Forwarded from Daniilak — Канал
6 инструментов для преобразования кода в диаграммы
• Diagrams — универсальный инструмент для создания различных диаграмм с использованием текстового кода, поддерживающий Python и JavaScript
• Mermaid — использует синтаксис, похожий на Markdown, для генерации блок-схем, последовательностных диаграмм и диаграмм Ганта
• Markmap — использует Markdown-синтаксис для визуализации структуры и связей идей или кода
• ASCIIFlow — инструменты для создания диаграмм в формате ASCII-арта с использованием обычного текста, такие как asciiflow и Monodraw
• PlantUML — популярный инструмент с открытым исходным кодом для создания диаграмм классов, активности и развертывания, поддерживающий множество языков программирования
• GoDiagram — аналог Diagrams, но на языке Go
#сервисы@daniilak
• Diagrams — универсальный инструмент для создания различных диаграмм с использованием текстового кода, поддерживающий Python и JavaScript
• Mermaid — использует синтаксис, похожий на Markdown, для генерации блок-схем, последовательностных диаграмм и диаграмм Ганта
• Markmap — использует Markdown-синтаксис для визуализации структуры и связей идей или кода
• ASCIIFlow — инструменты для создания диаграмм в формате ASCII-арта с использованием обычного текста, такие как asciiflow и Monodraw
• PlantUML — популярный инструмент с открытым исходным кодом для создания диаграмм классов, активности и развертывания, поддерживающий множество языков программирования
• GoDiagram — аналог Diagrams, но на языке Go
#сервисы@daniilak
Forwarded from Korenev AI - GPT в тапочках🩴
Ловите запись суперстрима в Акулах по ИИ кодингу и вайб кодингу
Лично я многое для себя почерпнул. Рекомендую как новичкам, так уже и опытным разрабам.
Новичкам может показаться местами сложно, т.к. сильно погружаемся в технические детали. Но не спешите отключаться,иногда часто периодически материал лайтовый, в нем можно прям находить жемчужины! Час просмотра и у вас жемчуга на колье подруге наберется🥺 ! Инфа 100%
Смотреть на ютубе
Нетехнарям открывать видео на свой свой страх и риск😄
Лично я многое для себя почерпнул. Рекомендую как новичкам, так уже и опытным разрабам.
Новичкам может показаться местами сложно, т.к. сильно погружаемся в технические детали. Но не спешите отключаться,
Смотреть на ютубе
Нетехнарям открывать видео на свой свой страх и риск
Please open Telegram to view this post
VIEW IN TELEGRAM
YouTube
Помогает ли ИИ кодить? Проблемы и их решения, стрим
Впервые формат записи стрима. Местами скомкано, местами отходили от темы, но много хороших глубоких штук обсудили. Почти без монтажа.
На видео замечены:
https://t.iss.one/korenev_ai - Саша Коренев
https://t.iss.one/maxzarev - Макс Зарев
https://t.iss.one/elkornacio - ваш…
На видео замечены:
https://t.iss.one/korenev_ai - Саша Коренев
https://t.iss.one/maxzarev - Макс Зарев
https://t.iss.one/elkornacio - ваш…
Forwarded from AB тесты и все вот про это вот все
Хабр
Офлайн А/Б тесты в ресторанах фастфуда. Часть 1: Планирование и верификация офлайн A/B-тестов
" Основа надёжного A/B — не магия формул, а понимание, с чего вы стартуете и с чем работаете. " Привет! Меня зовут Елена Малая, я занимаюсь офлайн A/B-тестами в Бургер Кинг Россия. В последнее время...
Forwarded from Geodatamess
Материалы курса "Пространственный анализ урбанизированных территорий"
В течение семестра получилось наконец-то сделать наиболее полную версию своего курса с презентациями лекций на двух языках: английском и русском, и практической частью на базе QGIS и GeoDa.
Несмотря на фигурирующее в названии словосочетание "урбанизированные территории" курс скорее общий о пространственном анализе с захватом пары смежных тем.
Все материалы по ссылке https://baltti.github.io/spatial-analysis/
В течение семестра получилось наконец-то сделать наиболее полную версию своего курса с презентациями лекций на двух языках: английском и русском, и практической частью на базе QGIS и GeoDa.
Несмотря на фигурирующее в названии словосочетание "урбанизированные территории" курс скорее общий о пространственном анализе с захватом пары смежных тем.
Все материалы по ссылке https://baltti.github.io/spatial-analysis/
Forwarded from LLM под капотом
Почему в последнее время в канале больше постов про AI+Coding, чем про продукты с LLM под капотом?
Потому, что актуальных проблем с AI+Coding сейчас больше, чем с разработкой продуктов. Тут есть две причины.
Во-первых, паттерны самых типовых и удачных проектов для внедрения в бизнес - уже известны. Это: (1) Data Extraction и (2) Search Assistants
Мы их уже обсуждали в канале не раз (см оглавление разборов кейсов). Берется LLM посовременней (лучше сразу VLM, если надо с PDF работать), добавляется туда обязательно Structured Output, а в схему прописывается Custom Chain-of-Thought в виде Checklist. Все!
Этого достаточно для реализации больших и дорого выглядящих проектов вроде “автоматизация поиска ошибок во входящих purchase orders”, “медицинский ассистент для приема больных”, “сопоставление номенклатур компонентов между поставщиками (чтобы следить за рынком и продавать быстрее)” и тому подобное.
Да, есть всякие copilots, RAGs, reasoning workflows, agents, но там требуется куда больше телодвижений, риски больше, а прибыльность меньше.
Так что знакомые мне компании и команды пока скучно копошатся и осваивают открывшийся им объем работ с относительно безрисковыми подходами. Принципиально новых кейсов пока нет, но вот дел очень много. Все упирается в разработку и нехватку специалистов, которые могут комфортно разрабатывать системы с LLM под капотом.
И вот это как раз ведет ко второй причине - AI+Coding - это как раз тот инструмент, который может частично компенсировать нехватку “грубой” рабочей силы и разгрузить специалистов. AI не заменяет разработчиков, просто позволяет занять им место “повыше” - вместо проверки вариантов вручную, исследований, поиска проблем, можно сэкономить время и отдать задачи джунам в виде десятка AI Agents. Это ускоряет итерации и улучшает прибыльность. Примерно получается ускорение 5x-7x (дальше - упираемся в самих специалистов).
Но есть нюанс - тут надо многому учиться, а это - процесс небыстрый. Разработчикам надо учиться как использовать современные AI инструменты эффективно, чтобы они помогали, а не наворачивали дел. А мне самому надо учиться тому, как эти команды разработчиков учить. Ведь мало что-то наглядно показать, надо еще помочь уложить в систему, закрепить полученный материал, отработать на практике и проверить.
Поэтому у меня в последние месяцы голова болит больше про AI+Coding, чем про продукты с LLM под капотом. Реализация единичных AI продуктов в компаниях сейчас уже не такая большая проблема, как масштабирование всего этого процесса вширь.
И что-то говорит, что дальше будет еще веселее.
Ваш, @llm_under_hood 🤗
Потому, что актуальных проблем с AI+Coding сейчас больше, чем с разработкой продуктов. Тут есть две причины.
Во-первых, паттерны самых типовых и удачных проектов для внедрения в бизнес - уже известны. Это: (1) Data Extraction и (2) Search Assistants
Мы их уже обсуждали в канале не раз (см оглавление разборов кейсов). Берется LLM посовременней (лучше сразу VLM, если надо с PDF работать), добавляется туда обязательно Structured Output, а в схему прописывается Custom Chain-of-Thought в виде Checklist. Все!
Этого достаточно для реализации больших и дорого выглядящих проектов вроде “автоматизация поиска ошибок во входящих purchase orders”, “медицинский ассистент для приема больных”, “сопоставление номенклатур компонентов между поставщиками (чтобы следить за рынком и продавать быстрее)” и тому подобное.
Да, есть всякие copilots, RAGs, reasoning workflows, agents, но там требуется куда больше телодвижений, риски больше, а прибыльность меньше.
Так что знакомые мне компании и команды пока скучно копошатся и осваивают открывшийся им объем работ с относительно безрисковыми подходами. Принципиально новых кейсов пока нет, но вот дел очень много. Все упирается в разработку и нехватку специалистов, которые могут комфортно разрабатывать системы с LLM под капотом.
И вот это как раз ведет ко второй причине - AI+Coding - это как раз тот инструмент, который может частично компенсировать нехватку “грубой” рабочей силы и разгрузить специалистов. AI не заменяет разработчиков, просто позволяет занять им место “повыше” - вместо проверки вариантов вручную, исследований, поиска проблем, можно сэкономить время и отдать задачи джунам в виде десятка AI Agents. Это ускоряет итерации и улучшает прибыльность. Примерно получается ускорение 5x-7x (дальше - упираемся в самих специалистов).
Но есть нюанс - тут надо многому учиться, а это - процесс небыстрый. Разработчикам надо учиться как использовать современные AI инструменты эффективно, чтобы они помогали, а не наворачивали дел. А мне самому надо учиться тому, как эти команды разработчиков учить. Ведь мало что-то наглядно показать, надо еще помочь уложить в систему, закрепить полученный материал, отработать на практике и проверить.
Поэтому у меня в последние месяцы голова болит больше про AI+Coding, чем про продукты с LLM под капотом. Реализация единичных AI продуктов в компаниях сейчас уже не такая большая проблема, как масштабирование всего этого процесса вширь.
И что-то говорит, что дальше будет еще веселее.
Ваш, @llm_under_hood 🤗
Forwarded from Quant Valerian
Майндсет тимлида и его руководителя
Большинство тимлидов занимают ролевую модель папочки для своих сотрудников. Это такие маленькие, сплоченные коллективы, которые чувствуют, что живут в страшном и жестоком мире, где все, кто не входит в команду, пытаются их обмануть, сожрать и унизить. Тимлиды же никого подпускают к своим ребятам, закрывают их грудью, принимая на себя все летящие снаружи вопросы, претензии и задачи. Любой ценой нужно недопустить, чтобы злой проджект навалил в спринт своих задач побольше. Всеми силами экономить энергию и время своих ребят, отбивая задачи в смежников или в небытие. И сотрудники таких тимлидов, обычно, любят, потому что чувствуют, как за них врубаются, потому что имеют время на технические, интересные задачки, потому что общий враг, в принципе, хорошо сплочает коллективы.
А вот тимлид тимлидов смотрит на картину несколько иначе. Со стороны выглядит, что он делает то же самое: отбивает какие-то задачи и проекты в смежников или небытие, отдувается перед топами на всевозможных разносах, защищая команды. Но на самом деле, есть очень существенное отличие. Если о нем не задумываться, то поведение М2 менеджера может казаться тимлидам нелогичным.
Разница очень простая, но очень важная. М2 думает, как должно быть хорошо и правильно. Если он отбивает задачу в смежников, то не для защиты своих команд от переработок, а потому что считает, что это выгоднее для компании (или проекта) в целом. Например, экспертиза должны находиться в другом месте или смежники могут сделать быстрее, а уже горит. Если он отбивает задачу совсем, то, вероятно, считает, что она только навредит. Может, ROI плохой, может, не вписывается в целевую архитектуру, может, противоречит стратегии.
Вообще видение такое, что вокруг не враги, а люди, с ограниченными контекстами. И ты сам с ограниченным контекстом. И вам надо достичь какой-то общей большой цели, но вы каждый видите свои пути. И вот надо всем объяснить, что ты не враг. Показать свой контекст. Убедить их показать свои тебе. И дальше договариваться, как же поступить оптимально. И это непрерывная работа.
Но иногда, даже держа в голове эти мысли, тимлид может решить, что М2 ведёт какую-то хитрую политическую игру, ведь решения всё ещё не логичны. Может и так. Но скорее всего, М2 просто подумал на много шагов вперед и учел риски, которые тимлиду даже в голову не приходили (он банально меньше знает вширь, но больше вглубь, да).
В целом, я, например, даже пытаюсь объяснять свои решения тимлидам. Но, во-первых, не всегда об этом думаю, во-вторых, не всегда нахожу силы, в-третьих, всё равно иногда вижу реакцию типа "ага, ну я понял, как _на_самом_деле_, но буду транслировать твою версию, я тебя раскусил".
М2 это работать почти никак не мешает. Просто иногда тимлидов заносит и надо их поправлять. А вот тимлиду изменение майндсета на М2 может помочь вырасти на следующую ступеньку.
P.S.:
Kind reminder, что вы можете связаться со мной через бота в описании, он звездочек не просит.
Большинство тимлидов занимают ролевую модель папочки для своих сотрудников. Это такие маленькие, сплоченные коллективы, которые чувствуют, что живут в страшном и жестоком мире, где все, кто не входит в команду, пытаются их обмануть, сожрать и унизить. Тимлиды же никого подпускают к своим ребятам, закрывают их грудью, принимая на себя все летящие снаружи вопросы, претензии и задачи. Любой ценой нужно недопустить, чтобы злой проджект навалил в спринт своих задач побольше. Всеми силами экономить энергию и время своих ребят, отбивая задачи в смежников или в небытие. И сотрудники таких тимлидов, обычно, любят, потому что чувствуют, как за них врубаются, потому что имеют время на технические, интересные задачки, потому что общий враг, в принципе, хорошо сплочает коллективы.
А вот тимлид тимлидов смотрит на картину несколько иначе. Со стороны выглядит, что он делает то же самое: отбивает какие-то задачи и проекты в смежников или небытие, отдувается перед топами на всевозможных разносах, защищая команды. Но на самом деле, есть очень существенное отличие. Если о нем не задумываться, то поведение М2 менеджера может казаться тимлидам нелогичным.
Разница очень простая, но очень важная. М2 думает, как должно быть хорошо и правильно. Если он отбивает задачу в смежников, то не для защиты своих команд от переработок, а потому что считает, что это выгоднее для компании (или проекта) в целом. Например, экспертиза должны находиться в другом месте или смежники могут сделать быстрее, а уже горит. Если он отбивает задачу совсем, то, вероятно, считает, что она только навредит. Может, ROI плохой, может, не вписывается в целевую архитектуру, может, противоречит стратегии.
Вообще видение такое, что вокруг не враги, а люди, с ограниченными контекстами. И ты сам с ограниченным контекстом. И вам надо достичь какой-то общей большой цели, но вы каждый видите свои пути. И вот надо всем объяснить, что ты не враг. Показать свой контекст. Убедить их показать свои тебе. И дальше договариваться, как же поступить оптимально. И это непрерывная работа.
Но иногда, даже держа в голове эти мысли, тимлид может решить, что М2 ведёт какую-то хитрую политическую игру, ведь решения всё ещё не логичны. Может и так. Но скорее всего, М2 просто подумал на много шагов вперед и учел риски, которые тимлиду даже в голову не приходили (он банально меньше знает вширь, но больше вглубь, да).
В целом, я, например, даже пытаюсь объяснять свои решения тимлидам. Но, во-первых, не всегда об этом думаю, во-вторых, не всегда нахожу силы, в-третьих, всё равно иногда вижу реакцию типа "ага, ну я понял, как _на_самом_деле_, но буду транслировать твою версию, я тебя раскусил".
М2 это работать почти никак не мешает. Просто иногда тимлидов заносит и надо их поправлять. А вот тимлиду изменение майндсета на М2 может помочь вырасти на следующую ступеньку.
P.S.:
Kind reminder, что вы можете связаться со мной через бота в описании, он звездочек не просит.
Forwarded from Pattern Guru. Шаблоны проектирования. Архитектура ПО
Фабричный метод — это порождающий паттерн проектирования, который определяет общий интерфейс для создания объектов в суперклассе, позволяя подклассам изменять тип создаваемых объектов.
from __future__ import annotations
from abc import ABC, abstractmethod
class Creator(ABC):
"""
Класс Создатель объявляет фабричный метод, который должен возвращать объект
класса Продукт. Подклассы Создателя обычно предоставляют реализацию этого
метода.
"""
@abstractmethod
def factory_method(self):
"""
Обратите внимание, что Создатель может также обеспечить реализацию
фабричного метода по умолчанию.
"""
pass
def some_operation(self) -> str:
"""
Также заметьте, что, несмотря на название, основная обязанность
Создателя не заключается в создании продуктов. Обычно он содержит
некоторую базовую бизнес-логику, которая основана на объектах Продуктов,
возвращаемых фабричным методом. Подклассы могут косвенно изменять эту
бизнес-логику, переопределяя фабричный метод и возвращая из него другой
тип продукта.
"""
# Вызываем фабричный метод, чтобы получить объект-продукт.
product = self.factory_method()
# Далее, работаем с этим продуктом.
result = f"Creator: The same creator's code has just worked with {product.operation()}"
return result
"""
Конкретные Создатели переопределяют фабричный метод для того, чтобы изменить тип
результирующего продукта.
"""
class ConcreteCreator1(Creator):
"""
Обратите внимание, что сигнатура метода по-прежнему использует тип
абстрактного продукта, хотя фактически из метода возвращается конкретный
продукт. Таким образом, Создатель может оставаться независимым от конкретных
классов продуктов.
"""
def factory_method(self) -> Product:
return ConcreteProduct1()
class ConcreteCreator2(Creator):
def factory_method(self) -> Product:
return ConcreteProduct2()
class Product(ABC):
"""
Интерфейс Продукта объявляет операции, которые должны выполнять все
конкретные продукты.
"""
@abstractmethod
def operation(self) -> str:
pass
"""
Конкретные Продукты предоставляют различные реализации интерфейса Продукта.
"""
class ConcreteProduct1(Product):
def operation(self) -> str:
return "{Result of the ConcreteProduct1}"
class ConcreteProduct2(Product):
def operation(self) -> str:
return "{Result of the ConcreteProduct2}"
def client_code(creator: Creator) -> None:
"""
Клиентский код работает с экземпляром конкретного создателя, хотя и через
его базовый интерфейс. Пока клиент продолжает работать с создателем через
базовый интерфейс, вы можете передать ему любой подкласс создателя.
"""
print(f"Client: I'm not aware of the creator's class, but it still works.\n"
f"{creator.some_operation()}", end="")
if __name__ == "__main__":
print("App: Launched with the ConcreteCreator1.")
client_code(ConcreteCreator1())
print("\n")
print("App: Launched with the ConcreteCreator2.")
client_code(ConcreteCreator2())
Forwarded from Korenev AI - GPT в тапочках🩴
Пообщался с Клодом на тему идей для ИИ-сервисов. В промпте попросил изучить опыт Y Combinator и Product Hunt, и при описании идей помнить про product market fit (соответствие продукта рынку, далее - PMF)
Ответы:
Самый быстрорастущий сегмент - инструменты для улучшения существующих AI-систем компаний
Рекомендую сфокусироваться на создании инструментов, которые усиливают существующие AI-системы, а не конкурируют с ними напрямую. Это главный тренд Y Combinator W25.
Основываясь на анализе успешных кейсов из Product Hunt и Y Combinator, вот 15 идей продуктов, усиливающих существующие AI-системы с доказанным product-market fit:
AI Output Validator
Проблема: Компании используют ChatGPT/Claude для генерации контента, но 30% выходных данных содержат фактические ошибки или галлюцинации
Решение: API-сервис, который проверяет AI-генерированный контент на факты, консистентность и соответствие бренду
Модель: $49/месяц для стартапов, $299/месяц enterprise
PMF: Browser Use получил 28,000 загрузок за неделю, показывая спрос на инструменты контроля AI
Prompt Performance Analytics
Проблема: Компании тратят тысячи долларов на API OpenAI/Anthropic, не понимая какие промпты работают
Решение: Дашборд отслеживающий эффективность промптов, A/B тестирование, оптимизация затрат
Модель: 2% от сэкономленных API-затрат
PMF: 25% YC стартапов используют AI для 95% кода - им критически нужна оптимизация
AI Agent Memory Layer
Проблема: AI-агенты "забывают" контекст между сессиями, компании теряют историю взаимодействий
Решение: Универсальная память для любых AI-агентов с векторным поиском и контекстным извлечением
Модель: $0.001 за сохраненное взаимодействие
PMF: Abundant из YC W25 показал спрос на улучшение AI-агентов
Multi-AI Orchestrator
Проблема: Компании используют 5-10 разных AI-инструментов (ChatGPT для текста, Midjourney для изображений, ElevenLabs для голоса)
Решение: Единый API orchestrating между всеми AI-сервисами с оптимизацией маршрутизации
Модель: $99/месяц + 10% markup на API-вызовы
PMF: Melies (из анализа Product Hunt) интегрирует множество AI для создания фильмов
AI Cost Guard
Проблема: Неконтролируемые AI-агенты могут сжечь $10,000+ за ночь на API-вызовах
Решение: Real-time мониторинг и автоматические лимиты для всех AI API с алертами
Модель: Freemium с $29/месяц Pro для неограниченных endpoints
PMF: С ростом "vibe coding" критически важен контроль затрат
Compliance Filter for AI
Проблема: AI генерирует контент нарушающий GDPR, HIPAA или корпоративные политики
Решение: Middleware фильтрующий input/output AI на соответствие регуляциям
Модель: $199/месяц для healthcare, $499/месяц для финансов
PMF: YC W25 показал рост AI в традиционных индустриях требующих compliance
AI Training Data Marketplace
Проблема: Компании хотят fine-tune модели, но не имеют качественных датасетов
Решение: Маркетплейс проверенных, лицензированных данных для обучения по индустриям
Модель: 20% комиссия с транзакций
PMF: FLUX успех показал спрос на специализированные модели
Prompt Templates Store
Проблема: Каждая компания изобретает велосипед с промптами для типовых задач
Решение: Магазин проверенных, оптимизированных промптов с метриками эффективности
Модель: $4.99 за промпт или $49/месяц безлимит
PMF: Flowdrafter показал что простые, focused решения побеждают
AI Output Humanizer
Проблема: AI-контент легко детектируется и выглядит "роботизированным"
Решение: Сервис добавляющий человеческие нюансы в AI-генерированный контент
Модель: $0.02 за 100 слов
PMF: С ростом AI-детекторов критически важна "гуманизация"
Cross-AI Context Bridge
Проблема: Переключение между ChatGPT, Claude, Gemini требует копирования всего контекста
Решение: Браузерное расширение синхронизирующее контекст между всеми AI-чатами
Модель: $9.99/месяц
PMF: Пользователи Product Hunt активно используют множество AI одновременно
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Korenev AI - GPT в тапочках🩴
AI Performance Benchmarker
Проблема: Непонятно какая модель лучше для конкретной бизнес-задачи
Решение: Автоматическое тестирование задачи на 10+ моделях с отчетом
Модель: $19 за бенчмарк
PMF: Artificial Analysis популярность показывает спрос на сравнения
Smart AI Router
Проблема: GPT-4o избыточен для простых задач, но GPT-3.5 недостаточен для сложных
Решение: Автоматический роутинг запросов к оптимальной модели по цене/качеству
Модель: Экономим 40% затрат, берем 50% от экономии
PMF: При $10-30/месяц за AI критична оптимизация
AI Hallucination Insurance
Проблема: Бизнес боится использовать AI для критичных задач из-за риска ошибок
Решение: Страховка покрывающая убытки от AI-галлюцинаций с проверкой выходных данных
Модель: 2% от объема обрабатываемых AI транзакций
PMF: Новая ниша с огромным потенциалом для B2B
Collaborative AI Workspace
Проблема: Команды не могут эффективно работать с AI вместе, дублируют промпты
Решение: Shared workspace для командной работы с AI, история, шаблоны, права доступа
Модель: $15/пользователь/месяц
PMF: YC тренд на AI-first команды требует коллаборации
AI Output Version Control
Проблема: Компании теряют track изменений в AI-генерированном контенте
Решение: Git для AI outputs с diff, merge, rollback функциональностью
Модель: $29/месяц для команд до 10 человек
PMF: С 95% AI-генерированным кодом критичен контроль версий
Сохрани - миллионером станешь! ну или хотябы тысячанером😄
Если есть желание инвестировать в ИИ-проекты - просьба написать мне @KottAlex
Проблема: Непонятно какая модель лучше для конкретной бизнес-задачи
Решение: Автоматическое тестирование задачи на 10+ моделях с отчетом
Модель: $19 за бенчмарк
PMF: Artificial Analysis популярность показывает спрос на сравнения
Smart AI Router
Проблема: GPT-4o избыточен для простых задач, но GPT-3.5 недостаточен для сложных
Решение: Автоматический роутинг запросов к оптимальной модели по цене/качеству
Модель: Экономим 40% затрат, берем 50% от экономии
PMF: При $10-30/месяц за AI критична оптимизация
AI Hallucination Insurance
Проблема: Бизнес боится использовать AI для критичных задач из-за риска ошибок
Решение: Страховка покрывающая убытки от AI-галлюцинаций с проверкой выходных данных
Модель: 2% от объема обрабатываемых AI транзакций
PMF: Новая ниша с огромным потенциалом для B2B
Collaborative AI Workspace
Проблема: Команды не могут эффективно работать с AI вместе, дублируют промпты
Решение: Shared workspace для командной работы с AI, история, шаблоны, права доступа
Модель: $15/пользователь/месяц
PMF: YC тренд на AI-first команды требует коллаборации
AI Output Version Control
Проблема: Компании теряют track изменений в AI-генерированном контенте
Решение: Git для AI outputs с diff, merge, rollback функциональностью
Модель: $29/месяц для команд до 10 человек
PMF: С 95% AI-генерированным кодом критичен контроль версий
Сохрани - миллионером станешь! ну или хотябы тысячанером
Если есть желание инвестировать в ИИ-проекты - просьба написать мне @KottAlex
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Всеволод Викулин | AI разбор
Почему в AI много демок и мало внедрений
Я думаю, весь AI это ровно про это.
Как вы думаете, когда начали ездить первые self driving cars? В 90-х годах двадцатого века. Они ездили по настоящей дороге, могли поворачивать. Бибикали. Иногда даже успешно.
Можете посмотреть на список прогнозов Илона Маска, когда уже появится автономный транспорт. Пока мы ждем.
Почему так
AI вероятностная штука. Модели просто выучить самые частотные закономерности в данных, она будет идеально работать на простых кейсах. Эти простые кейсы проще всего и показать в демке: взял два примера, показал, что работает, поднял раунд, пошел масштабироваться. Это еще называется cherry picking: выбираем для демок только самые сладкие вишенки.
В реальном продукте есть длиннющий хвост сложных примеров. Адский ливень, безумное движение соседних машин, стадо коров на дороге... На таких аномальных примерах поведение системы может резко ломаться. Такие примеры не показывают на демках, но они регулярно появляются у пользователей, которые потом начинают отписываться от вашего продукта.
Как демку превратить в продукт
Серия шагов:
1) Научиться замерять качество.
В разных сценариях, в метель, в дождь и песчаную бурю. Чтобы вы точно знали, с какой вероятностью ваша система развалится.
2) Оценить риски.
Сколько будет стоить каждый тип ошибки. Для чат бота ошибиться в вопросе, как пройти в библиотек, не тоже самое, что случайно списать ваши деньги. Зная вероятность ошибки - считай риск.
3) Если не принял риск - подключай человека.
В автономном транспорте есть 6 уровней автоматизации. При чем реально автономны только последние 2 уровня.
Для AI-приложений можно делать также. Отлично работает паттерн “human in the loop”, о котором мы говорим в постах по LLM System Design.
Обязательная литература
- Обзорная статья, как бороться с ненадежностью LLM
- Пост про правильный UI для повышения надежности агентов
Любые вопросы обязательно пишите в комментарии.
Если нужно обсудить конкретно ваш случай - пишите вопрос в личные сообщения.
Существует целый класс задач, в которых очень просто сделать демо, но невероятно сложно сделать настоящий продукт. (Андрей Карпатый)
Я думаю, весь AI это ровно про это.
Как вы думаете, когда начали ездить первые self driving cars? В 90-х годах двадцатого века. Они ездили по настоящей дороге, могли поворачивать. Бибикали. Иногда даже успешно.
Можете посмотреть на список прогнозов Илона Маска, когда уже появится автономный транспорт. Пока мы ждем.
Почему так
AI вероятностная штука. Модели просто выучить самые частотные закономерности в данных, она будет идеально работать на простых кейсах. Эти простые кейсы проще всего и показать в демке: взял два примера, показал, что работает, поднял раунд, пошел масштабироваться. Это еще называется cherry picking: выбираем для демок только самые сладкие вишенки.
В реальном продукте есть длиннющий хвост сложных примеров. Адский ливень, безумное движение соседних машин, стадо коров на дороге... На таких аномальных примерах поведение системы может резко ломаться. Такие примеры не показывают на демках, но они регулярно появляются у пользователей, которые потом начинают отписываться от вашего продукта.
Как демку превратить в продукт
Серия шагов:
1) Научиться замерять качество.
В разных сценариях, в метель, в дождь и песчаную бурю. Чтобы вы точно знали, с какой вероятностью ваша система развалится.
2) Оценить риски.
Сколько будет стоить каждый тип ошибки. Для чат бота ошибиться в вопросе, как пройти в библиотек, не тоже самое, что случайно списать ваши деньги. Зная вероятность ошибки - считай риск.
3) Если не принял риск - подключай человека.
В автономном транспорте есть 6 уровней автоматизации. При чем реально автономны только последние 2 уровня.
Для AI-приложений можно делать также. Отлично работает паттерн “human in the loop”, о котором мы говорим в постах по LLM System Design.
Обязательная литература
- Обзорная статья, как бороться с ненадежностью LLM
- Пост про правильный UI для повышения надежности агентов
Любые вопросы обязательно пишите в комментарии.
Если нужно обсудить конкретно ваш случай - пишите вопрос в личные сообщения.