Получаем максимум даже со спама 🐺

Нашел полезного AI саппортера

Заказал себе Oura Ring и захотел поменять размер кольца - максимально простая операция, которую, я уверен, выполняют довольно часто. У них на сайте нет номера или имейла поддержки, поэтому подумал, что тут сценарий как и везде: сначала напиши боту, он 3 раза не поймет, что ты хочешь, а потом позовет оператора, но нет! На удивление, бот сразу понял, что я хочу сделать, более того, он попросил меня выполнить простую процедуру: отправить ему код из имейла, выбрать новый размер кольца и отправить номер заказа - и все. Никаких разговоров с человеком - все выполнил бот. Почему у них это получилось, а у условного амазона - нет?

Скорее всего, они оцифровывали помощника не просто "А давайте GPT скинем 100 листов технической документации - будет работать за саппортера", а поступили по-умному и детально прописали его деятельность:

1️⃣ выписали текущие сценарии пользователя и его общение с саппортером

2️⃣ расписали что требуется на каждом этапе от пользователя, чтобы аишка понимала, куда вести диалог

3️⃣ по всей видимости, дали возможность использовать вызов функций - когда необходимо сохранить новые данные пользователя, или сравнить код с почты для аутентификации, чтобы человека можно было совсем не привлекать

В итоге, все что требуется от аишки - направить пользователя, чтобы получить от него информацию и занести эту информацию в базу данных. Ключевой пункт тут - детально прописать текущую деятельность, чтобы ИИ понимал, что от него требуется и что ему необходимо делать в конкретном сценарии. И вауля - у вас действительно полезный АИ саппорт

Perplexity активно интегрирует новости на свою площадку. Если честно, то больше похоже на поиск Яндекса с новостями, котировками и рекламой

Аналоги DeepSearch

Собрал несколько аналогов DeepSearch - многие из них бесплатны для нескольких запросов.

1. h2o

Сейчас он находится на 1 месте в GAIA бенчмарке - 65%, почти на уровне DeepSearch от Openai. Мне очень понравился - может запускать код, искать по интернету – настоящий агент, в общем. Из минусов, он прям очень долгий. Возможно, там сейчас сервера перегружены, но отвечает он мне на запросы посетить 4 сайта минут по 5.

Модели: Claude, GPT
API: Есть

2. Open-Source Deep Search

Ответ от Hugging Face на DeepSearch. Собрали его на коленке за 24 часа, 3 место на бечмарке GAIA.

Модели: GPT
API: Есть

3. Convergence

Из прикольного: есть автоматизация задач. То есть можно какой-то DeepSearch запрос автоматически запускать каждый день и получать, условно, саммари новостей из источников в 8 утра. Мне показался немного глуповатым - часто застревает на одной странице, пытается ее перезапустить 10 раз, а потом кидает ошибку.

Модели: Не указано
API: Нет

4. Search Pro (Perplexity)

Тут, конечно, не DeepSearch в агентном понимании: модель просто разбивает запрос на блоки и находит источники к каждому блоку. То есть внутри она не переходит на сайты и не делает там какие-то действия. Умный скраппер по сути.

Модели: GPT, Claude, DeepSeek
API: По-моему, АПИ к Pro Search нет

5. Другой Open-Source DeepSearch

Потыкать мне его не удалось, так как демо или чего-то такого нет, но он собрал 12 тысяч звезд на гитхабе, поэтому включил его в список.

Модели: GPT
API: да, но нужно развернуть все у себя на сервере

Если интересна информация о DeepSearch, то поставь лайк - на 20 напишу пост о том, как эффективнее промптить агента для DeepSearch

Про процесс обучения

Большинство курсов, книг, других учебных материалов, да и то, как обучение построено в школе и университете, следует такому принципу:

Даем теоретические знания -> Показываем примеры практического применения -> Обучающийся генерализиурется и решает дальше самостоятельно (мы надеемся на это)

Если после пары таких подходов дадут еще и проект, чтобы знания закрепить, то это прямо следующий уровень.

Большая проблема (которую я заметил на себе), что связи, которые соединяют множество отдельных знаний в единую структуру либо не появляются, либо появляются через 2 года на каком-нибудь проекте, где у тебя возникает мысль: "Аааа, так вот для чего мне это тогда показывали".

В моей голове сейчас есть как будто более эффективная структура обучения:

Даешь реальную задачу человеку -> Он сталкивается с проблемами, которую не решить на текущем уровне знаний -> Даешь ему практические знания, как это решить -> Он это пробует и у него формируется какое-то понимание -> Закрепляешь его понимание теоретической частью

Для больших задач такой подход разделится на много маленьких ступенек: нужно будет несколько раз столкнуться с проблемой, решить ее и вот, когда ты уже думаешь, что все знания у тебя есть, появляется что-то еще.

В отличии от первого подхода, у человека сразу формируется связь: как эта теория встраивается в общую картину проблемы и приближает нас к решению. Благодаря изначальному пониманию, зачем это нужно, мотивация получить новые знания становится выше, как и эффективность их получения.

Почему такой подход еще не используют везде? Теперь у меня появилось желание сделать какой-нибудь курс на такой методике.

Cal AI,
или как два школьника сделали миллионный проект за 6 месяцев

В ноябре 2024 только и говорили про Cal AI. Этот проект смог без внешних средств и инвестиций в маркетинг (денежных) за 6 месяцев собрать выручку в 1 млн долларов на рынке подсчёта калорий. Поразительно? Ещё поразительнее то, что его сделали два школьника и один студент.

В разработке любого революционного продукта меня интересует в первую очередь не сам продукт, а скорее история, которая за ним стоит: опыт, сложные решения, партнёрства — как набор зачастую случайных действий привёл к тому, что получилось. История Cal AI не уступает какому-нибудь голливудскому сериалу — давайте на неё посмотрим.

Начало

Обычный американский школьник — Генри Ядегари — преподавал программирование с 10 лет. Однажды, вдохновлённый сериалом Социальная сеть про Марка Цукерберга, он решил сделать что-то большее. Глобальная ситуация как раз к тому располагала: начался ковид — время возможностей. Эту возможность наш герой рассмотрел в сайте, на котором можно найти самые популярные игры — что ещё делать подросткам во время ковида? Сайт привлёк 5 миллионов пользователей и был продан за шестизначную сумму.

В летнем лагере по программированию он познакомился с будущим CTO Cal AI — вместе они решили сделать совместный продукт. Они попытали свою удачу с приложением Grind Clock — мотивационным будильником. Его скачали примерно 20 тысяч пользователей, но широкого успеха не получилось. Тогда они поняли, что главным просчётом запуска был маркетинг. Тогда они связались с третьим членом команды — Блэйком Андерсом, который до этого уже запустил два успешных AI-продукта, где занимался маркетингом. Изначально они хотели всего лишь получить консультацию, но ему так понравились вайб и идея команды, что он присоединился в качестве CMO.

Идея Cal AI

Где-то в этот момент зародилась идея Cal AI — подсчёт калорий с помощью ИИ. Рынок приложений для подсчёта калорий уже был сформирован: MyFitnessPal, Yazio, FatSecret и прочие. По классической схеме, чтобы выбиться в лидеры, необходимо потратить миллионы на создание приложения и ещё больше на маркетинг, чтобы купить инфлюенсеров и настроить таргетинг. Но им удалось стать самым быстрорастущим приложением без привлечения внешних инвестиций и с минимальными затратами на маркетинг.

Продукт

Приложения для подсчёта калорий уже нашли свою аудиторию, и в них давно не было больших инноваций: одно отличается от другого лишь количеством продуктов и возможностью детализировать метрики. Генри тогда начал интересоваться здоровым образом жизни, но ни одно из флагманских приложений не подошло ему: основной болью было ручное введение калорий — приходилось прикидывать БЖУ, считать граммовку и заносить всё в приложение. Он подумал: А что, если убрать этот этап? Снять с пользователей когнитивную нагрузку и сократить путь до одного действия: загрузить фотографию.

Инновационная простота и стала главной особенностью приложения: людям оказалось важнее удобство использования, чем точность подсчёта. Хотя, точность модели остаётся достаточно высокой (около 90%), хотя на некоторых форумах Reddit упоминаются показатели в 70–80%.

Viral growth

“У нас есть очень крутой продукт, и сейчас пользователи сами миллионами побегут его устанавливать, ведь так? Да?”

Даже если у тебя очень крутой продукт, попытки его раскрутить через контекстную рекламу, инфлюенсеров или коллаборации потребуют миллионы и вынудят конкурировать с лидерами индустрии за клики и внимание. Как же быть?

Они стали одними из первых, кто так успешно применил стратегию маркетинга через нестандартные каналы. CEO Cal AI записывал кучу роликов в TikTok, которые пересекались с интересами целевой аудитории: топ упражнений для новичков, как похудеть, как правильно считать калории и т.д. Они попали в свою ЦА: за 6 месяцев количество установок приложения перевалило за миллион. В основном его используют студенты и молодые люди в возрасте 15–25 лет.

С одной стороны, молодёжь — не самая платёжеспособная аудитория. С другой стороны, она бесплатная (почти) и активнее всех готова использовать AI-фичи. Более того, существуют ли для них каналы эффективнее? Контекстную рекламу блокируют адблоками или воспринимают как пережиток раннего интернета с баннерами и спамом. Блогеры? Да, но это дорого, и придётся конкурировать с лидерами индустрии.

Эпилог

После успеха Cal AI запрос на виральный рост через Instagram и TikTok вырос заметно. Например:

Надя недавно написала, что её FashionTech приложение получило 300% новых юзеров через TikTok за 2 недели.
Богдан экспериментирует с Content-Market-Fit и уже получает миллионы просмотров и тысячи инсталлов через короткие видео.

Бесплатный Deep Search от Grok3

В копилку к Deep Search добавляется еще Grok3. Его сделали бесплатным, да и модель сейчас State-of-the-art.

Потестировал - очень неплохо решение, ищет на множестве сайтов, а топовая модель делает хороший анализ результатов. Дизайн крутой. Из минусов: все еще не оператор, поиск просто берет первые n ссылок из гугл выдачи и анализирует их - никуда вглубь сайта не ходит, инструкциям следует не очень. Если напишешь "Сходи на https:....com и возьми данные", то он будет гуглить вместо простого перехода по ссылке.

Попробовать тут

В эту субботу в 14:00 мы проведём прямой эфир с Эмилией (ее канал)! Обсудим преподавание, продакт-менеджмент и текущую ситуацию на рынке труда:

-Какие ключевые навыки нужны для успеха в продакт-менеджменте?
-Как современные технологии и ИИ меняют роль продакт-менеджера?
-Какие секреты интервью помогут выделиться среди множества кандидатов?
-Правда ли, что утренний кофе для продакт-менеджера – это не просто кофе, а настоящий MVP, который спасает продукт от краха?

Если у вас есть вопросы по карьере, интервью пишите их в комментариях. Не пропустите!

Вышла очень крутая беседа с Эмилией! За почти 1.5 часа затронули:

-Как стать продактом
-Ожидание и реальность работы продакта
-Жизнь продакта с появлением ИИ
-Преподавание: чем полезно и стоит ли того
-Продакт-менеджмент как стиль жизни
-Главный совет начинающим продактам

Получилось погрузиться в детали, если остались вопросы, то можете написать их под этим постом.

Видео, к сожалению, не сохранилось, поэтому можете послушать в качестве подкаста!

Сколько максимум источников в гпт было у вас?

А вот что получится, если просто попросить сгенерировать изображение с перспективы собачьих глах

Да-да, та же проблема, почему нейронки не могут сгенерить до краев полный бокал вина

Собираюсь публиковать статью на arxiv и hugging face.

Сделать на Хабре обзор метода и выводов?