что AI поднял их личную продуктивность, а вклад AI в прибыль видят всего 37% компаний, причём за год эта доля не сдвинулась вообще. Ну и выходит, что частный выигрыш сам собой в общий не складывается. Он так и остаётся на том участке, где возник, а до денег не доходит, раз между участками ничего не поменяли. Ещё одно исследование: 40% работников за месяц получали от коллег такой же материал, и на разбор одного случая уходило часа по два. Один сэкономил час и отправил дальше, у соседа этот час превратился в два, только в отчётность попадает первая половина. Публика в обоих опросах одна и та же, а бывает, что и один человек до обеда и после.

Быстрее стало каждому, а счёт пришёл соседу

Проверка дороже производства Голдратт писал про это задолго до нейронок: разгоняя участок, который не был узким местом, систему быстрее не сделаешь. Раньше проверить было дёшево: человек писал руками и по ходу сам же думал, поэтому недодуманное выдавало себя кривой фразой. Сейчас проверка дороже производства, ведь гладкий текст читается одинаково, думал над ним кто-то или нет. Тут и вылезает тот самый разрыв КПД: формулирует человек так же приблизительно, как три года назад, только раньше это умирало в черновике, а теперь выезжает документом со структурой и выводами, и платит получатель.

Раньше недодуманное выдавало себя само, теперь выглядит готовым

Что с этим делать Раз узкое место переехало, то и подстраивать всё надо под него, а сидит оно теперь там, где читают. Причём проверка дешевле всего у самого автора: он ещё помнит, что спрашивал, где модель дорисовала сама и куда он даже не заглянул, а у получателя этого знания нет, ну и час превращается в два. Отсюда правило, которое я сам соблюдаю через раз: чего не дочитал, дальше не отправляй, а если дочитать некогда, напиши сверху прямым текстом — вот это проверял, вот это нет. Раньше такую пометку за нас ставила кривая фраза, теперь её ставит тот, кто отправляет. Сколько из того, что вы отправили за неделю, вы сами прочитали до конца? Константин Сухачев

Вот на какой репорт наткнулся: 33% уволенных из-за ИИ сотрудников придётся вернуть назад на их позицию или нанять на неё человека со схожими навыками (кароче каждый третий уволенный — уволен зазря) При этом зачастую на более высокие зарплаты, чем до попытки заменить человека с помощью ИИ Аналитики отмечают, что главная ошибка менеджеров: думать, что смысл ИИ — автоматизировать работу и убрать людей. На самом деле выгода в том, чтобы усиливать людей: ИИ берёт рутину, а человек — принимает решения и коммуникацию с другими кожаными В общем, аналитики советуют не спешить с попыткой заменить человека с помощью ИИ, потому что, возможно, совсем скоро придётся писать ему с просьбой вернуться назад 🧱

🚨 Google обвинили в том, что она взяла open-source код мобильного AI-агента, убрала имена авторов и выпустила его как Artemis. Команда mobile-use нашла очень странные совпадения: - из 229 файлов 228 были идентичны - внутри остался агент с случайным именем hopper и тем же prompt - в раннем pyproject.toml сохранились имена трёх разработчиков mobile-use - в следующем коммите эти имена заменили на другого автора, а остальные 228 файлов не изменились Команда не возражает против использования их Apache 2.0-кода, претензия именно к отсутствию attribution. После публичной жалобы в репозитории Google уже появился PR с исправлением attribution. Очень неловкая история для компании, которая сама построила огромную часть своей репутации вокруг open source. https://github.com/google/artemis/issues/40

Вкусовошинг Издание The New Yorker написало про очень занятную штуку в ИИ-индустрии. Суть такая: ИИшные технобро из Долины дружно помешались на вкусе. Вот несколько цитат: - Грег Брокман из OpenAI: "Вкус - это новый базовый навык". - Основатель ИИ-конструктора сайтов Framer Кун Бок: "Лучшие продукты будут строить люди с отличным вкусом". - Пол Грэм, Y Combinator: "В эпоху ИИ вкус станет ещё важнее". - Анонимный топ из ByteDance: "Персональное чувство вкуса - это новый moat" (что такое moat - я писал тут). И т.д. и т.п., можно много такого найти. Получается, в 2026 году слово "taste" стало таким же булшитом клише в Долине, каким в 2010-х было, к примеру, слово "дизрапт". Почему так? Есть две версии - красивая и (скорее всего) реальная: Начнём с красивой. ИИ уронил стоимость производства чего угодно нефизического почти до нуля. Код, визуал, дизайн, тексты, видео, музыка - теперь с ИИшкой можно собрать за пару вечеров, причём даже без глубоких навыков. А если узкое место "сделать" больше не работает, то должно появиться новое. Вот техно-бро считают, что это вкус. Ведь что такое вкус? Это когда мы умеем из кучи вариантов выбрать самый лучший, самый актуальный, самый годный. И если ваша компания умеет давать стиль, а лично вы излучаете тотальный биллионерс, то у вас есть конкурентное преимущество. Если нет - раньше это было окей, а теперь, в эпоху ИИ, вам капец. Это в целом верно, сложно спорить. Но есть обратная сторона медали, и про неё как раз пишет автор колонки Кайл Чайка. Это чувак, который уже кучу лет описывает, как алгоритмы всё усредняют, и даже написал про это книгу "Filterworld". Он называет происходящее "taste-washing". По аналогии с гринвошингом, хелсвошингом и прочими штуками, где компании присасываются к тренду. ИИ-конторам нужно слово "вкус", потому что за пределами Долины их продукты воспринимают не как стильный выбор, а либо как фабрику нейрослопа (= говно), либо вообще как угрозу - работе, осознанному потреблению, ощущению себя и ЧЕЛОВЕЧЕСТВУ 🤣. То есть, ИИ - это технология, которая по своей природе обезличивает, а вкус даёт ей некий красивый гуманистический фасад. Но при этом реальность работает ровно наоборот: NYT недавно подсунул читателям отрывки из big literature вперемешку с ИИ-текстом, и почти половина предпочла нейротекст. Так что, ИИ не виноват, что у него нет вкуса - у людей его изначально не было, а ИИ лишь наш слепок 😈 Но особо доставляет, что на той же волне возникают ИИ-продукты для развития вкуса. Например, есть такой нишевый стартап Sublime. По сути, это закладочная читалка: вы сохраняете туда цитаты, ссылки, картинки и видосы, а ИИ подтягивает к ним связанные идеи из вашей библиотеки и от других юзеров. И в итоге должна получится "библиотека вашего личного вкуса". Плюс платные сессии, где нейронками собирают айдентику бренда "со вкусом", лол. Вкус, который вы должны вырастить вопреки ИИ, чтобы иметь конкурентное преимущество в новой реальности, вам подсказывает нейросеть. Слопо-жаба окончательно закольцевала метавселенную. Дизраптор

#дайджест Дайджест AI/ML за неделю 7–13 сентября 2026 OpenAI: уравнения Навье-Стокса Драма недели. Внутренняя модель сильно сильнее Astra в виде роя из ~10к агентов за 88 часов доказала, что 3D Навье-Стокс с гладкой внешней силой взрывается за конечное время. Вариант без внешней силы, за который дают миллион, все еще открыт, так что на приз OpenAI не претендует. Теперь к скандалу. Тристан Бакмастер (NYU) и Левент Альпеге (Anthropic) год копали ровно этот подход с Claude и Codex и за две недели до запуска роя получили важный промежуточный результат. OpenAI признает, что не может исключить попадание переписок математиков в обучение. Deep Blue против Каспарова, только если бы Каспаров делал свои ходы с подсказками Deep Blue, а Deep Blue подсматривала стратегию Каспарова из своих подсказок. Блогпост, заявление Бакмастера DeepSeek: V4.1-Flash 552B MoE, активных 8B на prefill и 16B на decode, новая Causal Encoder-Decoder архитектура, нативное зрение, контекст 1М. На DeepSWE 74.2 против 74.0 у Opus 5 и 73.0 у Sol, зато на Terminal-Bench 4.0 всего 31.2 против 51.8 у Opus. KV-кэш ужали в 4 раза. Цена $0.30/$1.20, в непиковые часы вдвое дешевле, кэш в непик $0.003 за миллион. С 14 сентября все запросы к V4-Pro роутятся во Flash по цене Flash, пока не выйдет V4.1-Pro. Блогпост, HF OpenAI: ChatGPT Images 2.5 До 50% быстрее 2.0, более тонкое редактирование, например может в стоп-моушен анимацию без дерганой картинки, чего не могла ни одна text to image модель. Еще можно накалякать скетч прямо в чате и использовать как референс, плюс шаблоны и комментарии на самой картинке для точечных правок. В API две модели: gpt-image-2.5-flare (быстрая, дефолт) и gpt-image-2.5-sunburst (побольше). Цена за токен как у gpt-image-2. Раскатано всем, включая Free. Блогпост Suno: v6, v6-wild и v6-mini Вышла новая серия в виде трех моделей: v6 точная и предсказуемая, v6-wild та же, но при температуре 39' для экспериментов, v6-mini быстрая и для бесплатных. Все умеют править отдельные секции трека текстом, мэшапы, семплы и генерацию по картинке, видео или аудио. Старые модели уберут. Бенчмарков нет, но их услужливо посчитали конкуренты, см. ниже. Блогпост m-a-p: YuE2 Открытая 3.6B модель для генерации песен. Из лирики и стиля сначала пишет партитуру в ABC-нотации, которую можно править руками или агентом, потом рендерит стерео 48 кГц. Умеет zero-shot каверы. На их WildSongBench набирает 6.96 против 6.87 у Suno v5 и 6.56 у свежей Suno v6. То есть по чужому бенчмарку v6 хуже v5, но это чужой бенчмарк. Код Apache 2.0, веса CC BY-NC(!), нужно 24 GB VRAM. GitHub, HF, демо Tencent: AuK Nano Banana для аудио, как они сами говорят. Открытая 1.5B модель: zero-shot TTS, замена слов в готовой речи, смена эмоции и тембра, шепот, удаление акцента, денойз и разделение речи/музыки, все текстовыми инструкциями плюс референс. 1.95М часов супервизии. AuK-Flash дистиллирована до 4 шагов и в 4.5 раза быстрее. MIT, есть ComfyUI-ноды и демо. Теперь легендарные RYTP с прямой линии можно превратить в недерганную речь. GitHub, HF, Статья BFL: FLUX Video Edit Редактирование готового видео промптом: добавить или убрать объекты, поменять текст в кадре, перекрасить, перевести реплики с липсинком. Длительность, пропорции и звук исходника сохраняются, вход даунскейлится до 720p, до 15 секунд, цена $0.03 за секунду. Документация Blackmagic: DaVinci Resolve 21.1 В Resolve Studio встроили MCP-сервер: CC и Codex могут работать с проектами. Заодно Python-скриптинг вынесли из бесплатной версии, так что автоматизация теперь стоит $295 Обзор Google+NASA: MAPL-EMIT Модель которая из данных со спектрометра на МКС (EMIT) резмечает области выделения метана, чтобы потом глобально не теплеть База данных, визуализация, Kaggle, GitHub Lightx2v: MiniMax H3 Turbo Ref2VA - дистилляция reference-to-video ветки открытого MiniMax H3 до 8 шагов и 768p Новость Krea: Agents - агент, который по брифу сам выбирает из 60+ моделей, генерирует и правит картинки, видео и звук. Доступен в бесплатном тарифе. Agent

Сделал бесплатную программку для автоматической записи и расшифровки онлайн-встреч. Работает с любыми звонками: zoom, google meet, телеграм, вацап... Запускает и останавливает запись автоматически. Расшифровывает встречи, определяет говорящих, так что реплики разложены по людям, а не слиты в один поток. Пишет качественные выжимки встреч. Многие программы экономят на токенах, а эта использует самую мощную модель, чтобы ничего не потерять. Умеет делать всё это локально, без доступа к интернету. Можно подключить мощные платные модели, умеет использовать подписки (!) и API ключи. Все данные хранятся локально на компьютере. Одна встреча — одна папка, внутри аудиофайл, расшифровка, выжимка. Очень удобно натравить нейросети. Программа полностью бесплатная, с открытым исходным кодом. Легкая установка, нотаризованный Apple бинарник. Работает на macOS; если вы заинтересованы в Windows-версии — чирканите мне письмо на amanu-windows@samat.me. ❧ Даже со всеми нейросетями, разработка заняла почти месяц (неделя активной работы, дальше по мелочи) — вы не представляете, сколько краевых случаев вылезло, пока я тестировал приложение на себе.

Немного про напарников Ну или напарниц, как удобнее) В Resonance есть интересные детали, которые делают их более живыми. Это вроде бы маленькие штуки, но всё вместе работает на погружение и ощущение того, что напарник ощущается более важным, а мир игры иммерсивнее. Когда мы решаем головоломку, Лени (это напарница гг), не стоит всегда на одном месте, она перемещается, а в некоторых частях уровней может присесть или встать в какую-нибудь забавную непринуждённую позу, реагируя на происходящее (скрин 1). И здесь почти всегда стараются делать честное перемещение в тех моментах, где игрок может это заметить, например она тоже прыгает и карабкается в платформинг секциях, или точно так же как София (это мы) использует зиплайн. Интересно, что в первой половине игры есть моменты, где надо прыгать по плитам, из которых появляются и вновь скрываются шипы, и если быстро преодолеть такое место и обернуться видно, что шипы несколько притормаживают, чтобы дождаться, пока по ним честно пропрыгает Лени. А ещё здесь есть прикольный нарративный момент: если в драках с врагами остаётся один противник, с которыми дерётся Лени, она почти всегда сразу добивает его (скрин 2). Это даёт игроку ощущение того, что она привносит реальную пользу в сражение и даже может закончить бой, убив последнего врага. Ну и бой не затягивается лишний раз. На сложность боя это почти не влияет, потому что напарница всегда выбирает себе дефолтных слабых врагов, по крайней мере, если такие остались. Всё это, на самом деле, достаточно непросто сделать. В рамках работы приходилось сталкиваться с настройкой сценариев поведения напарников, и это всегда была кроличья нора проблем и каких-то крайних случаев, которые очень сложно все учесть, чтобы нельзя было поломать игру или чтобы что-то пошло не по плану и выбило из погружения. Тем ценнее, что здесь напарники достаточно проработанные, и при этом я пока ни встретил ни одного бага, связанного с этой механикой. #Resonance #APlagueTale #gamedesign #мнение

Накопилось по #minimaxH3 - часть 23 huggingface.co/Smite79/MiniMax-H3-Longvideos - один промпт → ~2 минуты видео со звуком. Решает проблемы склейки шотов. Без воркфлоу, с инструкцией #longvideo github.com/tritant/ComfyUI_MiniMax_H3_Extender - чейнинг клипов с motion context, дисковым кешем, динамическими референсами и аудио. Есть #workflow github.com/Adudeguyman/ComfyUI-Fantastic-MiniMaxH3-PromptBuilder - построитель промптов по официальному гайду в #ComfyUI: секции, тайминги, ID спикеров, теги референсов. Без LLM github.com/RmaNMetaverse/ComfyUI-FirstframeLastframeExtractor - автосохранение первого и последнего кадра из VAE-декода для повторной генерации в большем размере jurn.link/dazposer/index.php/2026/08/15/updated-my-minimax-workflow-for-the-3060-12gb-card/ - воркфлоу #T2V для RTX 3060 12Gb: до 2.0 Мп без падений, Kitchen Attention, автоэкстракт кадров huggingface.co/CZMartin22/TaoMate-H3-3step-ComfyUI - TaoMate упаковали в 3-шаговую лору huggingface.co/Robert1212star/TaoMate-H3-3Step-ComfyUI - версия для комфи huggingface.co/Kijai/MiniMax-H3_comfy/tree/main/loras - версия #LoRA 182Mb от Kijai #optimization github.com/xm6018924/BSAI-ComfyUI-FaceRefine - еще один фикс мелких и дальних лиц github.com/GENKAIx/Genkai-ComfyUI-Nodes - PromptSync: видео H3 рядом с таймкодами промпта — проверка, где происходят действия и диалоги github.com/LoveRain1997/video-to-h3-prompt - видео → готовый H3-промпт: разделение на действие/камеру/эффекты/звук. CLI, нужен ffmpeg #captioning #vieo2prompt github.com/FranckyB/ComfyUI-H3RefModPicker - форк RefModPicker: лучше UI, добавлен звук #refmods huggingface.co/siraxe/H3_slider_experiments - #slider Camera Arc, Detail, Speed, Smear. Без триггеров github.com/NyckM/H3-Relight-Minimax-ComfyUI - #relighting до трeх источников света на виджете → референс и промпт. GUI на португальском

🙂 Ян Лекун: Дарио Амодей считал GPT-2 опасной На волне тряски публичных заявлений главы Anthropic о необходимости замедления разработки новых моделей, лауреат премии Тьюринга, Ян Лекун, раскопал записи, относящиеся к 2019 году, когда речь шла о GPT-2, чтобы высмеять Амодея. Лекун утверждает, что когда Дарио работал в OpenAI, он считал её настолько опасной, что не следовало выкладывать в опенсорс.

"Я тогда ещё высмеял его, и теперь все должны продолжать высмеивать", - написал Лекун.

В 2019 году OpenAI действительно не сразу выпустила полную версию GPT-2 из-за опасений злоупотреблений, а сначала предложила небольшую модель. В то время Дарио занимал должность руководителя отдела исследований в OpenAI. Через 9 месяцев OpenAI все же открыла полную версию, заявив, что убедительных доказательства серьезных злоупотреблений у неё не обнаружено. @ai_machinelearning_big_data #news #ai #ml

Кое-что про экономику нейро-видео: можно в сторисах или где-то в Reels увидеть ситуацию, когда блогер говорит: «Вам не нужно париться. Вы можете снять себя хоть на кухне, а потом просто по щелчку пальцев заменить свой фон на видео. При этом лицо останется неизменным.»‎ Но это булшит по большей части. Даже если вы используете какие-то ультра-современные модели, они так или иначе меняют лицо на видео и оставляют артефакты. Еще никто не говорит, насколько дорого это. Это пиздецки дорого. То есть если у вас есть 10-минутный видеоурок, где вам нужно заменить свой фон, вам это будет стоить в районе $80, если все дубли будут удачными. Можно насиловать бесплатные аккаунты и регистрировать каждый раз новые или пойти и купить за углом копеечный доступ к нейросетям у сомнительных людей. Но факт остается фактом. Вызвать однократное ВАУ можно. Потому что 10-секундное видео — это недорого, это впечатляет. А вот когда речь идет о более-менее стабильном результате и бизнес-процессе, все идёт боком, потому что адски невыгодно. Выгоднее один раз нормально собрать домашний свет, камеру и микрофон, чтобы смотрелось чистенько. А вот монтировать видео можно реально дешево. То есть склеить, вырезать неудачные дубли и эээ-канья, сменять ракурсы (если вы писали с двух камер) поправить звук — это можно делать предсказуемо хорошо и довольно недорого. По подписке за 20$ например.

Yandex Advanced Personal Intelligence Lab. (лаборатория перспективных исследований персонального интеллекта) Возвращаюсь в Яндекс! Моя давняя амбиция — немного подвинуть рексисоидов из Дипмайнда. Показать, что мы тоже умеем (научились) в рексис. Что у нас есть свое видение, навыки, и мы можем мощно контрибьютить в общее фундаментальное развитие рекомендательных систем. А еще персонализация — это, кмк, очень важная задача, которой в силу проф. деформации топовые лабы занимаются постольку-поскольку. И что человечество пока не сильно продвинулось в персонализации агентов/чатботов; в общем, есть куда поконтрибьютить. Чтобы эту амбицию реализовать, нужно: * построить крутую команду — такой опыт у меня уже есть. Раньше я в основном "черпал" талантов из пула ммпшников; все самые удачные наймы — это кличи на стажировку в чатик выпускников/студентов ммп. Но даже самых талантливых ребят надо было года два учить рекомендашкам/large-scale диплернингу. Сейчас ситуация проще — рексис коммьюнити / популярность рексиса среди студентов / пул кадров растут; а с онбордингом помогает дипрексис курс. * много ресурсов. Чем больше ресурсов (GPU/CPU/диск), тем быстрее ставятся эксперименты. На масштабе рекомендаций, когда мы работаем с очень большими датасетами (см. следующий пункт), без нормальных ресурсов вообще тяжело. * конкретно в рекомендашках еще важен доступ к пользовательским данным; и чем больше данных, тем лучше — особенно для текущих фронтирных направлений. * и, наконец, нужен доступ к продакшну и к коллегам, которые помогут быстро итерироваться в оном продакшне. Сильного доверия оффлайн-оценке качества в рекомендациях нет — она смещена из-за специфики пользовательского фидбека и продовой рексистемы. Для железных выводов нужны A/B-тесты. Если посмотреть на тот же (рексис) Дипмайнд — там всё сильно production-oriented и почти во всех статьях репортятся результаты A/B тестов; аналогично Spotify Research. Что в итоге имеем: * для первого пункта нужно вкладываться в популяризацию и развитие образования в области рекомендательных систем. Очень много усилий было вложено в дипрексис курс; мы на этом не останавливаемся и планируем вторую итерацию — более масштабную и ещё более актуализированную. * для остального нужно быть частью индустрии. В академии нет нужного количества ресурсов, доступа к данным нужного масштаба и A/B тестов на реальных пользователях. Так вот. Буду строить свою лабу в Яндексе! Почему Яндекс: в любом другом месте мне потребовалось бы много времени, чтобы наладить инструменты, процессы, выстроить коммуникации, встроиться в организацию. Внутри Яндекса есть разные варианты, где этим можно заниматься — я выбрал Рекламу. Почему Реклама: это самая большая и важная рекомендательная система Яндекса. На протяжении всей карьеры в Яндексе у меня было много совместных проектов с ребятами; все ключевые разработки, типа первых яндексовых рекомендательных трансформеров / Дипранкера (нейросетевого ранжирования) / Аргуса, туда успешно доехали. Команда в рекламе большая и экспертная — есть крутые зрелые R&D / продуктовые / инфровые команды, почти со всеми из которых я хорошо знаком и вместе работал. К ребятам можно органично встроиться ресерч лабой, с хорошей синергией; и с порога получить приличное количество ресурсов. Чем будет заниматься лаба: тем же, чем занималась моя бывшая команда, но с еще большим фокусом на ресерч. Я это позиционирую как applied research — делаем долгосрочные исследования, но при этом сохраняем прикладной фокус; прямо как (рексис) DeepMind и Spotify Research. Конечная цель — импакт в продуктах и рост метрик; и важно то, какими методами мы будем этого достигать — через фундаментальные исследования и фронтир, а не через инкрементальные улучшения и жесткий тюнинг под домены. А ещё очень важно при этом поддерживать и развивать ресерч культуру и делиться результатами с сообществом — писать статьи, участвовать в конференциях, преподавать. Также я рассчитываю, что наши наработки в конечном счете будут полезны не только рекламе Яндекса, но и другим доменам (в том числе горячо любимой мной Музыке <3). И что доведется повзаимодействовать с ребятами из YandexGPT и другими R&D командами (включая моих бывших коллег из рекомендательной службы!). Есть видение, куда надо двигать рекомендашки (куда нас двигает bitter lesson), и есть возможность превратить его в реальность, вместе с ребятами из рекламы. Если раньше я пытался делать сразу почти всё — ресерч, разработку инструментов, фреймворков, погружаться в продукты, внедряться — и это существенно усложняло построение сильной ресерч команды, то здесь вижу НУ ОЧЕНЬ большой потенциал для симбиоза с рекламными командами, у которых все эти аспекты уже хорошо развиты. В общем, хайп н е р е а л ь н ы й! Про образование. Для меня, наверно, самая значимая цельная вещь, которую я сделал к текущему моменту — это дипрексис курс. Хочется и дальше его развивать. Буду продолжать вести курсы в ШАДе и Вышке, а также руководить студентами; вообще, очень удобно делить идеи на сложные фундаментальные рабочие задачи и более локальные гипотез — и вторые проверять вместе со студентами. А ещё в Вышке я теперь заместитель заведующего базовой кафедрой Яндекса, что даёт мне возможность устраивать всякие разные коллабы между Яндексом и Вышкой. Если вы работаете в Яндексе и хотели бы заняться преподаванием / научным руководством, то теперь я человек, который может вам в этом помочь. P.S.: со мной можно пообщаться офлайн на Practical ML Conf 19 сентября, где я буду в качестве участника дискуссии "От исследования к продукту и обратно...". Ну или можно написать в личку. Если лаба заинтересовала, но думаете что на текущий момент нет шансов в неё попасть / не готовы уходить с текущего места, то всё равно полезно дойти до меня и выразить свой интерес, на будущее. Всё, пока, нет времени говорить, побежал двигать рексис фронтир))