🧐 Где используется ML в приложения для изучения английского типо Duolingo?

Спойлер почти везде! Но я решил поресерчить и выписать только то, что относится к алгоритмам машинного обучения с доказанным эффектом

Первой моделью является Half-Life Regression (HLR), которая предназначена для оптимизации интервалов повторений. Исследование Settles и Meeder (2016) показывает, что применение этой модели приводит к повышению запоминания на 15-25%.

Второй алгоритм — Sleeping, Recovering Bandit Algorithm, который используется для оптимизации уведомлений. Согласно публикации Yancey и Settles (2020), этот алгоритм способствует увеличению вовлеченности пользователей на 12%.

Третья модель — LSTM для прогнозирования и определения ошибок. Рекуррентные сети, описанные в исследовании Mirea и Bicknell (2019), позволяют адаптировать сложность заданий, что приводит к снижению количества ошибок у обучающихся.

Четвертая группа — это генеративные языковые модели, такие как GPT-4 и другие. Эти модели берут на себя автоматическую генерацию учебного контента, что, согласно данным Duolingo Research (2023-2025), позволяет расширить курс на 148 языков. Вообще GenAI группа алгоритмов может реализовать кучу сложных лингвистических фичей - к примеру подсвечивать ошибки, выигрыш в основном в customer experience.

🎚️ Берите себе на заметку! Будите умничать на собеседовании 😎

⚡️ Будущее нейросетей и поисковиков — за их объединением.

Аналитики OneLittleWeb выяснили, что ИИ-чат-боты за год выросли по количеству обращений на 80,92%.

Поисковые системы, потеряв всего 0,5% аудитории, не зевали — быстро начали встраивать ИИ-инструменты. Ярчайший кейс — Яндекс, который после запуска «Нейро» выстрелил с ростом трафика на 32,65%.

Рынок сейчас движется к умному симбиозу — где ИИ усиливает поисковики, а те взамен дают мощную базу данных.

Заметил, что мой малоизвестный сервис фаворит черного цвета тоже попал в отчет.

🎚️ @datafeeling

Как сэкономить до 4 раз на длинных промптах в OpenAI API

Если ваш стартап, продукт или сервис часто отправляет в OpenAI один и тот же системный промпт, вы можете существенно сократить расходы благодаря функции кеширования (Prompt Caching). Интересно, что многие об этом не знают и не используют эту возможность в полной мере. Хотя мы про это рассказывали тут.

Что это такое?
OpenAI автоматически кеширует начало промпта (префикс), если оно уже обрабатывалось недавно. Это позволяет избежать повторного вычисления при каждом запросе.

Результат:
– Задержка может снизиться до 80% 😱
– Стоимость токенов для префикса — до 50% 😱

Когда работает кеш?
– Срабатывает, если промпт длиннее 1024 токенов.
– Проверяется, использовался ли этот префикс недавно.
– Время жизни кеша — от 5 до 10 минут, иногда до часа (если не было запросов, кеш очищается).

Эта функция нереально полезна, когда отправляется много запросов с одинаковым началом. Вангую, ваш случай подходит, даже если у вас RAG 🦞

Что считается совпадением?
Промпт должен совпадать с точностью до символа: пробелы, порядок строк и даже кавычки имеют значение. Кеш работает блоками: 1024, 1152, 1280 токенов и далее с шагом 128 токенов (в зависимости от длины вашего входного промпта).

Что кешируется?
– System-промпт
– Инструкции, примеры, структура вывода
– Список инструментов
– Изображения (когда они передаются в формате base64 и если они одинаковые каждый раз)

Важно: все эти элементы должны находиться в начале промпта.

Как понять, что кеш сработал?
Обратите внимание на поле cached_tokens в ответе API. Если значение больше нуля, это означает, что часть промпта была взята из кеша.

Нужно ли что-то включать?
Нет. Кеш работает автоматически, без дополнительных настроек и доплат. Он встроен во все модели, начиная с gpt-4.

Рекомендации:
– Фиксируйте начало промпта (префикс должен оставаться статичным).
– Избегайте мелких правок и случайных изменений.
– Динамический контент размещайте в конце.

Если вы работаете с длинными и повторяющимися промптами, кеширование is all you need 😉

🎚️ Подробнее о кешировании в OpenAI API можно прочитать здесь.

Новый классный апдейт в OpenAI.

Наконец поняли, как важны качественные данные из PDF-файлов в Deep Research!

Честно говоря, успели устал копаться в отчетах по 20-30 страниц, чтобы найти нужные ссылки.

🎚️ Теперь этот процесс будет намного проще, и это очень приятно!

Вайб-разработчики делятся на 2 типа:

🎚️ 2-й вайб на максималках 😎

Пишите какой у вас в комментарии👇

👏 Автоматизация с помощью AI агентов начинает набирать обороты, а я еще ни разу не написал про MCP.

С появлением LLM-агентов, которые самостоятельно принимают решения и выполняют сложные задачи, возникла проблема отсутствия единого стандарта взаимодействия между ними и внешними источниками данных.

Ребята из Anthropic предложили решение - новый протокол Model Context Protocol (MCP), который стандартизирует взаимодействие 🕵'в с различными сервисами и между собой. Теперь давайте сравним 3 подхода взаимодействия ИИ с внешними системами:

Имеем, MCP, A2A и Function Calling - это разные способы, как ИИ общается с внешними системами. Вот кратко, что и как:

С MCP время интеграции может сократиться на 30-50%. Он создает единый протокол для взаимодействия ИИ с разными инструментами, упрощая и ускоряя процессы. Идеально подходит для сложных и безопасных решений.

A2A (Agent-to-Agent) - когда агенты общаются друг с другом напрямую. Это повышает их эффективность на 20-40%, отлично для задач, где нужно координироваться и работать вместе, создавая слаженную команду ИИ.

Function Calling - это cамый простой метод - помогает выполнить базовые задачи быстрее на 10-20%, вызывая конкретные функции или инструменты прямо из модели. Но он не подходит для сложных систем и масштабирования.

🎚️ Если хочется помощнее - MCP или A2A. Для простых и быстрых задач - Function Calling. Выбирай, что тебе подходит и вперед! Подробнее про MCP реализацию расписал на Хабре

🚨 Напоминаю, что сегодня выход Claude Sonnet 4 (и Opus 4).

Каждый их выпуск это разнос! Жду с нетерпением, когда завезут во всех Vibe-coding инструменты.

Трансляция (уже идет)

Все ближе к айти с новой парадигмой))

Работа свыше 50 часов в неделю физически «высушивает ваши мозги».

Области мозга, отвечающие за память, точность внимания и эмоциональную регуляцию, при повышенной нагрузке «усыхают» и уменьшаются в объёме.

С каждым часом поверх нормы значительно растёт риск сердечно-сосудистых заболеваний, психических расстройств и полного выгорания.

🎚️ Не забываем отдыхать.

Привет, друзья! Рассказывал вам про митап MLечный путь в апреле. Это был один из тех митапов, где минимум маркетинга и воды — максимум реальных прикладных кейсов от спикеров из разных сфер. Что отметил для себя на конфе из особенно крутого: 

1️⃣ LLM — это не магия, а инструмент.
Крутейший разбор от Selectel показал, как реально использовать большие модели без лишних затрат. Главный секрет? Не брать самую хайповую модель, а считать реальную эффективность под свои задачи. И да, vLLM теперь реальная альтернатива TensorRT — проверено на практике!

2️⃣ Когда AI выходит в поле.
Офигенный кейс от Русагро Тех про аналитику прямо на комбайнах! Никаких дорогущих решений — только кастомные модели, реальные данные с полей и борьба с неидеальными условиями. Вот оно — настоящее ML в действии!

3️⃣ Питч-сессия стартапов — классный формат.
Презентовали проекты на стадии pre-MVP. Для себя отметил Volga — движок для расчета ML-фичей в реальном времени🔥

🎚️ В общем, качественное развитие ML это больше, чем математика и теоретические расчеты. Для успешного проекта так же важны инженерия, инфраструктура и поиск компромиссов.

🔥 6 интересных кейсов growth hacking для технологичных продуктов

1️⃣ Hotmail

Добавлял подпись к письмам: «Это письмо отправлено через Hotmail. Заведите его себе прямо сейчас».
Результат: 12 млн пользователей за год (рост с 20 тыс. до 12 млн).

2️⃣ Dropbox

Использовал реферальную программу: пользователи получали +500 МБ за приглашение друзей.
Результат: рост на 3900% за 15 месяцев.

3️⃣ PayPal

Давал $10 новым пользователям и их рефералам.
Результат: 7–10% ежедневный рост и 100 млн пользователей к 2000 году.

4️⃣ LinkedIn

Привлекал лидеров мнений, чтобы те стимулировали аудиторию регистрироваться.
Результат: 2 новых пользователя в секунду на старте, 8 млн юзеров за 5 лет.

5️⃣ Airbnb

Использовал кросс-промоцию с Craigslist, позволяя пользователям размещать свои объявления на обеих платформах.
Результат: значительный рост числа пользователей и увеличение количества размещенных объявлений.

6️⃣ Duolingo

Использование семейной подписки при оплате одного доступа. То есть вы покупаете себе, а вам дают возможность подарить другим.
Результат: +15% к скорости прироста MRR метрики в первые же два месяца.

🎚️ Внедряйте в свои продукты и кайфуйте от роста!

Маск + Дуров = 🧠💣

На самом деле, просто Дуров прошел наш курсец по LLM технологиям и в качестве домашки решил сделать AI фичи для телеграма 😎😅

🎚️ Скоро все окончательно забудут про вотцап

Досмотрели до конца? Вот мои выводы по поводу этой перспективы