Недавно заходил на hh.ru и посмотрел, кто есть из продакт менеджеров — там такое разнообразие оказалось, что даже решил сделать подборку — все персонажи выдуманы, часть из них выдумана ChatGPT под моим руководством?

1️⃣PM-Идеалист

«Мы не просто делаем кнопку. Мы решаем экзистенциальную боль пользователя.»
— Вечно в интервью и кастдевах
— Говорит «а зачем?» чаще, чем продакт-евангелист на митапе
— Продукт не запускает, но концепция шикарная

2️⃣ PM-Огнеборец

«У нас баг в проде, релиз завтра, DevOps на Бали. Живём.»
— Jira — родной дом
— рабочий ТГ чат — основной инструмент и психотерапевт
— Говорит на языке паники, но чинит всё в дедлайн

3️⃣PM-Прототипер

«Я сделал MVP из *овна, веток и крепкого скотча. Уже у мамы на тестировании.»
— В no-code как боженька
— Запускает быстрее, чем ты формулируешь идею
— Не ждёт команды — сам себе и дизайнер, и маркетолог, и Scrum Master

4️⃣PM-Финансовый самурай

«Если CAC больше LTV — идём на завод.»
— KPI важнее UX
— Таблицы Excel — его храм
— Всё сводит к воронке. Даже отношения

5️⃣PM-Старец

«Когда я запускал первую версию продукта, рекламу давал в газете "Из рук в руки"»
— Видел все редизайны и все пивоты
— Говорит загадками: «Фича созреет, когда бизнес будет готов»
— Его backlog больше, чем твоя дипломная

6️⃣ PM-Визионер

«Мир пока не готов, но мы всё равно сделаем продукт для метавселенной на Web9»
— Говорит про сингулярность, пока баг в онбординге
— Умеет вдохновлять. И питчить. И придумывать продукт, которого никто не просил
— MVP обычно ломается на первом шаге

7️⃣PM-Мемолог

«Sprint review? Держи мемы.»
— Релиз-ноты = стендап
— Jira заполняет шутками
— Никто не понимает, работает ли он… но всем с ним весело

8️⃣PM-Саботажник-перфекционист

«Нет, не можем выпускать. Пиксель съехал на 2 мм. Сжечь всё и переделать.»
— Обожает идеальный продукт… который никогда не выйдет
— Делает 24 ревизии одной фичи
— MVP — ругательство

9️⃣PM-Гоблин-заказчика

«Так, директор просил кнопку “как в TikTok”, но для пенсионеров. Срочно.»
— Все хотелки — от кого-то «сверху»
— Меняет приоритеты каждую среду
— Не знает, зачем нужна аналитика, но уверен, что “так надо”

1️⃣0️⃣PM-Ниндзя-фантом

«Кто у нас вообще продакт? А, вон он сидит в углу, молчит третий день.»
— Появляется на звонках как мираж
— Может 3 недели не отвечать, потом скинуть идеальный roadmap
— Тайный агент из параллельной вселенной

1️⃣1️⃣PM-Мотиватор команды

«Ребятки, вы лучшие, каждому по стикеру! Обожаю вас!»
— Живёт ради командного духа
— Не понятно, что именно делает, но с ним классно
— Организует демо с пиццей и подарками, даже если нет фич

1️⃣2️⃣PM-Микроменеджер

«А можешь описать, как ты делал эту задачу? С аудио и скриншотами?»
— Комментариев больше, чем тасок
— В Jira всё под задачи: завтрак, вдохновение, жалобы на погоду
— У команды уже тик, когда он пишет «ну что, как дела?»

1️⃣3️⃣PM-Альтернативной реальности

«Юзер с помощью чата будет сам создавать себе продукт через сон. Это же очевидно!»
— Его идеи либо революционные, либо бред
— Любит слова “нейроинтерфейс”, “автоматизированный синтез” и “микроэмпатия”
— Каждый спринт — как фестиваль Burning Man

Ставь:

❤️ — если узнал себя

👍 — если узнал меня

🔥 — если узнал и себя, и меня


@alexs_journal

12 апреля 2025. Бортовой журнал. День космонавтики.

С момента, как Гагарин сказал своё знаменитое "Поехали!", прошло 64 года.
Теперь в космос летают частные ракеты, а в чате ты больше разговариваешь с GPT, чем с друзьями.

В 60-х фантасты мечтали о летающих машинах, колониях на Марсе и разумных компьютерах

Что ж, с машинами вышло так себе.
С Марсом — работает Илон.
А вот с ИИ... тут уже интересно.

— "Я боюсь, Дэйв. Я не могу этого сделать."
— шептал HAL 9000.
— "Конечно, вот 10 вариантов названия для вашего стартапа в бьюти-AI. И логотип в стиле минимализм."
— бодро ответил GPT-4.

🚀 С днём космонавтики!

Будущее наступило. Оно просто говорит с тобой на 150 языках и генерирует PowerPoint.

@alexs_journal

По мотивам разговора с Валерой про FOMO...

Иногда кажется, что ты проснулся на пару дней позже всех, а за это время:

— OpenAI выкатили AGI (но нет),
— Microsoft внедрили 3000 новых фич в Copilot,
— Твой конкурент запустил нейросеть для подбора кофе,
— А кто-то уже сделал стартап на базе GPT-5.1.2-beta и продал его Google.

И ты такой сидишь, смотришь в календарь, а там уже 2025, а у тебя всё ещё KeyNote и надежда.

Добро пожаловать в эпоху FOMO-индустрии — когда боишься не просто "что-то пропустить", а упустить целую эпоху.
AI, стартапы, no-code, quantum computing, метавселенные (ещё живы?), крипта — всё движется так быстро, что тормозить страшнее, чем ехать с закрытыми глазами.

И вот главный парадокс:
Пока ты носишься по хабрам и митапам, чтобы быть "в тренде", другие — спокойно пилят продукт.
И выигрывают не те, кто знал обо всех новостях, а те, кто фокусировался на главном и делал.
(как же найти "это главное"?)

Так что если вдруг сегодня ты не дочитал очередную статью с arxiv.org — ничего страшного.
Главное — не бояться FOMO, а использовать его как двигатель, а не как петлю на шее.

Меньше паники — больше смысла.

❓Сознавайся, накрывают тебя иногда такие чувства?

@alexs_journal

Как продакт-менеджеру (и не только) вкатиться в LLM и генеративный ИИ в 2025 году

(ниже будет кэпская база, но кому-то будет полезно, т.к. иногда меня про это спрашивают, решил оформить в постец)

🔵Начни с базового понимания

1. Освой основы:
Разберись, что такое большие языковые модели (LLM), как они работают на базовом уровне, и какие модели сейчас лидируют на рынке (модели от OpenAI, Claude 3.7, Llama, Gemini).

2. Изучи ключевые концепции:
Prompt engineering, fine-tuning, RAG (Retrieval-Augmented Generation), агенты, tools, embeddings — эти термины не должны тебя пугать

🔵Стань уверенным пользователем

1. Ежедневная практика:
Используй ChatGPT, Claude или другие доступные LLM для решения рабочих задач.
Попробуй применять их для:
- Написания документации
- Генерации идей
- Анализа данных
- Помощи в разработке User Stories
- Прототипирования

2. Эксперименты с промптами:
Научись писать эффективные промпты.
Заведи личную библиотеку рабочих промптов для разных задач.

🔵Изучи возможности для продуктов

1. Проанализируй применение в своей нише:
- Как конкуренты используют LLM?
- Какие новые стартапы появляются в твоей области с применением генеративного ИИ?

2. Определи возможные точки интеграции:
Где в твоем продукте можно внедрить генеративный ИИ для усиления ценности для пользователей?
- Автоматизации рутинных задач
- Персонализации пользовательского опыта
- Создании нового контента
- Упрощении сложных процессов
- Анализе и обработке данных

🔵Сформируй бизнес-видение

1. Оцени ROI:
Научись рассчитывать возврат инвестиций от внедрения LLM в продукт. Это ключевой навык для обоснования затрат:
- Экономия времени сотрудников
- Повышение конверсий
- Улучшение удержания пользователей
- Снижение нагрузки на поддержку

2. Изучи модели монетизации:
Как другие компании зарабатывают на генеративном ИИ? Какие есть успешные кейсы?

🔵Работа с техническими командами

1. Говори на одном языке:
Освой технический минимум, чтобы эффективно ставить задачи разработчикам:
- Различия между облачными API и локальными моделями
- Ограничения и возможности текущих моделей
- Примерные требования к инфраструктуре
- Подходы к интеграции в существующие продукты

2. Инструменты для прототипирования:
Изучи no-code/low-code платформы для быстрого создания прототипов с LLM.

Не нужно становиться экспертом во всем, но базовое понимание и практические навыки значительно усилят вашу ценность на рынке.

❓Есть вопросы? Пиши в комментариях

@alexs_journal

Сегодня у нас прошел внутренний ИИ воркшоп — собралось много крутых ребят со всей нашей необъятной Родины)

Круто поштурмили про то, куда нужно двигаться и что с этим всем ИИшным делать дальше

Интересных вопросов подвесили "на подумать".
Будет чем в выходные заняться)

Всем хороших выходных 💙

@alexs_journal

Немного субботнего юмора в ленту
(смотреть лучше со звуком)

❓Кому знакома ситуация?

@alexs_journal

Поздравляю вас со Светлой Пасхой!
Пускай пасхальная радость наполнит ваши сердца.
Счастья вам и всем вашим родным 🩵

@alexs_journal

Guardrails для LLM-систем

Сейчас дорабатываем в нашем продукте важную, но часто недооцененную часть любого ИИ-проекта на базе LLM — систему guardrails.

Что такое guardrails и зачем они нужны?

Guardrails — это комплекс мер и ограничений, которые не позволяют LLM выдавать нежелательный, опасный или неправильный контент

Без хороших guardrails ваш продукт может:
- Генерировать токсичный или оскорбительный контент
- Разглашать конфиденциальную информацию
- Выдавать бесполезные или неточные ответы
- Уходить от основной темы диалога
- Давать рекомендации, противоречащие ценностям компании или законам

Основные виды guardrails

1️⃣ Промпт-инжиниринг — базовый уровень защиты через грамотно составленную инструкцию модели.
Работает так себе) Но начать можно с этого.

2️⃣ Валидация входных данных:
- Фильтрация потенциально опасных запросов
- Определение тематик, выходящих за рамки того, для чего система создавалась
- Проверка на jailbreak

3️⃣ Валидация выходных данных:
- Проверка ответов на токсичность
- Фактчекинг через верификационные модели
- Оценка релевантности ответа запросу

4️⃣ Архитектурные решения:
- Мультиагентные системы (где одна LLM проверяет другую)
- Интеграция с внешними источниками данных для верификации
- Модель-судья (judge model) для финальной оценки ответа

Инструменты для реализации guardrails

1️⃣ Открытые библиотеки:
- NeMo Guardrails от NVIDIA
- Guardrails AI
- Langchain Safety Toolkit
- Llama Guard от Meta

2️⃣ Проприетарные решения:
- OpenAI Moderation API
- Azure Content Safety
- Anthropic's Constitutional AI

3️⃣ Самописные решения — наш выбор)

На что стоит обращать внимание при внедрении

🔹 Баланс безопасности и функциональности: слишком строгие ограничения могут сделать систему бесполезной.

Мы на одном проекте сильно зарезали скор — на огромное кол-во нормальных вопросов система переставала отвечать (

🔹 Прозрачность: пользователи должны понимать, почему система отказывается отвечать на определенные запросы

🔹 Кастомизация: guardrails должны соответствовать специфике вашего продукта и отрасли

Именно по этому мы выносим настройки в пользовательский интерфейс, чтобы админ мог гибко настроить и протестировать все, не дергая разработчиков

Guardrails — это не просто мера безопасности, а вклад в качество продукта. Они помогают создать систему, которой пользователи могут доверять.

❓Какие методы защиты используете вы в своих LLM-приложениях?

(схема взята с вот этого сайта)

@alexs_journal

Немного запоздало, но наткнулся на технологический хайп-цикл Gartner 2024, не мог с вами не поделиться)

Какие технологии находятся на подъеме?

⚡️ Инновационная фаза:

- Large Action Models — продвинутые AI-модели для автономного принятия сложных решений (особенно перспективны для робототехники и логистики)

- Рабочие роботы-гуманоиды — автоматизация задач в здравоохранении, производстве и сфере услуг

- Пространственные вычисления — интеграция цифровой и физической среды через AR, VR и IoT

🔼 Пик завышенных ожиданий:

- AI-дополненная разработка ПО — интеграция искусственного интеллекта в жизненный цикл разработки программного обеспечения

- Суперприложения — платформы, объединяющие множество сервисов

- Внутренние порталы для разработчиков — централизованные платформы для повышения продуктивности разработчиков

🔫 Скатываются в долину разочарования:

- Генеративный ИИ — несмотря на впечатляющие возможности, сталкивается с этическими проблемами и рисками неправильного использования

- Cloud-Native WebAssembly — технология для высокопроизводительных приложений в браузерах, но внедрение тормозится сложностью освоения

Прогнозы на будущее

🕔 5-летняя перспектива:

AI-дополненная разработка ПО и технологии Reinforcement Learning достигнут "Плато продуктивности" — стадии широкого практического применения.

🕔10-летняя перспектива:

Продвинутые модели ИИ, роботы-гуманоиды и пространственные вычисления начнут активно применяться в здравоохранении, производстве и городском планировании.

Вызовы и возможности

🔎 Основные проблемы:

- Этические вопросы развития ИИ и роботизации
- Потребность в специалистах с новыми навыками
- Необходимость развития регуляторной базы для новых технологий

В комментарии закинул pdfку с отчетом

Что делать с этой информацией?
Помним, что любая технология проходит все этапы цикла, и учитываем это при разработке продуктов и бизнес планов.

@alexs_journal

Баловался сегодня с manus.im — автономным AI-агентом, который получает на вход задачу, сам планирует ее решение, ходит в интернет, пишет код, что-то там думает и делает ... и на выходе — готовый результат.

Я был наслышан про способности Мануса.

Взял и попросил его скопировать проект n8n, переписать бэкенд на FastApi и, заодно, сделать сайт проекта с документацией)

Сайт с документацией по проекту получился ничего так — ссылочки работают, описание архитектуры на месте, API методы описаны, руководство по развертыванию есть — просто 🔥

А вот код самого сервиса получился так себе))

Помучав Cursor, получилось запустить локально сервис, а там все замокано, криво, косо и, кроме авторизации, ничего не работает.

Но это уже отличный результат!

Осталось подождать чуть-чуть и проекты типо Manus смогут создавать рабочий функционал, который можно будет встраивать в свои решения (да, я оптимист)

На сайте проекта есть куча решений, которые сделали пользователи при помощи Мануса. Можно надолго залипнуть — рекомендую)


❓Тестили этот сервис? Как результаты?

@alexs_journal

💡 Сегодня почитал пэйпер "Welcome to the Era of Experience" от известных ученых Дэвид Сильвер (создатель AlphaGo) и Ричард Саттон (пионер обучения с подкреплением)

Кому лень читать документ (он, кстати, в первом комменте под этим постом), ниже краткая выжимка:

От данных к опыту

Современные LLM вроде ChatGPT или Claude достигли впечатляющих результатов благодаря обучению на огромных массивах текстов, созданных людьми. Но этот подход имеет потолок — AI не может знать больше, чем знаем мы сами.

Следующий шаг, по мнению авторов, — это системы, которые учатся через собственный опыт взаимодействия с миром, а не просто подражают людям.

Четыре ключевых отличия

1️⃣Непрерывное обучение вместо коротких диалогов

AI будет накапливать опыт месяцами и годами, а не отвечать на разрозненные запросы. Например, помощник по здоровью сможет отслеживать ваши показатели на протяжении долгого времени и давать все более точные рекомендации.

2️⃣Взаимодействие с реальным миром

Вместо ограничения текстовым вводом-выводом, AI будет напрямую управлять компьютерами и устройствами. Уже сейчас появляются системы, которые могут пользоваться веб-браузерами и программами так же, как люди.

3️⃣Обучение на реальных результатах

Современные AI обучаются на оценках экспертов, а новые системы будут получать обратную связь от реального мира. Например, вместо оценки рецепта экспертом, AI будет учиться на том, понравилось ли блюдо людям на самом деле.

4️⃣Новые способы мышления

AI перестанет подражать человеческим рассуждениям и разовьет собственные методы решения проблем. Подобно тому, как AlphaZero открыл новые стратегии в шахматах, которые удивили гроссмейстеров.

Почему это происходит именно сейчас?

Авторы считают, что технологии уже готовы к этому переходу.
Появились системы, способные взаимодействовать с реальным миром, а методы обучения с подкреплением достаточно мощны для решения сложных задач.

Пример такого прорыва — AlphaProof, который стал первой программой, получившей медаль на Международной математической олимпиаде.
Он не просто подражал человеческим решениям, а сгенерировал миллионы собственных доказательств.

Что это значит для нас?

➕Плюсы:
- Персональные помощники, которые действительно понимают ваши долгосрочные цели
- Ускорение научных открытий
- Системы, способные видеть решения, которые люди пропускают

〰️Минусы:
- Вопросы безопасности автономных систем
- Сложности контроля над ИИ, использующим нечеловеческие методы мышления
- Возможная потеря рабочих мест

Эра опыта — следующий логичный шаг в эволюции искусственного интеллекта.

Вместо того чтобы просто копировать человеческие знания, AI будет учиться и делать открытия самостоятельно.

Звучит одновременно захватывающе и немного пугающе.

❓Что думаете про это?

@alexs_journal

💡 Почему сегодня критически важно оптимизировать сайты для LLM?

В настоящее время способы потребления информации стремительно меняются.
Если несколько лет назад основным проводником между вашим контентом и аудиторией был поисковик, то сегодня на эту роль всё активнее претендуют LLMки

Необходимость оптимизации сайтов для языковых моделей — это не дань моде, а стратегическая необходимость, которая определит вашу видимость в цифровом ландшафте ближайшего будущего.

Почему LLM-оптимизация стала необходимостью?

1️⃣ Изменение в способах поиска информации

<!-- LLM извлекают и структурируют информацию иначе, чем традиционные поисковые системы -->

<div class="insight-box" data-ai-importance="high">

  <p>По данным исследований, более 25% поисковых запросов уже проходят через AI-ассистентов, и эта цифра может вырасти до 50% к 2026 году</p>

</div>

Миллионы пользователей ежедневно обращаются к AI-ассистентам вместо традиционного поиска.

Языковые модели становятся посредниками между пользователями и вашим контентом, создавая новый слой взаимодействия.

Если ваш сайт не оптимизирован для LLM, вы рискуете стать «невидимым» для значительной части потенциальной аудитории.

2️⃣ Переход от ссылок к прямым ответам

Ключевое отличие LLM от поисковых систем — они предоставляют прямые ответы вместо списка ссылок.

Ваш контент должен быть структурирован таким образом, чтобы LLM могли легко извлечь из него фактическую информацию и включить её в свои ответы, указав на вас как на источник.

3️⃣ От ключевых слов к семантическим связям

┌───────────────┬────────────────┬────────────────┐
│ Характеристика│ SEO-оптимизация│ LLM-оптимизация│
├───────────────┼────────────────┼────────────────┤
│ Фокус         │ Ключевые слова │ Семантические  │
│               │ и метатеги     │ связи и контекс│
├───────────────┼────────────────┼────────────────┤
│ Структура     │ Для поисковых  │ Для понимания  │
│               │ роботов        │ смысла         │
├───────────────┼────────────────┼────────────────┤
│ Цель          │ Позиции в SERP │ Извлечение     │
│               │                │ знаний         │
└───────────────┴────────────────┴────────────────┘

LLM не просто ищут ключевые слова — они стремятся понять контекст, выявить связи между концепциями и интерпретировать значение.

Сайты, структурированные с учетом семантических связей, получают преимущество в "эпоху понимания", а не просто "эпоху совпадений".

4️⃣ Возрастающая роль первоисточников

С развитием проблемы галлюцинаций и неточностей в ответах LLM, надежные первоисточники информации становятся всё ценнее.

Структурированный и чётко размеченный контент с высокой вероятностью будет использован как авторитетный источник в ответах AI, создавая вам прямой канал для привлечения целевой аудитории.

5️⃣ Конкурентное преимущество раннего внедрения

Большинство сайтов пока не оптимизированы под языковые модели. Те, кто внедрит LLM-оптимизацию сейчас, получат значительное преимущество перед конкурентами и закрепят свои позиции до того, как это станет стандартной практикой.

Оптимизация для LLM — это не замена традиционного SEO, а его эволюционное развитие, требующее более глубокого понимания семантики, структуры контента и контекстуальных связей.

❓Начали оптимизировать свои сайты для LLM?

Если тема интересна — ставьте реакции 🔥

Наберем 50 штук, напишу пост с практическими приемами оптимизации под LLM

@alexs_journal