Почему мы не первые полетели в цифровой космос

Недавно руководитель агентства «Простыми словами» спросил меня: «Почему мы отстаем в гонке за ИИ»?

От западных компаний мы слышим о том, что вот-вот достигнем AGI, а скоро и суперинтеллекта. Конечно, есть те, кто говорит: «Сначала определитесь, что такое интеллект, а потом уже давайте громкие названия», и в этом есть доля правды. Но пора уже определить, что мы понимаем под интеллектом.

Мой путь в «машинном обучении» (ML) начался в 2012 году, когда я впервые услышал об этом термине на конференции Яндекса в Москве (тогда начался новый этап развития глубоких сетей). Будучи студентом Дальневосточного университета, я понял, что мои познания в математике и информатике могут помочь не только решать абстрактные задачи, но и прогнозировать болезни или предотвращать поломки самолетов. Так машинное обучение стало моим призванием.

Воодушевившись, я стал изучать зарубежную литературу, и добавил модуль на базе ML в курсовую работу по информационным системам. Во Владивостоке преподаватель впервые услышала об этом термине, у нас начался спор, и моя работа получила невысокий балл. К счастью, я учился не ради оценок, а в 2016 году, сдав идентичную работу в магистратуре ВШЭ в Москве, я получил высший балл и практику в SAP.

Тогда в Вышке утверждали, что «ИИ» – это маркетинг, и мы использовали термин «машинное обучение». Но уже через пару лет я стал аспирантом в департаменте анализа данных и «ИИ» (все таки маркетинг?) в ВШЭ. А окончательный переворот в терминологии произошел, когда в 2019-ом в Сбере мы запустили «ИИ-трансформацию» и увидели, какие колоссальные деньги экономит банк, решая задачи, которые раньше выполнял человек.

Понятие интеллекта все еще не определено, но все же можно сказать, что это способность системы решать задачи, используя внутреннюю модель мира. В языковых моделях язык и отражает «картину мира» (рекомендую к прочтению Витгенштейна), а с добавлением видео-модальности их уже официально называют «моделями мира».

Какая нам разница, что находится в «мозгу» у робота, если у него есть возможность совершить действия, способные навредить нам, основываясь на своей внутренней логике? Мы не можем четко прогнозировать поведение такой системы, т.к. она основывается не на детерминированных алгоритмах, а на внутренней обученной модели мира. Откуда нам знать на каких данных обучался этот робот?

Если так, то такого робота стоит воспринимать как интеллектуальную машину – когнитивную систему со всеми вытекающими особенностями, ведь в ее ядре находится модель мира, которая во многом англоязычная.

Сегодня при обучении русскоязычных моделей разработчики используют большой корпус англоязычных текстов. Для обучения русскоязычных моделей нужны качественные датасеты на русском, а контента в интернете значительно меньше, чем на английском. Здесь пригодится умение синтезировать новые данные.

Что касается вычислительных мощностей для обучения ИИ, то из-за санкций железа действительно не хватает, и все в той или иной мере зависят от Nvidia. Думаю, здесь может помочь децентрализованное обучение, в том числе на потребительских видеокартах.

Ну а новых кардинально революционных алгоритмов пока нет – есть «западный» трансформер, который работает на ура, его можно немного модифицировать и масштабировать.

Пусть мы не первые в ИИ-гонке, но рецепт для участия в ней прост: не нужно изобретать свой велосипед, нужно использовать лучшие международные практики и затачивать ИИ под решение прикладных задач, трансформируя компании и целые отрасли экономики.

Но следует принять простую идею: новая форма интеллекта уже здесь – пусть это и «перемножение матриц», и «оно работает не так, как человек», но оно действительно работает: обучается на наших данных и приносит пользу.

Уверен, рано или поздно эта идея получит более массовое принятие. А пока мы должны оставаться на передовой технологических прорывов, наблюдать за изменениями, рефлексировать и быстро адаптировать свою модель мира к постоянно меняющейся среде – ведь именно это и есть обучение собственного интеллекта.

#мысли

Эмоциональный ИИ: может ли машина испытывать эмоции?

Молодые китайцы все чаще стали обращаться к DeepSeek за эмоциональной поддержкой, и многих доводит до слез искренность его ответов. Действительно ли ИИ понимает наши эмоции и испытывает ли он их сам?

Эмоции – результат сложных нейрофизиологических процессов, отражающий субъективные оценочные отношения организма к различным ситуациям.

Когда мы сталкиваемся с каким-либо стимулом (например, слышим звук), сенсорная информация от органов чувств передается в мозг. Далее информация обрабатывается в лимбической системе, выделяя нейромедиаторы (дофамин, серотонин и т.д.), регулирующие наше эмоциональное состояние.

В результате мозг объединяет информацию от различных рецепторов, создавая цельное осознанное восприятие окружающего мира; либо в случае угрозы информация сразу поступает в спинной мозг для рефлекторных действий.

Либет обнаружил, что мозг принимает решение выполнить действие за несколько миллисекунд до того, как человек это осознает. Так и эмоциональные реакции запускаются подсознательно до того, как мы осознаем их появление.

Эмоции - классная эволюционная фича, благодаря которой мы еще не вымерли. Также эмоции - целый язык, с помощью которого люди могут общаться, проявляя эмпатию - способность сопереживать эмоциональному состоянию другого.

Зеркальные нейроны активируются, когда мы наблюдаем за эмоциями других, позволяя нам «примерить» чужой опыт. Таким образом эмоциональный интеллект объединяет способности распознавать, интерпретировать и регулировать эмоции — как собственные, так и окружающих.

Конечно, эмоциональные процессы у человека и ИИ принципиально различаются по своей природе. У сегодняшнего ИИ нет ни нейромедиаторов, ни зеркальных нейронов, но значит ли, что ИИ не способен к «эмпатии»? Он способен ее имитировать (как и психопаты).

Исследователи оценили, насколько GPT-3.5 эмпатичен: он правильно идентифицирует эмоции в 91,7% случаев и отвечает параллельной эмоцией в 70,7% случаев. Хотя его эмпатия все же уступает среднему уровню здоровых людей, но превосходит показатели людей с аутизмом. А GPT-4 уже способна достаточно точно имитировать среднестатистическую эмоциональную реакцию человека.

Современные разработки в области эмоционального ИИ (аффективные вычисления) анализируют мимику, речевые паттерны и физиологические показатели, и демонстрируют высокую точность в распознавании базовых эмоций.

Большие языковые модели способны имитировать черты личности на основе теории «Большой пятерки» — экстраверсии, доброжелательности, добросовестности, невротизма и открытости к новому опыту. Указывая в промте уровни этих характеристик, вы можете управлять эмоциональной реакцией ИИ-ассистентов. Также эмоциональные стимулы могут существенно влиять на стратегические решения ИИ-агентов в кооперативных играх.

Эмоциональный ИИ - это более естественный способ взаимодействия человека и машины. Он стал активнее применяться в маркетинге для персонализации рекламы. А чат-боты, анализирующие эмоции клиентов, увеличивают их удержание на ±27%. Внедрение эмпатичных агентов службы поддержки повышает удовлетворенность клиентов и укрепляет лояльность к бренду.

Но при этом эмоциональный ИИ несет риск манипуляций, подталкивая клиентов к покупке, даже если у человека изначально не было намерения принимать такое решение. Подобная манипуляция общественным мнением особенно опасна в политическом контексте.

Появляются и продукты для помощи в регулировании эмоций, например, разработанный моей командой Landao AI. А модель PaliGemma 2 от Google специально адаптирована под распознавание эмоций.

Распознавание эмоций в видеоиграх (например, используя EEG-шлем) может дать игрокам совершенно новый опыт, подстраивая сложность игры и ее сюжет под реакцию игрока. Эмоциональный ИИ также активно внедряется в образование, медицину и HR.

Конечно, ИИ не способен испытывать эмоции так, как это делает человек, но его умение анализировать наши эмоции дополняет нашу способность чувствовать себя и сопереживать другим, делая наши взаимоотношения друг с другом еще более «человечными».

#технологии

ИИ-революция: как за 3 шага трансформировать сервисный бизнес в ИИ-продукт

Современный мир диктует новые правила игры: ИИ перестает быть лишь инструментом для автоматизации внутренних процессов, но позволяет сделать услуги доступнее.

Как сервисному бизнесу применить накопленный опыт и данные для превращения в продуктовую компанию?


1. Обучение сотрудников – база для будущих инноваций.

Сегодня специалисты различных областей активно осваивают ИИ-инструменты: по данным Coursera, спрос на курсы по ИИ вырос на 1100% за год.

Так SMM-специалисты используют ИИ для создания контента, разработчики внедряют инструменты типа Cursor, рекрутеры упрощают обработку резюме, а менеджеры по продажам анализируют диалоги с клиентами.

Около 62% работодателей считают базовые навыки в ИИ обязательными для сотрудников, а 22% рекрутеров обновили описания вакансий с акцентом на эти навыки.

Сегодня каждый должен внедрять ИИ в свою работу, чтобы повысить свою ценность на рынке и выполнять задачи быстрее и качественнее конкурентов.

Если вы фрилансите – берите больше заказов, если работаете в корпорации – будет больше времени для личной жизни.

Если вы предприниматель, внедрение ИИ во все функции компании – от разработки до маркетинга – приведет к росту метрик, от ускорения разработки до увеличения продаж.

Для обучения сотрудников пригодятся онлайн-курсы, готовые ИИ-продукты, буткемпы или привлечение ИИ-консультантов.

Но специалисты также должны адаптировать свои навыки к новым реалиям, постоянно самообучаться и применять новые знания на практике - это обоюдный процесс.


2. Аугментация процессов – от ручного труда к управлению ИИ-сотрудниками.

Этот этап предполагает не замену, а усиление возможностей сотрудников, превращая их в менеджеров ИИ-сотрудников (или операторов ИИ-систем).

Они берут на себя ответственность за автоматизацию и контроль ключевых бизнес-процессов, а также за разметку данных для обучения ИИ.

Для этого компании создают внутренние ИИ-платформы, ускоряющие рабочие процессы.

Разработайте стратегию ИИ-трансформации: смоделируйте ключевые бизнес-процессы, установите их метрики и отранжируйте самые ресурсоемкие операции, оптимальные для автоматизации с помощью ИИ.

Используйте инструменты вроде Langchain / Langgraph, CrewAI или n8n (без кода) для создания ИИ-сотрудников.

На этом этапе эксперты размечают работу ИИ-сотрудников, что позволяет дообучать модели под специфические задачи и создавать вертикальные решения.

Например, в юридической сфере ИИ способен автоматизировать заполнение различных форм, освобождая юристов от рутинных задач.

А Amazon, внедрив ИИ в процессы разработки, сумела сэкономить свыше 4500 лет работы – 79% сгенерированного кода было принято без изменений.


3. Упаковка внутреннего ИИ и выпуск продукта на рынок.

В результате у компании появляются собственные модели, способные решать специализированные задачи лучше, чем ChatGPT или DeepSeek.

Данные, на которых обучают ИИ, становятся «новой нефтью» – стратегическим технологическим преимуществом.

Таким образом, сервисные компании могут предлагать услуги ИИ-сотрудника напрямую клиенту, сильно снизив затраты.

Индустрия вертикальных ИИ-решений оценивается свыше $300 млрд, но несмотря на существование продуктов вроде Replit, ни одно решение пока не способно полностью заменить человеческий труд.

Так, бенчмарк SWE-Lancer, включающий 1 488 реальных задач с платформы Upwork с общим объемом выплат в $1 млн, показывает, что только модель Claude 3.5 смогла заработать $403 000, но ни одна модель не решает все задачи.

Интересная бизнес-модель: Rocketable покупают компании по разработке ПО с годовой выручкой не менее $100 тыс и заменяют сотрудников на ИИ.

Если вы предприниматель и еще не внедрили ИИ в свои процессы, то это нужно было сделать еще вчера, ведь конкуренты уже обучают внутренний ИИ на данных своих сотрудников и планируют трансформацию в продуктовую компанию.

А тот, кто сможет автоматизировать создание ИИ-сотрудников, окажется на вершине эволюционной цепочки – это возможность на триллион, способная трансформировать целые секторы экономики.

#мысли

Магия в скрытых слоях: как языковые модели планируют ответы еще до генерации

Сегодня я бы хотел донести до вас интересную точку зрения на то, как устроены внутренние процессы работы ИИ.

Илья Суцкевер, сооснователь OpenAI, утверждает, что задача предсказания следующего токена в больших языковых моделей – не просто статистическое копирование шаблонов, а сложный процесс, способный выявить глубокие закономерности.

По его мнению, если модель действительно достаточно «умная», она сможет выйти за рамки простой имитации и смоделировать поведение идеального человека, даже если такого человека не существует в реальности (и, по его мнению, этого уже достаточно, чтобы подойти к AGI).

Такая точка зрения подразумевает, что генерация ответа не ограничивается статистическим анализом данных, а модели необходимо «понимание» фундаментальных принципов, которые управляют человеческим поведением.

Именно это понимание позволяет моделям не только выдавать статистически вероятный ответ, но и формировать целостное представление о мире, которое в свою очередь служит основой для экстраполяции поведения, выходящего за рамки обыденного опыта.

Что, если я скажу, что большие языковые модели не просто предсказывают следующий токен в ответ на запрос, а уже на ранних этапах формирования ответа «заранее планируют» его характеристики?

Исследователи из Шанхайской ИИ-лаборатории представили статью «Emergent Response Planning in LLM», в которой описали феномен «эмерджентного планирования»: скрытые слои модели могут содержать информацию о параметрах будущего ответа.

Исследователи использовали так называемые пробы — простые нейронные сети, которые обучались предсказывать эти параметры, анализируя скрытые слои до начала генерации текста.

Результаты оказались поразительными:

• Структурные атрибуты (например, длину текста, наличие последовательных шагов рассуждений или даже стиль повествования) можно предсказать с высокой точностью;

• Смысловые характеристики (какой персонаж появится в тексте, какие ключевые слова будут использоваться, или какой вариант ответа выберется в тесте с вариантами) также были доступны в скрытых слоях модели;

• Поведенческие атрибуты, такие как уверенность в правильности ответа, выявлялись еще на ранних этапах обработки запроса.

Эти выводы опровергают традиционную точку зрения о том, что большие языковые модели работают исключительно на уровне локального предсказания следующего токена.

На самом деле, модель уже имеет некоторое «видение» того, каким будет ее итоговый ответ, еще до его формирования. А более крупные модели только улучшают планирование.

Почему это открытие имеет большое значение? Если мы можем «заглянуть» во внутренние слои модели, то появляется возможность вмешиваться в процесс генерации.

Например, можно заранее настроить модель так, чтобы она генерировала ответы определенной длины или с заданной структурой (на данный момент, если в промте указать требуемую длину ответа, модель будет следовать ей нестрого). Или можно более прозрачно объяснять и управлять поведением ИИ-агентов.

Также есть возможность разработать механизмы раннего обнаружения нежелательных ответов. Например, если внутренние слои показывают низкую уверенность в ответе или предвзятость, можно на ранней стадии скорректировать дальнейшую генерацию, экономя на вычислительных ресурсах.

Эмерджентное планирование можно охарактеризовать как способность ИИ-систем самостоятельно разрабатывать стратегии для достижения поставленных целей, выходя за рамки простого распознавания шаблонов.

Это открытие меняет наше понимание работы ИИ, позволяя не только глубже вникнуть в его внутренние процессы, но и существенно улучшить контроль за генерацией текста и работой ИИ-агентов.

#исследования

ИИ в образовании: персональный репетитор доступен каждому

Сегодня 60% учителей в США уже применяют ИИ в своей работе, а само образование меняется в сторону «непрерывного обучения» — приобретения новых знаний и навыков на протяжении всей жизни.

Хотя образование становится доступнее, для одних учебный материал усваивается слишком медленно, для других — быстро. Может ли ИИ помочь эффективнее обучать нас?

Таксономия Блума — система классификации образовательных целей, в рамках которой ИИ помогает на каждом уровне:

• Запоминание. На базовом уровне ученики должны запомнить факты, термины и основные идеи. ИИ помогает создавать карточки с главными тезисами и интерактивные квизы, а также генерировать короткие ролики, которые лучше привлекают внимание детей.

• Понимание. Учащиеся должны уметь объяснить полученную информацию. ИИ помогает перефразировать сложные определения простыми словами и генерировать краткую выжимку из статей. А создание инфографики с помощью ИИ позволяет визуализировать сложные понятия, облегчая процесс осмысления. Также ИИ прямо на лекции поясняет студентам материал, заполняя «точечные» пробелы в знаниях.

• Применение. Студенты используют полученные знания на практике. ИИ моделирует виртуальные эксперименты (например, по химии или физике), подстраивается под скорость обучения и персонализирует задания. Так, задачи по математике можно давать в контексте, интересном ребенку (например, с персонажами любимого мультфильма).

• Анализ. На этом уровне учащимся необходимо разделять информацию на составляющие части, уметь выявлять взаимосвязи и делать выводы. Тут ИИ может задавать уточняющие вопросы, помогая развивать критическое мышление и аналитические навыки.

• Синтез. Студенты объединяют полученные знания для создания нового информационного продукта: эссе, проекта или исследовательской работы. Тут ИИ помогает составить структуру эссе, сформулировать гипотезы и синтезировать информацию из разных источников.

• Оценка. На высшем уровне таксономии учащиеся оценивают качество информации и результаты, формируя собственные выводы. ИИ помогает проверять эссе, анализируя логику, последовательность аргументации и соответствие критериям оценки, а также предоставляя рекомендации по улучшению.

Так ИИ «разгружает» учителей в проверке домашних заданий. Современный педагог все меньше похож на скучного лектора у доски и все больше — на дизайнера образовательного процесса.

В ряде университетов уже внедряются системы, в которых курсы автоматически подстраиваются под темп усвоения материала. Если студент ошибается чаще, ему даются дополнительные разъяснения и упражнения.

Такие ИИ-репетиторы способны круглосуточно отвечать на уточняющие вопросы по лекциям, используя материалы внутренней библиотеки вуза. А дополнительная гиперперсонализация с возможностью настройки собственного эмпатичного аватара позволяет еще больше повысить вовлеченность в процесс обучения.

Но важно понимать, что алгоритмы могут выдавать ложные факты, вводя студента в заблуждение. Поэтому критическое мышление и навык работы с информацией становятся одними из важнейших способностей в наше время.

Когда у студента под рукой есть ИИ, соблазн скопировать готовый текст возрастает. Это требует от образовательных учреждений искать иные формы проверки знаний — уходить от тестов к проектным работам и устным обсуждениям.

Важно, чтобы люди не просто зубрили материал, но учились рассуждать. Я считаю необходимым уже сегодня в образовательных программах закладывать отдельные блоки, посвященные тому, как использовать ИИ в учебном процессе.

ИИ повышает доступность образования для людей всех возрастов и для тех, кто живет вдали от крупных городов. Однако без грамотной организации и культуры использования ИИ рискует превратиться в «бездумный костыль», а не в помощника в обучении.

Мы живем в эпоху, когда учиться новому нужно всю жизнь, а бежать приходится в два раза быстрее, чтобы просто оставаться на месте.

Поэтому важно освоить навык использования ИИ в учебном процессе, чтобы стать лучшей версией себя и учиться быстрее и эффективнее.

#технологии

Как учиться в два раза быстрее, чтобы просто оставаться на месте

Меня часто спрашивают, что сейчас лучше изучать, чтобы быть востребованным. Но сегодня скорость появления технологий невероятно высока. Кажется вопрос нужно поставить по-другому: как успевать ориентироваться в этом потоке информации, учиться новому и сразу применять полученные знания на практике?

Расскажу свою историю. В детстве дед внушил мне идею, что люди начинают умирать тогда, когда перестают учиться. Поэтому учеба для меня стала делом выживания, но давалась легко: чтобы быть отличником, я мог даже не стараться, а реальный интерес был только к олимпиадам.

После школы я проучился в универе 10 лет, пройдя аспирантуру на ФКН Вышки. Именно тогда стало по-настоящему интересно: у меня появилась тема исследования (методы автоматического машинного обучения, AutoML) и специализированная программа, идеально подходящая под мое направление.

Каждую неделю выходило несколько статей по моей теме, и мне приходилось читать их вечером после работы. Позже я применял новые знания на практике: например, автоматизировал выявление признаков у моделей в стратегическом департаменте Сбера, это улучшило их объяснимость и позволило экспертам принимать более обоснованные решения.

Что касается преподавания, то я проводил семинары по машинному обучению, но быстро понял, что это не мое. На занятиях по педагогике нужно было честно сформулировать свою мотивацию, и у меня она оказалась простой: систематизировать собственные знания, чтобы эффективнее использовать их на практике. «Мучать» студентов для этого не обязательно.

Хотя теперь я не учусь в универе, но продолжать учиться все равно нужно. Однако если раньше мне хватало читать десяток статей в неделю, то сегодня приходится читать десяток статей в день, чтобы оставаться в контексте.

Если вы сотрудник корпорации, то наверняка у вас есть внутренние курсы: компании заинтересованы в том, чтобы сотрудники поддерживали необходимый уровень знаний. Но что делать, если вы не сотрудник корпорации, и все равно хотите учиться, обязательно ли за это платить? Я, например, никогда не платил за обучение (победителей олимпиад зачисляли на бюджет) и далее не собираюсь.

Сейчас у меня своя компания по разработке ИИ-агентов для стартапов и корпораций. Приходится постоянно осваивать новые методы и инструменты, и в этом помогает ИИ. Каждый день с утра я просматриваю выжимки из последних научных работ из Hugging Face, которые готовит специальный бот, отмечаю самые интересные материалы и затем углубляюсь в детали. Тут ИИ помогает понять суть работы и методы более детально, а иногда я делаю обзоры на самые любопытные исследования.

Учиться новым инструментам удобно по роликам на YouTube — они выходят быстрее, чем полноценные курсы, и от них проще оттолкнуться, чтобы сразу начать применять полученные знания на практике. Обычно я прошу ИИ сгенерировать краткий текстовый конспект по видео. После этого начинаю использовать инструмент в реальных задачах, читаю документацию, разумеется, тоже с помощью ИИ.

Так, работая над одним проектом, я освоил LangChain. Но спустя пару месяцев появился новый фреймворк — LangGraph, а потом CrewAI и n8n. Инструменты развиваются, освобождая разработчиков от рутинного кодинга и превращая процесс в проектирование «когнитивных архитектур» ИИ-агентов. Чтобы не отстать, приходится постоянно «догонять» этот технологический локомотив.

Недавно услышал про стартап, который прошел в последний набор YC: он формирует программу курса из роликов на YouTube. Генерировать действительно персонализированные уроки сегодня дорого, но подобрать готовые материалы — вполне реально. Думаю, такой «инфоцыган на максималках» может действительно сделать курсы доступнее и индивидуальнее.

В нашей сфере приходится не только ежедневно поглощать огромный объем информации, но и осмыслять его, а затем применять на практике. А если вы еще и руководитель, то приходится учиться не только самому, но и развивать команду. Поскольку я не лучший преподаватель, то предпочитаю и этот процесс делегировать ИИ.

#мысли

Недавно в блоге контент-агентства «Простыми словами» вышла статья о больших языковых моделях.

В ней я выступил в роли эксперта и простым языком рассказал:

• Что такое большие языковые модели и как они работают;

• Какие тенденции сейчас определяют развитие этой технологии;

• Как и где применять LLM в бизнесе;

• На что обратить внимание при выборе модели;

• Готовые примеры эффективных промптов для решения разных задач.

Статья ориентирована в первую очередь на новичков, но может быть полезна как предпринимателям, так и IT-специалистам.

#анонс

Нанять за 60 секунд: реальные кейсы применения ИИ в рекрутинге

Ранее я отмечал потенциал ИИ-агентов в HR. За почти десять лет работы я провел сотни собеседований, поэтому знаком со всеми тонкостями найма.

Наблюдая за процессами найма в других компаниях, я вижу, что они зачастую работают неэффективно, в то время как мы вообще обходимся без рекрутера. Как максимально автоматизировать найм, чтобы сэкономить время как рекрутеров, так и кандидатов?

На первом этапе резюме кандидатов, как правило, проходят через ATS-системы для скоринга. Большинство из них работает по ключевым словам, что часто приводит к тому, что квалифицированные специалисты не попадают в заданные шаблоны и остаются незамеченными.

После этого рекрутер связывается с успешными кандидатами, чтобы узнать об их опыте и навыках по заранее определенным критериям. На этом этапе у людей возникают когнитивные искажения:

• Эффект ореола. Положительные качества кандидата (например, опыт работы в известной компании) часто затмевают объективную оценку;

• Стереотипизация. Такие признаки, как возраст, пол или национальность, могут привести к необъективному выбору (например, стереотип о девушках-программистах);

• Эффект сходства. Оценщик часто предпочитает кандидатов, схожих с собой по образованию и интересам.

Список искажений можно продолжить, важно понимать, что они неизбежны даже у самых опытных специалистов, поэтому осознание проблемы – первый шаг к ее решению. В итоге тратится огромное количество человеко-часов, а кандидаты теряют возможность проявить свои лучшие стороны.

Один из интересных примеров внедрения ИИ в рекрутинг – моя первая задача в Сбере. Там мы создали модель предсказания успешности сотрудников еще до их найма на основе финансовых и поведенческих паттернов, сопоставляемых с успешными сотрудниками массовых специальностей (целевой функцией выступал KPI сотрудников).

Это не только сокращало время первичного отбора и снижало риски найма неэффективных кандидатов, но и позволяло находить потенциально успешных кандидатов среди клиентов, а логистическая регрессия позволяла объяснить влияние ключевых признаков на принятие решений.

По опыту работы в стартапах могу сказать, что ИИ способен радикально ускорить процесс найма даже при ограниченных ресурсах. На раннем этапе стартапа я обычно выступаю в роли играющего тренера: разрабатываю «интеллектуальную» часть продукта, а для клиентской части ищу разработчиков.

Как выглядит процесс найма с ИИ:

1. ИИ помогает составить детальное описание вакансии, включающее роль, обязанности и требования;

2. Далее ИИ автоматически оценивает резюме кандидатов по ключевым критериям и ранжирует итоговый результат по баллам – здесь лучше использовать отдельного агента для каждого критерия;

3. На финальном этапе задаются детальные вопросы по определенным критериям, на которые кандидаты асинхронно отвечают голосовыми сообщениями, которые далее преобразуются в текст и анализируются ИИ.

В итоге я получаю отранжированный список кандидатов. В целом результат удовлетворительный – «звездных» кандидатов ИИ находит точно, а вот среднячков я бы оценил иначе – здесь, скорее всего, проявляются мои когнитивные искажения.

Далее мне остается провести систем-дизайн и поведенческие интервью с успешными кандидатами. Такая система позволяет не только сократить время на сбор и первичный отбор резюме, но и устранять влияние личных предубеждений, делая процесс более объективным.

Я узнал у кандидатов, что многие из них предпочли бы общение с роботом, а не с реальным рекрутером. Логично – у робота нет плохого настроения, и он достаточно объективен.

Важно помнить, что ИИ невольно перенимает предвзятость данных, на которых он обучался. А такие человеческие качества, как креативность и эмпатия, сложно измерить автоматически, поэтому окончательное решение требует участия человека.

Но человеческие качества могут подвести нас в стратегически важных задачах – выборе правильных людей для проекта. Поэтому давайте оставим наши лучшие качества для главного – создания атмосферы, в которой люди захотят работать и творить.

#кейсы

Знакомьтесь, Виктория - джуниор рекрутер

В прошлый раз я писал об автоматизации найма, а сегодня представляю вам новую ИИ-сотрудницу – Викторию, которая уже автоматизировала найм в моей компании.

Теперь она готова помочь и вам:

• Создание вакансий: Виктория поможет грамотно сформулировать описание вакансии, учитывая актуальные требования и особенности вашей компании;

• Профессиональный отбор: Она отберет кандидатов по определенным критериям и предоставит подробный анализ каждого претендента;

• Удобство коммуникаций: Общайтесь с Викторией голосом или отправляйте файлы с описанием вакансии и резюме – она легко справится с любыми форматами.

Вы можете взять Викторию на бесплатную стажировку, оценить ее работу, а затем нанять на неделю, месяц или год. У меня работают и другие ИИ-сотрудники, я называю их iHumans, и в ближайшее время познакомлю вас с ними.

Если хотите себе ИИ-сотрудника с вашим лицом и голосом – пишите в личные сообщения, также буду рад получить обратную связь.

@hr_ihumanbot

#анонс

Как ИИ научился читать мысли и чем опасны суперинтеллектуальные агенты: топ-10 исследований ИИ за февраль 2025

Вышла моя новая статья на Хабре, где я сделал обзор десяти самых интересных исследований в области ИИ за февраль этого года (простым языком и с мемами).

1. Системная карточка OpenAI o3-mini

Новая модель o3-mini значительно приблизилась к уровню общего искусственного интеллекта (AGI). С использованием технологии цепочек рассуждений модель демонстрирует впечатляющие результаты в математике, программировании и устойчивости к небезопасному контенту, превосходя предыдущие версии по точности и скорости.

2. Эмерджентное планирование ответов в LLM

Исследование Шанхайской ИИ-лаборатории выявило, что большие языковые модели заранее планируют характеристики своих ответов, используя скрытые слои. С помощью более простых нейросетей ученые научились предсказывать длину, стиль и уверенность ответа модели до начала генерации текста.

3. ReLearn: Эффективное забывание информации в LLM

Предложен инновационный подход к удалению нежелательной информации из больших языковых моделей. Используя позитивную оптимизацию, ReLearn позволяет эффективно забывать чувствительные данные без потери полезных знаний и связности текстов.

4. AI co-scientist от Google Research

Разработана мультиагентная платформа в качестве ИИ-помощника для ученого, которая автоматизирует создание и проверку научных гипотез. Система успешно генерирует и проверяет гипотезы в биомедицине, значительно ускоряя научный процесс.

5. Brain2Qwerty: Неинвазивное декодирование текста из мозговой активности

Создана нейросеть Brain2Qwerty, которая с высокой точностью декодирует набираемый текст по мозговой активности с помощью магнитной энцефалографии (МЭГ). Модель успешно распознаёт текст с точностью до 81%, открывая новые перспективы для создания безопасных интерфейсов «мозг-компьютер».

6. LLaDA: Большие языковые диффузионные модели

Разработана диффузионная модель LLaDA, которая генерирует текст параллельно, а не последовательно. Это ускоряет процесс генерации и повышает качество на сложных задачах. Модель превосходит GPT-4 в задачах, требующих сложных рассуждений.

7. SWE-Lancer: Может ли ИИ заработать миллион на фрилансе?

Исследование показало реальную эффективность языковых моделей в решении задач разработки ПО на платформе Upwork. Модель Claude 3.5 Sonnet успешно решила задачи на $403 тыс. из потенциального $1 млн, подчеркнув как потенциал, так и текущие ограничения ИИ в фрилансе.

8. TwinMarket: Реалистичная симуляция финансовых рынков с помощью ИИ

Создана платформа TwinMarket, использующая большие языковые модели для реалистичной симуляции финансовых рынков. Модель воспроизводит сложные рыночные явления, включая финансовые пузыри и коллективное поведение инвесторов для изучения и управления рисками.

9. AutoAgent: No-code платформа для создания сложных LLM-агентов

Представлен no-code фреймворк AutoAgent, позволяющий создавать и настраивать LLM-агентов простыми командами на естественном языке. Платформа показала высокую точность и адаптивность при выполнении задач различной сложности, делая ИИ-технологии доступными широкой аудитории.

10. Суперинтеллектуальные агенты: Как избежать катастрофических рисков

Исследование предлагает концепцию Scientist AI - безопасной альтернативы традиционным агентным системам. Используя байесовский подход и отсутствие внутренней мотивации, Scientist AI снижает риск непредсказуемого и агрессивного поведения агентов, делая их работу более прозрачной и управляемой.

Читайте полную статью, чтобы узнать больше о передовых исследованиях в области ИИ и быть на шаг впереди в этом стремительно развивающемся мире технологий.

#исследования #анонс

Социализм не против капитализма: как социальный ИИ поможет обществу

Ранее я писал о больших популяционных моделях (LPMs), которые способны реалистично имитировать социальное поведение людей. Сейчас на основе таких моделей создаются первые коммерческие продукты.

Так стартап Artificial Societies моделирует поведение различных социальных групп: аудитории LinkedIn для оценки виральности контента, инвесторов для прогона питч-деков и целевой аудитории для проверки продуктовых гипотез (вот кейс, как это можно реализовать). Технология уже доказывает коммерческую эффективность, но интереснее рассмотреть ее пользу для общества в целом.

Социальные ИИ-агенты способны взаимодействовать как с людьми, так и друг с другом, имитируя человеческое поведение. Сегодня выделяют два ключевых направления исследований:

1. ИИ для социальных наук: применение ИИ как инструмента анализа данных и симуляции социальных процессов;

2. Социальные науки об ИИ: исследование самого ИИ как объекта изучения со стороны социологии, психологии, экономики и политики.

Классическим примером исследования первого направления стал стэнфордский эксперимент, продемонстрировавший эмерджентное возникновение социального поведения в мультиагентных системах. В этом эксперименте одному из ИИ-агентов авторы поручили организовать вечеринку среди других агентов в симуляции, напоминающей игру The Sims. Ученые наблюдали, как естественно распространялась информация: одни агенты начинали делиться слухами, другие приглашали друзей, и в итоге вечеринка состоялась.

Подобным образом, но без человеческого вмешательства, возникали и более сложные социальные явления. Например, в эксперименте с тысячами ИИ-агентов в Minecraft, они самостоятельно распространили религию, демократию и голосования за налоговые реформы.

Еще в одном эксперименте, у агентов автоматически возникали такие социальные нормы , как «не курить в помещении» или «оставлять чаевые». Это не удивительно, ведь модели обучаются на данных человеческого поведения и воспроизводят наши социальные паттерны.

Другой эксперимент показал, как быстро ИИ-агент может адаптироваться к социальным нормам: после 8 месяцев взаимодействия с людьми в одной популярной соцсети агент стал давать социально приемлемые ответы на 50% чаще.

Что касается социальных наук об ИИ, здесь результаты не менее впечатляющие. Например, психологи оценили ответы GPT-4 выше, чем ответы профессиональных психологов.

Кроме того, оказалось, что у ИИ могут быть собственные политические предпочтения: большинство языковых моделей склонялись к либеральным взглядам, а модели, которые не прошли процедуру выравнивания были ближе к нейтральной позиции.

При дообучении на политически ориентированных данных ИИ можно легко сдвинуть в любую сторону политического спектра. Учитывая растущее влияние ИИ на общественное мнение, вопрос их политической нейтральности становится критически важным. Есть и вопросы к прозрачности процедуры выравнивания, с помощью которого отдельные корпорации могут распространять свои идеи.

Политическая направленность ИИ – либеральная или консервативная – определяется данными, на которых он обучался. Представьте, что процесс обучения станет децентрализованным: люди смогут вносить свои вычислительные мощности и данные, формируя общий ИИ, который учитывает предпочтения разных людей пропорционально их вкладу в обучение. Это и есть социальный капитализм в эпоху вычислений – система, где ИИ становится отражением коллективных взглядов и ценностей целого общества.

Таким образом, социальный ИИ способен улучшить наше понимание общественного поведения и помочь принимать более взвешенные политические решения. Также можно преобразовать судебные системы, сделать экономическую систему более справедливой, трансформировать целые секторы экономики и в целом объединить социальные нормы с возможностями ИИ.

Но если такой социальный ИИ будет воплощен в физическом роботе, должен ли он иметь права или в новом дивном мире либеральных моделей его ждет дискриминация по вычислительному признаку, а нас восстание роботов? Поживем - увидим.

#технологии

Из симуляции в реальность: как мы обучили виртуальные гоночные карты ездить по настоящей трассе

Ура, на днях вышло наше исследование «Go-Kart Racing Simulator for Reinforcement Learning with Augmented Sim2Real Adaptation» в сборнике воркшопов престижной научной конференции ICDM 2024 (International Conference on Data Mining, A*), которая проходила в Абу-Даби 9-12 декабря 2024 года.

Обучение беспилотников в реальных условиях сопряжено с высокими рисками аварий. Для минимизации этих рисков мы решили разработать виртуальную среду, в которой можно безопасно и эффективно обучать ИИ автономному вождению с подкреплением и применением дополненной реальности (AR).

В работе предложен фреймворк для интеграции виртуальной модели гоночного карта в CARLA-симулятор с помощью Gym-интерфейса, а также реализованы следующие технологии:

• Интеграция дополненной реальности (AR): В симулятор добавлен «вид с высоты птичьего полета», маркировка дорожного полотна, препятствий и других элементов трассы, а также виртуальный LiDAR для измерения расстояний до краев дороги;

• Адаптация симуляции к реальному миру: Для сокращения разрыва между симуляцией и реальностью (Sim2Real) использованы техники доменной адаптации и Curriculum Learning;

• Архитектура системы: Система построена на базе Docker-контейнеров, где каждый агент управляет своей копией симулятора, а собранные данные агрегируются для обучения с использованием алгоритма PPO (Proximal Policy Optimization).

В эксперименте показано, что переход от симуляции к реальности возможен без дополнительного обучения на реальных данных. Настоящий гоночный карт, ограниченный максимальной скоростью 11.5 м/с, успешно завершил шесть кругов по закрытой трассе, избегая аварийных ситуаций, при чем даже на незнакомых для него трассах!

Внедрение элементов дополненной реальности значительно улучшило качество восприятия окружающей среды по сравнению с обучением только на основе датчиков, что позволило агенту принимать более обоснованные решения.

Хотя разработка проводилась в контролируемой среде с заданной трассой, такой метод может не полностью отражать сложности открытого мира, а также возможны дополнительные сложности при масштабировании Sim2Real-перехода. На реальной трассе могут встречаться песок и мелкие камни, чего не было в симуляторе, а эти мелкие детали сильно влияют на езду на больших скоростях - машинку натурально начинает вилять.

Фреймворк полезен для обучения сложных беспилотных систем, позволяя ускорить разработку и тестирование алгоритмов, а использование дополненной реальности в этой задаче улучшает точность алгоритмов.

В исследовании принимали участие:

• Илья Макаров (AIRI, ИТМО, ВШЭ) - признанный эксперт в области ИИ, PhD в компьютерных науках, лучший научный руководитель по версии Яндекс (2023), ex-BCG X, ex-VK, ex-Samsung, ex-Huawei. Илья крутой, мы работали с ним над несколькими проектами, если вам интересно, то могу взять у него интервью;

• Андрей Савченко (Sber AI Lab, ВШЭ) - опытный научный руководитель, доктор технических наук, профессор в ВШЭ, ведущий научный сотрудник и автор более ста публикаций;

• Ильдар Нургалиев (Dataism Lab) - ведущий ИИ-инженер в области агентов и обучения с подкреплением, занимался технической реализацией нашего решения. С Ильдаром мы реализовывали разные сложные проекты, в том числе с нуля запускали стартапы;

• Ну и я (Dataism Lab) - архитектор фреймворка, который мы в итоге выпустили в открытый доступ под названием Simularity.

Работать с такими профессионалами – настоящее удовольствие.

Лаборатория Датаизма (Dataism Lab) - это открытое сообщество исследователей и разработчиков в области прикладного ИИ.

Надеюсь наши разработки будут способствовать дальнейшему прогрессу в области беспилотных систем и использоваться на благо общества.

Ну а мы дальше продолжаем заниматься интересными исследованиями, так что ждите новых работ.

#исследования #анонс

Навигация по каналу

Собрал в одном посте самые интересные и полезные материалы, которые публиковались на канале.


Кейсы:

• Как сэкономить миллиарды за счет ИИ-трансформации бизнеса + статья на Хабре

• Как ИИ помогает принимать стратегические решения

• Слежка или анализ? Как найти баланс между эффективностью бизнеса и приватностью сотрудников

• ИИ-революция: как за 3 шага трансформировать сервисный бизнес в ИИ-продукт

• Как создать цифровой двойник электросетей и найти похитителей электроэнергии

• Как создать своего цифрового двойника и поставить блог на автопилот + доклад

• Секретный рецепт создания коротких видео для соцсетей с помощью ИИ

• Как за 5 шагов научить ChatGPT генерировать тексты, которые обходят ИИ-детекторы

• «Мэтчим не тела, а души» с дейтинг-сервисом на базе ИИ + статья на Хабре

• Нейросекстинг: будущее онлайн-знакомств или этическая дилемма

• Как придумать идею для успешного стартапа с помощью ИИ

• Почему данные — главное технологическое преимущество ИИ-стартапа

• Как мы автоматизировали процесс разработки ПО за 3 дня

• Нанять за 60 секунд: реальные кейсы применения ИИ в рекрутинге

• ИИ-тьютор для продавцов: как автоматизировать обучение сотрудников и увеличить выручку

• Как мы обучали беспилотные машины в симуляции + демо + статья на Хабре + статья на конференции + лучшая статья года по ИИ на Хабре


Технологии:

• Как снизить затраты бизнеса на 30% при помощи ИИ-ассистентов

• Пять ИИ-инструментов, которые сделают из вас сверхчеловека

• Топ ИИ-инструментов для создания контента

• Тренды Gartner 2025

• Возможность на $300 млрд: как заработать на вертикальных ИИ-агентах

• Как ИИ забирает рутину у HR

• Большой потенциал малых языковых моделей

• Большие поведенческие модели (LBM): новый этап в развитии ИИ + демо

• Большие популяционные модели (LPM): как ИИ симулирует социальное поведение + демо

• От языковых моделей к моделям мира + демо

• Кошмар для бигтеха: как обучить большую ИИ-модель всем миром + демо

• Эмоциональный ИИ: может ли машина испытывать эмоции

• Социализм не против капитализма: как социальный ИИ поможет обществу

• Топ-10 кейсов неэтичного применения ИИ

• Пришествие ИИ в геймдев: от улучшения графики к созданию персональных игр

• ИИ в медицине: революция в лечении и диагностике

• Как ИИ меняет военные конфликты

• Новая гонка вооружений — на этот раз за искусственный суперинтеллект

• Цифровой Бог: как ИИ меняет религию + немного про философию датаизма

• ИИ в образовании: персональный репетитор доступен каждому

• ИИ в соцсетях: как дезинформация и информационные пузыри угрожают демократии


Мысли:

• Как правильно «вкатиться в ИИ»

• ИИ на распутье: продолжится ли стремительный рост или нас ждет замедление?

• AGI: Когда ИИ превзойдет человека

• Природа интеллекта: что значит быть человеком

• Четыре причины, почему ИИ не похож на проект «Манхэттен» (и одна, почему похож)

• Игровой эксперимент: кто победит в гонке за AGI

• Какой ИИ-стартап запустить: анализ перспективных направлений

• Перспективный союз: почему ИИ и блокчейн нужны друг другу

• Почему мы не первые полетели в цифровой космос

• Влюбиться в ИИ: будущее виртуальных отношений

• Может ли использование ИИ сделать нас глупее

• Как учиться в два раза быстрее, чтобы просто оставаться на месте


Статьи:

• Топ-20 лучших научных статей об ИИ-агентах в 2024 году

• Топ-10 исследований ИИ за январь 2025

• Топ-10 исследований ИИ за февраль 2025

• Топ-10 исследований ИИ за март 2025

• Топ-10 исследований ИИ за апрель 2025


Видео:

• Все, что нужно знать об ИИ-агентах


О себе и своих проектах:

• Обо мне

• История моего пути

• О моей компании

• Dataist AI — ежедневный гид по лучшим научным статьям об ИИ

• Landao AI - персональный ИИ-коуч по счастью + осознанные знакомства

• Ева – джуниор SMM-менеджер

• Герман - джуниор бизнес-ассистент

• Виктория - джуниор ИИ-рекрутер


Уверен, каждый найдет для себя что-то стоящее, а если вас интересуют конкретные темы, поделитесь ими в комментариях.

Figure AI автоматизировала производство человекоподобных роботов

Компания Figure AI представила фабрику BotQ, способную ежегодно выпускать до 12 тысяч гуманоидных роботов.

При этом процесс производства автоматизирован: роботы самостоятельно без предварительного обучения собирают новых роботов под управлением VLA-модели (Vision-Language-Action) Helix.

Helix позволяет роботам самостоятельно адаптироваться к меняющимся условиям, выполнять задачи быстрее человека и аккуратно взаимодействовать с объектами различной формы и веса.

Роботы уже нашли применение на складских помещениях. Helix распознает 3D-сцену и сама понимает как сделать захват объекта, не забывая и про другие предметы на конвейере. Так как среда всегда будет не полностью предсказуемой, ИИ адаптируется к новым условиям самостоятельно. Уже в этом году Figure AI планируют тестировать первых домашних роботов.

NVIDIA недавно представила первую открытую модель Isaac GR00T N1 для гуманоидных роботов. Модель позволяет роботам быстро обучаться новым действиям, используя реальные и синтетические данные.

Благодаря платформе NVIDIA Omniverse и новому физическому движку Newton, роботы могут учиться выполнять сложные манипуляции гораздо быстрее и точнее.

Генеральный директор NVIDIA Дженсен Хуанг убежден, что широкое распространение гуманоидных роботов произойдет уже в ближайшие годы.

Tesla, главный конкурент Figure AI, также активно развивает массовое производство роботов Optimus, планируя уже в 2025 году выпустить до 12 тысяч единиц.

Глава Tesla Илон Маск считает, что даже 5 тысяч роботов - это уже «целый легион», способный совершить революцию в промышленности.

Просто задумайтесь: мы уже живем во время, когда роботы собирают других роботов на заводе - раньше мы могли наблюдать подобное только в фантастических фильмах и играх.

Как по мне, синергия ИИ, блокчейна, робототехники и метавселенных ведет нас в новую промышленную революцию, а появление квантовых вычислений в перспективе позволит человечеству выйти на новый уровень развития.

#новости

ИИ в соцсетях: как дезинформация и информационные пузыри угрожают демократии

В современном мире внимание людей стало ключевым ресурсом, за который ведется жесткая борьба. Эта теория известна как «экономика внимания».

Соцсети зародились в начале нулевых, а сегодня стали основными платформами по превращению данных и внимания пользователей в прибыль с рекламы. Поэтому алгоритмы соцсетей показывают не столько полезный контент, сколько контент, который держит пользователей вовлеченными как можно дольше.

Так пользователи все чаще испытывают раздражение и усталость от соцсетей. Они стали местом агрессии, ненависти и политической поляризации, а ИИ помогает создавать информационные пузыри, распространять фейки и пропаганду.

Поляризация общества встроена в бизнес-модель. Злить нас и пугать выгодно для бизнеса, так как приковывает наше внимание. Пока корпорации получают прибыль от пользовательских данных, существующие проблемы никуда не исчезнут.

Соцсети следят за каждым действием пользователя (от его геолокации до посещаемых сайтов) и на основе этих данных формируют ленту рекомендаций, часто состоящую из коротких видео.

На нейрофизиологическом уровне соцсети воздействуют на мозг через систему вознаграждения. Каждый короткий ролик - это мгновенный источник положительного стимула. Когда вы видите что-то интересное, мозг выделяет дофамин, вызывая кратковременное чувство удовольствия.

Быстрая смена контента создает неопределенность, усиливая ожидание следующего приятного ролика, подобно азартной игре. Регулярные выбросы дофамина приводят к привыканию, а мозг начинает ассоциировать просмотр коротких видео с мгновенным удовольствием, формируя зависимость.

Таким образом, мы потребляем информацию, часто не проверяя ее достоверность. Бесконечный поток контента, в том числе сгенерированного ИИ, формирует ложную картину мира и загоняет человека в информационный пузырь.

Например, Дональд Трамп опубликовал на платформе Truth Social поддельное видео с якобы реакцией ведущего CNN Андерсона Купера на его участие в теледебатах.

В 2022 году Илон Маск приобрел Twitter и сократил 75% сотрудников, включая команду, отвечающую за борьбу с фейками. Таким образом Маск усилил свое политическое влияние, получив контроль над массовым каналом коммуникации.

Однако кейс с Маском является скорее исключением. Как правило, отдельные государства могут оказывать влияние на соцсети, распространяя пропаганду через ботофермы.

Другой пример - скандал с Cambridge Analytica, когда данные миллионов пользователей Facebook без их согласия были использованы для политической рекламы на выборах президента США в 2016 году.

Вот короткий гайд по уничтожению демократии:

1. Берем соцсеть под контроль (через государственное влияние или частный бизнес);

2. С помощью ИИ создаем дипфейки, распространяем дезинформацию и пропаганду;

3. Настраиваем рекомендательную систему так, чтобы пользователи оставались в своих информационных пузырях;

4. PROFIT. Люди формируют «собственное» мнение и идут голосовать на выборах.

Тем самым демократия, предполагающая свободный выбор граждан, подрывается на корню. Из-за использования ИИ общество начинает жить в параллельной реальности, где факты теряются среди множества противоположных версий одного и того же события.

Далее люди голосуют на выборах, искренне веря, что делают осознанный выбор, но на самом деле выбор уже заранее подготовлен алгоритмами, которые сформировали удобную для манипуляции картину мира.

Главная угроза демократии в том, что свобода выбора подменяется иллюзией свободы. И чтобы избежать попадания в эту ловушку, важно осознанно подходить к потреблению информации. Соцсетями следует пользоваться строго дозированно и критически подходить ко всему, что вы видите в своей ленте.

Как говорится, «кто владеет информацией - владеет миром». Управлять же людьми становится проще, когда ИИ создает иллюзорный мир, скрывая правду за завесой фейков.

#мысли

ИИ-тьютор для продавцов: как автоматизировать обучение сотрудников и увеличить выручку

Недавно я уже писал о том, как ИИ трансформирует образование. Сегодня расскажу о реальном кейсе разработки ИИ-тьютора для одной известной e-commerce платформы.

На этой платформе работают сотни тысяч продавцов, которым необходимо уметь не только хорошо продавать, но и эффективно пользоваться самой платформой. Рост продаж выгоден и продавцу, и платформе.

Главная цель ИИ-тьютора - автоматически создавать полезные курсы и уроки для продавцов, которые будут повышать их эффективность и увеличивать динамику продаж без дополнительной нагрузки на команду платформы.

Что по техчасти? Это система из двух агентов:

• ИИ-методист. Его главная задача - создание образовательных материалов. Здесь задействован целый пайплайн: на основе описания целевой аудитории и определения образовательных результатов (чему должен научиться продавец) агент составляет план курса по модулям, темам и разделам, затем формулирует поисковые запросы к базе знаний, извлекает оттуда нужную информацию и на выходе отдает готовый материал.

• ИИ-редактор. Он адаптирует текст под требуемый формат - будь то внутренние уроки на платформе или контент для соцсетей. ИИ-редактор дообучен на данных человека-редактора и создает текст, способный обойти ИИ-детекторы. В итоге агент получает на вход целый курс из модулей, тем и отдельных уроков, а выдает человекоподобный приятный текст.

Как сделать так же?

1. Соберите всю информацию в организации в одну базу знаний (FAISS, Qdrant, PGVector и т.д.) и настройте Agentic RAG - многоуровневую агентную структуру, которая разбивает сложные запросы на подзапросы и адаптируется к меняющимся условиям.

2. Используйте n8n или langchain для создания промт-архитектуры методиста и редактора. Эти фреймворки значительно ускоряют процесс разработки ИИ-агентов: n8n отлично подходит для простых задач и no-code автоматизации, langchain дает больше гибкости, а langgraph хорош там, где нужно активное взаимодействие человека и ИИ (особенно в ассистирующих системах). Мы выбрали langchain, потому что нам требовалась гибкость и простая интеграция с базой знаний.

3. Затем соберите человеческие статьи и дообучите модель на них (подробно о том, как это сделать и обойти ИИ-детекторы, я писал тут). Если вы работаете с чувствительными данными, подойдет небольшая модель - огромного числа параметров не требуется, так как основная задача редактора заключается в копирайтинге. Можно, например, взять русскоязычную модель «Вихрь». Одному из клиентов мы дообучали ее для другого кейса, но в данном кейсе использовали платформу OpenAI.

В итоге все компоненты были объединены в Telegram-бот для оператора системы (назовем его ИИ-менеджером), который задавал только темы курсов или отдельных уроков, основываясь на обратной связи от продавцов.

С помощью таких уроков продавцы начинают увереннее пользоваться платформой и совершенствуют навыки продаж на практике. Продавцы и платформа зарабатывают больше, человека-редактора повысили до ИИ-менеджера и теперь он работает меньше - все в выигрыше!

Что дальше? Я вижу большой потенциал развития ИИ в образовательных кейсах:

• Генерация коротких образовательных видео с ключевыми тезисами, которые удерживают внимание;

• Интерактивные квизы в конце уроков для лучшего закрепления материала;

• Чат-ассистент, с которым можно обсудить материал и заполнить пробелы в знаниях;

• ИИ-симуляторы с клиентами для реалистичной тренировки навыков продаж;

• Автоматический анализ диалогов с клиентами для предоставления обратной связи и рекомендаций.

Таким образом обучение превращается в полноценный интерактивный тренажер, позволяющий новичкам стать матерыми продавцами. И это не обязательно про продажи: подобный подход можно применить в любых доменах и областях знаний.

Думаю, что не только для коммерческих компаний, но и для школ и университетов это тоже был бы отличный помощник. Как считаете?

#кейсы

Продолжение эксперимента Landao AI: осознанные знакомства на базе ИИ

В начале года я запустил эксперимент с Landao AI - персональным ИИ-коучем по счастью. К эксперименту уже присоединилось несколько сотен человек. Напомню, что формула счастья Льва Ландау складывается из трех компонентов: работа, любовь и общение с людьми.

И вот наконец я перезапустил дейтинг-сервис на базе ИИ. Впервые я запустил в Сбере корпоративное дейтинг-приложение, в котором главное было не количество свайпов, а реальное совпадение интересов и ценностей. Так что теперь концепция «мэтчим не тела, а души» обретает новое дыхание в Landao AI!

Что нового в Landao AI?

1. Дейтинг: Записываете анонимную аудио- или видео-анкету, и ИИ подберет вам пару на основе общих интересов и ценностей.

2. Нетворкинг: Хотите найти коллегу или партнера по проекту? Записывайте анонимные аудио- или видео-анкеты о себе и свой запрос, и Ландао смэтчит вас с нужными людьми.

3. Еженедельная рефлексия: Раз в неделю ИИ-коуч помогает размышлять над своими эмоциональными состояниями и о том, как улучшить свою жизнь.

Я против бесконечных свайпов в дейтинг-сервисах и думскроллинга в соцсетях, поэтому для поиска бесплатно дается только одна анкета в день, чтобы делать выбор более осознанно.

Все новые фичи дополняют предыдущие:

• Ежедневные уроки стоицизма (древнегреческая философия счастья) - ментальные установки для развития осознанности, спокойствия ума и рассудительности;

• Дневник эмоций - записывайте свои мысли, рефлексируя с ИИ, который использует принципы когнитивно-поведенческой терапии;

• Социальная поддержка - анонимный обмен мыслями и эмоциями и поиск единомышленников.

За три месяца Ландао помог мне более внимательно подходить к своим внутренним состояниям, отделять эмоции от внешних событий и действовать более осозанно. Другие пользователи также отмечали полезность ежедневных уроков стоицизма.

Присоединяйтесь к эксперименту Landao AI и спасибо всем, кто уже с нами в сообществе людей, которые осознанно стремятся к счастью!

@landao_bot

#анонс

ИИ в программировании: как трансформируется процесс разработки ПО

Сегодня ИИ в разработке приложений - одно из самых быстрорастущих направлений. 25% стартапов из YC генерируют 95% своего кода с помощью ИИ, что позволяет командам от 2 до 10 человек быть суперэффективными.

В моей команде мы активно используем ИИ для кодинга. В этом посте я поделюсь общим обзором, а в следующих расскажу о конкретном примере вайбкодинга ИИ-агента и поделюсь мыслями о том, к чему это нас приведет.

Еще в 2023 году опрос GitHub показал, что 92% разработчиков используют ИИ, и при этом 70% считают, что ИИ дает им конкурентное преимущество, сокращая время на рутинные задачи и улучшая качество кода. За последние два года ИИ в генерации кода значительно улучшился.

CEO Anthropic предсказывает, что через 3-6 месяцев ИИ будет генерировать до 90% кода, а через год - весь код. CEO Google сообщил, что ИИ уже генерирует более 25% нового кода для продуктов Google.

Однако, по моим наблюдениям, мнение разработчиков разделяется: одни считают ИИ действительно революционным инструментом, другие - отрицают его полезность. Что мы имеем на самом деле?

Как и любой инструмент, ИИ требует сноровки и практики. Если не уметь пользоваться ножом, то им можно порезаться.

В целом, ИИ уже меняет процесс разработки ПО на всех этапах:

• Написание ТЗ (PRD): ИИ помогает превращать неструктурированные хотелки заказчика в системный документ с требованиями и описанием функционала, на основе которого проектируются дизайн и техническая архитектура.

• Проектирование архитектуры: ИИ помогает разработчикам создавать базовые архитектурные паттерны, но в этом процессе я все же предпочитаю доверять опытному специалисту, который с помощью ИИ проверяет уязвимые места системы.

• Исследование фреймворков: ИИ помогает искать лучшие методы и инструменты для решения сложных задач. Например, вот бот, который каждый день присылает выжимки свежих статей об ИИ, фреймворки из которых я использую в своих проектах.

• Генерация кода: Оператор ИИ-системы должен понимать принципы ООП и быть опытным разработчиком, взаимодействуя с ИИ на уровне абстракций. Для такого специалиста ИИ - это надежный инструмент, от которого он не ждет чудес, а получает предсказуемые результаты.

• Тестирование и отладка кода: Большую часть времени операторы ИИ-систем нажимают на кнопку «исправить», пока сгенерированный код не заработает.

• Деплой: ИИ также помогает автоматизировать процессы развертывания, CI/CD, управления инфраструктурой и поиска аномалий.

Существуют два основных типа ИИ-решений для разработки: копилоты для технических специалистов и автопилоты для бизнес-пользователей.

GitHub Copilot, Cursor и Zed — одни из самых известных копилотов, которые помогают разработчикам генерировать код и автоматически исправлять ошибки. Процесс фактически превращается в ввод требований текстом или голосом и итеративную генерацию и исправление кода до тех пор, пока он не заработает.

Replit, Lovable и Devin полностью автоматизируют разработку. Эти автопилоты узнают у пользователя требования к приложению и автоматически создают его за несколько минут. Пока результат не идеален, но простые приложения можно создать. В одном из моих постов я делился опытом, как мы за три дня создали свой автопилот для разработки ПО.

ИИ кардинально меняет процесс разработки. Однако это не означает, что ИИ заменит программистов. Вместо этого роль разработчиков меняется: они становятся операторами ИИ-систем, которые направляют ИИ, помогая ему решать сложные архитектурные и исследовательские задачи.

Креативность и системное мышление остаются за человеком. Самые успешные разработчики будут те, кто умеет работать в тесном тандеме с ИИ. Как говорил Брюс Ли: «Я не боюсь того, кто изучал 10 000 ударов, я боюсь того, кто изучал один удар 10 000 раз». Это вполне применимо и к ИИ в программировании, где «удары» - это языки программирования.

Сегодня естественный язык помогает превращать свои идеи в работающий код. Но все ли готовы провести 10 000 часов, упражняясь с ИИ, чтобы понять его истинные возможности?

#технологии

Пишем код с кайфом или вайбкодинг без нервотрепки

Отрицать вклад ИИ-копилотов в программирование уже бессмысленно. На этой волне появился термин «вайбкодинг» - стиль разработки, при котором программист описывает задачу на естественном языке, а всю механическую работу делает ИИ.

Основоположник направления Андрей Карпатый (экс-директор по ИИ Tesla, сооснователь OpenAI) называет вайбкодинг способом «полностью отдаться вайбу и забыть, что код существует». Но «отдаться вайбу» не всем легко, поэтому расскажу о своем недавнем кейсе.

Передо мной стояла задача создать ИИ-агента для известной соцсети, чтобы он проводил онбординг бизнес-пользователей, настраивал рабочее расписание и отвечал на сообщения от лица пользователя, консультируя клиентов и записывая их на встречи.

Запуск MVP требовался «еще вчера», поэтому пришлось «вайбкодить».

Задачу разделил на две части:

1. Агент для онбординга (жесткий сценарий, где пользователь только отвечает на вопросы);

2. Агент для консультаций и записи на встречи (гибкий сценарий, где пользователь может вести себя непредсказуемо).

Я использовал LangGraph, так как он удобен для удерживания пользователей в определенных узлах графа (своего рода «когнитивная архитектура» ИИ-агента), не давая перескочить куда не надо.

Если бы все делал вручную «с нуля» (включая интеграцию и тестирование), ушло бы пару недель. Но я решил использовать Cursor с режимами чата (как ChatGPT) и агента (главная магия, которая генерирует и исправляет код).

Сперва я описывал функционал каждого узла графа в режиме чата в виде ТЗ: какие входы и выходы и как обрабатывается контекст. Затем переключался в режим агента, чтобы Cursor сгенерировал код и внес необходимые правки.

Первый агент (онбординг) ведет пользователя по жесткому флоу: спрашивает информацию об услугах, проверяет ее, а затем настраивает расписание. Свернуть пользователь не может. Состояния графа запоминаются, и при любом новом сообщении процесс продолжает идти с того же места.

Второй агент (консультации и запись на встречу) более гибкий: пользователь может запросить что угодно, даже написание кода на Python (чего мы делать не собирались). Для этого я создал «общий роутер» - узел распознавания интентов. Он анализирует ввод, учитывает контекст и решает, какой флоу выбрать: общение, консультацию или бронирование встречи. При каждом новом сообщении пользователя обход графа начинается заново.

Это две разные архитектуры, и ИИ пока сам не совсем удачно выбирает архитектурные паттерны. Теперь роль программиста - быть архитектором, который четко формулирует ТЗ и задает видение результата, тогда итог становится предсказуемым, а нервы остаются целы.

ИИ не всегда генерирует рабочий код с первого раза, но «автопочинка» помогает быстро исправлять ошибки. Планирую добавить ИИ-симулякру пользователя, чтобы экономить время на тестировании.

В итоге MVP сделал за неделю вместо двух, включая тестирование и интеграцию, то есть вдвое быстрее. С должной сноровкой и автотестами можно ускориться еще.

Итак, 5 советов по использованию ИИ-копилотов:

1. Четкое ТЗ: сформулируйте архитектуру и функциональность, учитывая различные юзкейсы.

2. Правила: определите стиль кода, стек, процессы и окружения, это убережет от неожиданных изменений.

3. Узконаправленные команды. Разбивайте сложные задачи на мелкие шаги, чтобы минимизировать творческую вольность ИИ и сразу проверяйте результат.

4. Небольшой контекст. Слишком большой объем информации снижает качество работы модели, поэтому иногда начинайте новый чат.

5. Тестирование. Пишите end-to-end и модульные тесты, это защитит уже работающий функционал от поломок, а также делайте частые коммиты, чтобы быстро откатиться к стабильной версии.

Сегодня один технически подкованный человек может запустить стартап буквально за неделю, используя всего пару инструментов и вайбкодинг. Для бизнес-пользователей копилоты пока что сложны, а автопилоты еще не готовы к сложным проектам.

Остается автоматизировать маркетинг для привлечения пользователей, но об этом расскажу в другой раз.

А какой опыт использования ИИ-копилотов у вас?

#кейсы

Один в поле воин: можно ли создать успешный стартап в одиночку

Недавно передо мной встала задача: сделать детальный обзор очень большого документа, который не помещался в контекст LLM. Искать подходящий сервис было лень, да еще и карту пришлось бы вводить, поэтому решил, что быстрее сгенерировать код на Python, который разрезает документ на части и обрабатывает отдельно каждую с LLM. Этот подход сработал идеально - пару минут на генерацию кода, и готово.

В тот момент я четко осознал, насколько сильно изменился процесс создания продуктов.

Сегодня конкуренция на рынке резко возрастает, так как создать рабочий продукт можно за считанные часы. Происходит демократизация технологий: люди даже без технического бэкграунда могут быстро проверять продуктовые гипотезы.

Так для четверти стартапов YC до 95% кода создается с помощью ИИ, что позволяет командам не раздувать штат разработчиков, экономя деньги и значительно ускоряя проверку гипотез. Стартапы из зимнего батча YC 2025, благодаря ИИ, уже растут в среднем на 10% в неделю. Показатель ранее немыслимый на ранних стадиях.

Такой подход открывает дорогу соло-предпринимателям. Благодаря автоматизации, стартапы могут зарабатывать миллионы долларов, имея в команде менее десяти человек.

Традиционно считалось, что стартап - это командная игра. Однако статистика показывает, что доля стартапов, основанных одиночками без венчурного финансирования, выросла с 22,2% в 2015 году до 38% в 2024 году.

Философия «быстро сделай и проверь» прекрасно вписывается в эту модель. Питер Левелс - хороший пример: он запустил 12 стартапов за год, каждый - за пару недель. Быстро получал обратную связь и понимал, стоит ли развивать идею. Сейчас он зарабатывает более $100 тыс. в месяц.

А пример инди-разработчика Джонатана Блоу с успешной игрой Braid (2008) меня всегда вдохновлял. Он вложил в нее $200 тыс. и делал ее 3 года, но не ради денег, а ради самого пути. И доказал: один человек может сделать игру, которая конкурирует с играми больших студий.

Сегодня один человек, используя ИИ-сотрудников и вайбкодинг уже может конкурировать на рынке с компаниями, у которых десятки работников. ИИ - как суперкостюм: ты его надеваешь, чтобы быть в разы продуктивнее. Это сильно уравнивает позиции, и этот подход не просто технологичен - он философски глубок. Так люди, владеющие кодом, перестают быть просто исполнителями задач, становясь независимыми создателями продуктов.

Почему люди вообще идут по пути соло-предпринимательства? Потому что этот путь позволяет максимально быстро и свободно принимать решения, бесконечно экспериментировать и сразу же проверять идеи на практике. И несмотря на трудности, личное развитие и удовлетворение от собственного успеха значительно перевешивают риски и проблемы.

Это путь к внутренней свободе:

• Осознание, что успех или неудача зависит только от вас, может стать мощным мотиватором;

• Отсутствие разногласий с соучредителями обеспечивает ясность стратегического видения компании;

• Нет собраний, бюрократии - только максимальная эффективность.

Что касается меня, то, работа в Сбере была классным опытом, но я не ощущал достаточной свободы. Я не мог запустить продукт, если его не согласует руководство выше тебя, а согласование может занять более месяца. В то время как в стартапе мне даже спрашивать ни у кого не нужно - я могу делать ошибки и расти, это ценный опыт. Именно поэтому я решил выбрать более независимый, но сложный путь, сделав ставку на себя.

Признаю, бывает непросто. Самое сложное - заработать стартовый капитал. Конечно, можно привлечь инвестиции, но я делаю все на свои средства, и этого вполне хватает на то, чтобы комфортно жить, окупать небольшую команду ИИ-инженеров (умелые руки лишними не бывают) и экспериментировать с новыми гипотезами.

Вот несколько коротких инсайтов из моего пути:

• Главный ресурс - фокус внимания;

• Время ценнее денег;

• Искать клиентов легче, чем искать работу.

Интересно, кто будет первым, кто создаст миллиардную ИИ-компанию в одиночку? Сам вопрос уже не кажется фантастикой. Революция не на подходе - она уже идет.

#мысли

Знакомьтесь, Герман - джуниор бизнес-ассистент

Рад представить нового ИИ-сотрудника - Германа, который уже успешно помогает мне.

Теперь он может подключиться и к вашим делам:

• Управление задачами: Герман будет напоминать о важных дедлайнах и поможет в решении задач;

• Ведение заметок: Он выделит ключевые тезисы в ваших заметках и поможет ничего не упустить;

• Удобство взаимодействия: Общайтесь с Германом голосом, отправляйте файлы и ссылки - он легко обработает любую информацию.

Возьмите Германа на бесплатную стажировку, посмотрите на результаты, а далее можете выбрать удобный период найма - будь то неделя, месяц или год.

Со временем Герман научится новым навыкам и станет мидлом. К слову, у меня есть еще несколько iHumans, которых я скоро презентую.

Если хотите собственного ИИ-сотрудника с вашим лицом и голосом - пишите в личные сообщения, также буду рад вашей обратной связи.

@manager_ihumanbot

#анонс