ИИ

Теперь официально нас будет собесить робот 😏 Недавно обсуждали вакансию хх.ру в команду верификации соискателей, и вот подъехал новый дроп)) С 1 октября всем работодателям стал доступен новый ИИ-помощник.

Если коротко: теперь первичный отбор кандидатов можно полностью отдать ИИ. Причем, по данным хх.ру, до 1000 откликов он разбирает за 10 минут.

Что конкретно меняется для нас с вами 👇 🔹 Сортировка в 3 категории ИИ сам формирует портрет кандидата на основе вакансии и распределяет кандидатов в три категории: «Подходит», «Можно рассмотреть» и мое любимое – «Не сейчас» (очень деликатно 🙃) Финальное решение все еще принимает человек. Но очевидно, что если на вакансию прилетело 1000 откликов, рекрутер в первую очередь пойдет смотреть тех, кого алгоритм положил в верхнюю стопочку. 🔹 Если информации не хватает – ИИ сходит к вам в личку, чтобы ее дополнить Например, работодателю нужен опыт в конкретном домене, а в вашем CV про это ничего нет. Помощник может задать вопрос в чате, а после ответа обновит ваш профиль и даже может перенести в папку «Подходит». 🔹 Краткий профиль по каждому кандидату Рекрутер видит не просто да/нет, а сводку по кандидату: какие требования подтверждены, по каким есть несоответствие, а где информации недостаточно. По мере общения профиль дополняется – в частности, появляется саммари телефонного разговора с кандидатом через хх.ру. 👉 И какой из этого вывод? К ИИ-отбору на первом этапе мы все давно привыкли. И я бы не рассчитывал, что новый помощник хх.ру вдруг станет лояльнее к кандидатам и будет заботливо вытаскивать вас доп. вопросами. Советую и дальше исходить из того, что все самое важное алгоритм должен видеть в резюме сразу. Поэтому продолжаем надеяться на себя: читайте вакансию → адаптируйте резюме под требования → используйте понятные формулировки и ключевые слова. Ну а в целом, добро пожаловать в найм 2026 года 🫡 Что думаете про это обновление от хх.ру? ❤️ - скорее хорошо 🥴 - скорее плохо 🗿 - уже без разницы

ИИ пожирает не только SSD: в следующем году Toshiba удвоит мощности по выпуску жёстких дисков Toshiba вложит около $380 млн в расширение производства жёстких дисков на Филиппинах с апреля 2027 года. Компания планирует удвоить мощности и выпускать накопители на 40% большей ёмкости. К 2030 году японский производитель хочет освоить модели на 65 Тбайт, а затем — на 100 Тбайт. Спрос растёт из-за бума ИИ: к 2030 году объём данных может увеличиться в четыре раза, и до 60% из них будут храниться на HDD. Toshiba также рассчитывает нарастить свою долю мирового рынка с чуть более 10% до 30%. #toshiba #hdd #жёсткийдиск #иибум 📎Подробнее 🔖 3DNews в TG | MAX | VK

Либо слоп, либо смерть Во франкофонных литературных кругах последние две недели бушует скандал: там канадско-гаитянскому автору романа-бестселлера «Либо так, либо смерть» восторженные критики сначала навыдавали кучу престижных наград – а потом выяснилось, что всё произведение является AI-слопом чуть менее, чем полностью. Ну как, «выяснилось»: на это указывает детектор слопа под названием Pangram. И во всех обсуждениях этого вопроса регулярно можно встретить комментарии в стиле «да все эти ИИ-детекторы просто неработающая ерунда, они там по длинным тире могут любой текст генерацией признать, глупо на них полагаться!!». И тут даже есть зерно истины в том смысле, что решить задачу «со 100%-ной точностью разделять авторство любого произвольного текста между человеком и машиной» заведомо невозможно. Но, может быть, такой безумный уровень точности и не нужен, в целом? Может, условной 99,9% точности вполне хватит? Смотрите, я тут покопался в исследованиях по поводу этого Pangram: 🐌 По данным от самих разработчиков, их свежая модель ошибочно признает за ИИ написанный человеком текст в 0,004% случаев (40 срабатываний на 1 миллион проверок). В обратную сторону точность скалибрована в меньшую сторону (тут уж надо выбирать, какой тип ошибки минимизировать): примерно 0,3% ИИ-текстов модель приняла за человеческие. 🐌 Вот в этом независимом исследовании прошлогоднюю версию Pangram проверяли на паре тысяч чисто человеческих и паре тысяч нейронных текстов. У них вышло 0,1% ложноположительных срабатываний (ошибочно определили человека как ИИ) при 1% ложноотрицательных (ошибочно приняли ИИ за человека). 🐌 Здесь и здесь анализируется уже чуть более свежая версия Панграма на выборках в 40 и 500 людских текстов – в обоих исследованиях модель выдала ноль ложноположительных срабатываний, но при этом иногда консервативно помечала тексты от ИИ как человечьи (особенно там, где исследователи их специально «хьюманизировали» или просили подражать стилю конкретного автора). 🐌 Вот тут из 300 точно человеческих текстов Pangram ни один не заклеймил ошибочно нейрослопом. Но при этом он часто (в 60–80%) помечал как машинный текст, который после человека редактировала (по сути, переписывала, а не писала с нуля) нейронка. И еще авторы там с помощью хьюманайзера смогли заабьюзить ошибку в обратную сторону и заставить Панграм пропускать 95%+ ИИшных текстов как человеческие (правда, там сами тексты были короткие, всего 180 слов). Краткие выводы: — Если Pangram говорит, что текст является нейрослопом – то с очень высокой вероятностью он либо полностью сгенерирован, либо его правила нейронка (модель специально калибруют так, чтобы она допускала как можно меньше ошибок в эту сторону). — В обратную сторону точность сильно меньше: метка «written by human» от Панграма не является гарантией, что речь не идет про слоп, который специально постарались хьюманизировать. — Более-менее адекватная точность в любом случае начинается примерно от 200 слов, совсем короткие фрагменты на пару предложений надежно задетектить не выйдет. — Большинство исследований делалось в первую очередь на английском, для других языков точность потенциально может быть ниже. Хотя, в карте модели Pangram 4 они там заявляют впечатляюще низкий уровень в 0,005% ложноположительных срабатываний для русского языка. P.S. Как обсуждали еще сегодня в комментах к посту на моем втором канале: в интернете можно найти много смешных скриншотов на тему «Pangram думает, что тексты Гюго или Витгенштейна являются AI-слопом». Так вот, рекомендую вам проверять такое самостоятельно на оригиналах текстов – там в подавляющем большинстве случаев речь идет о фейках, чтобы собрать классы.

Кстати, про "образование" — сразу несколько известных независимых преподавателей веб-разработки сообщают, что генеративный AI разрушил их бизнес. Аксель Раушмайер ведёт с 2005 года блог 2ality об ECMAScript. По его словам, доход от книг упал с уровня, на который можно было жить в 2024 году, до нуля в 2026-м. Джош Комо и другие авторы курсов фиксируют падение выручки на 50% и больше. Кайл Кук из Web Dev Simplified зарабатывает вдвое меньше, чем год назад. Бальдур Бьярнасон лишился всех обучающих проектов: спрос на электронные книги по веб-разработке рухнул, коллеги закрывают бизнесы. Салма Алам-Нейлор ушла из DevRel на менее оплачиваемую позицию разработчика без публичной активности. Ну, что можно сказать? Можно, конечно, посочувствовать людям, которые надеялись всю жизнь провести на объяснении элементарных вещей вида "Вот видите, у элемента X есть свойство стиля Y, это значит, что можно написать вот так и чудо, текст теперь по центру, с вас 300 баксов за полчаса и еще 25 примеров этого использования". Правда, они же не сочувствовали авторам книг "Как запустить веб-браузер на Windows 95", когда у тех провалились очередные переиздания под названием "Как еще запустить веб-браузер на Windows 7". Однако, развитие AI делает знания, базирующиеся на примитивных навыках и накопленном опыте, легко доступными. Вам не нужно 10 тысяч повторений, чтобы знать о каких-то подводных камнях в той или иной деятельности или применять решения, базирующиеся на механическом опыте. Собственно, в этом и заключается смысл цивилизации и культуры — сохранять знания и передавать их между поколениями. Если ваш бизнес базируется на неверном прочтении предыдущего глагола, как "продавать", то добро пожаловать в клуб извозчиков и секретарей-машинисток. https://molily.de/web-dev-education/

Окружной судья США Амит Мехта в Вашингтоне в среду, 1 октября, отклонил иски Chegg и Penske Media Corp (издатель Rolling Stone, Billboard и Variety) к Google из-за AI Overviews. Компании подали иски в 2025 году. Они утверждали, что Google нарушает антимонопольное право: издатель, который хочет остаться в поисковой выдаче, вынужден разрешить AI-пересказы своего контента. Из-за этого падает трафик на их сайты, а вместе с ним выручка. По мнению Мехты, антимонопольные претензии истцов «не сходят со стартовой линии». В марте тот же судья отклонил похожие требования другого издателя. Конструкция исков держалась на связке: индексация в поиске в обмен на согласие на AI Overviews. Без индексации нет трафика, а значит, Google якобы навязывает условия. Издатели заявили что ожидали, что поиск будет присылать им трафик за бесплатно открытый контент. Судья ответил, что ожидание не является соглашением, а просто описывает работу поисковой системы. Если права на трафик нет, то нет и принуждения. Это совпадает с позицией Google: компания не обязана индексировать контент на условиях издателей. Аргумент истцов о том, что на конкурентном рынке Google платил бы за перепубликацию и обучение моделей, до проверки по существу не дошёл. Мехта при этом оговорился, что сочувствует издателям, чей контент Google использует без компенсации, но антимонопольное право не заменяет полномочий законодателей. Я напомню, что Chegg — это компания "образовательного бизнеса", на самом деле сервис готовых рефератов, которая два года назад жаловалась, что развитие ChatGPT лишает её бизнеса. https://www.reuters.com/legal/litigation/google-wins-dismissal-chegg-penske-media-lawsuits-over-ai-overviews-2026-10-01/

Довольно давно художники начали использовать смартфон для записи движения камеры внутри 3D-сцен в Blender, как в этом ролике. А сейчас все чаще вижу ту же механику, только для создания AI-роликов. Смотрится офигенно, реалистично, и главное – вам в случае с ИИ не нужно даже заморачиваться с созданием и детализацией блочной сцены, и уж тем более не надо ее моделить для финального результата. Просто просите агента: – подключиться в Блендер, собрать простую сцену (даже, например, с анимированными персонажами) – достаете смартфон, просите того же агента подключить смартфон к блендер-сцене, чтобы можно было видеть ее на экране, и быть, как бы, внутри этой сцены – снимаете видео как вам нужно, с тряской, любым поведением – отдаете эту блочную красоту любой классной видео-ту-видео модели, профит!

Suno бахнуло Speech Олды вспомнили про Bark Теперь оно генерирует не только пестни, но и обычную речь сразу с фоновой музыкой. Как: - Пишете текст или просто описываете идею. - Задаёте, каким должен быть голос. - Описываете музыкальный стиль. - Suno генерирует речь и оригинальную подложку вместе, одним треком. Вот это вот все для озвучки видео, историй, медитаций, рекламных роликов, подкастовых вставок, voice-over, игровых сцен и прочего spoken content. По цене пока всё просто: отдельного тарифа Speech нет. Beta доступна всем пользователям Suno. Сколько конкретно credits съедает одна генерация Speech - непонятки. Зачем это всё? Suno постепенно перестаёт быть просто генератором треков и превращается в генератор готового аудиоконтента. Музыка остаётся ядром, но теперь вокруг неё появляются речь, narration и потенциально другие виды аудио. Это уже прямой заход на территорию TTS, подкастов, аудиокниг, рекламы и озвучки видео. И главный продуктовый ход здесь не в том, что Suno научилась говорить. Хороший TTS давно существует у всех. Ход в другом: голос и саундтрек создаются как одна сцена, без отдельной генерации музыки и последующего сведения. Можно ли получить голос без музыки? Я не знаю. И надо тестировать, можно ли получить два трека отдельно для голоса и для подложки. Источники: https://suno.com/blog/introducing-speech-beta https://suno.com/release-notes @cgevent

Как мне ИИ помогает в быту. Тесно сотрудничаю с ИИ-помощником в разработке. Он экономит мне кучу времени на рутину, находит неочевидные детали и предлагает оптимальные решения. Вот несколько кейсов только на этой неделе. 🔹Статистика Решил я добавить статистики в PersMarket. Ну, там, просмотры, география, прочее. Обычно для таких целей сразу тащу в проект ClickHouse. Но недавно писал про SereneDB, новую быструю СУБД с PostgreSQL-коннектором. Думаю, надо пробовать. Запустил режим планирования в моем ИИ-коллеге и попросил прикинуть, как реализовать статистику, упомянув обе СУБД выше. Тот пошуршал и выдал план, в основе которого обычный советский PostgreSQL. Про ClickHouse сказал, что рано. Про SereneDB почитал документацию на сайте и сказал, что пока тоже не стоит. Я пытался его убедить, что стильно-модно-молодежно, но тот был непреклонен, настаивал на своем варианте, без всякого вот этого "Вы абсолютно правы". В отчете привел обоснования и примерные оценки. По совокупности факторов я с ним согласился и пока не жалею. А вот если бы принимал решение сам, мог бы внедрить новое и потом увязнуть в настройке-поддержке. Да еще сервер мощнее брать бы пришлось. 🔹Лендинги Умеет мой нейродруг верстать, поэтому я делаю в нем лендинги. Сначала традиционный режим планирования, придумываем экраны, обсуждаем всякие завлекательные и убеждающие фразы, CTA-элементы и вот это все. Я пишу, что мне надо в итоге, он готовит этот поэкранный сценарий. Затем я согласую, и он верстает. По умолчанию получается немного нейрослопно, но есть скиллы, дополняющие его опыт всякими лучшми практиками. Они корректируют типографику и композицию, так что получается вполне прилично для работы на час. Но вот не умеет он генерировать картинки, к сожалению. Вернее, умеет вектор и SVG, умеет диаграммы и графики, а вот фотореализм не умеет. А для лендинга надо. И я прошу его: "У меня есть платное AI API, там есть модельки, умеющие генерировать изображения. Сделай мне скилл для генерации, чтобы недорого и приемлемо." Он сходил на сайт API, почитал документацию, скачал список моделей с расценками, сделал несколько тестовых запросов, выяснил оптимальный вариант и соорудил скилл. Собственно, скилл - это текст с инструкциями + скрипт на Python. И вторым запросом я ему говорю: "А теперь примени этот скилл для нового лендинга". 5 минут - и вуаля! - картинки на месте. Он сам составил запросы с учетом контекста, получил готовые картинки, оценил с точки зрения релевантности, вставил в лендинг и отформатировал. Придраться было не к чему. 🔹Баги На одном из проектов пользователи создают отчеты и прикрепляют к ним фото. И регулярно жаловались, что пропадают загруженные фото. Я не мог понять закономерность и воспроизвести это дело. Функционал делал не я, к тому же там использовалась сторонняя библиотека как ядро платформы. Попросил своего AI-гуру посмотреть, что может быть. Он посмотрел, говорит, что бывают фото большие, и в определенных случаях пользователи загружают их пачками, что не пролезает в лимиты. Давай, говорит, будем их уменьшать прямо на фронте. Ну конечно давай, говорю. Он сделал. Поверил за собой, тесты всякие, туда-сюда. Всё нормально. Кстати, говорит, а ты знаешь, что у тебя фото сохраняются неправлиьно на сервере? Не знаю, говорю. А вот, говорит, та сторонняя библиотека сначала пишет оригинал, а потом в этот же файл пишет уменьшенную копию, не отрезая хвост. Картинки потом отображаются нормально, потому что там все сигнатуры нормальные, но мусорный хвост увеличивает размер файла, иногда в разы. Ну разве я бы такое нашел глазами? Я бы и не искал, файлы без ошибок пишутся и открываются, а кто там на размер смотрит. Ой, мама, сказал я, сделай что-нибудь. Он исправил сохранение и по своей инициативе написал мне консольную утилиту для обрезания хвостов уже загруженных файлов, даже режим dry-run не забыл. Пробую - на каждые три месяца фоток до 500 мб хвостов. А история там за 4 года. В общем, не представляю, как раньше жил без такого покладистого помощника и, главное, быстрого, как электровеник. #ai

✔️ ВКонтакте научила Ленту отличать интерес к контенту от намерения купить Инженеры AI VK построили отдельный контур товарных рекомендаций внутри Ленты ВКонтакте. Обычный рекомендер оптимизируется под релевантный показ, за которым обычно следует лайк, комментарий и другие реакции, но интерес к посту ещё не означает готовность купить товар. Поэтому для товарных публикаций сделали отдельную систему со своими кандидатами, логированием и моделью ранжирования. Она оценивает вероятность того, что конкретный товарный пост приведёт пользователя к заказу. На старте возник классический cold start: мало показов → мало переходов и заказов → мало данных → модель не на чем обучать. Команда подняла логирование товарного домена с 2% до 100%, увеличив обучающую выборку в 15 раз. А пока заказов было недостаточно, использовала более частые proxy-сигналы – например, раскрытие текста поста, которое коррелировало с дальнейшим переходом к партнёру. Для поиска кандидатов система использует два типа сигналов: товарное поведение и обычные контентные интересы. Например, если человек взаимодействует с постом про книги или рецептами, система может найти близкие по смыслу товарные публикации – книги, посуду или другие связанные товары. После этого ранкер решает, стоит ли показывать конкретный товар конкретному пользователю. Само ранжирование мультитаргетное: максимальный вес получает заказ, затем переход к партнёру и только потом более лёгкие действия вроде лайков и времени просмотра. То есть система оптимизируется не под CTR как таковой, а под всю воронку до покупки. За пять месяцев: 🟢сквозная конверсия из показа в созданный заказ выросла на 53%; 🟢число созданных заказов – в 43,2 раза; 🟢переходы к партнёру – в 55,3 раза; 🟢CTR перехода к партнёру – на 95,6%. Инфраструктурно всё работает на Discovery-платформе VK: она позволила настраивать отдельное логирование, быстрее запускать эксперименты и тестировать гипотезы без разработки отдельных сервисов под каждый новый сценарий. Подробно про архитектуру, cold start, proxy-таргеты и ранжирование – в статье на Хабре. @ai_machinelearning_big_data #news #ai #ml