Forwarded from Яндекс
This media is not supported in your browser
VIEW IN TELEGRAM
В сервисе появились новые редакторы текстовых документов и таблиц с простым интерфейсом. Благодаря переходу на собственную платформу Яндекса они работают быстрее и справляются даже с документами на 1000 страниц, а редактировать их могут до 100 пользователей одновременно.
В текстовом редакторе доступна нейросеть YandexGPT 4. Она исправит опечатки, упростит текст и, например, перепишет его в разговорном стиле. Выбирайте стили из пресетов или описывайте задачу сами — во всплывающем окне.
Подписывайтесь
Please open Telegram to view this post
VIEW IN TELEGRAM
Ребята из Microsoft собрали все исследования, выходившие на тему изменений в работе сотрудников — конечно же, с фокусом на ИИ.
Там море интересного, обязательно почитайте — я выписал пару хайлайтов, а потом удалил две трети, чтобы вместить в один пост хотя бы оставшееся.
— в организациях, которые использовали Gen AI, количество создаваемых и редактируемых документов выросло в среднем на 10%, время на взаимодействие с письмами уменьшилось на 4%, а количество прочитанных писем снизилось на 11%.
— эффект от ИИ в разных профессиях разный и, что интересно, по-разному зависит от скила: так в исследовании службы поддержки у опытных сотрудников прирост эффективности был меньше,чем у новичков, а в исследовании предпринимателей, ученых и художников — наоборот.
— крутые промпты легко могут терять эффективность даже при переходе от менее к более мощной модели.
— люди часто попадают в ошибку «если ИИ что-то ответил, он это нашел, а не сгенерил», относясь к GPT-чатам как к поиску по базе знаний, хотя суть вообще не в этом. Это заблуждение приводит к ложным ожиданиям безошибочности.
Поэтому правильный путь — объяснять ограничения системы юзеру, выделять, как проверить ответы ИИ (сноски на источники) и делать процесс проверки простым (не думать, что одни только сноски помогут).
— чат-боты давно не лучший способ общения с ИИ — на передовую выходят «notebooks» и подобные способы отрисовки результатов работы промптов. Эффективнее те инструменты, которые позволяют использовать ИИ контекстно (выделяя, рисуя, передавая как можно больше контекста — не только из страницы как поверхности применения ИИ, но и из внешних источников, чтобы предугадать желания юзера).
Please open Telegram to view this post
VIEW IN TELEGRAM
Мои друзья из TGStat традиционно радуют всех пишущих авторов Telegram-каналов новогодними открытками.
Как получить открытку?
1. Переходим в бота @TGStat_Bot
2. Отправляем команду "
2024 @username", подставив username/ссылку на свой канал/чат3. Наслаждаемся красотой и делимся с подписчиками
С наступающим новым годом — и помните, что как бы много (или мало) вы ни писали, как бы много (или мало) ни росли подписчики... вы — молодцы ❤️
P.S. Свои открытки можно кидать в комментарии к посту со ссылками на свои каналы — давайте знакомиться :)
Please open Telegram to view this post
VIEW IN TELEGRAM
Новые возможности в сервисах выдаются пользователям двумя способами:
— opt-in (юзер сам включает фичу)
— opt-out (фича сразу включена у всех, юзер сам выключает фичу, если ему не понравилось).
Эти политики очень сильно влияют на конверсию, поэтому, конечно, любой менеджер продукта хочет раздавать свою фичу через opt-out.
Но мир ИИ-релизов рождает необходимость не только делать крутые сервисы, но и собирать пользовательские данные. И вот как поступают крупные компании, когда заходит речь о том, не спросить ли людей, можно ли использовать их данные для обучения:
— Figma
Если вы не на Organization/Enterprise планах, ваши данные используются для обучения моделей — даже если вы платите деньги Фигме. Отключить можно одним кликом в настройках.
— Miro
Если вы не платите деньги, ваши запросы и передаваемый контент используются для обучения.
Microsoft, Adobe, Notion и многие другие придерживаются противоположного подхода — и утверждают, что не обучают модели на данных пользователей. Правда, это не мешает им покупать данные сервисов, которые собрали данные пользователей — например, от ребят, спарсивших кусок YouTube.
Как напоминает Константин, если вы не платите за товар, товар — это вы.
В частности, напоминаю, что бесплатная версия СhatGPT радостно использует каждый запрос для последующего обучения модели.
Please open Telegram to view this post
VIEW IN TELEGRAM
Делает Google это, конечно, с задорным заголовком «мы даем AI каждой компании, потому что это новый стандарт» — и это правда так. Теперь все ИИ-фичи Gemini доступны каждому бизнесу без доплат.
Но заодно ребята повышают цены на все тарифы (на $2, а не на стоимость аддона — $30).
В моем мире это называется
В то же время ребята выдают и Copilot, и ИИ-фичи, а заодно повышают стоимость подписки Microsoft 365 для персонального и семейного использования на $3 — для новых безвозвратно, а для старых пользователей — с возможностью пост-фактум прожать галочку «хочу откатиться до предыдущего уровня». Те, кто ее все же прожмут, получат тариф по старым ценам, но уже без каких-либо серьезных обновлений, кроме исправления уязвимостей.
То есть: Google повышает цены в B2B, включая все ИИ-фичи в базовые тарифы. Microsoft — повышает цены в B2C, поступая аналогично.
Но при этом, в отличие от Google, Microsoft сохраняет ИИ-опцию за $20 — и в нее входит не только приоритетный доступ к новым фичам и моделям, но и использование самого ИИ без ограничений. У бесплатных же пользователей есть шанс упереться в лимит — в него попадает любое действие, совершенное с ИИ, будь то генерация текста в Word или вопрос в Copilot.
...фактически, мы наблюдаем, как две самые заметные компании в продуктивити по-разному меняют стратегии в разных сегментах.
Посмотрим, какая продержится дольше.
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Интернет-культура (Konstantin)
Китайский DeepSeek обогнал в App Store все известные ИИ-чаты и всё это без единого интервью у Лекса Фридмана и Джо Рогана.
То есть буквально миллионы американцев прямо сейчас заливают туда свои документы, скриншоты, мысли…
Нет, ну, зато ТикТок забанили😬
То есть буквально миллионы американцев прямо сейчас заливают туда свои документы, скриншоты, мысли…
Нет, ну, зато ТикТок забанили
Please open Telegram to view this post
VIEW IN TELEGRAM
🤖Промпт-инжиниринг в 2025 году
Примерно все уже решили, что промпт-инжиниринг не нужен. Современные модели неплохо справляются даже со сложными запросами. Но время от времени в медиапространстве появляются противоположные мнения — кто-то шутит про ложный тренд, кто-то публикует подборки лучших фраз для промптов.
Есть нюансы, которые важно проговорить. Разделим применение промптов на три части:
— ежедневная работа с нейросетями
Ты пишешь запрос — нейросеть отвечает. Claude 3.5 или o3-mini не требуют сложных промптов. Всё, что нужно, уже заложено в системе, поэтому нет смысла усложнять взаимодействие — хотя все равно важно докидывать контекст и уточнять формат ответа.
— работа с Deep Research.
Здесь все иначе. Агентские системы со средним временем ответа в 20 минут требуют детальных и структурированных запросов. Мне понравилась метафора из X: «просто представьте, что вы пишете письмо, а не общаетесь в чате». В чате можно писать коротко: «привет, есть вопрос, сейчас расскажу» (но никогда так не делайте). А в письме вы сразу описываете всё подробно. Так же нужно работать и с Deep Research. Это не промпт-инжиниринг в классическом понимании, а просто другой подход к формулировке запросов — как на картинке.
— нейросети в продуктах и сервисах
И вот здесь как раз промпт-инженеры действительно необходимы. Когда команда разрабатывает нейрофичи, нужно, чтобы система работала стабильно в 99,9% случаев, а не «когда повезет». Промпт-инженеры создают идеальные промпты, учитывающие все пограничные случаи, обеспечивая корректные ответы в любых ситуациях.
Например, вы пишете саммаризатор отзывов для маркетплейса:
— если нейросеть не может саммаризовать отзывы, она должна дать ответ об этом в заранее установленном формате
— если данных недостаточно, чтобы заполнить тот или иной раздел, это тоже надо обработать корректно
— если есть противоречающие параграфы, поведение для такого тоже надо продумать.
— если на вход пришли некорректные данные (пользователь в плюсах товара описал минусы), с этим надо уметь работать
Это похоже на программирование. И своей работой промпт-инженеры значительно облегчают работу ML-команд. Их сложно назвать массовыми специалистами, но в компаниях вроде Яндекса или Т-банка внутри ML-команд они действительно нужны.
Так что промпт-инженеры одновременно не нужны и чрезвычайно востребованы. Просто юзкейсы разные.
P.S. Если у вас в команде есть промпт-инженеры (или вы и есть промпт-инженер), напишите мне в личку — очень хочу показать пару интересных штук.
Примерно все уже решили, что промпт-инжиниринг не нужен. Современные модели неплохо справляются даже со сложными запросами. Но время от времени в медиапространстве появляются противоположные мнения — кто-то шутит про ложный тренд, кто-то публикует подборки лучших фраз для промптов.
Есть нюансы, которые важно проговорить. Разделим применение промптов на три части:
— ежедневная работа с нейросетями
Ты пишешь запрос — нейросеть отвечает. Claude 3.5 или o3-mini не требуют сложных промптов. Всё, что нужно, уже заложено в системе, поэтому нет смысла усложнять взаимодействие — хотя все равно важно докидывать контекст и уточнять формат ответа.
— работа с Deep Research.
Здесь все иначе. Агентские системы со средним временем ответа в 20 минут требуют детальных и структурированных запросов. Мне понравилась метафора из X: «просто представьте, что вы пишете письмо, а не общаетесь в чате». В чате можно писать коротко: «привет, есть вопрос, сейчас расскажу» (но никогда так не делайте). А в письме вы сразу описываете всё подробно. Так же нужно работать и с Deep Research. Это не промпт-инжиниринг в классическом понимании, а просто другой подход к формулировке запросов — как на картинке.
— нейросети в продуктах и сервисах
И вот здесь как раз промпт-инженеры действительно необходимы. Когда команда разрабатывает нейрофичи, нужно, чтобы система работала стабильно в 99,9% случаев, а не «когда повезет». Промпт-инженеры создают идеальные промпты, учитывающие все пограничные случаи, обеспечивая корректные ответы в любых ситуациях.
Например, вы пишете саммаризатор отзывов для маркетплейса:
— если нейросеть не может саммаризовать отзывы, она должна дать ответ об этом в заранее установленном формате
— если данных недостаточно, чтобы заполнить тот или иной раздел, это тоже надо обработать корректно
— если есть противоречающие параграфы, поведение для такого тоже надо продумать.
— если на вход пришли некорректные данные (пользователь в плюсах товара описал минусы), с этим надо уметь работать
Это похоже на программирование. И своей работой промпт-инженеры значительно облегчают работу ML-команд. Их сложно назвать массовыми специалистами, но в компаниях вроде Яндекса или Т-банка внутри ML-команд они действительно нужны.
Так что промпт-инженеры одновременно не нужны и чрезвычайно востребованы. Просто юзкейсы разные.
P.S. Если у вас в команде есть промпт-инженеры (или вы и есть промпт-инженер), напишите мне в личку — очень хочу показать пару интересных штук.