ЭЯЙ

Этапы внедрения ИИ в компанию. (Детализация карты из предыдущего поста)

Итак, допустим ты ЭЯЙ-инженер, который в одиночку или с командой хочет внедрять ЭЙЯ в бизнесы. Кто твои клиенты?

ИП, малый и средний бизнес, Энтерпрайз, госкомпании. У каждого свои нюансы: скорость принятия решений, регламенты, безопасники, закупки, юристы, контуры, доступы, сроки оплаты и тд.  Но есть одно сходство:

Большинство клиентов — от ИП и до среднего (а иногда и крупного) бизнеса — понятия не имеют, из каких этапов состоит заказная ИИ-разработка, особенно если это их первый раз...

Им кажется, что всё выглядит достаточно просто : созвон — ты прислал КП (коммерческое предложение) — они окнули — ты сделал крутой эяй-сервис — и сразу внедрил его в прод.

Поэтому, дабы  перестраховать себя и клиента от неоправданных ожиданий, сорванных сроков и размытых критериев приёмки, IT компании придерживаются определенных этапов внедрения. Что за этапы?

1. Дискавери (разведка) Клиент пришел с запросом: «хочу автоматизировать бизнес процессы». Твоя задача на данном этапе превратить его абстрактные хотелки в понятный запрос: что делаем? Зачем? За сколько? Как проверим? Какие есть риски? На этом же этапе происходит скоринг клиента, о котором мы будем говорить в следующих постах и артефактами по которому я поделюсь.  Результат данного этапа: (1) чётко сформулированный запрос, (2) критерии успеха проекта, (3) подписанный NDA и согласованный формат предоставления данных, (4) ответы на скоринговые вопросы. 

2. Пресейл (препродажа) На Presale ты берёшь то, что сделал на Discovery, и превращаешь это в список конкретных работ и артефактов. На данном этапе происходит предварительная вилочная оценка проекта. Здесь же ты запрашиваешь тестовые данные для демо и проверяешь их пригодность.  Результат этапа: (1) согласованный список ожидаемых результатов, (2) ограничения/допущения/риски, (3) набор тестовых данных и вывод по качеству данных, (4) план Proof-этапа: как и чем будем измерять точность.

3. Proof (демо на данных клиента и реальная точность) Задача этапа - верифицировать гипотезы и согласовать реальные ожидания от продукта. Данный этап четко разграничивает, где система справляется автономно, а где требуется вмешательство человека. Результат этапа: (1) демо на тестовых данных клиента, (2) отчёт по метрикам и  на каком датасете они считались, (3) список ограничений/допущений, (4) условия перехода в пилот.

4. Коммерция (Комерческое предложение  и пояснительная записка) Это не просто цифры, а фиксация границ ответственности, которая защищает тебя от раздувания задач. Если коммерческое предложение говорит «сколько стоит проект», то записка объясняет «при каких условиях».  Результат этапа: (1) КП (этапы, сроки, стоимость, график оплат), (2) пояснительная записка (допущения, вилки, риски, что входит/не входит), (3) критерии успеха и приёмки по этапам, (4) сценарий: пилот или сразу пром.

5. Execution Это юридическая фиксация рамок. Договор связывает сроки и стоимость с обязанностями (твоими и заказчика). Любые «хотелки» вне этого документа идут через официальную процедуру изменений и доп. договоров.  Результат этапа: (1) подписанный договор на пилот, (2) критерии приёмки, (3) график оплат ( 50/50, пост оплата и тд ) и ответственность сторон.

5.1 Реализация пилота Пилот — это проверка гипотез и жизнеспособности пайплайна или подхода. Главная задача пилота , не сделать идеально работающий продукт, а сделать решение, которое можно измерить и принять  решение о старте промышленного этапа. Результат этапа: (1) работающий пилот в согласованном контуре, (2) артефакты пилота (демо, отчёты, логи, инструкция), (3) список выявленных проблем и улучшений (как бэклог), (4) подтверждение фактических метрик на тестовом наборе.

5.2 Приёмка пилота Приёмка — это проверка решения по заранее согласованным критериям. Результат этапа: (1) акт приёмки, (2) результаты тестирования по критериям, (3) список замечаний с классификацией и сроками, (4) решение: переходим в пром или дорабатываем пилот по согласованному списку.

6. Scale (промышленное внедрение) На этапе scale многие ML фрилансеры, которые не имеют своей команды, передают проект дальше —в IT компании или интеграторам. Потому что промышленная эксплуатация— это уже совсем другие задачи и ответственность: безопасность, интеграции, мониторинг, SLA, поддержка и тд.  Результат этапа: (1) КП на пром (стоимость, этапы, сроки,ресурсы), (2) пояснительная записка на пром (архитектура, риски, допущения, план масштабирования), (3) план внедрения

Важно: этапы на карте — это прям эталонная enterprise-версия. Она нужна, если ты хочешь работать с дорогими заказчиками: средний бизнес, энтерпрайз, гос, где есть юристы, безопасники, закупки, контуры, сроки оплат и в целом очень высокая  цена ошибки.

Если ты ML-фрилансер и чаще работаешь с ИП и малым бизнесом — тебе не всегда потребуется проходить весь этот цикл. Иногда NDA вообще не нужно. Иногда достаточно одного документа вместо десяти, а пилот и proof сливаются в один быстрый этап.

Но «скелет» этой карты должен быть и помогать тебе в понимании: – этапности  – ролей (кто что даёт, кто что принимает, кто за что отвечает) – границ (что входит, что не входит, как выглядит успех)

Дальше будем подробно копаться в самых важных этапах, а так же обсудим как же все-таки находить клиентов , чтобы все эти этапы вообще смогли случиться. 👀

Хочу запустить серию полезных постов про грабли заказной AI разработки под тэгом #ЭяйГрабли – для фрилансеров, студий, IT компаний и всех, кто хоть раз продавал проект в enterprise или планирует.

Будет про очень важные юридические детали, договоры, пилоты, приёмку, деньги и про то, что обещать, а что никогда не обещать.

Для более простого понимания, а так же для более простого ориентира сделала карту основных этапов заказной AI разработки.

https://xmind.app/m/XyW6Uv

Все, что отмечено «!» или судебным молоточком считаю критично важным, чтобы не обосраться (и для успешного проекта)

Темы:

Discovery: первые касания, NDA.

- NDA, который работает на тебя или на заказчика. Нюансы формулировок - что считается конфиденциальным (а что нет) - ответственность и адекватные штрафы - порядок передачи/хранения/удаления данных - что можно показывать в портфолио (и что нельзя) - аффилированные лица, подрядчики, доступы

Presale: разбор задачи ограничения, тестовые данные .

- Ожидаемые результаты – самый опасный раздел пресейла - как правильно формулировать результаты - что такое результат пилота?

Тестовые данные и демо на них.

- синтетика / обезличивание - грязные данные, кто чистит, за чей счёт, как это влияет на сроки и стоимость - «эталонная» презентация демо (и чего угодно)

Точность: метрики, допущения, границы применимости

- как фиксировать точность так, чтобы это не превратилось в бомбу замедленного действия (юридическую)

Коммерция: кп + пояснительная записка

- почему пояснительная записка, это твоя страховка - как обозначать вилочную стоимость на пилот и пром, если проект пока на этапе «черный ящик» - критерии приёмки (что будет считаться “сделано”) - ответственность сторон и участие заказчика (если они не дали данные/доступы вовремя, что происходит и как обезопасить себя от штрафов) - почему оплата после результата почти всегда токсичная модель в кастоме

Буду рада разобрать и другие волнующие темы. Если такие есть - пишите в чат.

В общем провела вебинар для СБЕР e-com.

Прошел классно.

В этот раз было много практических кейсов и примеров. Проведя ряд последних вебинаров подтвердила гипотезу, на сколько важно в сфере эяй наглядно показывать те или иные решения. Пайплайны, workflow агентов и из чего они состоят, что находится внутри решений, таблицы, как агент принимает решение по степени уверенности, как генерить качественный ugc контент для селлеров, какие бывают факапы на основе моих реализованных кейсов – почему они происходят и как их чинить.

А еще показывать уже работающие решения и как ими пользуются обычные люди. Наглядно.

Тогда слушателям интересно и понятно как это применять. Они вовлечены, задают качественные вопросы, начинают экстраполировать решения и факапы о которых ты рассказываешь на свой бизнес, а это ключевая задача.

Розы на потолке?

Настя рассказывает про ресторан Sexy Fish здесь, в Дубае, мол, там всё такое красивое даже в туалете, розы на потолке, русалки, раковины в виде ракушек…

Мой вопрос: постой, а розы настоящие или искусственные?

В голове сразу просчитываешь, а как подобные штуки на месте собственника ты бы организовал: если розы были настоящие - как их обновлять, с какой частотой, какие сотрудники нужны, сколько часов уйдет?

Это малюсенький пример, как работает твоё мышление, когда ты предприниматель. Ты постоянно ко всему, что слышишь задаёшь вопросы из любопытства: сколько? как? где? зачем? кто?

Сейчас у тебя есть ChatGPT и при потоке правильных вопросов в своей голове ты найдёшь уйму ответов, которые кирпичик за кирпичиком будут выстраивать твою насмотренность. Если тебе надо, ты даже найдёшь людей, которые расскажут из первых уст.

И я помню, у меня эта привычка доёбывать людей и мир вокруг своим любопытством была с самого начала карьеры. Я мог запирать своих коллег на час в переговорке или напрашиваться пообедать вдвоём и чуть ли не допрашивать, как они строили матчинг / поиск / промо в своей команде

Любые сервисы которыми ты пользуешься (не обязательно с AI): яндекс карты, банковские переводы, авиасейлз - ты можешь в голове прикидывать их system design и затем сверять с ChatGPT как всё это устроено на самом деле

Пытливость, любознательность, дотошность к деталям, «режим Почемучки» - вот, что формирует твою что техническую-, что бизнес-насмотренность

GPT-5.2

Человеческая приемка ML проекта на языке бизнеса

Я тут провела аналитику канала и поняла, что на меня подписано более 45% заказчиков , либо потенциальных заказчиков. Хочу поднять важную тему: «Как правильно осуществлять приемку ML проекта?»

Проблема в том, что большинство компаний принимают ML проект как обычный софт: ошибок нет, нам нарисовали точность 95%— значит всё ок. Мы сделали ЭЯЙ)) Так не работает.

Ваш ML подрядчик с большим удовольствием покажет вам аккуратный тестовый датасет, на котором вы дружно летите в космос. Но на приемке у вас обязательно должна быть простая табличка: до / после / за счёт чего.

Важные вопросы, которые бизнес заказчик должен задать :

1. Где модель ошибается? Типовые ошибки, редкие и как мы их ограничиваем.

2. Что модель делает в пограничных случаях? Если данных не хватает или если всё противоречиво, если неизвестный товар, клиент или сценарий. У модели должен быть fallback сценарий: отказаться от решения или отдать на ручную проверку например .

3. Что произойдёт, если условия поменяются? Новый регион, новый тип товара, другая сезонность. И вот здесь хочется остановиться подробнее.

#ЭяйГрабли Случай с полей буквально недавно :

Мы делали пилот по прогнозу остатков FBO для крупной компании: обучили модель на данных за три года, прогнали все проверки, получили очень хорошую точность, не смотря на большое количество разных нюансов. Выходим на приёмку: берём свежий период, начинаем проверять прогнозы «вручную» по факту продаж — а там объективно пиздец).

Начинаем копать. Выясняем, что прямо перед приёмкой у заказчика случился высокий всплеск продаж. Причина— сильная маркетинговая кампания: спецразмещения, промо и тд. Естественно никто никого не предупредил, в данных этого ещё не было, модель об этом не знала.

Что здесь важно : Модель училась на «нормальной жизни» за три года А приемку мы устроили в «злой период» — так мы его назвали внутри проекта Это пример классического ДТП между бизнесом, данными и ML моделью .

Нельзя осуществлять приемку на периоде, где вы сами ломаете историю.

Если вы делаете агрессивную маркетинговую акцию, промо, массовый завоз нового SKU , но модель при этом обучалась на данных вне этих периодов, значит она обучена прогнозировать только базовый спрос без учёта спец акций.

У модели должна быть зона ответственности. Если вы не передаёте в модель календарь акций, бюджеты, спецразмещения, коллабы— она не обязана угадывать ваши маркетинговые истерики. Все пики, связанные с промо, либо считаются отдельно, либо идут в ручном сценарном планировании.

Соответственно из этого рассказа мы извлекаем еще один важный вопрос, который нужно задать. Но уже не подрядчику, а себе: «Что в этот период такого происходило в бизнесе,чего уже обученная модель, знать не может по определению?»

Если ответ и ситуация похожа на историю выше есть два решения:

– Либо мы выносим этот период из приёмки и смотрим модель на обычной жизни. – Либо решаем, что: «Да, нам важно, чтобы модель учитывала такие режимы» ,тащим в неё маркетинговые события и дообучаем.

Следующий этап - Evaluation test. Это согласованный набор проверок, по которым бизнес принимает решение, что все ( в нашем случае ML модель) работает так, как задумывалось. Здесь останавливаться не буду. Но возможно, как нибудь напишу про это отдельный пост.

Если не хочешь быть commodity, твое КП всегда должно начинаться с неудобных вопросов.

В большей части книг по продажам регулярно говориться о важности «investment return analysis» — анализ возврата инвестиций для клиента.

Если переложить это на ИИ-проекты, половину коммерческих предложений на рынке можно смело отправлять в мусор: там есть идея «как всё будет работать», но нет нормальной работы с цифрами, рисками, юниткой, а еще ср сроками окупаемости.

Нормальное КП на ИИ начинается не с цены, а с брифа. И… большого количества вопросов, на которые всегда неохотно отвечают.

– Сколько человеко-часов сейчас уходит на этот процесс в месяц? – Сколько людей вовлечено, с какой средней полной ставкой? – Сколько стоит одна ошибка (штраф, потерянный клиент, простой)? – Какие SLA вы уже обещали рынку и чем платите, когда не выполняете? – Какой объём операций сейчас и как он растёт по году? И много других неудобных вопросов, касающихся бюджетов, ожиданий и реальности.

Пример: ИИ-ассистент поддержки. Стандартный коммодити-подход: «Мы внедрим агента, разгрузим операторов, повысим NPS на n%, стоимость внедрения– x, поддержка– y».

Подход через юнитку:

— У вас 12 операторов на линии, средняя полная ставка, допустим, 120–150 тыс. в месяц. — Каждый обрабатывает 250–300 обращений в день. — 30–40% вопросов — однотипные. — У вас есть штрафы/неустойки за просроченные ответы и чувствительность к NPS/удержанию.

Дальше мы не ленимся и считаем сами: «Смотрите, если агент заберет хотя бы 30% однотипных запросов, это значит минус 3–4 ставки или перераспределение этих людей на более сложные задачи. Экономия в зарплате — примерно A в месяц. Плюс снижение просроченных ответов даёт минус B по штрафам и минус C по оттоку.

CAPEX внедрения– n млн, OPEX поддержки– m в месяц. Даже не в самом позитивном сценарии окупаемость 8-12 месяцев, в позитивном быстрее».

Тоже самое с ML проектами.

Commodity: «Сделаем ML-прогнозирование продаж, оптимизируем остатки, снизим out-of-stock, стоимость 12 млн»

Через юнитку: Сейчас у вас на складах маркетплейсов и РЦ лежит товар на 100 млн. Из них около 20% , это мёртвые остатки, которые почти не двигаются. Это 20 млн замороженных денег плюс плата за хранение. Параллельно вы теряете до 4–5% заказов, потому что ходовые SKU вылетают в out-of-stock.

После внедрения прогнозирования и нормальной ABC/XYZ-сегментации мы: – сокращаем долю мёртвых остатков с 20% до 12–14% – снижаем out-of-stock с 5% до 3% – уменьшаем объём списаний

В итоге высвобождаем 6–8 млн из замороженных остатков,получаем доп выручку за счёт того, что ходовые товары меньше вылетают из наличия, снижаем затраты на хранение. ROI в первый год n%, со второго года m%. В самом негативном сценарии.

И когда ты приносишь такое КП, его можно не любить, с ним можно спорить по коэффициентам (и на практике это происходит почти всегда), но его невозможно просто выкинуть или убрать в стол. Там есть логика, на которую придётся обратить внимание. 🕵🏼‍♂️

Про психологию. Когда подрядчик сам считает юнитку, он снимает с клиента когнитивный диссонанс по поводу : «мне вроде все нравится, идея топ, но я не понимаю, как её защитить».

Поэтому для того, чтобы перестать думать категориями: «зашло ли им мое КП по прайсу?», нужно думать о том , «дал ли я им реальный инструмент для принятия решения?».

Да, на старте это сложнее и больнее. Это неудобные вопросы, цифры, которыми неохотно делятся, либо говорят «мы не считаем так детально», это ресурсы на просчет. Но это один из лучших способов превратиться из commodity подрядчика в того, с кем будут разговаривать серьезно.

Лояльность клиента гораздо меньше зависит от того, что ты продаёшь, и гораздо больше — от того, как ты это делаешь. #AIграбли@e_yai

Недавно мы проиграли крупный тендер, дойдя до самого его финала. И дело было не в нашей экспертизе и даже не в цене. Дело было в коммуникации.

Как это было. Заходим в крутой проект. Очень крупный заказчик, нестандартная задача, куча референс-сессий, несколько вариантов ТЗ. Ребята на стороне клиента взрослые, с хорошей насмотренностью, гигантским опытом и со своими шишками.

Они аккуратно и подробно раскладывали нам задачу на нескольких созвонах : куча ограничений, отсутствие референсов, много внешних источников данных. В общем море нюансов.

Ну и мы, конечно же, желая продемонстрировать уверенность и опыт, говорим что-то типа: «Да это несложно, мы такое уже делали, всё быстро сделаем». И мы действительно понимали, как решить задачу. Поэтому мне тогда казалось, что мы как раз демонстрируем экспертизу и внушаем доверие– мол, всё под контролем. Но это работает иначе.

В enterprise почти всегда товарный рынок компетенций. В большинстве конкурсов ситуация похожая: – у 3-5 подрядчиков плюс-минус похожие технологии – плюс-минус схожие стеки – у всех есть «кейсы», уверенность и «мы такое делали».

Клиент это понимает. Поэтому фактически, он голосует не за «что» (функционал), а за «как»: – кто лучше понимает задачу и ее сложность – с кем меньше вероятность опозориться, на внутреннем конкурсе – кто не сбежит при первых же сложностях

Поэтому выбирает он тебя, чаще всего не из-за «уникального предложения», а за то, что ты умеешь оценивать риски, находишься в контексте задачи, понимаешь , что делать, если в какой-то момент все пойдет по пизде, справляешься с его хаосом, политикой, кривыми данными и страхом выглядеть идиотом.

Но когда ты залетаешь с «ребята, мы такое делали сто раз», ты не успокаиваешь, а обесцениваешь его задачу и тревогу. Как будто говоришь: «да ладно тебе, не драматизируй». 🥱 Когда ты говоришь: «да, задача сложная, вот где риски, вот где может быть сложно, вот как мы будем с этим разбираться», ты эту тревогу контейнируешь. То есть признаешь, структурируешь и декомпозируешь ее решение так, что бы с ней стало реально жить и действовать.

Кажется, концепция «не обесценивать сложность»— один из ключевых факторов, который отличает взрослых подрядчиков от тех, кто продаёт «золотые горы». Парадокс в том, что именно такая честность и признание сложности и даёт ощущение безопасности. И в этом тендере контракт, скорее всего, ушёл тем, кто с первой встречи все это зафиксировал.

Ну а мы, в лучшем случае превращаем попытку в деньги и контракт. В худшем— в капитал опыта, на котором строятся следующие победы.

🩷«Цена в реальном времени: как ИИ помогает не терять маржу и оставаться конкурентоспособным» — наш первый открытый вебинар.

🕟 Дата: 1 декабря 🕟 Время: 18:00 (Мск) 🕟 Площадка: «Митлаб»

На вебинаре разберём: — почему ИИ перестал быть экспериментальным инструментом и стал ключевым фактором сохранения маржинальности; — поговорим о том, как AI-решения помогают видеть финмодель в реальном времени, закрывать утечки прибыли, снижать операционные издержки и ускорять принятие решений на уровне всей цепочки; — покажем, как бизнес растет за счёт повышения точности и управляемости процессов, когда технологии усиливают команды, а не заменяют их.

Спикеры: Максим Драница — основатель и CEO 8 Digital, автор книги «ИИ. Твой злейший враг или лучший друг».

Михаил Шрайбман — CEO OSMI IT эксперт по AI/Web3, выпускник МФТИ, входит в состав правления РУССОФТ.

Анастасия Дермичева — CBDO OSMI IT, эксперт в сфере информационных технологий и цифровизации. Отвечает за стратегическое развитие технологических компаний, внедрение AI/ML-решений в enterprise.

Запись вебинара мы отправим всем зарегистрированным участникам.

💗 Чтобы участвовать, зарегистрируйтесь по ссылке — количество мест ограничено.

OpenAI презентовала SORA-2 — максимально киношно с возможностью создания настоящих экшенов с вайбом Игры Престолов. Ниже, двух минутный ролик, сгенерированный новой Sora.

Через режим Cameo — можно вытащить персонажа из одного видео и запустить в другом сценарии.

Ну и все-таки свершилось. Приложению с вайбом TikTok, но с ИИ роликами внутри — быть. Его так же выкатили вместе с основным релизом.

6 дней назад вышло интервью :

https://youtu.be/UclrVWafRAI?si=l75lYUfrvq5GEfhr

с доктором Романом Ямпольским, ( кстати именно он один из первых, кто начал бить тревогу о том, что развитие AI нужно кратно замедлить, а исходный код «закрыть»), да и вообще один из первых, кто действительно много говорил об этике искусственного интеллекта. Так вот в подкасте он говорит буквально: «Сделать ИИ безопасным невозможно. Мы строим чужеродный разум и играем жизнями 8 миллиардов людей».

По его прогнозам: 2027 — появление AGI 2030 — роботы заменят физический труд 2045 — сверхразум, который мы не в состоянии понять – главный итог: 99% безработицы

Он вообще любит нагонять «терминаторский вайб». Я его за это очень люблю 🤫. Но если убрать драму, то вот немного моих мыслей:

Абсолютной безопасности не будет. ИИ невозможно “запрограммировать на добро” раз и навсегда. Но мы все свое существование находимся в системе, где нет абсолютной гарантии. Авиация, которая раз за разом доказывает нам, что даже если самолеты не падают, падает что-то другое🤡. Атомная энергетика, фармацевтика — везде риск, и везде работают с ним. ИИ такая же система.

99% безработицы? К 2030? Автоматизация конечно вымывает профессии, но делает это значительно медленнее. Секретари, копирайтеры и кассиры исчезают, но появляются интеграторы ИИ, продюсеры моделей, дизайнеры цифровых миров. Любимый сценарий Ямпольского, где “однажды выключили всё человечество” невозможен, т.к экономика адаптируется волнами.

Какие риски реально должны напрягать: – Монополия корпораций (OpenAI, Google, Anthropic и тд) = контроль знаний и технологий в одних руках. – Китай, США, Европа идут абсолютно разными курсами. И ценности у них абсолютно разные. В Китае жесткое ограничение open source, нет такой свободы на открытый «гуляющий» исходный код, а еще глобальная задача по подконтрольным государству закрытым моделям. (Все, за что топит Ямпольский). – “Чёрные ящики” - чем мощнее модель, тем меньше мы понимаем, как она принимает решения.

Однако Китайская стратегия в ИИ (и не только) очевидно опасная. Она всегда не про “этику во имя гуманизма”, а про лидерство любой ценой.

Этика в целом штука очень НЕ универсальная. Те регуляции, на которые Европпа тратит годы, Китай внедряет, а уже потом адаптирует. То, что на западе считается нарушением прав, в Китае — естественный легитимный процесс.

В любом случае очень советую данный подкаст к просмотру. Потому что главная мысль Ямпольского — развитие ИИ идёт по экспоненте, а методы контроля остаются линейными — действительно важна для «переваривания».

В этой формуле есть суть всей нашей реальности. Мы ускоряемся быстрее, чем учимся держать руль.

В 6-м классе у нас был один парень Саша, вечно в кроссах чище, чем у остальных, и с рюкзаком, в котором всегда пряталось что-то, чего не было у других. Однажды он достал первый iPhone. И мы сели всем классом и зависли. Пока мы щёлкали кнопки на Нокиях, играли в Змейку и слушали записаные на диктофон песни, блестящий сенсорный экран, который держал в руках Саша реагировал на прикосновения и отвечал. 3,5‑дюймовый мультитач казался экраном из фантастических фильмов. Мы передавали его по кругу, как священный трофей, и, конечно, никто даже не мечтал его тогда купить, просто стояли и смотрели, будто на кусочек будущего. В тот момент технологии впервые заставили меня затаить дыхание.

У Саши всегда появлялись айфоны раньше всех. Первый 3G, потом iPhone 4 с FaceTime. Каждый раз, когда он доставал очередной, мы собирались вокруг, будто на полет первого космического корабля.

Сейчас я испытываю точно такие же и эмоции, когда выходит очередная обновленная версия GPT.

GPT‑5 выкатили 7 августа. Один стек для коротких ответов и последовательного рассуждения. Жирный контекст в 256 тысяч токенов, многошаговые задачи без потери нити. Меньше микроменеджмента, галлюцинаций, практичные агентские сценарии.

Агентский режим гоняет по агрегаторам и прямым сайтам, сравнивает условия и кидает готовые варианты, находит выгодные билеты , отели , товары на маркетплейсах под тематику.

Сам Альтман говорит, что это первый раз, когда разговор с ботом действительно ощущается как беседа с экспертом с PhD.

А в режиме thinking (ее уже основательно затестила ) модель уходит в качественный глубокий ресёрч и возвращает быстрый ответ с качеством глубокого исследования и скоростью самой быстрой модели. Здесь прям кайфанула. Я очень много работаю с разноформатным текстом и разницу в качестве ощутила сильно. Сейчас активно прорабатываю рабочие кейсы в этом режиме.

«Субличности» Cynic, Robot, Listener и Nerd, если хочется «особенного отношения» и человечности 😄.

В общем Саша больше не приносит новые iPhone в школу, да я и себя в школу не приношу уже лет так 12. Но ощущение, будто ты наблюдаешь за запуском космического корабля, остались со мной по сей день. С каждым новым релизом.

Надеюсь, что он не растерял свой энтузиазм к инновациям, и уже затестил gpt-5, как и вы .😄

У меня тут подкаст вышел , аж 10 дней назад. А мы до сих пор его не анонсировали. Очень насыщенное (работой) лето 🌚.

Стала первой девушкой-гостем на Сережином канале.

Поговорили об IT, моем крипто бекграунде, искусственном интеллекте, найме, предпринимательстве, жизни и работе за рубежом и немного о личном : — как из гуманитария взрастить в себе бизнес и IT специалиста — зачем девушке разбираться в крипте и искусственном интеллекте — и немного про мужчин и отношения

Для тех , кто знает меня не очень хорошо подкаст станет отличным погружением в мою жизнь, мышление и ценности. А еще я здесь отекшая после тренеровки😄. Приятного просмотра 💫

https://youtu.be/RtUYigS2cec?si=qttV4ChXgTB4KbKL

Метод трёх К: как понять, кто в твоей сфере профи, а кто просто красиво говорит.

Сегодня у нас в команде был важный день — встреча с очень крупным заказчиком в его офисе.

Спойлер: встреча прошла классно. Пока ехала, решила поделиться нашей идеальной формулой переговоров. Неважно кто ты, фрилансер, стартап, или тот, кто сам ищет подрядчиков — ты всегда кого-то убеждаешь. Продаёшь себя. Или выбираешь тех, кому доверить свой продукт, бюджет, бизнес.

И вот универсальная формула, которая работает в обе стороны — метод трёх К. Это базовая математика доверия. Если ты хочешь, чтобы тебя выбрали — или не облажаться, выбирая других — читай внимательно.

Представь, что ты пытаешься продать себя «заказчику» — будь то клиент на фрилансе, инвестор стартапа или корпорация. У тебя есть всего пару минут на самопрезентацию. Что сказать, чтобы тебя точно взяли в проект? Для таких случаев есть подход, которым пользуются многие корпорации. Метод 3К. Его суть — три кита успешного сотрудничества: компетентность, кейсы , команда.

IT Решения сегодня предлагают все: от стартапов до ноунейм-агентств с сайтом на Tilda. На словах — у всех “уникальные решения”. На деле — ноль опыта и не одного кейса с метриками. Как понять, с кем вообще можно работать, а с кем надо вежливо попрощаться?

Если у подрядчика или у тебя самого не сходится хотя бы одно из трех К — скорее всего, это утечка бюджета.

1. Компетенции

настоящая техническая экспертиза (в нашем случае ML, AI, LLM, архитектура),в вашем бизнесе что-то свое .

Как проверить (привожу пример на AI) : - Тебе, как клиенту, могут объяснить, почему задача НЕ решается с помощью excel или обычным промтом - Команда, фрилансер, делали не только MVP, но и production-ready решения. - Работают не только через API OpenAI, но и умеют кастомизировать и деплоить модели on-prem.

Для фрилансера: Иди в глубину. Prompt-бота сделать, это конечно классно. Но намного более классно объяснить, как сжать inference time x3 и не потерять точность (например).

2. Кейсы Реализованные проекты, ПОХОЖИЕ на задачу клиента. С понятной бизнес-ценностью и результатом В МЕТРИКАХ.

Как проверить: - У подрядчика есть кейсы из нужной или близкой отрасли. - Не просто “мы сделали крутого ассистента”, а что именно автоматизировали, насколько снизили ВРЕМЯ /СТОИМОСТЬ. - Есть цифры/результаты.

Кейс — это валюта. Рассказывай о каждом проекте как о задаче: Было — Сделали — Получили/сократили/заработали/повысили в метриках. Крупные клиенты любят цифры .

3. Команда

Кто Вы? Реальные люди, которые будут делать проект. С лицами, биографиями и личным треком. Не “15+ лет опыта у команды”, а “вот Сережа ! Он 4 года деплоит LLM-агентов в в сфере ритейла. А это Вася. Он у нас ученый. Доцент кафедры N. Отвечает за R&D.

Как проверить: - Кто будет PM-ом? Кто архитектором? - Есть ли у команды публикации, open-source, конференции? - Говорят ли они на языке бизнеса? Это очень важно. Особенно если заказчик в поиске ML-инженера, который по сути своей не про бизнес, к про архитектуру.

Если ты фрилансер, ты — команда. Презентуй себя как связку: аналитик + архитектор + бизнес-смысл. Даже если это всё ты один.

В общем метод 3К — это крутой и понятный фильтр. На входе: куча презентаций. На выходе: 1–2 вендора, которые реально могут внедрить, настроить, дать эффект.

Кстати. Эти и другие вопросы мы обсудили с Антоном в подкасте о котором я рассказывала в прошлом посте. Делюсь трейлером и жду анонса:)

Поговорили сегодня с Антоном про ИИ. От первых шагов фрилансера — до задач на уровне корпораций. ⠀ Обсудили: — как начать зарабатывать с LLM без инвесторов — где искать хороших подрядчиков — кого уже замещают ИИ-инструменты, а кто на очереди — и почему одно и то же решение в разных руках имеет разную ценность ⠀ Разобрали реальные кейсы, роли, деньги и архитектуру.

Записали—скоро покажем.

Знали бы вы сколько времени я трачу на то, чтобы сделать хоть какой-то контент лично для себя. Особенно в профессиональной среде. Планирую порезать двухчасовой подкаст на сотню рилсов, чтобы хватило на год😄

Как вырастить «архитектора» внутри своего «исполнителя». Или что делать, что бы не потерять контроль.

Когда люди говорят “ИИ отнимет у меня работу”, они почти всегда имеют в виду страх потерять смысл. Потерять роль. Потерять контроль (читай власть🙂).

И в каком-то смысле — они правы. ИИ уже забрал работу у:

– части копирайтеров, которым платили за “водичку”:) – дизайнеров с шаблонным мышлением – переводчиков word-by-word – саппортов на первой линии (и вот-вот заберет у второй) – сотрудников с кучей ручной рутины – ассистентов, которые просто «ресерчат или передают» – junior аналитиков, которые просто тянут данные

И будет забирать дальше. И не потому, что ИИ сильно нужна твоя работа и должность, за которую ты сражался и на которую учился. Просто его цель – автоматизировать все, что линейно, повторяется, предсказуемо.

Всё, что создаёт человечество - от первого каменного орудия до искусственного интеллекта - это попытка упростить собственную жизнь и избавиться от лишних действий. ВСЕ, что мы создаем, создается с одной единственной целью – делать меньше, а получать больше. И это не лень. Это эволюция.

Мир двигается туда, где важен архитектор, а не исполнитель. Тот, кто задаёт структуру, смысл, цель. ИИ забирает операционку - но даёт огромную власть тем, кто мыслит системно.

Что делать, если твоя работа оказалась линейной и предсказуемой и ты нервничаешь по этому поводу?

1. Принять, что это не откатный апдейт😏 Это новая производственная сила. Тот, кто ждёт, что все утихнет и делает ставку на регресс. Этого не случится.

2. Осознать: тебя не заменит ИИ. А вот человек, который умеет работать с ИИ – заменит на раз-два. Поэтому твоя цель – не конкурировать. А стать тем, кто умеет с ним обращаться. Кто с помощью ИИ усиливает свои компетенции. Кто умеет соединять бизнес-задачу с её возможностями.

3. Начать строить культуру изменений. В себе. В команде. В бизнесе. Культура изменений = готовность не держаться за привычный ландшафт. Ты видишь, что часть твоей профессии может быть заменена? Найди ту, что не может. Добавь к ней ИИ, и это будет твоё новое конкурентное преимущество.

4.Растить «архитектора» внутри своего «исполнителя» . Архитектор не про то, как сделать хорошо. Это про то, почему это стоит делать, что будет, если не сделать и можно ли по-другому.

Кстати, когда человек решает сменить профессию, он обычно пытается выйти в «открытое море» и такой: «тааак.. и че я хочу делать такого, чего никогда не делал и в чем у меня ноль опыта ?» 🤡 И частый совет от коучей и психологов: “Возьми силу, опыт и знания из старой роли – и преврати их в якорь для новой.”

И в этом есть глубинный смысл.

- бывший Маркетолог, ушедший в web-дизайн, взял с собой эмпатию, навык считывать мотивации и понимать клиента быстрее, чем тот сам осознает. Добавил туда ИИ. И стал непотопляемым специалистом - бывший преподаватель, перешедший в IT, умеет объяснять сложное простым языком (и делает из этого бизнес). Добавил в работу ИИ и..

Ну вы поняли.

Каждый может вырасти, если не держится за вчерашний инструментарий и не боится задать себе вопрос: Что будет, если всё изменится? И где в этой новой системе буду я?

Привет. Когда-то я создала этот канал для помощи новичкам в криптоиндустрии. В тот момент это было не про тренды — это было про выживание. Про то, как сохранить деньги, свободу, возможность уехать, остаться собой в турбулентности. Этот канал стал ответом на тревожность за будущее во время СВО.

Сегодня та же тревога звучит иначе: Что будет с нами в мире, где ИИ умеет почти всё? Как сохранить свою ценность, если алгоритмы обучаются быстрее, чем ты успеваешь обновить резюме?

Уже три года я в AI . Я не генерирую картинки и не продаю курсы по нейросетям. Я занимаюсь тем, что реально приносит деньги : LLM, ML, ИИ-агенты, запуск ИИ внутри бизнеса , трансформация процессов с реальными кейсами.

Инновации для меня — не тренд. Это инструмент влияния.

Теперь этот канал — про это. Как быть нужным, сильным, актуальным в мире, где ИИ меняет правила ? Как строить, зарабатывать, усиливать себя — и не потеряться?

Если эти вопросы появляются в твоей голове — оставайся. Если нет — можешь уйти.

Но имей в виду: будущее всё равно догонит ;)