Стартуем — Пользовательский опыт в AI) пост для комментов
🔥4
ТОП-7 в России. ТОП-2 в Москве.
Вот такими новостями заканчиваем неделю. Взяли топовые места по "Разработке и внедрению ИИ" в самом конкурентном рейтинге "РейтингРунета".
Вообще у нас по планам быть топ-1, но нам меньше года, хотя опыта у нас 10+ лет)
Спасибо, что вы с нами — мы специально выбрали быть публичной компанией, то есть делать тг-канал, коммьюнити, вебинары, статьи, уже и офлайн движи, чтобы получать проекты открыто, а не где-то в кулуарах, и вы нам с этим очень помогаете, очень вас благодарим)
Поставьте нам сердечко плиз, порадуемся вместе)
Вот такими новостями заканчиваем неделю. Взяли топовые места по "Разработке и внедрению ИИ" в самом конкурентном рейтинге "РейтингРунета".
Вообще у нас по планам быть топ-1, но нам меньше года, хотя опыта у нас 10+ лет)
Спасибо, что вы с нами — мы специально выбрали быть публичной компанией, то есть делать тг-канал, коммьюнити, вебинары, статьи, уже и офлайн движи, чтобы получать проекты открыто, а не где-то в кулуарах, и вы нам с этим очень помогаете, очень вас благодарим)
Поставьте нам сердечко плиз, порадуемся вместе)
2❤104🔥30👏15👍4
RAG — можно ли запилить коробку?
Вернулись к тех. вебинарам после более бизнесово-менеджерских)
Позвали наших друзей Елизавету Ермакову, Диму Черноуса из МТС AI и Валерия Ковальского из Neural deep tech, чтобы обсудить, что сейчас больше и больше приходит запросов от супер разных бизнесов на реализацию разных ассистентов с RAG под капотом. Не все могут позволить кастом, да и многие пилят свою "коробку". Интересно – можно ли вообще сделать коробку RAG (и если да, то в рамках каких ограничений).
А вот конкретно:
1. Единый чат-бот (ассистент по знаниям) vs. отдельные сценарии / кейсы. Почему Валера не делает чат-ботов.
2. Коробка RAG vs. Кастом. Какие ограничения технологий. Можно ли поставить коробку где retrieval будет работать.
3. Входной порог к разработке своих решений. vibe coding.
4. Поделиться байками (как многие не понимают что такое RAG, делают FTS, называя это ИИ и тд)/фейлами (типо cost выше стоимости лицензий и тд).
В среду в 16-00, ставьте нотифай в трансляции, ну и в календарик вот
Вернулись к тех. вебинарам после более бизнесово-менеджерских)
Позвали наших друзей Елизавету Ермакову, Диму Черноуса из МТС AI и Валерия Ковальского из Neural deep tech, чтобы обсудить, что сейчас больше и больше приходит запросов от супер разных бизнесов на реализацию разных ассистентов с RAG под капотом. Не все могут позволить кастом, да и многие пилят свою "коробку". Интересно – можно ли вообще сделать коробку RAG (и если да, то в рамках каких ограничений).
А вот конкретно:
1. Единый чат-бот (ассистент по знаниям) vs. отдельные сценарии / кейсы. Почему Валера не делает чат-ботов.
2. Коробка RAG vs. Кастом. Какие ограничения технологий. Можно ли поставить коробку где retrieval будет работать.
3. Входной порог к разработке своих решений. vibe coding.
4. Поделиться байками (как многие не понимают что такое RAG, делают FTS, называя это ИИ и тд)/фейлами (типо cost выше стоимости лицензий и тд).
В среду в 16-00, ставьте нотифай в трансляции, ну и в календарик вот
1🔥31❤8👍6👎4
RAG-вебинар — начали! Пост для вопросов!
AI на производствах и Иван Иваныч)
Ребят, спасибо, что пришли на вебинар — 140 онлайна)
А вот показываем работу, которая возможно только в оффлайне — на производствах. Сходили к "Тракс/КСК" — они делают сложнейшие климатические установки, например, на "Ласточки" и "Иволги", сложность в том, что они огромные, а поезда несутся со скоростью в несколько сотен километров)
Задачи перед "Тракс" стоят, как и по работе с технической документацией, там 200+ конструкторов, так и с компьютер вижн на производстве деталей.
Причем сотрудники в особености Владимир (на фото) разбираются в ИИ и говорят профессиональными терминами, знают RAG, векторные БД и т.д., в шутку технический директор ИИ называет ИванИваныч))))))
Вот фоточки:
Ребят, спасибо, что пришли на вебинар — 140 онлайна)
А вот показываем работу, которая возможно только в оффлайне — на производствах. Сходили к "Тракс/КСК" — они делают сложнейшие климатические установки, например, на "Ласточки" и "Иволги", сложность в том, что они огромные, а поезда несутся со скоростью в несколько сотен километров)
Задачи перед "Тракс" стоят, как и по работе с технической документацией, там 200+ конструкторов, так и с компьютер вижн на производстве деталей.
Причем сотрудники в особености Владимир (на фото) разбираются в ИИ и говорят профессиональными терминами, знают RAG, векторные БД и т.д., в шутку технический директор ИИ называет ИванИваныч))))))
Вот фоточки:
❤🔥21❤8👍3🔥1
Стратегия AI-трансформации на миллиарды — выложили вебинар с Никитой Худовым (Руководителем AI-Сбер-трансформации)!
https://youtu.be/_9UphFFR4FM
https://vkvideo.ru/video-228941334_456239050
https://youtu.be/_9UphFFR4FM
https://vkvideo.ru/video-228941334_456239050
🔥6❤3
Шаблон ТЗ для AI-проектов
Сделали простую и понятную таблицу, по которой можно быстро собрать внятное техническое задание на AI.
Подходит и тем, кто только начинает, и тем, кто внедряет серьёзные корпоративные решения.
Вы конечно можете просто обратиться к нам, чтобы мы сделали ТЗ, но для своих нужд будет очень полезно)
Зачем нужен:
— Понять, как пишется ТЗ и не тратить время на его придумывание и разработку.
— Чтобы зафиксировать задачи, метрики, ограничения.
— Чтобы не забыть про данные, пользователей, интеграции.
— Чтобы быстрее согласовать проект с подрядчиком или внутри команды.
Что внутри:
— Все ключевые разделы: от целей и сценариев до архитектуры, данных и рисков.
— Примеры формулировок — чтобы проще было писать.
— Подходит для всего: от автоматизации одного процесса до больших AI-систем в компании.
Пишите что еще бы добавили)
https://docs.google.com/spreadsheets/d/1fF-lVtNaULAfSQI7tqPUnxjYmLAnOJ2rGoEDX4thNrQ/edit?usp=sharing
Сделали простую и понятную таблицу, по которой можно быстро собрать внятное техническое задание на AI.
Подходит и тем, кто только начинает, и тем, кто внедряет серьёзные корпоративные решения.
Вы конечно можете просто обратиться к нам, чтобы мы сделали ТЗ, но для своих нужд будет очень полезно)
Зачем нужен:
— Понять, как пишется ТЗ и не тратить время на его придумывание и разработку.
— Чтобы зафиксировать задачи, метрики, ограничения.
— Чтобы не забыть про данные, пользователей, интеграции.
— Чтобы быстрее согласовать проект с подрядчиком или внутри команды.
Что внутри:
— Все ключевые разделы: от целей и сценариев до архитектуры, данных и рисков.
— Примеры формулировок — чтобы проще было писать.
— Подходит для всего: от автоматизации одного процесса до больших AI-систем в компании.
Пишите что еще бы добавили)
https://docs.google.com/spreadsheets/d/1fF-lVtNaULAfSQI7tqPUnxjYmLAnOJ2rGoEDX4thNrQ/edit?usp=sharing
🔥26❤20👍11🎉2👎1🤔1
AI в продуктах: где заканчивается алгоритм и начинается опыт
Ура, выложили вебинар с Алексеем Курлаевым:
https://vkvideo.ru/video-228941334_456239051
https://youtu.be/ZrJbj5_YtLM
Ура, выложили вебинар с Алексеем Курлаевым:
https://vkvideo.ru/video-228941334_456239051
https://youtu.be/ZrJbj5_YtLM
1❤22👍4🔥2
"Как понять, что свинюшка готова к любви?" — Выбрались на Хабр)
Что-то мы припозднились с Хабром, но вот наш кейс со свинюшками и их овуляцией одобрили в песочнице)
Поставьте лайк, чтобы туда побольше писали)
Ктсати много новых подписчиков, а это наш самый известный кейс, загляните:
https://habr.com/ru/articles/924536/
Что-то мы припозднились с Хабром, но вот наш кейс со свинюшками и их овуляцией одобрили в песочнице)
Поставьте лайк, чтобы туда побольше писали)
Ктсати много новых подписчиков, а это наш самый известный кейс, загляните:
https://habr.com/ru/articles/924536/
2❤19🔥13
RAG — можно ли запилить коробку? Выложили вебинар!
Наши гости:
https://tttttt.me/lead_indeed — Лиза
http://tttttt.me/chernous — Дима
http://tttttt.me/neuraldeep — Валерий
https://vkvideo.ru/video-228941334_456239052
https://youtu.be/Q2W66UQG_v0
Наши гости:
https://tttttt.me/lead_indeed — Лиза
http://tttttt.me/chernous — Дима
http://tttttt.me/neuraldeep — Валерий
https://vkvideo.ru/video-228941334_456239052
https://youtu.be/Q2W66UQG_v0
❤14👍10🔥4
Оборудование для AI внутри контура
Ребят, ищем спикера на вебинар наш, кто внедрял у себя on-premise инфраструктуру под AI, как закупали, что закупали, как рассчитывали нагрузку, как масштабировали, сколько вышло по деньгам)
Может кого-то сможете порекомендовать.
Поставьте палец вверх, если интересная тема 👍
Напишите мне плиз @savinvlad
Ребят, ищем спикера на вебинар наш, кто внедрял у себя on-premise инфраструктуру под AI, как закупали, что закупали, как рассчитывали нагрузку, как масштабировали, сколько вышло по деньгам)
Может кого-то сможете порекомендовать.
Поставьте палец вверх, если интересная тема 👍
Напишите мне плиз @savinvlad
👍63
Forwarded from Ну Шмулев, погоди!
LLM как источник консолидированных знаний
Занимаясь проектом по реализации синтетических пользователей для ускорения извлечения инсайдов с помощью LLM в custdev-ах, пришел к интересному наблюдению.
В нашем мире знания распределены между различными отдельными инстансами (людьми, книгами, и т.д.), в случае с людьми - очень смещенными.
Интернет – это пример первого удобного источника агрегированных знаний (до него, например, были библиотеки / энциклопедии).
LLM – это новое поколение инструментов с консолидированными знаниями (для меня это еще одно объяснение, почему LLM так хорошо зашли: многие мои знакомые теперь идут в deepseek, а не гугл, чтобы понять как сделать VAT refund в поездке или понять что делать с отменой рейса).
Рассмотрим на примере custdev-ов (глубинных интервью).
Раньше:
1. Выбираешь целевой сегмент пользователей
2. Формулируешь гипотезы болей
3. Собираешь 20-30 человек
4. Проводишь интервью, спрашиваешь о том, что “болит”
5. Собираешь транскрипты, фиксируешь инсайды (субъективно относительно того, что проводит custdev)
6. Делаешь саммари
7. Формулируешь идеи / гипотезы продуктов
8. Делаешь корректировки и повторяешь процесс
** Шаги 5-6-7 – это переход от отдельных смещенных инсайтов к агрегированному “знанию”
С приходом LLM как это выглядит теперь:
1. Выбираешь целевой сегмент пользователей – через промпт
2. Формулируешь гипотезы болей – через промпт (+ задаешь контекст)
3. Получаешь инсайды уже в виде саммари и идеи
Почему так? Внутри LLM уже содержится информация по всем-всем вариантам (которые встречались при обучении конечно), и ее ответ УЖЕ агрегированная информация. Нет смысла генерировать 30-50 диалогов с пользователями (тут есть отдельный риск, какой кстати?) и потом делать саммари (через ту же GPT).
В реальной жизни без LLM мы так делать не можем – надо сэмплировать знания из отдельных людей и потом агрегировать.
P.S. в этом посте я намеренно не рассуждаю на тему репрезентативности инсайдов от “синтетиков” и не говорю о том, что привычные custdev-ы больше не нужны. Мне интересно посмотреть и порассуждать в комментах на интересный кмк переход и к чему он может привести.
Занимаясь проектом по реализации синтетических пользователей для ускорения извлечения инсайдов с помощью LLM в custdev-ах, пришел к интересному наблюдению.
В нашем мире знания распределены между различными отдельными инстансами (людьми, книгами, и т.д.), в случае с людьми - очень смещенными.
Интернет – это пример первого удобного источника агрегированных знаний (до него, например, были библиотеки / энциклопедии).
LLM – это новое поколение инструментов с консолидированными знаниями (для меня это еще одно объяснение, почему LLM так хорошо зашли: многие мои знакомые теперь идут в deepseek, а не гугл, чтобы понять как сделать VAT refund в поездке или понять что делать с отменой рейса).
Рассмотрим на примере custdev-ов (глубинных интервью).
Раньше:
1. Выбираешь целевой сегмент пользователей
2. Формулируешь гипотезы болей
3. Собираешь 20-30 человек
4. Проводишь интервью, спрашиваешь о том, что “болит”
5. Собираешь транскрипты, фиксируешь инсайды (субъективно относительно того, что проводит custdev)
6. Делаешь саммари
7. Формулируешь идеи / гипотезы продуктов
8. Делаешь корректировки и повторяешь процесс
** Шаги 5-6-7 – это переход от отдельных смещенных инсайтов к агрегированному “знанию”
С приходом LLM как это выглядит теперь:
1. Выбираешь целевой сегмент пользователей – через промпт
2. Формулируешь гипотезы болей – через промпт (+ задаешь контекст)
3. Получаешь инсайды уже в виде саммари и идеи
Почему так? Внутри LLM уже содержится информация по всем-всем вариантам (которые встречались при обучении конечно), и ее ответ УЖЕ агрегированная информация. Нет смысла генерировать 30-50 диалогов с пользователями (тут есть отдельный риск, какой кстати?) и потом делать саммари (через ту же GPT).
В реальной жизни без LLM мы так делать не можем – надо сэмплировать знания из отдельных людей и потом агрегировать.
P.S. в этом посте я намеренно не рассуждаю на тему репрезентативности инсайдов от “синтетиков” и не говорю о том, что привычные custdev-ы больше не нужны. Мне интересно посмотреть и порассуждать в комментах на интересный кмк переход и к чему он может привести.
🔥17❤12✍6