✨ Apple Event 2025 — коротко все в одном посте

📱 iPhone 17
— iPhone 17 — 6,3″ OLED 120 Hz, A19, Ceramic Shield 2, 48 MP камера, Dolby Vision. От $799.
— iPhone 17 Air — ультра-тонкий (5,6 мм), 6,5″ OLED 120 Hz, A19 Pro, eSIM-only, титан. От $999.
— iPhone 17 Pro / Pro Max — 6,3″ / 6,9″ OLED 120 Hz, A19 Pro с охлаждением, тройная 48 MP Fusion, 8× zoom, ProRes RAW. От $1099.
Предзаказ с 12 сентября, продажи с 19.

⌚ Apple Watch
— Series 11 — 5G, защита IonX, давление, Sleep Score, Workout Buddy (AI-тренер), Live-перевод.
— SE 3 — чип S10, Always-On, Sleep Apnea Detection, 5G, 18 ч батарея. От $249.
— Ultra 3 — до 42 ч работы, 5G + спутник, SOS, давление, Sleep Score. Натуральный и чёрный титан. От $799.

🎧 AirPods Pro 3
— Шумоподавление в 2 раза лучше, до 10 ч работы.
— Датчик сердечного ритма, фитнес-метрики.
— Live-перевод в реальном времени.
$249, в продаже с 19 сентября.

Что конкретно мне понравилось: iPhone Air такой стильный и тонкий, датчик пульса в наушниках и перевод в режиме реального времени. Больше даже и отметить нечего 🥲


🆕@founderit | навигация | дневник

НЕ ПОКУПАЙ iPhone 17, пока не узнаешь это:

1. Тебе не нужен этот телефон, если ты не контентмейкер и не собираешься снимать видео в 8K + Pro-видео (ProRes RAW, Log 2, Dolby Vision 4K120, genlock…)

2. Не покупай, если ты не роняешь телефон — Ceramic Shield 2 спереди и впервые сзади делает его почти пуленепробиваемым

3. Телефон тебе не нужен, если ты не читаешь на улице — экран с ProMotion 120 Hz и 3000 нит яркости, читается даже под прямым солнцем

4. Не покупай, если ты не геймер — iPhone 17 Pro получил активное охлаждение (vapor chamber) и до 40 % лучше производительность чипа

5. Ещё он тебе не нужен, если тебя не волнуют быстрая связь и скоростной интернет — в линейке есть фирменный чип N1, поддержка Wi-Fi 7, Bluetooth 6

6. И главное, не покупай новый айфон если еще не устал от однотипного дизайна прошлых айфонов

🙈@founderit | навигация | дневник

Кажется, что Apple отстает в ИИ. Или нет?

На первый взгляд кажется, что Apple выпала из гонки. У Google есть Gemini, Microsoft встроила Copilot во все продукты, у Meta довольно популярная LLaMA. А Apple? Тишина.

Но за этой тишиной скрывается целая стратегия — Apple Intelligence. И да, кажется что стратегия, которую они презентовали еще год назад провалилась. Но самое интересное происходит за кулисами презентаций.

Что это значит на практике:

– У Apple есть свои foundation models — это те же нейросети, что у других, но оптимизированные под их устройства.
– Визуальные и мультимодальные модели уже работают прямо на iPhone и Mac без интернета, быстро и безопасно. Именно они распознают собачку и цветочки на ваших фотографиях, или позволяют их с фотографии стереть.
– Более сложные задачи отправляются в их собственное облако Private Cloud Compute, где всё завязано на приватность.
– В iOS и macOS уже есть первые фичи (которые доступны, если перевести устройство на английский язык):
Writing Tools — переписать или сократить текст в один клик.
Genmoji и Image Playground — генерация эмодзи и картинок по описанию.
Visual Intelligence — телефон понимает, что на экране, и сразу предлагает действия.
– А ещё Apple регулярно патентует вагон ИИ-технологий. Один из самых крутых примеров – «temporal reasoning» — это способность ИИ понимать время и события в последовательности, что было, что есть, и что будет – а не просто отвечать на вопросы.

Идея простая: вместо того чтобы продавать чат-бот, Apple делает ИИ частью каждой мелкой функции в экосистеме. Когда они решат показать это во всю мощь — конкуренты будут догонять. Так было с каждым рынком, на который компания заходила: телефоны, наушники, виртуальная реальность. Apple всегда молчит до последнего. Но если посмотреть на патенты — видно, что они готовят мощный заход в ИИ. Просто всему свое время.

И я жду 🔥

🍎@founderit | навигация | дневник

Я сел разбираться, почему мои reels набирают 10К а не 100К, и мое любопытство привело меня в блог инженеров Meta, их научные работы и даже патенты.

И теперь алгоритмы Instagram перестали для меня быть загадкой. Короче присаживайтесь, щя все расскажу! (пост поделю на две части, там много)

Дисклеймер: в основном, все пиздят когда говорят что знают, как работают «алгоритмы». Чтобы это знать, надо быть инженером (майндсет) и прочитать гору материалов плюс посмотреть выступления инженеров Meta.

Часть 1. Что происходит с видео после его загрузки.

Вот вам факт — внутри инстаграма более 1000 ML-моделей.

Когда вы загружаете видео, контент переводится в векторное представление. Ролик раскладывается на сотни признаков: длительность, динамика, цвет, объекты, лица, музыка, отдельные звуки, текст, даже шрифт текста.

— CV-модели распознают, кто и что в кадре: люди, предметы, сцены, эмоции
— Аудио-модели слушают музыку, речь, даже выделяют трендовые звуки
— OCR-система Rosetta читает текст прямо из видео, фиксирует совпадение текста и контекста

В итоге, у каждого ролика появляется гигантская карта параметров, цифровое описание того, что именно в нем.

— Рейтинг автора. Сет отдельных ML-систем скорит автора: частота публикаций, насколько его контент удерживает аудиторию, были ли страйки за нарушение правил. Если успешная серия — новому контенту дается буст, если контент дерьмо — алгоритм режет охваты. Работает это в виде «баллов».

— Предсказание успеха. Дальше вступают в игру сотни ML-моделей, которые смотрят ролик и делают ставку, будет ли он интересен. Причем они предсказывают не абстрактно «людям понравится», а конкретно — вот это видео досмотрят 67% зрителей, а вот тут будут перематывать, а в этом моменте будут тыкать лайк.

Почему ML это знает? Блядь, потому что так работает машинное обучение! Собери датасет из миллиарда единиц контента с детальной картой параметров (которые упоминал выше), наложи сверху поведение пользователей и тоже сможешь предсказывать. Science, bitch!

В след посте будет про то, как контент попадает к конкретному человеку в ленту.

📸@founderit | навигация | дневник

В первой части мы познакомились с Machine Learning и разобрали, что происходит с роликом после загрузки: нейросети анализируют видео, звук и текст, у автора есть рейтинг, а видео обрастает профилем параметров.

Теперь — самое интересное:
Часть 2. Как видео попадает именно к тебе в ленту.

– Retrieval — отбор кандидатов. Когда ты открываешь Reels, система показывает не случайные видео.
– У тебя есть вектор интересов — цифровое описание твоего поведения. Пример: «смотрю до конца ролики про Москву, пересматриваю мемы про негров, быстро скипаю мемы про бывшую».
– У каждого ролика тоже есть набор векторов, например «спорт + быстрый монтаж + текст в начале + мужской голос».

Каждый пользователь и каждое видео для алгоритма — это не «человек» или «рилс», а точка в многомерном пространстве.
Эта точка описывается числовым вектором. Наример:

Пользователь: [0.72 (спорт), 0.03 (танцы), 0.65 (технологии), 0.12 (коты), 0.88 (юмор)…]
Видео: [0.70 (спорт), 0.02 (танцы), 0.69 (технологии), 0.10 (коты), 0.85 (юмор)…]

У каждого ролика извлекаются сотни признаков:
Визуальные: лица, объекты, сцены, цветовая палитра, эмоции, темп.
Аудио: музыка, речь, настроение (веселое/грустное), громкость, трендовость.
Текст: субтитры, надписи в кадре, совпадение текста и картинки.
Метаданные: длительность, формат, язык, устройство загрузки.

А вектор пользователя строится из его поведения: какие ролики досматривает, где ставит лайки, какие темы комментирует, где задерживается даже без действий. И самое главное — вектор динамический: каждый скип, лайк или досмотр мгновенно чуть меняет профиль.

– Алгоритм ищет совпадения. Если векторы похожи (высокая косинусная близость), значит вероятность, что человек залипнет на рилсе, выше. Вот и мэтч. Из миллионов роликов остается несколько тысяч кандидатов, которые по мнению отдельной ML-ки могут зайти лично тебе.

– Ranking – первое ранжирование. Теперь эти тысячи кандидатов оценивают сотни ML-моделей. Их задача — предсказать поведение на каждом ролике: досмотрит до конца, пересмотрит, лайкнет, напишет комментарий, сделает репост, подпишется на автора.

Retrieval делает быстрый грубый мэтч (Two-Towers + векторный поиск), а ranking — тонкую донастройку предсказаний по каждому кандидату.

Дальше из этих вероятностей собирают общий скор — по сути, ожидаемую ценность показа:
Score = w₁·P_watchthrough + w₂·P_rewatch + w₃·P_follow + w₄·P_share + w₅·P_comment + w₆·P_like

У каждого действия свой вес. Подписка и пересмотр — самые сильные сигналы, лайк — минимальный.

Результат — прогноз твоего поведения под конкретным роликом.

– Re-ranking – второй слой. Теперь вступают дополнительные правила:
– разнообразие (чтобы тебе не показывали 10 одинаковых мемов подряд),
– свежесть (новый рилс может получить буст к охватам),
– рейтинг автора (стабильные авторы с высокой вовлеченностью получают буст),
– ограничения по безопасности и политике (например, за логотип TikTok охваты снижаются)

Видео могут чуть подвинуть вверх или вниз, даже если у них одинаковый базовый скор.

– Предсказание не равно истина. Важно: все эти расчеты — прогноз, а не гарантия. Поэтому каждое новое видео сначала показывают маленькой тестовой аудитории.
– Смотрят retention: досмотрели ли до конца, есть ли пересмотры.
– Проверяют реакции: комменты, репосты, подписки.
– Если показатели выше среднего то видео масштабируют.

Пример:
– У ролика 100 тестовых показов, 70 человек досмотрели, 15 пересмотрели, 5 подписались. Алгоритм масштабирует.
– У ролика 100 тестов, 30 человек скипнули на 2-й секунде. Видео умирает и дальше почти не показывается.

Поэтому:
– видео будет популярным, если его прогноз по сильным действиям (пересмотры, подписки) высокий;
– у зрителя в ленте всегда именно то, на чем он с максимальной вероятностью задержится.

Алгоритм заранее «знает», какие ролики взлетят, а какие умрут после первых 100 показов.

А в следующей серии я расскажу, какие правильные выводы из всего этого можно сделать и как применять в создании собственного контента.

С вас 🔥, комментарий или хоть что-нибудь позитивное 🫶🏻

📸@founderit | навигация | дневник