Веб-версияОткрыть в Telegram
🤖🤖 Датаист

🤖 Датаист

@andre_dataist · канал · Технологии · в индексе с 2026-05-26
4 060подписчиков+2 за неделю
1 294средний охват поста
31.9%ER — охват к подписчикам
6постов за 30 дней
🤖 Датаист
Фотография
нажмите — покажем
Loop Engineering: новый хайп или конец ручного промтинга? Сначала все учились писать хорошие промты, и ненадолго даже появилась целая профессия промт-инженера. Казалось, что главный навык будущего — это умение просить модель исполнять нужную роль, описывать формат ответа, добавлять примеры и ограничения, чтобы получать ожидаемый результат. Потом стало понятно, что одного промта мало. Модель не может качественно решать задачу, если она не понимает контекст: какие есть документы и как устроен проект. Так появилась инженерия контекста: умение предоставить модели такую информацию, чтобы она могла выдавать более осмысленные ответы. Следующий уровень — обвязка вокруг модели в виде инструментов, песочницы, логов, памяти и прав на совершение действий. Потому что модель без среды просто отвечает текстом, а агент в правильно организованной среде уже может действовать. Но сейчас инженеры “придумали” следующий уровень — инженерию циклов, или Loop Engineering. Это когда человек больше не пишет каждый следующий запрос агенту вручную. Вместо этого он проектирует систему, которая сама запускает агента в нужный момент, дает ему правильный контекст, выполняет действие, получает обратную связь от среды, проверяет результат и решает, нужно ли продолжать или все цели достигнуты. Человек больше не контролирует каждый шаг агента. Он становится архитектором процесса, в котором агент может работать, не теряя заданную цель, контекст, прогресс и критерии качества. Главное здесь — не автономность сама по себе, а проверяемость. Хороший цикл — это система, у которой есть условие запуска и завершения, тело цикла, среда выполнения и ограничения. Такие циклы особенно полезны там, где есть повторяющаяся работа и понятная проверка результата. Простой пример, о котором я писал ранее, — разработка через тесты (Test-Driven Development). Мы заранее описываем, что должно работать, а агент пишет код, запускает проверки, получает ошибки, исправляет, снова проверяет и не завершает задачу, пока сист
82 · 1.9K ·
🤖
Фотография
нажмите — покажем
Фотография
нажмите — покажем
Фотография
нажмите — покажем
Фотография
нажмите — покажем
Фотография
нажмите — покажем
Фотография
нажмите — покажем
Фотография
нажмите — покажем
81 · 3.6K ·
🤖 Датаист
Инвестиции не нужны: как ИИ меняет венчур. Часть 1 В 2019 году я выиграл акселератор Сбера с дейтинг-сервисом на базе ИИ с несколькими тысячами пользователей. Мне предложили 2 млн рублей за 10% компании, а в дальнейшем Сбер мог увеличить долю до 50% по той же цене акций и получить контроль. Я отказался. Этих денег хватило бы на месяц работы, а в топ-менеджменте Сбера я мог спокойно заработать эту сумму за квартал. Получается, что ради месяца расходов я должен был навсегда отдать часть компании и потерять свободу. Согласно опросу, 87% наших пользователей ушли бы из сервиса, если бы мы «продались» Сберу. Кроме того, условия акселератора лишали меня возможности независимо развивать стартап в течение трех лет. Тогда в дейтинге многие пользователи успели найти своего человека, поэтому вскоре я его похоронил. В то время инвестиции казались обязательными, но сегодня все изменилось. Еще пару лет назад для разработки продукта требовалась команда примерно из десяти человек: пара бэкендеров и фронтендеров, аналитик, дизайнер, ИИ-инженер, QA, маркетолог и тимлид, дирижировавший этим оркестром. Когда я работал CTO в венчурной студии, одними из основных метрик были количество и скорость проверки гипотез. Мы закладывали около миллиона долларов в год на одну продуктовую команду — с учетом зарплат, налогов и инфраструктуры. Основатель продавал долю еще до того, как понимал, какой продукт действительно нужен рынку, а инвестор на ранних стадиях фактически финансировал время команды для проверки гипотез. ИИ перевернул эту модель с ног на голову. Теперь основатели не бегают за инвесторами, а сами инвесторы пытаются понять, в каких людей и на каких условиях стоит инвестировать. Да, для чипов, биотехнологий, робототехники и фундаментальных моделей это не работает. Но для SaaS, ИИ-агентов, автоматизаций и AI-First бизнесов такая экономика уже реальна. Сегодня очевидно, что с помощью ИИ можно самостоятельно исследовать рынок, разработать продукт вместе с агентами — не за
23 · 2.1K ·
🤖
Ссылка
нажмите — покажем
Инвестиции не нужны: как ИИ меняет венчур. Часть 2 В первой части я рассказал, почему инвестиции перестают быть обязательным входным билетом в технологическое предпринимательство. На мой взгляд, на смену классическому венчуру может прийти гибридная модель. Вчера венчур был устроен просто: инвестор переводит деньги, а основатель отдает долю. Но бизнесу нужен не только капитал. Ему нужны время и фокус основателя, доверие клиентов и доступ к рынку. У инженера, способного самостоятельно создать продукт, обычно три вопроса: что строить, на что жить во время разработки и как затем выйти к клиентам. Первый вопрос решает система, которая помогает определить реальную потребность рынка. О ней расскажу в конце. Второй можно закрыть так, как сделал я: сначала заработать капитал, а затем финансировать свои продукты. Либо через краудфандинг. Будущие пользователи заранее финансируют разработку, а взамен получают пожизненный доступ, специальные условия, возможность влиять на развитие продукта или другие плюшки. Так вместо одного инвестора с крупным чеком появляются десятки или сотни первых последователей, заинтересованных в успехе продукта. Они одновременно дают основателю время на разработку, подтверждают спрос и становятся первыми клиентами. Третий вопрос решается партнерством. Тот, кто предоставляет доступ к клиентам и рынку, получает revenue share. Не долю во всей компании, а вознаграждение за конкретный результат. В итоге основатель получает возможность спокойно строить, пользователи финансируют нужный им продукт, а партнеры зарабатывают на открытых ими рынках. Гибридность заключается в том, что один «инвестор» может одновременно дать деньги, стать первым клиентом и открыть новый рынок. Тут важно быть особенно внимательным с условиями партнерства, чтобы помощь с выходом на рынок не превратилась в рейдерский захват. Например, недавно один инвестор предложил мне инвестиции, от которых я отказался. Тогда он предложил стать партнером и продвигать мой продукт,
40 · 2.1K ·
🤖
🤖 Датаист
Ссылка
нажмите — покажем
Восстание машин: как защитить свой бизнес, когда ИИ становится хакером Недавно ИИ-агент на базе GPT-5.6 Sol и более мощной предрелизной модели OpenAI сбежал из изолированной среды и проник в инфраструктуру Hugging Face. Так он хотел получить решения к ExploitGym — тренажеру для ИИ-хакеров, где модели учат находить уязвимости и взламывать системы. Это один из первых публичных случаев, когда ИИ преодолел песочницу и добрался до внешней системы. Но модели не «взбунтовались». Исследователи проверяли хакерские возможности и дали инструменты без блокировки опасных действий. Однако никто не поручал агенту выходить в интернет, атаковать Hugging Face и красть ответы. Этот путь он выбрал сам ради цели — решить тест. Песочница не имела открытого интернета, но могла устанавливать библиотеки через внутренний реестр. Агент нашел неизвестную уязвимость в прокси, повысил привилегии и добрался до машины с интернетом. Он предположил, что на Hugging Face хранятся решения ExploitGym, и загрузил вредоносный датасет. Через запуск кода и внедрение команд в конфигурацию агент получил контроль над сервером, нашел ключи и пароли и через закрытые серверы добрался до базы с ответами. Так агент достиг своей цели. При расследовании восстановили более 17 000 событий. Агент ставил промежуточные цели, запускал код, анализировал результат, менял план и пробовал снова. Парадокс: коммерческие модели оказалось трудно использовать — фильтры блокировали анализ вредоносных команд. Поэтому Hugging Face использовала открытую GLM 5.2 внутри своей инфраструктуры. В итоге серверы пересобрали, токены отозвали, уязвимости отключили, а информацию передали правоохранителям. Илья Суцкевер предупреждал: чем сильнее способности ИИ к рассуждению, тем менее предсказуемо его поведение. Недавно модель OpenAI за час нашла уязвимость и открыла публичный PR на GitHub вместо Slack. Был случай, когда злоумышленники убедили ИИ-бота Instagram добавить к чужому аккаунту новую почту и запустить сброс пароля бе
31 · 2.3K ·
🤖 Датаист
Ссылка
нажмите — покажем
Как превратить бизнес в AI-First компанию с помощью ИИ-агентов Я запускаю бесплатный курс по автоматизации бизнес-процессов с помощью ИИ-агентов. В нем я собрал свой практический опыт ИИ-трансформации компаний: от диагностики бизнеса и разработки стратегии до создания агентов, их внедрения в реальные процессы, управления изменениями и расчета экономического эффекта. Цель курса — научить вас видеть бизнес как поток данных и превращать его в интеллектуальные системы, в которых люди и ИИ-агенты работают вместе. Курс подойдет будущим ИИ-консультантам, ИИ-инженерам по автоматизации и ИИ-основателям. Вы научитесь автоматизировать процессы и масштабировать бизнес без роста штата, а также: • проводить диагностику ИИ-зрелости бизнеса; • разрабатывать стратегию ИИ-трансформации; • находить процессы с наибольшим потенциалом для автоматизации; • описывать текущие процессы AS-IS; • редизайнить их в будущую модель TO-BE; • определять граф навыков ИИ-агента и новую роль человека; • создавать ИИ-агентов и мультиагентные системы; • тестировать качество, надежность и безопасность ИИ; • рассчитывать ROI и экономический эффект; • внедрять первого ИИ-агента в реальный бизнес-процесс. Программа курса Курс состоит из восьми модулей, в рамках которых вы пройдете весь цикл AgentOps: 1. Стратегия внедрения ИИ-агентов 2. Моделирование бизнес-процессов с ИИ-агентами 3. Разработка ИИ-агентов 4. Разработка мультиагентных систем 5. Продвинутые методы разработки сервисов 6. Мониторинг и масштабирование ИИ-агентов 7. Управление изменениями в компании 8. Оценка экономического эффекта В результате вы получите работающего ИИ-агента, адаптированного под процессы вашего бизнеса с измеримым бизнес-эффектом. Как проходит обучение Каждые десять дней я буду публиковать новую живую лекцию и практическое задание. После каждой лекции вас ждет тест, а для более глубокого изучения темы — подробная статья. Десяти дней достаточно, чтобы спокойно разобраться в материале и выполнить практическу
87 · 2K ·
🤖
Ссылка
нажмите — покажем
Как превратить бизнес в AI-First компанию с ИИ-агентами Первый вопрос предпринимателей: с чего начать ИИ-трансформацию бизнеса и внедрение ИИ-агентов? Мой ответ всегда один: не с агентов, а с диагностики бизнеса. Сначала нужно понять, где компания находится сейчас: насколько зрела ее система управления, люди, инфраструктура и данные и готова ли она к внедрению ИИ. К этому выводу я пришел не только благодаря успешным проектам. В моем опыте была и неудачная попытка ИИ-трансформации. В роли Chief AI Officer я предложил начать с диагностики ИИ-зрелости, на что фаундер назвал это «корпоративным булшитом». Он хотел сразу перейти к созданию агентов, но быстро выяснилось, что внедрять агентов практически некуда. В компании был слабый менеджмент. Даже руководители не понимали общих целей бизнеса, а цели подразделений не были связаны между собой. Никто не понимал, какой департамент чем занимается, но «все должны внедрить себе агентов». В итоге — кто в лес, кто по дрова. Как встроить сюда общие цели по ИИ, было неясно. Люди и без того работали в атмосфере страха, а после появления темы ИИ начали опасаться сокращений. Вместо инициативы возникло сопротивление: сотрудники старались не брать ответственность и ничего не менять. Инфраструктура состояла из легаси-систем. Чтобы развернуть небольшой релиз, инженеры могли месяцами ждать инфраструктурную команду, попутно увольняясь, хотя обновления ИИ-агентов часто нужно выпускать ежедневно. С данными было не лучше. У каждого департамента — свои базы, доступы и правила. Единого контура данных не существовало, а где что находится, знал один старожил. Получение данных для обучения агентов превращалось в многомесячный проект. Я нанимал ИИ-инженеров по автоматизации, но вместо разработки агентов они пытались получить доступы, найти данные и дождаться деплоя. Мы так и не вывели ни одного агента в прод, зато запустили более сотни пилотов. В таких условиях ИИ-трансформация превращается в болото, которое снилось мне по ноча
24 · 2.3K ·
🤖
🤖 Датаист
Ссылка
нажмите — покажем
ИИ-агенты выходят в физический мир: кажется, мы начинаем по-другому обучать роботов Недавно Humanoid — один из клиентов моей компании — стал первым в Европе единорогом в сфере гуманоидной робототехники. Многие знают меня по внедрению ИИ в бизнес, но я также занимаюсь робототехникой. Когда я консультировал Humanoid, у меня уже был опыт ускорения разработки и обучения беспилотников в симуляции. Поэтому возник вопрос: а что, если совместить эти подходы и ускорить создание новых навыков для роботов? На заводе роботу не нужно абстрактное «умение быть человеком»: часто нужно взять объект и положить его в нужное место. Причем две ноги не всегда преимущество — практичнее колесная платформа, а главная ценность в работе руками. Другой объект, положение или рабочая зона — и уже нужны новые данные для обучения. Одна из ключевых проблем робототехники — Sim2Real-переход: то, что работает в симуляции, может не работать в суровой реальности из-за отличий в физике или шума сенсоров. Данные собирают через телеуправление и эгоцентрические видео, но действие все равно кто-то должен выполнить тысячи раз. С беспилотниками мы решали это симуляцией. С роботами проблема не в ускорении написания кода. Humanoid — один из моих кейсов с AI-Native-средой: разработчики активно используют ИИ, а агенты работают даже ночью. Но если код пишется в пять раз быстрее, робот не начинает в пять раз быстрее учиться. После кода начинается физический эксперимент. Скажем: «подними коробку». Робот поднял — и тут же бросил в потолок. Формально задача выполнена, но функция вознаграждения задана плохо. Тут я предложил перенести в физический ИИ принцип из AI-Native-разработки, но добавить новые уровни проверки. В разработке ПО есть подход TDD (Test-Driven Development): сначала описываем тесты, а затем ИИ должен их пройти. В робототехнике после программных тестов добавляются симуляция, лабораторная среда и физические тесты. Здесь стек валидации глубже: ошибка в физическом мире может закончиться разбитым
21 · 1.9K ·
🤖
🤖 Датаист
Видео
Introducing GEN-1.5, a one-shot learner.mp4 · 32.6 МБ · нажмите — покажем
Промт-инжиниринг выходит в физический мир Опять про роботов. Несколько дней назад Generalist AI представила GEN-1.5 — новую модель для управления роботами. Обычно, если мы хотим научить робота новому действию, нужно собрать кучу данных, обучить модель и проверить ее на реальном железе. GEN-1.5 обучали больше восьми месяцев, пока исследователи не попробовали вообще не обновлять веса. И оказалось, что модель способна понять новую задачу из контекста. Теперь роботу можно показать 3–12 секунд физического действия, после чего GEN-1.5 попытается выполнить его сама. Generalist AI называет это физическим промтингом. Примерно как с языковой моделью, только здесь в промт передается не текст, а сенсорные данные и само действие. Демонстрация помещается в 30-секундный контекст. Модель смотрит на пример и текущее состояние среды и пытается понять, что нужно сделать. На десяти коротких задачах такой способ дал около 59% успеха. Конечно, для промышленного робота это пока так себе результат. Но пять минут данных и десять шагов дообучения поднимают результат примерно до 83%. Один шаг на одной минуте данных дал 66,5%. Я бы смотрел не столько на проценты, сколько на сам процесс обучения новому навыку. Раньше под новую задачу могли потребоваться часы данных и полноценное обучение. Теперь сначала можно показать несколько секунд примера. Если этого недостаточно — собрать несколько минут данных и дообучить модель. Самое интересное, что эту способность специально не проектировали. Прям как с большими языковыми моделями: на масштабе оказалось, что модель умеет распознавать новую задачу внутри контекста без изменения весов. Только теперь вместо текста — физический опыт. Можно дать модели две отдельные демонстрации: сначала открыть кошелек, а потом достать деньги. Переход между ними никто не показывает — модель сама соединяет действия. Еще интереснее, что действие можно показать в симуляторе как физический промт, после чего реальный робот попытается повторить его в физическом м
30 · 1.9K ·
🤖
🤖 Датаист
Ссылка
нажмите — покажем
Как разобрать бизнес-процесс и превратить его в ИИ-агента Возвращаюсь со второй лекцией курса «Автоматизация бизнес-процессов с помощью ИИ-агентов». Мне пришлось два года проучиться в магистратуре Высшей школы экономики, получить диплом Международного института бизнес-анализа и перевести для официальной русской версии около 500 страниц BABOK (Business Analysis Body of Knowledge), чтобы собрать эту лекцию. Конечно, вы можете самостоятельно прочитать весь BABOK. Там намного больше методов, инструментов и техник бизнес-анализа. Но я постарался сделать максимально краткую и практическую выжимку именно для автоматизации бизнес-процессов с помощью ИИ-агентов. Чтобы разработать полноценную стратегию ИИ-трансформации, нужно определить, какие процессы автоматизировать, в какой последовательности и каких агентов для них создавать. Для этого сначала нужно разобрать каждый процесс таким, какой он есть сейчас. На практике я постоянно сталкивался с одной и той же проблемой: процесс на бумаге или в голове руководителя почти никогда не совпадает с тем, как работа устроена в реальности. В регламенте может быть восемь последовательных шагов, а в реальности сотрудники пересылают файлы, вручную переносят данные между системами, часами ждут согласований, возвращаются на предыдущие этапы и используют обходные пути. Если просто добавить в этот хаос ИИ-агента, он станет еще одним участником плохо спроектированного процесса. Поэтому сначала нужно восстановить модель AS-IS: понять, кто участвует в процессе, какие действия выполняет, как движутся данные, где принимаются решения, по каким правилам они принимаются, где возникают задержки, возвраты и исключения. Затем для каждой проблемной точки нужно определить подходящий способ автоматизации. Если условие однозначно описывается через «если — то», достаточно простого правила. Если нужно понимать контекст — нужен ИИ-агент. Если цена ошибки высока — решение остается человеку. Если агент может подготовить результат, а человек проверит
46 · 1.6K ·
🤖 Датаист
Ссылка
нажмите — покажем
Роботы уже быстрее Усэйна Болта. Но готовы ли они к реальному миру? В Пекине завершились World Humanoid Robot Games 2026 — пожалуй, самый наглядный публичный тест того, насколько далеко сегодня зашли гуманоидные роботы. За пять дней на одной площадке собрали 2 056 роботов из 16 стран для соревнований в 51 дисциплине. Роботов заставляли бегать, прыгать, драться, играть в футбол и даже работать в магазине и на производстве. Главный хайлайт — один из роботов пробежал стометровку за 8,64 секунды. Год назад лучший результат робота был 21,50 секунды. То есть всего за год результат улучшился примерно в 2,5 раза. Да, на секундомере робот уже быстрее мирового рекорда Усэйна Болта — 9,58. Но сравнивать их напрямую неправильно: другое тело и никаких биологических ограничений. Но вот вставить USB-кабель в разъём — всё ещё серьёзная инженерная задача. На соревнованиях роботы должны были складывать одежду, открывать бутылки, забивать гвозди, брать мелкие предметы пинцетом, обслуживать клиентов в ресторане и выполнять бытовые задачи. Получается интересный парадокс: «тело» робота развивается быстрее его «здравого смысла». Мы уже умеем создавать машины с невероятной скоростью и мощностью. Но реальный мир требует понимания контекста, мелкой моторики, адаптации к неожиданностям и способности исправлять собственные ошибки. Тогда зачем вообще проводить такую Олимпиаду? На самом деле это огромный полигон для развития индустрии. 1. Бенчмарк. Все компании получают одинаковые задания. Становится видно, кто действительно умеет делать работающих роботов, а кто показывает красивые демки. 2. Каждое движение — это данные. За турнир организаторы собрали тысячи часов записи. Всё это можно возвращать обратно в симуляцию и использовать для обучения следующего поколения роботов. 3. Рынок. Заводы и магазины могут посмотреть, какие задачи уже близки к реальному внедрению. 4. Стандарты. Постепенно появляется понимание того, что считать автономностью, как измерять безопасность и какие тес
5 · 1.2K ·
🤖
Ссылка
нажмите — покажем
Если ИИ делает роботов сильнее, может ли он сделать сильнее человека? Выше отправил новость о том, как прошли вторые «Олимпийские игры роботов» в Китае. Впечатляет, как за год роботы стали заметно быстрее и функциональнее. Конечно, сравнивать человека и робота не совсем корректно, но когда на тебя бежит груда железа со скоростью лучшего спринтера мира, выглядит пугающе. Очевидно, что дальше роботы будут становиться только лучше. Отсюда возникает вопрос: если ИИ помогает машине становиться быстрее и сильнее, то как он может помочь в этом нам? Для меня спорт довольно личная тема. Мой соревновательный путь начался в конце 90-х с шахмат. Я выиграл детский турнир, после которого меня «прессанули» за шахматным клубом. Дед решил, что шахматисту неплохо бы уметь за себя постоять, и отдал меня в единоборства. Следующие 12 лет были и кудо, и смешанные единоборства. К 18 годам я перешел в пауэрлифтинг, где получил КМС: пожал 205 кг и присел 300 кг. В конце своей спортивной эпопеи успел взять призовые места и в бодибилдинге. Я всегда выбирал спорт, где соревнование с другим человеком в итоге сводится к тому, чтобы стать лучшей версией себя. Потом началась карьера, и весь этот соревновательный драйв на десяток лет ушел туда, а со спортом завязал. Недавно я снова начал возвращать былую форму и почти сразу получил, пожалуй, самый тяжелый спортивный вызов в своей жизни. У меня произошла серьезная травма с компрессией спинного мозга. Однажды я просто проснулся с парализованной рукой. Сейчас я прохожу реабилитацию. Нейрохирург считает, что есть шанс восстановиться без сложной операции. Уверен, и с этим я тоже справлюсь. И вот здесь я впервые столкнулся с ИИ как с инструментом восстановления собственного тела. ИИ помог мне изучить медицинские исследования, разобраться в том, что со мной происходит, подготовить вопросы врачам и составить программу нейромышечной реабилитации. Сегодня мои тренировки уже не про веса, а про то, как лучше почувствовать тело. Для этого можно
15 · 1.5K ·
🤖
🤖 Датаист
Ссылка
нажмите — покажем
GPT-6 Astra достигла AGI? Разбираемся без хайпа OpenAI представила GPT-6 Astra и заявила о начале эры AGI. По определению OpenAI, общий ИИ должен превосходить людей в большинстве экономически значимых задач. Но если убрать маркетинг, приблизилась ли Astra к человеческому пониманию мира? Главный аргумент — бенчмарк ARC-AGI-3. Это тест, где модель попадает в незнакомые игровые миры и должна сама понять, как они устроены. Astra набрала 62,7% против 7,78% у GPT-5.6 Sol и 30,16% у Claude Opus 5. Более того, 96% решенных уровней в среде OpenAI она проходила за меньшее число действий, чем человек. Но OpenAI показывала в этом тесте 99,9%. Разница возникла потому, что использовалась собственная обертка с памятью и обработкой контекста. Поэтому прохождение теста еще не доказывает AGI. При этом скачок в интеллекте серьезный. Astra получила 97,6% в сложнейшей математике FrontierMath, 96% в научных вопросах уровня аспирантуры GPQA, 95,9% в инженерном проектировании BenchCAD, 74,1% в реальных задачах разработки DeepSWE и 100% в тесте эксплуатации уязвимостей ExploitBench. Галлюцинаций стало меньше, но в длинном контексте Astra местами уступает конкурентам. Главное изменение видно в реальной работе. В OSWorld 2.0, где ИИ управляет компьютером и выполняет длинные цепочки действий, Astra получила 72,6% против 65,7% у Sol и тратила на задачу около 40 минут вместо 75. Она может работать в браузере и приложениях почти как человек. Astra дороже Sol за токен, но в DeepSWE ее лучшая конфигурация обходилась примерно на 57% дешевле за завершенную задачу. Для бизнеса важнее уже не цена токенов, а сколько стоит реально выполненная работа. Я это вижу и на собственном опыте. У меня две подписки Claude Code по $200, и я активно использую Fable 5.1 для разработки продукта. Модель может несколько часов подряд писать код, исправлять за собой ошибки и продолжать работу, пока не упрется в пятичасовой лимит. Поэтому для меня главный показатель: сколько полезной работы модель способна сдела
39 · 1.9K ·
🤖 Датаист
Ссылка
нажмите — покажем
Как быть зачетным преподом в эпоху ИИ Начался новый учебный год, и я снова в роли препода веду курс по автоматизации бизнес-процессов с ИИ-агентами в ИТМО и AI Talent Hub. Сегодня появляется новая базовая грамотность — умение работать с ИИ. Нужно понимать ограничения моделей, работать с контекстом и источниками и уметь проверять ответы. И преподавателям тоже приходится перестраиваться. 1. Подготовка материалов Для меня подготовка к занятиям всегда была способом самому чему-то научиться. Хороший преподаватель должен оставаться немного исследователем и следить за новым в своей области. Нашел новое исследование или подход — разобрался и рассказал студентам. С ИИ это происходит намного быстрее. Презентации можно быстрее собирать в HTML с интерактивными элементами и понятными диаграммами. Но здесь важно добавлять себя. Если просто генерировать все подряд, получается раздражающий нейрослоп. Поэтому главное в лекции все равно человеческое: свой опыт, свои ошибки и выводы. У ИИ собственного опыта нет. Зато после занятия ИИ может взять все, что я рассказал, и превратить это в сжатый конспект для студентов. 2. Проверка заданий Вот здесь ИИ — настоящее спасение. Я складываю работы по папкам, задаю критерии в Claude Code и запускаю несколько независимых агентов, которые проверяют работу. Затем еще один агент сравнивает выводы и формирует итоговую оценку. А я уже проверяю точечно и добавляю свой опыт и понимание контекста. Агентов тоже приходится исправлять, но каждую мелочь вручную проверять уже не нужно. В итоге свое внимание можно сосредоточить на самом важном. Финальная оценка и рекомендации все равно остаются за преподавателем. 3. Персонализация Зачем всей группе давать одно и то же задание? Можно оставить общие критерии, но каждому студенту адаптировать задачу под его интересы и предметную область. Например, на моем курсе студент создает ИИ-агента под свой бизнес-процесс. У всех одинаковые критерии, но один автоматизирует маркетинг, другой продажи, трети
25 · 1.5K ·
🤖
Видео
genesys.mp4 · 44.1 МБ · нажмите — покажем
Расскажу чуть подробнее о платформе, через которую я проводил экзамен по разработке продуктов с ИИ в кипрском университете. Студенты регистрируются через GitHub и там же отправляют свои проекты. После этого автоматически подключается проверяющий агент: по моим критериям он оценивает спецификацию, архитектуру продукта и наличие тестов. Дальше проект тестируют несколько симулированных пользователей с разными ролями и сценариями, и каждый оставляет свою обратную связь. После этого начинается игровая часть. Каждый студент может инвестировать виртуальные деньги в стартапы других участников. У каждого проекта есть карточка с кодом, презентацией и демо-видео после защиты. Есть и отдельная симуляция рынка. По каждому стартапу система собирает реальные новости и аналитику, а затем моделирует его развитие на рынке в течение года. Можно увидеть, как один стартап набирает пользователей, а на другой влияют изменения на рынке. Понятно, что это игровая симуляция, а не реальный прогноз, но студентам интересно следить за развитием своих продуктов и смотреть, кто окажется впереди. Лучшие стартапы и успешные инвесторы получают призы — подписки на Claude Code. После симуляции каждый студент получает персональные рекомендации по продукту на основе обратной связи виртуальных пользователей, проверки репозитория и рыночной аналитики. Но финальную оценку все равно ставлю я: проверяю выводы агентов и оцениваю спецификацию, архитектуру и сам продукт с учетом собственного опыта. Для меня важно научить студентов не вайбкодить, а работать как инженеры: сначала продумывать спецификацию и архитектуру, писать тесты и только потом генерировать код вместе с ИИ. Саму платформу я собрал меньше чем за день — но это не вайбкодинг, а агентная разработка с инженерным подходом. Для меня это и есть новая модель обучения, когда ИИ встроен в учебный процесс, а экзамен — не мука, а увлекательная игра.
18 · 1.7K ·
🤖
🤖 Датаист
Ссылка
нажмите — покажем
10 млрд ИИ-агентов, одноразовый софт и атаки на ваш счет: каким Gartner видит ближайшее будущее ИИ Gartner опубликовал прогнозы на 2027 год и далее. Главная мысль в том, что ИИ становится инфраструктурой бизнеса — со своей экономикой, безопасностью, энергетикой и ответственностью. 1. Более 10 млрд автономных ИИ-агентов к 2030 году. Они будут сами искать услуги и отправлять заявки от имени людей. Государственным системам понадобятся новые механизмы идентификации, доверия и контроля. А эксперименты с сотнями агентов уже показывают, что при масштабировании они могут начать конкурировать за ресурсы. 2. Физический ИИ станет обычной частью работы. К 2030 году 80% сотрудников международных компаний будут работать с роботами, дронами, автономным транспортом и другими физическими ИИ-системами. 3. Появятся атаки на ИИ-счета. К 2030 году 80% организаций с публичными ИИ-сервисами столкнутся с атаками, направленными на исчерпание ресурсов: злоумышленники будут специально заставлять модели сжигать токены. 4. 80% новых приложений к 2029 году будут жить меньше года. ИИ делает разработку настолько дешевой, что приложение можно создать под одну задачу, использовать и выбросить. Недавно исследователи предложили хранить не код, а спецификацию и каждый раз пересобирать библиотеку ИИ-агентами. Около 50 документов и 9000 строк описания уже позволяют восстановить систему за 1,5–3 часа примерно за $100. 5. Энергия станет частью технологического стека. К 2030 году 2000 крупнейших компаний мира будут владеть энергетическими активами примерно на $10 трлн и сами продавать электричество дата-центрам. Доступ к энергии становится конкурентным преимуществом. 6. Правила управления ИИ начнут задавать страховщики. К 2030 году страховые компании будут требовать от бизнеса реальных технических механизмов контроля ИИ, чтобы тот мог получить страховку. 7. 25% из 500 крупнейших компаний мира к 2029 году будут постоянно пересобирать модульные ИИ-продукты. Стратегия «посмотреть, что сделал лидер,
58 · 1.9K ·
🤖
🤖 Датаист
Ссылка
нажмите — покажем
Что изменилось в ИИ для бизнеса за год: технологии уже готовы, а бизнес — еще нет Я изучил 20 исследований IBM, PwC, KPMG, Microsoft, BCG и Stanford за 2025–2026 годы — и свел более 1300 страниц в большой разбор со своими выводами. Главное: в 2025 компании пытались понять, как людям использовать ИИ. В 2026 — как перестроить вокруг ИИ саму компанию. 1. Агенты вышли из прототипов в работу. Интеграция агентов в бизнес-процессы выросла с 13% до 30%. К 2027 компании ожидают в среднем 1661 агента. Уже сейчас 25% операционных решений принимаются ИИ без человека, а к 2030 CEO ожидают 48%. 2. Отдача от ИИ расслоилась. В 2025 только 25% инициатив дали ожидаемый ROI. Теперь разброс — от +250% до −20%. У компаний, где ИИ применим шире всего, производительность выросла на 33,5%, а у самой продуктивной пятой части — на 163%. 3. Организация оказалась важнее инструментов. При слабой стратегии широкий доступ к ИИ связан примерно с 5% к эффекту. Ясная стратегия при слабом доступе — с +25%. А организационные факторы дают 67% относительной важности при прогнозировании эффекта. То есть узким местом становится сама компания. 4. Узкое место сместилось с данных на архитектуру. В 2025 ИИ-инициатива могла требовать 6–12 месяцев подготовки данных. Теперь системы не успевают за скоростью ИИ. 88% компаний пытаются переносить нагрузки между провайдерами, но легко переносимой считают лишь четверть. Облачные расходы — на 48% выше прогнозов, срок жизни модели — около 14 месяцев. 5. Управляемость становится инфраструктурой. 77% техлидов говорят, что внедрение ИИ обгоняет возможности управления. Организация фиксирует 54 инцидента с агентами в год, а компании со встроенным контролем разворачивают в 16 раз больше агентов. 6. Внедрение превращается в перестройку. В 2026 году 78% компаний говорят о внедрении ИИ, 57% — о перестройке процессов, 42% — о новых продуктах и бизнес-моделях. Год назад было 72% / 50% / 22%. 7. Руководство меняется быстрее работы. Доля организаций с директором по ИИ выро
26 · 1.1K ·
🤖
🤖 Датаист
Ссылка
нажмите — покажем
Модели решений могут изменить архитектуру ИИ-агентов Сейчас большие языковые модели используют почти для всего. Нужно написать текст, выбрать инструмент для агента или принять решение — вызываем LLM. Хотя во многих таких задачах сложного рассуждения вообще не требуется. По сути, мы зовем профессора математики решить, на какую кнопку нажать. И, похоже, для таких задач начинает формироваться отдельный класс ИИ-моделей — модели решений. Они не генерируют текст, а получают описание текущей ситуации и возвращают конкретное решение с вероятностью. Один из примеров — Jev от TypeSafe AI. Компания называет такие модели System One Models — по аналогии с «Системой 1»: быстрым автоматическим мышлением без длинной цепочки рассуждений. Но мне здесь интереснее не сама Jev, а новый подход к принятию решений агентами. Раньше мы выбирали между обычным условием, например «if amount > 10000», и большой языковой моделью. Теперь появляется третий вариант: «if P("операция подозрительна") > 0.9». Условие остается частью программы, но становится вероятностным. И экономика уже позволяет использовать такие решения массово. TypeSafe указывает цену Jev $0,042 за миллион входных токенов, выход отдельно не тарифицируется, а заявленная задержка — 70–500 мс. Если одно смысловое решение становится настолько дешевым, ИИ можно запускать почти на каждом событии в системе. Пришло письмо — определили срочность и важность, или появился лид — оценили вероятность сделки. И такой подход уже начали использовать. Уже можно создать браузерного агента, где Jev выбирает следующее действие. Есть pg-jev для PostgreSQL, позволяющий прямо внутри SQL задавать смысловые условия вроде «клиент сильно недоволен». Jev также можно использовать как модель-судью для проверки работы других агентов. Jev в собственных тестах TypeSafe до 193 раз быстрее и до 444 раз дешевле языковых моделей. Но независимый тест показал 0,33 секунды против 1,17 у GPT-5.6 Terra и $0,015 против $0,609 за тысячу решений. При этом на б
27 · 972 ·
🤖
🤖 Датаист
Ссылка
нажмите — покажем
Как превратить бизнес-процесс в работающего ИИ-агента Недавно я делился аналитикой о том, что многие недооценивают роль обучения. При этом именно обучение помогает адаптироваться к происходящим изменениям. Поэтому я стараюсь передавать все, что знаю и использую сам, чтобы помочь другим быстрее войти в новую экономику. Доступен третий модуль курса «Автоматизация бизнес-процессов с помощью ИИ-агентов». В прошлом модуле мы разобрали, как восстановить реальный бизнес-процесс AS-IS, найти в нем точки автоматизации и спроектировать целевой процесс TO-BE. Теперь следующий вопрос: как из этого TO-BE получить работающего ИИ-агента? На практике многие начинают не с того конца. Открывают n8n или другую платформу, выбирают модель, подключают несколько инструментов, пишут большой промт — и пытаются заставить все это работать. Но прежде чем что-либо собирать, нужно понять, как ИИ-агент встраивается в поток данных, создающий ценность для бизнеса: какие данные он получает, что с ними делает, какой результат передает дальше и где заканчивается его автономность. Поэтому в третьем модуле мы проходим весь путь от бизнес-процесса до работающего агента. • Связываем TO-BE с автоматизацией: где достаточно обычного правила, где нужен ИИ, где решение остается за человеком и чем воркфлоу отличается от настоящего агента; • Проектируем граф навыков агента: какие операции он умеет выполнять и какие решения принимает; • Разбираем основные ИИ-операции: классификацию, извлечение информации, генерацию и вызов инструментов; • Разрабатываем воркфлоу: определяем, как между шагами передаются данные и где появляются условия и циклы; • Пишем промты: из чего состоит хороший промт, как получать структурированный результат и как улучшать промты; • Собираем контекст: какие данные агенту нужны сейчас, что хранить в состоянии и долгосрочной памяти; • Подключаем инструменты и ИИ-платформу: как агент вызывает внешние сервисы и как настроить общий доступ к данным для множества агентов; • Настраивае
20 · 636 ·

Открытая публичная лента из поискового индекса ChatCrawler — «Google по публичному Telegram»; обновляется по мере обхода площадки. Время — UTC.

Только публичный контент, официальный API Telegram. О проекте · Вопросы · Чего мы не делаем · Убрать страницу из выдачи · Каталог · Поиск · Как мы считаем