Не могу прочитать пост, давай созвонимся расскажешь

Ритуалы или как начать читать

Хотел начать читать, но никак не мог найти этому место в жизни.
В итоге стал бегать по утрам и слушать аудиокниги каждый день.
Так один полезный ритуал автоматически привил (или «подтолкнул» — гуглим теорию подталкивания или наджинг) второй :)

Если вы не можете начать или перестать что-то делать, подумайте — какой внешний фактор может этому поспособствовать. Желательно такой, который вы не можете не делать (например, гулять собаку по утрам, ехать в офис на работу).

Что ещё может работать — попасть в новое окружение, переехать, сменить род деятельности, ходить на работу другой дорогой :)

———

Поделитесь плиз своими ритуалами и идеями — интересно, что ещё можно попробовать)

Сегодня в 19:00 с ребятами из GoPractice проводим открытый вебинар по AI проектам и фейлам в них: ссылка

Приходите послушать, так как тема крайне важная

2025 - Диалог с топ менеджером горнодобывающей компании

Вчера на очной встрече по управлению проектами состоялся интересный диалог на тему ИИ.
Несмотря на образованность и профессионализм в своей сфере мой собеседник аппелировал к тому, что ИИ – это малополезное колебание воздуха.

Вот его несколько основных тезисов и мои короткие комментарии:
1. «Для ИИ нужны датасеты. Сейчас датасет — это что? Интернет. А интернет — мусор. Garbage in — garbage out!»
Близко, но в реальных проектах чаще используются внутренние данные, а открытые данные, если и применяются, то обязательно фильтруются. При обучении LLM этому шагу уделяется огромное внимание.

2. «Эффекты от квантовых вычислений намного превышают эффекты от вашего ИИ».
Некорректное сравнение - как сравнивать зеленое и теплое. Не говоря хотя бы о том, что ИИ уже вошел в нашу жизнь, а квантовые вычисления еще далеки от промышленного применения.

3. «Системы компьютерного зрения или кредитный скоринг – это не ИИ, а просто оптимизация и математика»
ИИ по сути и состоит из математических алгоритмов и статистических методов, это не только работа с текстами и генерация реалистичных фото :)

4. Отождествление ИИ исключительно с ChatGPT / LLM и текстами
Вот тут немного грустно – мы до сих пор решаем бОльшее количество задач с "классическими AI технологиями", хоть и доля проектов с LLM уверенно растет. Пожинаем негативные плоды (хотя позитивных, конечно, на порядок больше) хайпа вокруг языковых моделей

Почему это важный разговор?
Скепсис и недоверие ИИ — это нормально, ведь многие проекты «на словах» действительно преувеличивают реальные возможности AI. Но уже сейчас можно привести десятки (если не сотни) кейсов, где умные алгоритмы экономят компании деньги, повышают вовлеченность пользователей, оптимизируют производство.

Итак, сегодня ровно 1 год…

... как я полностью ушел из найма.

Начнем с того, что я/мы продержались (юхуу!) – конечно было порой непросто (особенно, когда влетаешь на дебиторку с суммой в 6 нулей, сжигаешь свою "подушку" на команду и постоянно мелькает мысль о найме 😈 ). Но выбрались! Спасибо родной и любимой за веру и поддержку.

Также моментами казалось, что меня кто-то заколдовал: проекты буквально "срывались с крючка" после согласования договора / всех коммерческих условий / kick-off встреч, бюджеты морозились, отменялись, ЛПР-ов увольняли 🙈. Благо профдеформация подталкивала вместо снятия порчи совершать больше и больше попыток, чтобы "вытянуть" матожидание :)

Год – много или мало?
С одной стороны, время пролетело очень быстро и в моменте кажется, что заметного результата нет.
С другой – оглядываясь именно на год назад, изменения есть, и они значительные.

1. Интересно, что 7-8 раз я получал серьезные предложения о партнерстве / выкупе ReML / создании совместных компаний, но выжило далеко не все (скорее все умерло, кроме пары вещей). В реальности многие "партнеры" хотят скорее тобой воспользоваться, чем что-то вместе созидать, в итоге на первых же "ямках" во время trial периода интерес пропадает и "темка" умирает. Спасибо Тимофею за совет "пожить вместе до брака" с потенциальным партнером.

В этом смысле очень рад за R77 (@r77_ai) – там круто и легко (в кайф!) идет, получаем много позитивной обратной связи (Влад в этом плане просто лучший). Будем 100% продолжать дальше.

2. Становится еще более понятно, какие есть ограничения у ML-аутсорса , как это качнуть и до каких пределов. Рынок AI растет – за прошлый год у нас в CRM более 120 квалифицированных лидов (общей суммой 400+ млн. ₽), что почти в 5! раз больше, чем в 2023 г. По итогам Q1 в 2025 г. ожидаем минимум х2 от 2024г.

3. В направлении Venture Builder (создание AI-продуктов самим) прогресс более умеренный:
- есть основной приоритет FindInsight, в котором после 3-его пивота мы нащупали "цепляющую" нишу, надо копать ⛏️
- Есть интересный HR продукт, но долгий цикл корп продаж убивает
- Есть мысли в сторону продуктов для SME и B2C, но пока дальше демо-прототипов не ушли.

Как итог
Понимаю, что свобода действия / свобода выбора предпринимательской жизни перекрывает для меня недостатки, хочется дальше в это "играть". Ну а планы на 2025 год амбициозные, momentum набран, бежим дальше!

Селекция исполнителей заказчиков

Есть понятный процесс когда клиент выбирает исполнителя.
Но реже – когда клиента также оценивают и берут / не берут.

Будем назвать это селекцией клиентов. Почему это важно?

1. Лучше работать с крутыми и продвинутыми клиентами, которые могут полностью оценить вашу работу, и у которых не будет изначально завышенных / нереалистичных ожиданий. Они понимают индустриальные стандарты, есть опыт работы в инновационных кейсах.

2. п.1 на практике коррелирует ещё и с возможностью нормально платить по рынку. Вы не тратите время на согласование каждой копейки в договоре или на объяснения того, что ваши ставки в рынке )

3. Будете меньше заниматься консалтингом и обучением, больше – непосредственной работы

4. Наличие процессов – как правило у «селективных» заказчиков они есть. Да, не всегда идеальные, но это лучше чем их полное отсутствие :)

Надо сказать, что это опция компаниям-исполнителям открывается с определенного уровня зрелости / экспертизы / финансовой устойчивости (почему-то эти крутнячки должны хотеть работать с тобой). А дальше правильный выбор заказчиков только «подкрепляет» развитие компании.

У нас уже потихоньку формируются и уточняются критерии «хорошего» заказчика на ИИ кейсы, если кому-то интересно, закину в комментарии. А еще список red flag-ов когда НЕ нужно работать с клиентом.

В комментах пришел вопрос:

что ты вкладываешь в понятие консалтинг которое ты упомянул в посте?

Отвечаю)

Как сейчас выглядит медианный пресейл на AI:
1. приходит (частично)сгенерированное GPT Техническое Задание (что в целом лучше чем когда люди писали сами 🙂)
2. дальше ты созваниваешься с клиентом и проводишь часовую лекцию о том, что такое AI (ML), RAG, LLM, AI агенты, о том где можно применять LLM, где нельзя
3. Клиент понимает (если не понимает - то red flag), что все-таки придется составить список потенциальных сценариев применения AI, описать текущий IT ландшафт, какие "работы" выполняет пользователь. Даже для решения, как ему кажется, понятной задачи, вроде автоматизации поддержки – потому что в одном сценарии пользователь идет в ERP проверяет статус товара, в другом открывает регламент/инструкцию , в третьем гуглит что-то и т.д.

Так вот пункт 3 редко клиент может / готов сделать сам, и конечно он предлагает тебе включиться и эту аналитическую работу провести. А иначе оценить бюджет / составить solution архитектуру и не получится :(

Единственный рабочий лайфхак

Вот уже лет 5-6 единственное, что мне реально (!) помогает справляться с рабочими задачами и дополнительными темками, учиться, читать книги – это начинать работу в 5-6 утра.

1 – до 10 утра никто тебя не отвлекает, можно спокойно поработать
2 – в это время нет встреч :)
3 – лично у меня повышенная эффективность, да и весь город спит, а ты нет (пустая кофемания 😱)
4 – как писал Мутовин / Hormozi , потом хочешь рано лечь спать 😁

Если вы жалуетесь на количество встреч в рабочее время и что ничего не успеваете, попробуйте начать рабочий день в 5 утра, гарантирую что к 8 часам уже 80% задач будет сделано))) даже пост напишите 😁

Можно ли без influence marketing построить AI компанию?

Читаю сейчас $100M leads от Alex H. и основной нарратив книги - это post content as much as you can for as long as you can. Читаю и не понимаю, нужно ли это для AI продукта? А для AI интегратора? Неужели нельзя не быть блоггером, чтобы построить успешный технологический бизнес в 202х?

Гоу обсудим плиз) мб примерами поделитесь

👆👆👆Моделька только вышла, а мы уже катим ее в прод) кажется скоро «текстовый фотошоп» найдет массу применений - например, мы перекрашиваем и улучшаем шотландские дома (писал тут)

Друзья запускают интересный проект 🤗
кому интересно вкатиться в AI рисеч - отличная возможность)

Будем рады обратной связи от опытных ребят) и потом доработаем

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.