This media is not supported in your browser
VIEW IN TELEGRAM
Два примера, как ИИ в e-learning улучшает качество обучения.
Про плюсы таких решений писал в одном из прошлых постов, здесь сфокусируемся на технической стороне.
Для разработки нам потребуется:
👉 Конструктор курсов
В моем примере это Articulate Storyline, но подойдет любой конструктор, где можно использовать код либо вставлять веб-объекты.
Разрабатываем интерфейс с вводом текстового ответа, добавляем к ответу пользователя инструкцию (промпт) для ИИ по оценке ответа и настраиваем взаимодействие с сервером.
👉 Сервер
Задача сервера максимально простая: получает ответ пользователя → отправляет его в языковую модель → ждет обработки ответа от ИИ → возвращает ответ пользователю (+ вопросы безопасности).
В крупной компании нужно разворачивать оборудование внутри контура (ценник невысокий, но необходимо решить вопросы с согласованиями, обслуживанием и кросс-функциональным взаимодействием). Для компаний с менее жесткими требованиями к ИБ можно арендовать виртуальный сервер (или вообще бессерверные технологии) — цена копеечная.
👉 Языковая модель
Здесь нужно определиться, насколько «умная» нужна модель. Чем «умнее» модель — тем выше качество ответов и меньше время разработки упражнений, но выше ценник.
Например, цена моделей YandexGPT Lite и YandexGPT Pro отличается в 6 раз (0,2 рубля и 1,2 рубля за 1000 токенов соответственно). Упражнение по SMART потребляет около 900–1000 токенов.
То есть, с одной стороны, мы платим в 6 раз больше за токены, а с другой — чем «глупее» модель, тем больше времени потребуется для разработки промпта, который будет выдавать приемлемый результат, и тем более подробный промпт нужен (чем подробнее промпт — тем больше токенов).
Иными словами, использование более «умных» моделей обойдется дороже, но разница будет не пропорциональна стоимости токенов.
Реализовать сложные задачи (например, диалоговые тренажеры) в простеньких моделях очень сложно — тут потребуется тяжелая артиллерия в любом случае.
Интеграция ИИ в e-learning — не rocket science. Главное — правильно подобрать инструменты и найти баланс между бюджетом и качеством.
Делюсь примерами кейсов использования ИИ в e-learning для улучшения качества обучения*.
*по понятным причинам демонстрируются именно примеры кейсов, а не реальные кейсы, которые используются в работе.
Про плюсы таких решений писал в одном из прошлых постов, здесь сфокусируемся на технической стороне.
Для разработки нам потребуется:
В моем примере это Articulate Storyline, но подойдет любой конструктор, где можно использовать код либо вставлять веб-объекты.
Разрабатываем интерфейс с вводом текстового ответа, добавляем к ответу пользователя инструкцию (промпт) для ИИ по оценке ответа и настраиваем взаимодействие с сервером.
Задача сервера максимально простая: получает ответ пользователя → отправляет его в языковую модель → ждет обработки ответа от ИИ → возвращает ответ пользователю (+ вопросы безопасности).
В крупной компании нужно разворачивать оборудование внутри контура (ценник невысокий, но необходимо решить вопросы с согласованиями, обслуживанием и кросс-функциональным взаимодействием). Для компаний с менее жесткими требованиями к ИБ можно арендовать виртуальный сервер (или вообще бессерверные технологии) — цена копеечная.
Здесь нужно определиться, насколько «умная» нужна модель. Чем «умнее» модель — тем выше качество ответов и меньше время разработки упражнений, но выше ценник.
Например, цена моделей YandexGPT Lite и YandexGPT Pro отличается в 6 раз (0,2 рубля и 1,2 рубля за 1000 токенов соответственно). Упражнение по SMART потребляет около 900–1000 токенов.
То есть, с одной стороны, мы платим в 6 раз больше за токены, а с другой — чем «глупее» модель, тем больше времени потребуется для разработки промпта, который будет выдавать приемлемый результат, и тем более подробный промпт нужен (чем подробнее промпт — тем больше токенов).
Иными словами, использование более «умных» моделей обойдется дороже, но разница будет не пропорциональна стоимости токенов.
Реализовать сложные задачи (например, диалоговые тренажеры) в простеньких моделях очень сложно — тут потребуется тяжелая артиллерия в любом случае.
Интеграция ИИ в e-learning — не rocket science. Главное — правильно подобрать инструменты и найти баланс между бюджетом и качеством.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤11🔥6👍4
Давай по новой, ChatGPT, всё ерунда : почему навык промптинга важен для методолога
Лёд тронулся. Онлайн-школы уже активно проверяют домашние задания, используя ИИ, процесс пошёл, и скоро этот тренд доберётся и до корпоративного e-learning.
Как итог: методологу потребуется умение проектировать обучение (от формирования знаний и умений до проверки их усвоения) с использованием ИИ-инструментов.
Вопрос: кто будет писать промпты — методолог или разработчик?
Дело в промпте
Когда мы видим полезный продукт с интегрированным ИИ, он такой полезный не только из-за крутых инженерных навыков разработчика, а, возможно даже в большей степени, из-за качественного промпта, который заставляет ИИ точно и с минимумом ошибок решать поставленную задачу.
Нельзя просто сказать ИИ: «Проверь задание» — нужно детально объяснить, как именно проверять, на что обращать внимание, как реагировать на ошибки.
Методолог, понимающий логику учебного процесса, лучше других справится с этой задачей.
Итеративный ад и джировый пинг-понг
Разработка любого продукта — итеративный процесс. А разработка продукта с встроенным ИИ — очень итеративный процесс.
С обычным софтом всё просто: если код написан правильно — работает, если нет — не работает (чаще всего).
С ИИ всё не так однозначно. Продукт с ИИ не просто работает или не работает. Он умеет работать «почти так, но не совсем», «почти правильно, но немного не так», «правильно, но как-то уж слишком строго, как будто ищет, до чего докопаться»…
Поэтому сценариев между «работает» и «не работает» оказывается тысяча. И на каждом таком сценарии начинается вечная игра в джиру: разработчик сделал → методолог проверил → «не так» → разработчик переделал → методолог снова проверил → «всё ещё не так» — и так до бесконечности. Каждый раз нужно чётко объяснять, что не так и как именно не так.
Если методолог сам умеет писать промпты, этот бесконечный «пинг-понг» просто исчезает. Увидел, что ИИ ответил не так? Взял, поправил промпт — и продолжаем тестировать. Без долгих переписок, без стен из технических задач, без объяснений «почему “не совсем так” — это не совсем так, как нужно».
Методолог = идеальный промпт-инженер
Кто вообще лучший кандидат в промпт-инженеры? Тот, кто умеет просто, понятно и структурировано давать исчерпывающие инструкции, подкрепляя их наглядными примерами.
Это буквально описание методолога.
Методология обучения всегда была про структуру, логику и ясность. Промптинг — это та же методология, только в контексте взаимодействия с ИИ. Если раньше мы проектировали инструкции для людей, то теперь — и для нейросетей. И в этом нет ничего страшного, ведь суть остаётся прежней: чётко ставить задачи, предугадывать ошибки и давать понятные ориентиры. Просто теперь наш «ученик» — это алгоритм.
Лёд тронулся. Онлайн-школы уже активно проверяют домашние задания, используя ИИ, процесс пошёл, и скоро этот тренд доберётся и до корпоративного e-learning.
Как итог: методологу потребуется умение проектировать обучение (от формирования знаний и умений до проверки их усвоения) с использованием ИИ-инструментов.
Вопрос: кто будет писать промпты — методолог или разработчик?
Дело в промпте
Когда мы видим полезный продукт с интегрированным ИИ, он такой полезный не только из-за крутых инженерных навыков разработчика, а, возможно даже в большей степени, из-за качественного промпта, который заставляет ИИ точно и с минимумом ошибок решать поставленную задачу.
Нельзя просто сказать ИИ: «Проверь задание» — нужно детально объяснить, как именно проверять, на что обращать внимание, как реагировать на ошибки.
Методолог, понимающий логику учебного процесса, лучше других справится с этой задачей.
Итеративный ад и джировый пинг-понг
Разработка любого продукта — итеративный процесс. А разработка продукта с встроенным ИИ — очень итеративный процесс.
С обычным софтом всё просто: если код написан правильно — работает, если нет — не работает (чаще всего).
С ИИ всё не так однозначно. Продукт с ИИ не просто работает или не работает. Он умеет работать «почти так, но не совсем», «почти правильно, но немного не так», «правильно, но как-то уж слишком строго, как будто ищет, до чего докопаться»…
Поэтому сценариев между «работает» и «не работает» оказывается тысяча. И на каждом таком сценарии начинается вечная игра в джиру: разработчик сделал → методолог проверил → «не так» → разработчик переделал → методолог снова проверил → «всё ещё не так» — и так до бесконечности. Каждый раз нужно чётко объяснять, что не так и как именно не так.
Если методолог сам умеет писать промпты, этот бесконечный «пинг-понг» просто исчезает. Увидел, что ИИ ответил не так? Взял, поправил промпт — и продолжаем тестировать. Без долгих переписок, без стен из технических задач, без объяснений «почему “не совсем так” — это не совсем так, как нужно».
Методолог = идеальный промпт-инженер
Кто вообще лучший кандидат в промпт-инженеры? Тот, кто умеет просто, понятно и структурировано давать исчерпывающие инструкции, подкрепляя их наглядными примерами.
Это буквально описание методолога.
Методология обучения всегда была про структуру, логику и ясность. Промптинг — это та же методология, только в контексте взаимодействия с ИИ. Если раньше мы проектировали инструкции для людей, то теперь — и для нейросетей. И в этом нет ничего страшного, ведь суть остаётся прежней: чётко ставить задачи, предугадывать ошибки и давать понятные ориентиры. Просто теперь наш «ученик» — это алгоритм.
🔥11👍4❤2🦄2
Кризис доткомов, Сэм Альтман и при чём тут e-learning?
Сэм Альтман, генеральный директор OpenAI, в недавнем интервью сравнил ажиотаж вокруг искусственного интеллекта с кризисом доткомов конца 1990-х – начала 2000-х.
Что такое кризис доткомов, и чем он похож на ажиотаж вокруг ИИ?
Кризис доткомов
В конце 1990-х интернет казался революцией, и инвесторы массово вкладывались в любые компании с приставкой «.com». Эксперты сходились во мнении: за интернетом будущее, совсем скоро продажи через интернет вырастут в десятки раз, а бизнес в интернете станет сверхприбыльным. Как показало время, эксперты были правы.
Акции росли даже у убыточных .com-стартапов, а индекс NASDAQ за пять лет вырос на 500%.
Но уже в марте 2000 года NASDAQ обвалился на 78%, уничтожив триллионы долларов капитализации. Что произошло?
Классической иллюстрацией краха стала история Pets.com. Этот стартап, продававший корм и товары для животных, стал иконой эпохи благодаря агрессивному маркетингу и узнаваемому талисману — носковому щенку. Компания привлекла более 80 миллионов долларов инвестиций. Но за яркой рекламой и инновационным .com скрывалась нерациональная модель: компания продавала тяжёлые банки и мешки с кормом с бесплатной доставкой, теряя деньги на каждой продаже. Выручка в первый год составила 619 тысяч долларов, а только на рекламу было потрачено более 11 миллионов. Всего через девять месяцев после выхода на биржу, в ноябре 2000 года, Pets.com обанкротился, став одним из самых громких символов кризиса.
Его судьба наглядно показала главную причину коллапса: ведение бизнеса через интернет является мощным инструментом, но не самодостаточной бизнес-моделью, способной генерировать доход. Технология не отменяет базовых законов экономики. Если вы покупаете товар за доллар, а продаёте за 50 центов, вы разоритесь. Даже если продаёте через интернет.
И здесь кроется ключевой парадокс: именно на «обломках» этого пузыря выросли гиганты, которые и доказали истинную силу интернета. Amazon, eBay и Google выжили и преуспели не потому, что были «просто доткомами», а потому, что предложили рынку реальную ценность: огромный выбор, эффективные платформы для торговли и революционный поиск. Они не забывали, что технология — это средство, а не цель.
Истинная ценность технологии — когда она начинает решать конкретные проблемы, делая процессы дешевле, быстрее и удобнее.
Искусственный интеллект сегодня
ИИ, как и интернет в 90-е, воспринимается как магия. Потенциал и возможности для автоматизации множества рутинных процессов огромны. Но здесь важно помнить: любая автоматизация имеет цену.
Автоматизация с помощью ИИ — это не только разработка, но и постоянные расходы на токены, поддержку, обновления и адаптацию. В итоге может оказаться, что «умный» процесс стоит дороже, а его качество уступает традиционному аналогу. Ровно как бесплатная доставка тяжёлых мешков корма в эпоху Pets.com выглядела инновационно, но превращала каждый заказ в убыток.
А при чём тут e-learning?
Электронное обучение — одна из сфер, где ажиотаж вокруг ИИ ощущается особенно сильно. Уже сегодня компании и вузы внедряют «умные» системы: персонализированные курсы, автоматическую проверку заданий, ИИ-тьюторы. Но здесь важно помнить урок доткомов: не технология сама по себе создаёт ценность, а её умение решать конкретные задачи.
Если ИИ в e-learning продукте будет использоваться лишь как модный инструмент без реального улучшения опыта студентов и преподавателей, то это будет тот самый «Pets.com» от образования.
Но если продукт с ИИ позволит:
• адаптировать курсы под каждого учащегося,
• снизить затраты на обучение,
• сделать образовательные программы доступнее,
• повысить вовлечённость и качество знаний,
— тогда он станет «Amazon» в сфере образования.
Сэм Альтман, генеральный директор OpenAI, в недавнем интервью сравнил ажиотаж вокруг искусственного интеллекта с кризисом доткомов конца 1990-х – начала 2000-х.
Это безумие, что некоторые стартапы в области ИИ, состоящие из «трёх человек и одной идеи», получают финансирование по таким высоким оценкам. Это нерационально.
Что такое кризис доткомов, и чем он похож на ажиотаж вокруг ИИ?
Кризис доткомов
В конце 1990-х интернет казался революцией, и инвесторы массово вкладывались в любые компании с приставкой «.com». Эксперты сходились во мнении: за интернетом будущее, совсем скоро продажи через интернет вырастут в десятки раз, а бизнес в интернете станет сверхприбыльным. Как показало время, эксперты были правы.
Акции росли даже у убыточных .com-стартапов, а индекс NASDAQ за пять лет вырос на 500%.
Но уже в марте 2000 года NASDAQ обвалился на 78%, уничтожив триллионы долларов капитализации. Что произошло?
Классической иллюстрацией краха стала история Pets.com. Этот стартап, продававший корм и товары для животных, стал иконой эпохи благодаря агрессивному маркетингу и узнаваемому талисману — носковому щенку. Компания привлекла более 80 миллионов долларов инвестиций. Но за яркой рекламой и инновационным .com скрывалась нерациональная модель: компания продавала тяжёлые банки и мешки с кормом с бесплатной доставкой, теряя деньги на каждой продаже. Выручка в первый год составила 619 тысяч долларов, а только на рекламу было потрачено более 11 миллионов. Всего через девять месяцев после выхода на биржу, в ноябре 2000 года, Pets.com обанкротился, став одним из самых громких символов кризиса.
Его судьба наглядно показала главную причину коллапса: ведение бизнеса через интернет является мощным инструментом, но не самодостаточной бизнес-моделью, способной генерировать доход. Технология не отменяет базовых законов экономики. Если вы покупаете товар за доллар, а продаёте за 50 центов, вы разоритесь. Даже если продаёте через интернет.
И здесь кроется ключевой парадокс: именно на «обломках» этого пузыря выросли гиганты, которые и доказали истинную силу интернета. Amazon, eBay и Google выжили и преуспели не потому, что были «просто доткомами», а потому, что предложили рынку реальную ценность: огромный выбор, эффективные платформы для торговли и революционный поиск. Они не забывали, что технология — это средство, а не цель.
Истинная ценность технологии — когда она начинает решать конкретные проблемы, делая процессы дешевле, быстрее и удобнее.
Искусственный интеллект сегодня
ИИ, как и интернет в 90-е, воспринимается как магия. Потенциал и возможности для автоматизации множества рутинных процессов огромны. Но здесь важно помнить: любая автоматизация имеет цену.
Автоматизация с помощью ИИ — это не только разработка, но и постоянные расходы на токены, поддержку, обновления и адаптацию. В итоге может оказаться, что «умный» процесс стоит дороже, а его качество уступает традиционному аналогу. Ровно как бесплатная доставка тяжёлых мешков корма в эпоху Pets.com выглядела инновационно, но превращала каждый заказ в убыток.
А при чём тут e-learning?
Электронное обучение — одна из сфер, где ажиотаж вокруг ИИ ощущается особенно сильно. Уже сегодня компании и вузы внедряют «умные» системы: персонализированные курсы, автоматическую проверку заданий, ИИ-тьюторы. Но здесь важно помнить урок доткомов: не технология сама по себе создаёт ценность, а её умение решать конкретные задачи.
Если ИИ в e-learning продукте будет использоваться лишь как модный инструмент без реального улучшения опыта студентов и преподавателей, то это будет тот самый «Pets.com» от образования.
Но если продукт с ИИ позволит:
• адаптировать курсы под каждого учащегося,
• снизить затраты на обучение,
• сделать образовательные программы доступнее,
• повысить вовлечённость и качество знаний,
— тогда он станет «Amazon» в сфере образования.
👍7🔥5❤2🦄1
Veo 3: мой опыт
Наверно, все уже видели огромное количество роликов, сгенерированных в этой нейросети. Их так много, что Google начал пессимизировать ИИ-контент на YouTube, чтобы вся площадка не превратилась в сборник юмористических сгенерированных роликов про бабушек, у которых дома живет бегемот.
Но одно дело 100 раз увидеть готовый контент, а другое — попробовать продукт самому. Вот о моем небольшом опыте и поговорим.
Сразу озвучу три основных тезиса:
- Veo 3 – лучшая нейросеть для генерации видео на сегодняшний день, и обходит ближайших конкурентов (KlingAI и Hedra) на пару шагов;
- Дорогая. Адекватный пакет стоит 200$ в месяц (130$, если покупаешь на год). За эти деньги получаешь ограниченное количество генераций;
- Классные ролики, которые мы видим в интернете, – большая работа как в самой нейросети: промптинг, итерации, обход ограничений, так и в постпродакшене: добавление звуков, текста, эффектов, да и просто монтаж.
Мои видео получились не идеальными. Но это и хорошо: говорить об ограничениях нейросетей не менее интересно, чем об их возможностях.
Первая генерация была самой интересной: загрузил фотографию с Elements 2025 и решил оживить ее простым промптом: «Мужчина достает геймпад и начинает играть в гонки на огромном экране».
Опыт показал: качество и детализация промпта в генерации видео играет еще большую роль, чем при генерации изображений и простых текстов. Так как это не просто изображение, а небольшой сюжет, – поле для фантазий у ИИ огромное. Нужно детально прописывать все, что ты хочешь видеть: начиная от мимики и жестов, заканчивая полным описанием мельчайших действий и звуков.
Veo сама «считала сюжет» фотографии, предположила, что идет какое-то выступление с презентаций, и, что логично, спикер должен озвучивать тезисы со слайдов. Озвучила хорошо, липсинк тоже на высоте.
Но «предположить» нейросеть может не все. Например, когда ты в одной руке держишь кликер, а в другой микрофон, то, чтобы достать геймпад, – тебе нужно куда-то положить то, что у тебя в руках. Вот такие мелочи нужно прописывать в промпте. В начале положил кликер и микрофон на стол – потом достал геймпад.
Звук игры нейросеть добавила самостоятельно, а вот добавить звуки зала не догадалась – опять же возвращаемся к необходимости прописывать детали в промпте или добавлять их на постпродакшене.
Так же видео наглядно показывает слабые места нейросети – сильно вращать глазами и головой не следует: появляются артефакты, да и просто лицо меняется.
Второй интересный опыт – анимация логотипа. Здесь я дал нейросети свободу действий и попросил анимировать логотип как у киностудий (без конкретики). Не знаю уж, насколько результат «как у киностудий», но сама анимация выглядит логично. Однозначно уже сейчас можно использовать в e-learning и делать графики, схемы и другие поясняющие элементы видео более живыми и привлекательными буквально за минуту.
Прочие наблюдения:
- Русскую речь генерирует хорошо, но делает это не всегда. Зачастую просто получаешь видео вообще без звука (около 30% генераций русской речи проходят удачно);
- Есть шаблонные действия, которые нейросеть генерирует отлично. Например, прогулки по оживленным улицам, поездки на машине по живописным местам, переходы камеры на красивых локациях и прочие футажи (сразу понятно, на каком контенте преимущественно обучалась нейросеть).
- Veo все еще борется с физикой и логикой. Предметы могут появляться и исчезать из ниоткуда, тени иногда ложатся нелогично, а взаимодействие между объектами часто выглядит как глюк. Проблемы решаются подробным промптингом и итерациями.
Как итог:
Пока о создании голливудского блокбастера в один клик речь не идет, но вот по качеству видео и «актерской игре» Veo 3 уже уверенно обходит сериалы в духе «Простушка Клава из деревни н. Лопухи приезжает в Москву, где становится уборщицей у миллионера, с которым встречается лицемерная Анжела из-за его денег и строит Клаве козни».
Veo 3 — это не «нажал кнопку — получил шедевр». Это сложный инструмент, требующий навыков и насмотренности.
Наверно, все уже видели огромное количество роликов, сгенерированных в этой нейросети. Их так много, что Google начал пессимизировать ИИ-контент на YouTube, чтобы вся площадка не превратилась в сборник юмористических сгенерированных роликов про бабушек, у которых дома живет бегемот.
Но одно дело 100 раз увидеть готовый контент, а другое — попробовать продукт самому. Вот о моем небольшом опыте и поговорим.
Сразу озвучу три основных тезиса:
- Veo 3 – лучшая нейросеть для генерации видео на сегодняшний день, и обходит ближайших конкурентов (KlingAI и Hedra) на пару шагов;
- Дорогая. Адекватный пакет стоит 200$ в месяц (130$, если покупаешь на год). За эти деньги получаешь ограниченное количество генераций;
- Классные ролики, которые мы видим в интернете, – большая работа как в самой нейросети: промптинг, итерации, обход ограничений, так и в постпродакшене: добавление звуков, текста, эффектов, да и просто монтаж.
Мои видео получились не идеальными. Но это и хорошо: говорить об ограничениях нейросетей не менее интересно, чем об их возможностях.
Первая генерация была самой интересной: загрузил фотографию с Elements 2025 и решил оживить ее простым промптом: «Мужчина достает геймпад и начинает играть в гонки на огромном экране».
Опыт показал: качество и детализация промпта в генерации видео играет еще большую роль, чем при генерации изображений и простых текстов. Так как это не просто изображение, а небольшой сюжет, – поле для фантазий у ИИ огромное. Нужно детально прописывать все, что ты хочешь видеть: начиная от мимики и жестов, заканчивая полным описанием мельчайших действий и звуков.
Veo сама «считала сюжет» фотографии, предположила, что идет какое-то выступление с презентаций, и, что логично, спикер должен озвучивать тезисы со слайдов. Озвучила хорошо, липсинк тоже на высоте.
Но «предположить» нейросеть может не все. Например, когда ты в одной руке держишь кликер, а в другой микрофон, то, чтобы достать геймпад, – тебе нужно куда-то положить то, что у тебя в руках. Вот такие мелочи нужно прописывать в промпте. В начале положил кликер и микрофон на стол – потом достал геймпад.
Звук игры нейросеть добавила самостоятельно, а вот добавить звуки зала не догадалась – опять же возвращаемся к необходимости прописывать детали в промпте или добавлять их на постпродакшене.
Так же видео наглядно показывает слабые места нейросети – сильно вращать глазами и головой не следует: появляются артефакты, да и просто лицо меняется.
Второй интересный опыт – анимация логотипа. Здесь я дал нейросети свободу действий и попросил анимировать логотип как у киностудий (без конкретики). Не знаю уж, насколько результат «как у киностудий», но сама анимация выглядит логично. Однозначно уже сейчас можно использовать в e-learning и делать графики, схемы и другие поясняющие элементы видео более живыми и привлекательными буквально за минуту.
Прочие наблюдения:
- Русскую речь генерирует хорошо, но делает это не всегда. Зачастую просто получаешь видео вообще без звука (около 30% генераций русской речи проходят удачно);
- Есть шаблонные действия, которые нейросеть генерирует отлично. Например, прогулки по оживленным улицам, поездки на машине по живописным местам, переходы камеры на красивых локациях и прочие футажи (сразу понятно, на каком контенте преимущественно обучалась нейросеть).
- Veo все еще борется с физикой и логикой. Предметы могут появляться и исчезать из ниоткуда, тени иногда ложатся нелогично, а взаимодействие между объектами часто выглядит как глюк. Проблемы решаются подробным промптингом и итерациями.
Как итог:
Пока о создании голливудского блокбастера в один клик речь не идет, но вот по качеству видео и «актерской игре» Veo 3 уже уверенно обходит сериалы в духе «Простушка Клава из деревни н. Лопухи приезжает в Москву, где становится уборщицей у миллионера, с которым встречается лицемерная Анжела из-за его денег и строит Клаве козни».
Veo 3 — это не «нажал кнопку — получил шедевр». Это сложный инструмент, требующий навыков и насмотренности.
❤10👍10🔥5
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
ИИгры: а что там с ИИ в геймдеве?
Если мы хотим понять будущее технологий, стоит смотреть не только вперед, но и по сторонам. Инновации из геймдева — механики вовлечения, симуляции, интерактивные сценарии — давно и успешно перекочевали в e-learning.
Давайте посмотрим, как игроделы используют языковые модели в своих продуктах.
1. Социальные симуляторы и «живые» миры
ИИ оживляет целые сообщества NPC, с которыми можно взаимодействовать.
- Vaudeville: Детективная игра, в которой вы расследуете убийства, общаясь с персонажами через голос или текст. Диалоги генерируются в реальном времени, делая каждое прохождение уникальным. Уже в раннем доступе на Steam.
- Ememe: Симулятор жизни с ИИ-персонажами, напоминающий «Шоу Трумана» в цифровом мире. Вы создаете и наблюдаете за их автономной жизнью в виртуальном городке. NPC общаются, строят отношения и принимают решения на основе своих характеров. Поддерживается загрузка собственных 3D-моделей.
- NVIDIA ACE inZOI: Технологическая демонстрация от NVIDIA. Их технология ACE создает автономных персонажей, которые способны воспринимать окружение, общаться с игроком и друг с другом и принимать решения на основе своих целей и воспоминаний.
- Город с ИИ-прохожими: Пока это просто отдельная игровая механика, а не полноценная игра, но она отлично иллюстрирует вектор развития. Представьте себе виртуальный город, где вы можете подойти к любому прохожему и завести осмысленный разговор на любую тему. Каждый NPC обладает своей уникальной личностью, памятью и мнением, генерируемыми ИИ в режиме реального времени. Это следующий шаг к созданию по-настоящему живых, «дышащих» игровых вселенных.
2. Иммерсивные механики
Отдельные механики, показывающие, как ИИ может углубить погружение.
- Stellar Cafe: VR-игра для Meta Quest 3, где ИИ-роботы с поддержкой LLM ведут живые, открытые диалоги, запоминают игроков и реагируют на команды на естественном языке.
- RPG с ИИ-NPC: Пока концепт, а не готовый продукт. Представьте себе Skyrim, где каждый персонаж не заученно повторяет фразы, а может поддержать полноценный разговор на любую тему и динамически реагировать на ваши действия. Звучит фантастически, но работы в этом направлении уже ведутся.
3. Сгенерированные приключения
Здесь ИИ выступает в роли ведущего или соавтора истории, создавая уникальный сюжет каждый раз.
- AI Dungeon: Классика жанра. Текстовое D&D-приключение, где ИИ — это ваш личный мастер игры. Вы можете делать практически все что угодно, а нейросеть в реальном времени генерирует мир и реакции на ваши действия. Полная свобода в жанрах фэнтези, научной фантастики или хоррора.
- Hidden Door: Нарративная ролевая платформа, где игроки вместе с LLM создают миры и истории в стиле настольных RPG. Сценарий развивается динамически, а персонажи «живут» за счёт генеративного ИИ.
4. На стыке геймдева и обучения
- Gandalf Game: Остроумный игровой взгляд на prompt-инжиниринг. Ваша цель — заставить Гендальфа (роль которого играет ИИ) раскрыть секретный пароль. Игра состоит из 7 уровней сложности, на каждом из которых обойти защиту ИИ становится все сложнее. Отличный способ научиться формулировать запросы!
Как видно, пока это в основном эксперименты, концепты или отдельные игровые механики (не буду врать, ожидал что геймдев намного активнее возьмется за технологию). Но именно в них кроется главная ценность — смелые идеи и новые подходы к взаимодействию.
Уверен, многие из этих находок можно и нужно перерабатывать для e-learning.
Если мы хотим понять будущее технологий, стоит смотреть не только вперед, но и по сторонам. Инновации из геймдева — механики вовлечения, симуляции, интерактивные сценарии — давно и успешно перекочевали в e-learning.
Давайте посмотрим, как игроделы используют языковые модели в своих продуктах.
1. Социальные симуляторы и «живые» миры
ИИ оживляет целые сообщества NPC, с которыми можно взаимодействовать.
- Vaudeville: Детективная игра, в которой вы расследуете убийства, общаясь с персонажами через голос или текст. Диалоги генерируются в реальном времени, делая каждое прохождение уникальным. Уже в раннем доступе на Steam.
- Ememe: Симулятор жизни с ИИ-персонажами, напоминающий «Шоу Трумана» в цифровом мире. Вы создаете и наблюдаете за их автономной жизнью в виртуальном городке. NPC общаются, строят отношения и принимают решения на основе своих характеров. Поддерживается загрузка собственных 3D-моделей.
- NVIDIA ACE inZOI: Технологическая демонстрация от NVIDIA. Их технология ACE создает автономных персонажей, которые способны воспринимать окружение, общаться с игроком и друг с другом и принимать решения на основе своих целей и воспоминаний.
- Город с ИИ-прохожими: Пока это просто отдельная игровая механика, а не полноценная игра, но она отлично иллюстрирует вектор развития. Представьте себе виртуальный город, где вы можете подойти к любому прохожему и завести осмысленный разговор на любую тему. Каждый NPC обладает своей уникальной личностью, памятью и мнением, генерируемыми ИИ в режиме реального времени. Это следующий шаг к созданию по-настоящему живых, «дышащих» игровых вселенных.
2. Иммерсивные механики
Отдельные механики, показывающие, как ИИ может углубить погружение.
- Stellar Cafe: VR-игра для Meta Quest 3, где ИИ-роботы с поддержкой LLM ведут живые, открытые диалоги, запоминают игроков и реагируют на команды на естественном языке.
- RPG с ИИ-NPC: Пока концепт, а не готовый продукт. Представьте себе Skyrim, где каждый персонаж не заученно повторяет фразы, а может поддержать полноценный разговор на любую тему и динамически реагировать на ваши действия. Звучит фантастически, но работы в этом направлении уже ведутся.
3. Сгенерированные приключения
Здесь ИИ выступает в роли ведущего или соавтора истории, создавая уникальный сюжет каждый раз.
- AI Dungeon: Классика жанра. Текстовое D&D-приключение, где ИИ — это ваш личный мастер игры. Вы можете делать практически все что угодно, а нейросеть в реальном времени генерирует мир и реакции на ваши действия. Полная свобода в жанрах фэнтези, научной фантастики или хоррора.
- Hidden Door: Нарративная ролевая платформа, где игроки вместе с LLM создают миры и истории в стиле настольных RPG. Сценарий развивается динамически, а персонажи «живут» за счёт генеративного ИИ.
4. На стыке геймдева и обучения
- Gandalf Game: Остроумный игровой взгляд на prompt-инжиниринг. Ваша цель — заставить Гендальфа (роль которого играет ИИ) раскрыть секретный пароль. Игра состоит из 7 уровней сложности, на каждом из которых обойти защиту ИИ становится все сложнее. Отличный способ научиться формулировать запросы!
Как видно, пока это в основном эксперименты, концепты или отдельные игровые механики (не буду врать, ожидал что геймдев намного активнее возьмется за технологию). Но именно в них кроется главная ценность — смелые идеи и новые подходы к взаимодействию.
Уверен, многие из этих находок можно и нужно перерабатывать для e-learning.
👍7❤4🔥3🦄1
This media is not supported in your browser
VIEW IN TELEGRAM
Хороший, но недостаточно: экономит ли ИИ время?
Очень часто попадаются юмористические ролики про то, как ИИ «экономит» время.
В посте расскажу про свой кейс «экономии» времени с ИИ, который отлично иллюстрирует те минусы инструмента, которые мешают автоматизации процессов.
👉Коротко о задаче:
Дано:
Есть «поток сознания» в голове (много неструктурированной информации) и пару десятков картинок, иллюстрирующих этот поток.
Задача:
Структурировать информацию и расписать её в таблице (600+ ячеек).
Осмысленно заполнить 600 ячеек — задача не быстрая.
ChatGPT отлично умеет структурировать информацию, а ещё умеет «видеть» картинки.
Логичное решение — объяснить ИИ, какая именно таблица мне нужна, какие поля в ней должны быть, как нужно их заполнять, закинуть весь «поток сознания» с картинками — и пусть структурирует и расписывает.
С первой же итерации результат получился неплохим. Всю огромную таблицу я, естественно, не читал. Пробежался по части таблицы, увидел общие недочёты и попросил ИИ их исправить (после каждой итерации перечитывать весь объём очень долго).
Несколько подобных итераций — и ChatGPT скидывает готовый Excel-файл с листами и удобным форматированием.
Круто? ДА НЕ ТО СЛОВО! Гигантская таблица меньше чем за полдня работы, да ещё мы успели «обсудить», что в таблице может быть не так и что требует улучшений. ChatGPT нашёл логическую ошибку в «потоке сознания» и внёс десяток идей по улучшению таблицы. Большая часть идей — откровенно дебильная, но 2 взял в работу — и это очень ценно.
Начал смотреть таблицу подробнее:
Часть столбцов и строк ИИ сделал практически идеально — проверил, немного подправил, и всё готово. В других было большое количество ошибок, поэтому проще и быстрее просто удалить «плохие столбцы» и заполнить их с нуля (ошибки и неточности разные, парой промптов не получится исправить).
В итоге не факт, что с ИИ у меня вообще получилось сделать работу быстрее.
Результат одновременно кажется и фантастическим, и совершенно бесполезным (не считая 2 классных советов, это было очень полезно). С одной стороны, то, что мы можем закинуть куда-то страницы текста с картинками и получить структурированную таблицу, — просто магия. С другой стороны, допущенные ошибки в составлении таблицы делают её совершенно бесполезной.
У классной таблицы высокая ценность, таблица с ошибками — не нужна и даром (при этом таблица далась совершенно не даром: на составление промпта, итерации, да и просто на то, чтобы перенести десяток страниц текста из головы на бумагу, ушло несколько часов).
С автоматизацией процессов всё ещё сложнее. Там не получится посмотреть работу и что-то доделать руками (иначе какая это автоматизация?). ИИ сделал работу плохо — значит, с этим и будем жить. Работа с промптами и применение современных методов работы с ИИ улучшают качество ответов принципиально, но получится ли «дотянуть» ответ до нужного качества и сколько это будет стоить — большой вопрос.
Упрощая: доверили бы вы задачу студенту-стажёру без контроля результата? Если да — такие задачи совершенно точно можно автоматизировать с ИИ.
Этот кейс хорошо иллюстрирует два тезиса:
🔹нас, скорее всего, не заменят машины, но вот тех, кто не использует ИИ в работе, весьма вероятно заменят те, кто использует (те, кто не пользуется - останутся без 2 классных советов);
🔹ИИ не снимает с вас ответственности за вычитку и контроль качества, а часто даже увеличивает её.
P.S. ИИ — это невероятно мощный инструмент. Но его эффективность всегда упирается вопрос: «Насколько хорошо я умею ставить ему задачи?».
Очень часто попадаются юмористические ролики про то, как ИИ «экономит» время.
В посте расскажу про свой кейс «экономии» времени с ИИ, который отлично иллюстрирует те минусы инструмента, которые мешают автоматизации процессов.
👉Коротко о задаче:
Дано:
Есть «поток сознания» в голове (много неструктурированной информации) и пару десятков картинок, иллюстрирующих этот поток.
Задача:
Структурировать информацию и расписать её в таблице (600+ ячеек).
Осмысленно заполнить 600 ячеек — задача не быстрая.
ChatGPT отлично умеет структурировать информацию, а ещё умеет «видеть» картинки.
Логичное решение — объяснить ИИ, какая именно таблица мне нужна, какие поля в ней должны быть, как нужно их заполнять, закинуть весь «поток сознания» с картинками — и пусть структурирует и расписывает.
С первой же итерации результат получился неплохим. Всю огромную таблицу я, естественно, не читал. Пробежался по части таблицы, увидел общие недочёты и попросил ИИ их исправить (после каждой итерации перечитывать весь объём очень долго).
Несколько подобных итераций — и ChatGPT скидывает готовый Excel-файл с листами и удобным форматированием.
Круто? ДА НЕ ТО СЛОВО! Гигантская таблица меньше чем за полдня работы, да ещё мы успели «обсудить», что в таблице может быть не так и что требует улучшений. ChatGPT нашёл логическую ошибку в «потоке сознания» и внёс десяток идей по улучшению таблицы. Большая часть идей — откровенно дебильная, но 2 взял в работу — и это очень ценно.
Начал смотреть таблицу подробнее:
Часть столбцов и строк ИИ сделал практически идеально — проверил, немного подправил, и всё готово. В других было большое количество ошибок, поэтому проще и быстрее просто удалить «плохие столбцы» и заполнить их с нуля (ошибки и неточности разные, парой промптов не получится исправить).
В итоге не факт, что с ИИ у меня вообще получилось сделать работу быстрее.
Результат одновременно кажется и фантастическим, и совершенно бесполезным (не считая 2 классных советов, это было очень полезно). С одной стороны, то, что мы можем закинуть куда-то страницы текста с картинками и получить структурированную таблицу, — просто магия. С другой стороны, допущенные ошибки в составлении таблицы делают её совершенно бесполезной.
У классной таблицы высокая ценность, таблица с ошибками — не нужна и даром (при этом таблица далась совершенно не даром: на составление промпта, итерации, да и просто на то, чтобы перенести десяток страниц текста из головы на бумагу, ушло несколько часов).
С автоматизацией процессов всё ещё сложнее. Там не получится посмотреть работу и что-то доделать руками (иначе какая это автоматизация?). ИИ сделал работу плохо — значит, с этим и будем жить. Работа с промптами и применение современных методов работы с ИИ улучшают качество ответов принципиально, но получится ли «дотянуть» ответ до нужного качества и сколько это будет стоить — большой вопрос.
Упрощая: доверили бы вы задачу студенту-стажёру без контроля результата? Если да — такие задачи совершенно точно можно автоматизировать с ИИ.
Этот кейс хорошо иллюстрирует два тезиса:
🔹нас, скорее всего, не заменят машины, но вот тех, кто не использует ИИ в работе, весьма вероятно заменят те, кто использует (те, кто не пользуется - останутся без 2 классных советов);
🔹ИИ не снимает с вас ответственности за вычитку и контроль качества, а часто даже увеличивает её.
P.S. ИИ — это невероятно мощный инструмент. Но его эффективность всегда упирается вопрос: «Насколько хорошо я умею ставить ему задачи?».
❤4👍4🔥4😁2
Друзья, у меня для вас новости!
Уже в четвёртый раз выступаю на Learning Elements. В этот раз конференция будет онлайн и полностью про ИИ в обучении.
Планирую рассказать (и надеюсь расскажу 😁) об «умном обучении»: как встроить ИИ в электронные курсы так, чтобы он не просто проверял знания, а помогал формировать реальные умения и вовлекал в процесс. Покажу примеры из практики и разберу простые способы, как интегрировать ИИ в e-learning (да и про сложные способы расскажу).
👉Много классных спикеров и интересных тем (вот тут программа).
👉А еще практикумы.
Например, у Владимира Казакова будет практикум по вайбкодингу. Как мне кажется, тема суперактуальная для всех, кто разрабатывает курсы (да и не только).
Буду рад видеть вас на конференции (она уже на следующей неделе)! Думаю, получится живой разговор о том, как ИИ уже меняет e-learning.
Уже в четвёртый раз выступаю на Learning Elements. В этот раз конференция будет онлайн и полностью про ИИ в обучении.
Планирую рассказать (и надеюсь расскажу 😁) об «умном обучении»: как встроить ИИ в электронные курсы так, чтобы он не просто проверял знания, а помогал формировать реальные умения и вовлекал в процесс. Покажу примеры из практики и разберу простые способы, как интегрировать ИИ в e-learning (да и про сложные способы расскажу).
👉Много классных спикеров и интересных тем (вот тут программа).
👉А еще практикумы.
Например, у Владимира Казакова будет практикум по вайбкодингу. Как мне кажется, тема суперактуальная для всех, кто разрабатывает курсы (да и не только).
Буду рад видеть вас на конференции (она уже на следующей неделе)! Думаю, получится живой разговор о том, как ИИ уже меняет e-learning.
👍6❤3🔥2👏1
Мультиагентный подход в ИИ: как виртуальная команда экспертов решает сложные задачи
Представьте, что вам поручили создать с нуля отдел обучения в компании.
Какой путь выбрать? Нанять универсальных специалистов или команду узких экспертов?
Первый путь — быстрый и простой. Второй — дает более высокое качество, но сложнее в управлении.
Это не HR-задача, а современный тренд в искусственном интеллекте — мультиагентные системы.
Почему один бот часто ошибается и «галлюцинирует», а команда из нескольких ИИ справляется с самыми сложными задачами? Как работает виртуальный «оркестратор» и почему за этим подходом — будущее?
Ответы в СТАТЬЕ.
Представьте, что вам поручили создать с нуля отдел обучения в компании.
Какой путь выбрать? Нанять универсальных специалистов или команду узких экспертов?
Первый путь — быстрый и простой. Второй — дает более высокое качество, но сложнее в управлении.
Это не HR-задача, а современный тренд в искусственном интеллекте — мультиагентные системы.
Почему один бот часто ошибается и «галлюцинирует», а команда из нескольких ИИ справляется с самыми сложными задачами? Как работает виртуальный «оркестратор» и почему за этим подходом — будущее?
Ответы в СТАТЬЕ.
❤7👍5🔥3
Дебаты
Уже года 4 не участвовал в дебатах, хотя сам формат мне интересен (даже несколько раз проводил подобные мероприятия).
Как это работает: берется спорная тема и две команды. Одна команда отстаивает позицию «ЗА», другая «ПРОТИВ».
Но суть не в ссоре, а в интеллектуальной игре. Часто команды защищают позицию, с которой не согласны или согласны не полностью. Это и есть главный вызов — постараться увидеть любую проблему с разных сторон.
В чем польза для зрителей?
Дебаты — это возможность за короткое время услышать аргументы обеих сторон по сложному вопросу. Вместо одной точки зрения вы получаете сбалансированную картину, которая позволяет посмотреть на проблему объемнее, понимая сильные и слабые стороны каждой позиции.
И вот отличный повод посмотреть на дебатывживую онлайн!
В этот четверг, участвую в онлайн-батле «Готовые курсы VS разработка» (формат очень похож на дебаты), который проводит сообщество Digital Learning.
Нам с Иваном Булавкиным (начальник центра дистанционных образовательных технологий ПАО «РЖД») предстоит отстоять позицию, что создание своего контента — стратегически вернее и выгоднее, чем покупка готовых решений.
Присоединяйтесь, чтобы услышать железные (со стороны Ивана уж точно, а с моей надеюсь 😁) аргументы и составить свое мнение.
(или просто поддержать)
----------
🗓 25 сентября 11:00 по мск, онлайн, бесплатно.
✍️Регистрация: КЛИК
ℹ️ А вот тут больше информации: КЛИК
Уже года 4 не участвовал в дебатах, хотя сам формат мне интересен (даже несколько раз проводил подобные мероприятия).
Как это работает: берется спорная тема и две команды. Одна команда отстаивает позицию «ЗА», другая «ПРОТИВ».
Но суть не в ссоре, а в интеллектуальной игре. Часто команды защищают позицию, с которой не согласны или согласны не полностью. Это и есть главный вызов — постараться увидеть любую проблему с разных сторон.
В чем польза для зрителей?
Дебаты — это возможность за короткое время услышать аргументы обеих сторон по сложному вопросу. Вместо одной точки зрения вы получаете сбалансированную картину, которая позволяет посмотреть на проблему объемнее, понимая сильные и слабые стороны каждой позиции.
И вот отличный повод посмотреть на дебаты
В этот четверг, участвую в онлайн-батле «Готовые курсы VS разработка» (формат очень похож на дебаты), который проводит сообщество Digital Learning.
Нам с Иваном Булавкиным (начальник центра дистанционных образовательных технологий ПАО «РЖД») предстоит отстоять позицию, что создание своего контента — стратегически вернее и выгоднее, чем покупка готовых решений.
Присоединяйтесь, чтобы услышать железные (со стороны Ивана уж точно, а с моей надеюсь 😁) аргументы и составить свое мнение.
(или просто поддержать)
----------
🗓 25 сентября 11:00 по мск, онлайн, бесплатно.
✍️Регистрация: КЛИК
ℹ️ А вот тут больше информации: КЛИК
👍7🔥6🤔1