Книги от меня: что читать AI-продакт-менеджеру - подборка #2

Продолжаю публиковать подборки книг, и тема сегодняшней подборки — дух инноваций. Здесь не будет книг с какими-то практическими лайфхаками, вам нужно будет их самим из них подчерпнуть, додумать и сделать выводы. Каждая из этих книг — это, прежде всего, источник вдохновения. Я искренне верю, что именно вдохновение является тем, что может двигать нас вперед, несмотря ни на какие преграды, поэтому делюсь тем, что вдохновляет меня.

Начнем!

1. PIXAR. Перезагрузка. Как вдохнуть в бизнес новую жизнь, Леви Лоуренс
История про то, как Стив Джобс выкупил Pixar в нелегкие для компании времена, а что было дальше — уже история. Здесь про терпение и упорный труд, про команду, про веру в себя и других людей. Книга читается максимально легко и точно входит в мой топ-10. Очень рекомендую.

2. Инноваторы. Как несколько гениев, хакеров и гиков совершили цифровую революцию, Айзексон Уолтер
Идеальный учебник по истории всего того цифрового, что нас окружает. От создания первых компьютеров до интернета и ИИ. В книге максимально кратко и емко рассказаны истории таких гениев прошлого, как Чарлз Бэббидж, Алан Тьюринг, Уильям Шокли, Гордон Мур, так и живых легенд вроде Стива Возняка, Билла Гейтса и других. Книга позволяет отследить, как менялись тренды, а самое главное — какое влияние на это оказывали люди. А прочитав ее, наполняешься желанием встать с ними в один ряд.

3. Николо Тесла — Мои изобретения
Тесла — мой любимый ученый, я вдохновлялся им еще со времен школы и много про него читал. Великолепная автобиография. Короткая, но очень насыщенная и яркая. Чтобы понять суть некоторых изобретений желательно быть технически подкованным, однако хуже это книгу не делает.

В процессе чтения поражаешься, насколько гениальным был этот человек. Как он предвидел развитие интернета, ядерного оружия и последствия их появления. Также поражает то, что Тесла всем известен, прежде всего, как изобретатель, но при этом был максимально всесторонне развитым человеком. А его тезисы позволяют назвать его философом, настолько глубоко он мыслит. Книга учит мыслить и смотреть вглубь вещей.


А какие книги и люди вдохновляют лично вас? Делитесь в комментариях, буду рад пополнить свою библиотеку и думаю, что каждый найдет что-то для себя, т.к. знаю, что аудитория здесь собирается образованная и очень интересная 🙂

Подборку №1 можно найти тут

#книги

Google выкатывают 2 новых режима Gemini и обновляют Gemini Flash

Не нашел нигде этой информации, поэтому могу предположить, что либо попал в первую волну раскатки обновления либо в тестовую группу.

Я не так часто пользуюсь веб-версией Gemini, но сегодня меня там ждал апдейт.

Что изменилось?

1. Обновили версию Flash Thinking модели. Здесь обновление скорее минорное, так как я гонял её в AI Studio. Как и говорил ранее, Reasoning режим здесь мне нравится больше, чем в DeepSeek и ChatGPT. Но из reasoning моделей по моим ощущениям Claude будет чутка поумнее. Просто в силу того, что модель там используется с большим количеством параметров.

2. Наконец-то обновили Deep Research — теперь в основе лежит Reasoning модель. Прошлая версия, выпущенная до выхода аналога от OpenAI, работала на базе Gemini 1.5 PRO. Текущая не совсем понятно. Судя по наличию кнопки Show Thinking — в основе лежит та же Gemini Flash Thinking, но по скорости работы складывается ощущение, что это Gemini 2.0 Pro, работающая через COT-промптинг. То есть возможно Google здесь применили тот же подход, что Claude в Sonnet 3.7. К сожалению, никакой официальной информации об этом я не нашел, а спросить пока не у кого. (Google подтвердили, что работает на базе Flash Thinking) Сам режим DeepResearch тоже переработали. Модель показывает свои “мысли”, показывает, какие сайты она сканирует в процессе. При осуществлении поиска сама формирует гипотезы, которые нужно проверить, ищет новые источники и добавляет их в список проанализированных. Из особенностей и отличий реализации того, что есть в Perplexity и ChatGPT могу отметить, что отчеты получаются более подробные. Здесь можно рассматривать и как плюс и как минус. Если вам нужен вопрос в лоб — тут лучше справился Perplexity, если максимально широкий обзор — на мой взгляд — Google, тут и анализ трендов, и предположения на основе анализа. Я попробовал найти значения по MAU Mondly от Pearson, зная, что компания не раскрывает этих показателей. Ни одна из моделей не стала галлюцинировать, но лишь Gemini предположил, что эта информация может быть непубличной и это правда.

Промпт всегда был один, максимально простой:

Найди мне информацию о MAU Mondly VR

Примеры отчетов можете сравнить сами:
Gemini Deep Research (по результатам 32 источников, на входе было 62, справилась довольно быстро)

Perplexity Deep Research (по результатам 27 источников и была быстрее всех)

ChatGPT Deep Research (по результатам 7 источников, входе было 32, при этом была самой медленной, пока она искала, я успел написать этот текст и создать эти доки, при том, что все модели я запустил в +- одно время)

3. Добавили режим Personalization. При ответе на вопрос модель будет учитывать вашу историю поиска и на основании этого понимать уровень вашей экспертности и заинтересованности в том или ином вопросе (так что, если вы гуглили что-то 18+, у меня для вас плохие новости😁 ) Я тут задал вопрос о том, как установить в гитару звукосниматель. Моделька глянула историю поиска и сделала выводы, что я уже умею паять, знаю, как делать базовое обслуживание гитары, искал гитарные компоненты и выдала мне инструкцию для продвинутых пользователей.

В общем, апдейт очень годный и полезный. Рекомендую к ознакомлению!

А вот и официальный анонс от Google

Дополнение к посту выше. Почитать можно здесь.

Если коротко:
- Flash Thinking добавили функцию загрузки файлов (что я вчера не заметил), также увеличили контекстное окно модели: теперь это 1 млн для подписчиков
- Deeep Research все-таки работает на базе Gemini 2.0 Flash Thinking Experimental и доступен бесплатно вообще всем
- Про персонализацию нового особо ничего не написали
- Gemini Gems (аналог GPTs) теперь также доступны бесплатно
- Помимо этого улучшили также интеграцию Gemini с гугл сервисами вроде календаря, заметок и фото, правда, только на английском

AI на кончиках пальцев - хак для продуктивности
Я очень люблю всячески оптимиировать свой рабочий процесс и сегодня поделюсь еще одной такой оптимизацией. Ранее я писал про Vibe, героем этой недели становится IntelliBar.

Я часто нахожу себя в ситуации, когда мне нужно что-то быстро сделать: ответить на сообщение, перевести или суммаризировать текст, узнать какую-то информацию и быстрее всего это будет сделать, делегировав задачку ИИ.

Обычно для такого мы открываем браузер либо приложение любимого ИИ и вводим нужные промпты, копируем, вставляем текст. Лично меня иногда это бесит + если посчитать - в течении дня минуты на такие операции капают и преобразуются в часы.

IntelliBar решает данную проблему. Программа представляет собой маленькое окошко, к которому можно подключить любимые ИИ-сервисы по API или даже локальные модели (про них у меня будет отдельный пост). Окошко вызывается по шорткату поверх всех ваших приложений и имеет 2 вариации: вызвать просто окошко, где можно задать быстро вопрос ИИ либо выделить текст/файл и он прикрепится к вашему запросу автоматически.

Но главная фишка тут даже в шорткате, а в быстрых командах. Вы можете создать сколько угодно кастомных команд, которые будут отправлять заранее заготовленные вами промпты. То есть, например, если мне нужно вежливо ответить кому-то в LinkedIn, что меня не интересует их предложение - я выделяю текст, жму 2 кнопки и ответ готов. И таких промптов у меня куча. Еще можно сравнивать ответы разных моделей в этом же окне.

Другой плюс этой программы состоит в том, что она может вам нормально так экономить деньги. Вместо подписки вы можете просто перейти на использование API и не платить по 20 баксов за ChatGPT, Gemini, Claude, а использовать их все, оплачивая только фактически потраченные токены.

В общем, инструмент очень рекомендую.

Google переносят функции из NotebookLM в Gemini и добавляют Canvas!

Google штампуют инфоповоды как из пулемета, но про эту новость не могу не написать.

NotebookLM - это один из моих любимейших AI-продуктов: незаменимый компаньон в производстве контента, исследованиях и учебе. Если вы еще не пробовали его - настоятельно рекомендую это сделать.

Одной из самых полезных лично для меня функций, которая наделала шума, является генерация Audio Overview: когда закидываешь в свою тетрадку кучу документов, видео и другой информации, ИИ анализирует ее, находит пересечения и формирует из этого всего подскаст. Я люблю себе включать что-то во время тренировок либо готовки, чтобы получить двойную пользу. Единственный минус - пока работает только на английском.

Так вот: теперь эту функцию добавили в веб-версию Gemini. Самое крутое здесь то, что подкаст можно создать на основе отчета, сделанного с помощью функции Deep Research. То есть флоу поглощения новой информации теперь максимально автоматизирован:

- активируешь Deep Research по интересующей тебя теме, уходишь заварить чаю
- через 3-5 минут получаешь детализированное исследование
- преобразуешь его в подкаст и слушаешь в удобное время

Ну классно же!

Второе важное изменение - наконец-то добавили Canvas для коллаборативной работы с Gemini. Не понимаю, почему им понадобилось на это столько времени, когда OpenAI и Anthropic уже давно используют эту функцию во всю. Сделать ее максимально просто, а удобство возрастает в РАЗЫ. Для тех, кто работает с текстами или кодом - штука незаменимая.

Расцвет OpenSource моделей: почему нам всем это выгодно

Помните момент, когда Meta (запрещена в РФ) выбросила LLAMA в открытый доступ в 2023? На тот момент это было буквально землетрясение в мире ИИ! А в феврале этого года DeepSeek R-1 выстрелил настолько мощно, что вызвал новую волну на рынке OpenSource моделей.

И знаете что? Я аплодирую стоя! 👏

До недавнего времени Gemma 2 от Google держала пальму первенства среди открытых моделей малого размера, но настоящая сила ИИ оставалась запертой в сейфах FAANG-гигантов, OpenAI и Anthropic. Закрытый код, растущие цены, элитные уровни подписок - классическая история корпоративной эволюции.

Проработав в R&D-командах, я наблюдал эту трансформацию не раз: "Где деньги, Лебовски?" - неизбежный вопрос менеджмента и инвесторов. Ранее я уже писал о том, что инновации должны финансироваться отдельно от основного бизнеса. Потому что истинные инновации редко рождаются с прицелом на немедленную прибыль.

И вот тут на сцену врываются модели OpenSource!

Лишь за последнюю неделю мы увидели:
- Mistral Small - новый лидер для своего размера
- Gemma 3 - мультимодальная модель от Google, на которой, думаю, будет работать огромная куча чат-ботов
- Command A - уже не такая маленькая, но очень мощная модель от Cohere

А чуть раньше Alibaba выкатила QwQ и Qwen 2.5. Все эти модели имеют свои отличительные черты и юзкейсы, где работают лучше аналогов.

Что это меняет?
Представьте, что доступ к суперкомпьютерам внезапно получили не только миллиардеры в Кремниевой долине, но и талантливые исследователи со всего мира! Проект Sesame (используют токенизаторы llama, а в разговоре говорит, что у нее Gemma 27b под капотом) с их невероятно реалистичными голосами — яркий пример того, что происходит, когда мощные технологии выходят из-за корпоративных стен.

Для бизнеса это тоже золотая жила. Зависимость от API — всё равно что подключаться к чужому генератору во время энергокризиса: в любой момент хозяин может поднять цену или просто выключить рубильник. С OpenSource моделями вы становитесь хозяином положения, а ваши данные остаются только вашими. Кроме того, по мере роста бизнеса, держать свой сервер может быть НАМНОГО выгоднее оплаты за API: посмотрите как Perplexity используют DeepSeek R-1.

Я сам поймал себя на том, что всё чаще пользуюсь Ollama или LM Studio вместо API, из-за чего ловлю косые взгляды, мол: "Зачем возиться, когда есть готовые решения?”. Но когда работаешь с конфиденциальной информацией, локальная модель — как личный консультант, который никогда не проболтается.

А как вы относитесь к OpenSource-моделям? Пользуетесь ли сами? 🙂

#развитиеии

Рост возможностей ИИ по закону Мура: способность выполнять всё более длительные задачи

Все, кто интересуется технологиями, наверняка слышали о законе Мура. В течение многих лет он служил своего рода дорожной картой для развития компьютерной индустрии, предсказывая экспоненциальный рост вычислительных мощностей.

А что если подобный закон действует и для искусственного интеллекта?

Сегодня я наткнулся на интересное исследование, которое предлагает измерять прогресс ИИ не в привычных бенчмарках, а в терминах длительности задач, которые ИИ может самостоятельно выполнять. И результаты оказались поразительными!

Что измеряли исследователи
Исследователи предложили оценивать возможности ИИ по длительности задач, которые он может успешно выполнить. Длительность измеряется временем, которое затрачивают профессионалы-люди на выполнение тех же задач.

Результаты поразительны: длительность задач, которые передовые модели ИИ могут выполнить автономно с 50% надежностью, удваивается примерно каждые 7 месяцев на протяжении последних 6 лет.

Текущие возможности ИИ
Сегодняшние передовые системы ИИ:
- Практически со 100% вероятностью справляются с задачами, на которые эксперты-люди тратят менее 4 минут
- Успешно выполняют задачи длительностью до часа с вероятностью около 50%
- Справляются с задачами длительностью более 4 часов менее чем в 10% случаев

Это помогает понять кажущееся противоречие: ИИ демонстрирует сверхчеловеческие результаты на многих тестах, но при этом не может надежно автоматизировать длительные задачи людей.

Прогнозы на будущее
Если текущая экспоненциальная тенденция сохранится:
- Через 2-4 года ИИ сможет самостоятельно выполнять широкий спектр недельных задач
- К концу текущего десятилетия ИИ сможет автономно выполнять месячные проекты

Характерно, что эти прогнозы достаточно устойчивы: даже если абсолютные измерения ошибочны в 10 раз, это меняет время достижения соответствующих возможностей всего на 2 года.

Последствия для общества
Экспоненциальный рост возможностей ИИ несет огромные ставки:
- Системы ИИ, способные автономно выполнять длительные задачи, могут принести колоссальную пользу различным областям
- В то же время, такие возможности создают новые риски и вызовы

Исследователи открыли исходный код своей инфраструктуры, данных и анализа, чтобы способствовать дальнейшему развитию этого направления исследований.

И что с этого?
Хотя методология исследования имеет ограничения, общая тенденция представляется корректной: скорость роста составляет примерно 1-4 удвоения в год. Это обеспечивает новый, более конкретный способ прогнозирования будущих возможностей ИИ и их влияния на реальный мир.

Если вы интересуетесь развитием искусственного интеллекта, это исследование предлагает важную и относительно надежную метрику для отслеживания прогресса в ближайшие годы.

Что вы думаете об этом? Верите ли вы в "закон Мура" для ИИ? Какие видите возможности и риски? Давайте обсудим в комментариях!

#развитиеии

Где учиться AI?

С тех пор как я начал активно вести соцсети, ко мне часто стали приходить люди с вопросами о том, где и что надо изучать, чтобы работать в AI. Причем, что интересно, это были не только начинающие, но и те, кто уже работают с ИИ, и это неудивительно.

ИИ-сфера настолько динамична, что появляется страх что-то упустить и стать неактуальным. Я решил сделать этот пост, чтобы направлять сюда всех, кто интересуется темой обучения в сфере AI.

📌 У меня есть свой подход к обучению, я считаю, что любое обучение строится на трех столпах:
1. Базовые и исторические знания в своей области - они дают широту кругозора и позволяют хорошо ориентироваться на дистанции. Здесь как со знанием истории. Если у человека нет базы, им легко манипулировать, рассказывая сказки про печенегов.
2. Методология - это знания о методах и инструментах, которые применяются в профессии каждый день. Как правило, они долго не устаревают, а на образование новой парадигмы нужно время. Для продакта это основы менеджмента, различные фреймворки вроде JTBD и т. д. Для инженеров - основы программирования на их языке.
3. Знания в моменте - это знания под конкретный проект или задачу, которые нужны нам здесь и сейчас, они могут устареть через год, но в конкретный момент решают нашу задачу.

🙋🏻‍♂️ Если вы продакт
Для освоения базы и методологии лучше всего подойдут книги и программы от университетов + курсы от практикующих специалистов в вашей сфере. Вы работаете с людьми, а теории мотивации, методы исследований и прочее обновляются не так быстро, как технологии. Занятия с практиками помогут вам связать теорию с реальными задачами.

- По университетам я могу точно советовать свою программу в МГУ (веду переговоры, чтобы читать там модуль про ИИ). Если зарубежка - ищите программы, где при факультете есть акселератор или бизнес-инкубатор. Также рекомендую посмотреть в сторону Executive-образования. Лично я сейчас откладываю на пару программ MIT.
- Онлайн-курсы - Pearson оплачивал мне лайв-курсы от Reforge, круто, но дорого. Из практиков единственный, кого могу прямо порекомендовать, Ваня Замесин. Всякие курсы Go Practice, Product Star категорически не советую, они хороши только как “база знаний”.
- Из книг база - Inspired Марти Кагана, Основы Менеджмента А. Мескона + я регулярно публикую у себя подборки по хештегу #книги

Знания в моменте. Здесь на помощь снова придут книги, обучение в коллективе, самостоятельное обучение через опыт, менторинг с более опытным коллегой, “живые” когорты онлайн-курсов. Предзаписанные курсы точно не советую, они либо устаревают, либо дают что-то слишком банальное. Также категорически не рекомендую брать курсы от “экспертов по маркетингу”. Ребята умеют продавать, но за тему не шарят. У таких курсов в программе будут всякие “автокастдевы с помощью ИИ” и прочее барахло.

👨🏻‍💻Если вы технический специалист
Большинство университетов не успевают делать нормальные программы, поэтому здесь для базы я бы рекомендовал взять курсы по Python от кого-то из эдтехов (мне компания оплачивала SkyPro, медленно изучаю). Они постоянно обновляются, чтобы быть конкурентными, и вы сразу учитесь на практике. Либо, если вам позволяют ресурсы, поступайте в крутой универ со своей лабораторией типа Stanford или MIT.

Помимо основ, вам помогут профильные курсы. По ML многие советовали мне вот этот курс. Из крутых спецов очень рекомендую Виктора Кантора. Практику можно получать, решая задачи на Kaggle. Если хорошо будете решать задачки, можете попутно поднять денег или получить оффер. К тому моменту, как вы это все изучите, вы уже выберете себе направление в AI, коих бесчисленно: NLP, Computer vision и т. д. Дальше обучение нужно будет продолжать исходя из этого выбора. Ну и, конечно, никуда не уходят книги.

Знания в моменте. Хакатоны, менторинг от коллег, снова Kaggle и другие комьюнити. Вообще, чем я завидую техническим специалистам, так это тем, что у них есть такие штуки.

Хочется сделать этот пост еще полезнее, поэтому если у вас есть книги и бесплатные ресурсы по ИИ, которые помогли вам - делитесь в комментариях!
#обучающиематериалы

Как я приобрел себе подписку Perplexity Pro всего за $6 вместо $200

Ранее я писал, что Perplexity - один из моих любимых AI-поисковиков, который, на мой взгляд, стоит каждой потраченной на него копейки. Но, как и в случае любых других AI-сервисов цена у него может кусаться, особенно если сложить несколько подписок.

Увидел у коллег из Skyeng, что можно за 6 баксов купить промик на годовую подписку. Но я, как обычно, пошел ресерчить, как это работает. Нашел информацию, что Virgin Media вместе с O2 дают своим новым клиентам бесплатную подписку на Perplexity, акция действует до Мая 2025.

Другой легальный способ - если вы студент и более 500 человек с доменным именем вашего университета зарегистрировались на сервисе - всем вам дают годовую подписку.

И тот и другой способ работают через промокод. Собственно, именно эти промокоды и продаются на различных платформах.

Как и во всех подобных схемах, присутствует риск бана аккаунта, на котором использовался промокод, поэтому если вам не жалко 6 баксов - я бы рекомендовал создать отдельный аккаунт под этот эксперимент. В целом, даже если это проработает месяц, вы все равно будете в плюсе

Приобретал свой промокод у этого продавца. На этой жа платформе раньше покупал себе промокоды для покупки игр на Nintendo.

Пост - не реклама, комиссии мне не платят, просто делюсь полезным. Помните, что все действия вы осуществляете на свой страх и риск.

P.S. Я ориентировался на те объявления, где продают коды именно О2, так как связь с доменным именем университета слишком сильно палится.

НАПОМИНАНИЕ: Сегодня в 19:00 эфир про ИИ-тренды

Друзья, напоминаю, что сегодня в 19:00 по МСК проведу открытый эфир о текущих трендах в ИИ и их практическом применении.

На эфире обсудим:
• Развитие ИИ-агентов и реальные примеры их использования
• Актуальные Open Source модели и их возможности
• Изменения на рынке труда под влиянием ИИ
• Навыки, которые будут востребованы в ближайшие годы

У вас ещё есть возможность задать интересующие вопросы по ссылке. Постараюсь ответить на них в конце эфира.

Участие бесплатное. Для тех, кто не сможет присоединиться, будет доступна запись.

До встречи сегодня вечером!

Anthropic дали Claude запасные “мозги”: рассказываю про новый “think” tool

Пока мы с вами ждем эфир, вот вам выжимка из свежей статьи от Anthropic про то, как они научили модель "думать" по-новому. И нет, речь не про Extended Thinking, о котором я писал еще с релизом модели.

Речь идет об инструменте, который значительно расширяет возможности модели в решении сложных задач. Компания рассказывает о так называемом "think" tool, который позволяет Claude выделять специальное пространство для структурированного мышления в процессе работы над задачей.

Что это за "think" tool и как он работает?

По сути, это дополнительный "шаг мышления" для Claude при генерации ответа. Если раньше Claude просто выдавал результат, то теперь, особенно когда информации для ответа недостаточно, или задача требует обработки внешних данных, модель может использовать этот инструмент, чтобы "подумать" над задачей.

Важно отметить, что это не то же самое, что "extended thinking". "Extended thinking" относится к процессу, который Claude выполняет перед генерацией ответа, когда модель глубоко анализирует задачу и планирует свои действия. А "think" tool, наоборот, используется в процессе генерации ответа, позволяя Claude остановиться и проанализировать, достаточно ли у него информации для дальнейших действий.

Подход, на мой взгляд, очень интересный. Но не напоминает ли это вам что-то? Подумайте!

Нечто похожее можно увидеть у разных компаний. Например, примерно так работает DeepResearch у ряда ИИ-сервисов, когда модель задает нам доуточняющие вопросы, чтобы лучше понять задачу.

Вообще, дать модели "подумать" - это вполне логичный шаг с точки зрения промптинга. Подобная стратегия широко применяется, чтобы снизить баяс (предвзятость) модели и направить ее в нужное русло. Разница сейчас будет в том, что теперь модель сама определяет, когда это надо сделать.

В целом, такой подход позволяет развивать LLM в сторону принятия автономных решений, что необходимо для создания ИИ-агентов. Поэтому сам подход - не является чем-то новым и удивительным, но прикольно, что они идут в сторону автоматизации. Тем не менее, моделям все равно необходима будет валидация, и лучше всего это работает в сочетании с подсказками от человека, что как раз отметили в исследовании.

Звучит прикольно, но как это работает в реальности?

От себя точно могу сказать, что подобный подход - очень эффективен. В Pollux AI мы как раз даем моделям доп шаг на “размышление” при брифинге клиента, это позволяет модели лучше следовать сценарию.

Разработчики Claude, в свою очередь, протестировали "think" tool на базе τ-bench, бенчмарка для оценки способности модели использовать инструменты в реалистичных сценариях обслуживания клиентов.

Тесты показали значительное улучшение результатов в задачах, требующих:

- Анализа вывода инструментов.
- Соблюдения строгих политик.
- Принятия последовательных решений, где каждый шаг зависит от предыдущего.

Как отмечал выше, лучше всего использование "think" tool работало в сочетании с оптимизированными подсказками, дающими модели примеры рассуждений для анализа запросов пользователей.

В общем, мы уверенно движемся к созданию более автономных ИИ-систем, о которых как раз сегодня поговорим 😉

Начинаем трансляцию. Ждем 5 минуточек 🙂

Трансляция завершена, чуть позже скину запись и презентацию.