🏆 AIeron | Data Feeling

Хакнули ретеншен (удержание пользователей)

Все-то надо было добавить механику по удержанию последовательности занятий.

Пробовали и другие механики, но эта оказалась самой эффективно.

На графики видно, как после апдейта конверсии в последующие дни стали яркими.

🎚️ Очередной раз убеждаюсь, что из 10 перспективных идей срабатывает только дай бог одна.

Исследователи Яндекса разработали и выложили в открытый доступ один из крупнейших в мире датасетов в области рекомендательных систем⚡️

Yambda - это огромный датасет, включающий 4,79 миллиарда действий пользователей Яндекс Музыки. Все данные анонимизированы: в датасете только числовые идентификаторы, что обеспечивает полную конфиденциальность.🔒
Рекомендательные алгоритмы лежат в основе многих сервисов: интернет-магазины, онлайн-кинотеатры и т.д. Но развитие этих алгоритмов напрямую зависит от научных исследований. Проблема в том, что исследовать не на чем - коммерческие компании практически никогда не публикуют датасеты, а те, что есть в открытом доступе, содержат слишком мало данных, непригодны для масштабирования, потеряли актуальность или стали недоступны из-за лицензионных ограничений.

💡Yambda (Yandex Music Billion‑interactions Dataset) позволит ученым и разработчикам исследовать, тестировать и улучшать свои рекомендательные системы. Причем данные можно использовать для оценки качества любых систем, не только стриминговых сервисов. А если вычислительных мощностей не хватает на анализ 5 млрд данных, то можно воспользоваться уменьшенными версиями - на 500 млн и 50 млн событий.

🚩Еще у датасета есть фича в виде флага is_organic, который позволяет разделять органические и рекомендательные действия пользователей. То есть можно посмотреть, какое событие произошло в результате рекомендации, а какое - благодаря самостоятельному действию пользователя.

Данные датасета и код для оценки замеров лежат тут👈

Когда YTsaurus вышел в open-source, мы такие: "О, прикольно". А теперь она в Yandex Cloud - и тут уже стало серьёзно

У нас в компании были истории: модели не лезут, данные тормозят, Spark не справляется. А теперь внезапно можно взять эксабайтную платформу, которую Яндекс пилил под себя, и запустить её у себя. И не только в облаке, но и в контуре. Внезапно - enterprise ready.

А еще у них Trino, Spark, BI‑редактор на JS, сертификация по DataLens и публичная витрина дашбордов. Вместе с тем – новые фичи для RAG-поиска по базам знаний в ИИ-ассистентах и обновления речевой аналитики. Слово “экосистема” уже немного затерлось, но тут она ощущается по-настоящему.

🎚️ Если строите аналитику или ML в компании - посмотрите, что у них там на Data&ML2Business было

😲 Спустя 2 года это стало очевидным

Чуть больше двух лет назад, когда только осваивался в роли ML тим лида. Передо мной стояла задача сделать первый прототип Voice2Order.

В этот момент СhatGPT еще набирал обороты. И мало кто толком осознал его мощь или успел внедрить в работу. Про использование API для бизнесовых задач в больших компаниях говорили только самые смелые.

Моей лучшей инвестицией в то время стало разобраться со всеми популярными LLM технологиями. Попробовать LangChain, потестить наивный RAG и конечно же StructuredOutput для API ChatGPT. Без этого опыта не родилась бы и Спикадора, подарившая мне бешеное количество опыта, а людям 10К часов практики английского.

У меня был достаточно большой опыт дообучения BERT-like моделей. Поэтому для меня почти сразу стало очевидным, что LLM поубивали ряд задач и что отрицать это просто бессмысленно. А если это так, но просто глупо решать задачи голосового заказа ML подходом.

Вы удивитесь! Но мне приходилось достаточно долго это доказать коллегам, без актуального опыта. С другой стороны тим лиды и нужны, чтобы затаскивать современные методы в культуру. Но все же …

Хотя если взвесить все за и против на тот момент, то выбор был очевидным. Для LLM подхода не надо что-то дообучать, обучения за счет RAG и Few-Shot подхода мгновенное. Собирать данные почти не требуется, хватало 100 примеров. Железо тоже мимо, можно было обойтись готовыми API. И цены на токены даже в тот момент для большой нагрузки была кратно дешевле аренды/покупки GPU карточек и выделенной MLOps роли под это.

Сейчас же картина лучше. На рынке достаточно хорошее понимание потенциала LLM технологий. Людей уже меньше приходится убеждать. Остается только фильтровать неопытных, кто про такое только слышал, но «руками не трогал» и в продакшен не затаскивал.

🎚️ Итог, если ваш здравый смысл подсказывает, что технология перспективная и подходит под требования, то стоит рискнуть и пробовать! Похожая ситуация сейчас с вайб-кодингом, про который сейчас больше шутят, чем реально используют. Думаю, временно 😈

Илон Маск написал в твиттере, что ничего с Пашей не подписывал. Тролит!? 🤯🤪

Маск + Дуров = 🧠💣

На самом деле, просто Дуров прошел наш курсец по LLM технологиям и в качестве домашки решил сделать AI фичи для телеграма 😎😅

🎚️ Скоро все окончательно забудут про вотцап

Досмотрели до конца? Вот мои выводы по поводу этой перспективы

🔥 6 интересных кейсов growth hacking для технологичных продуктов

1️⃣ Hotmail

Добавлял подпись к письмам: «Это письмо отправлено через Hotmail. Заведите его себе прямо сейчас».
Результат: 12 млн пользователей за год (рост с 20 тыс. до 12 млн).

2️⃣ Dropbox

Использовал реферальную программу: пользователи получали +500 МБ за приглашение друзей.
Результат: рост на 3900% за 15 месяцев.

3️⃣ PayPal

Давал $10 новым пользователям и их рефералам.
Результат: 7–10% ежедневный рост и 100 млн пользователей к 2000 году.

4️⃣ LinkedIn

Привлекал лидеров мнений, чтобы те стимулировали аудиторию регистрироваться.
Результат: 2 новых пользователя в секунду на старте, 8 млн юзеров за 5 лет.

5️⃣ Airbnb

Использовал кросс-промоцию с Craigslist, позволяя пользователям размещать свои объявления на обеих платформах.
Результат: значительный рост числа пользователей и увеличение количества размещенных объявлений.

6️⃣ Duolingo

Использование семейной подписки при оплате одного доступа. То есть вы покупаете себе, а вам дают возможность подарить другим.
Результат: +15% к скорости прироста MRR метрики в первые же два месяца.

🎚️ Внедряйте в свои продукты и кайфуйте от роста!

🏦 У меня тут недавно случай произошел

Успел потерять и вернуть пониженную ставку по IT ипотеке. Все потому что не вовремя прислал подтверждение с места работы, хотя платежи вносил исправно.

Между скринами неделя, но понервничать я успел достаточно.

Написал статью на Хабр, но ее внезапно сняли с публикации 🤯

Решил все равно оставить хотя бы тут пост, чтобы вы знали, что ставку можно потерять, но самое главное, что если обойти все отказы и оформить прямое обращение в банк, то вопрос решается.

🎚️ Знайте, если у вас IT ипотека! #it #credit

Сел рефакторить пет-проект в Cursor

Было вайбово, но в конце все как в твите у этого парня

Привет, друзья! Рассказывал вам про митап MLечный путь в апреле. Это был один из тех митапов, где минимум маркетинга и воды — максимум реальных прикладных кейсов от спикеров из разных сфер. Что отметил для себя на конфе из особенно крутого: 

1️⃣ LLM — это не магия, а инструмент.
Крутейший разбор от Selectel показал, как реально использовать большие модели без лишних затрат. Главный секрет? Не брать самую хайповую модель, а считать реальную эффективность под свои задачи. И да, vLLM теперь реальная альтернатива TensorRT — проверено на практике!

2️⃣ Когда AI выходит в поле.
Офигенный кейс от Русагро Тех про аналитику прямо на комбайнах! Никаких дорогущих решений — только кастомные модели, реальные данные с полей и борьба с неидеальными условиями. Вот оно — настоящее ML в действии!

3️⃣ Питч-сессия стартапов — классный формат.
Презентовали проекты на стадии pre-MVP. Для себя отметил Volga — движок для расчета ML-фичей в реальном времени🔥

🎚️ В общем, качественное развитие ML это больше, чем математика и теоретические расчеты. Для успешного проекта так же важны инженерия, инфраструктура и поиск компромиссов.

Работа свыше 50 часов в неделю физически «высушивает ваши мозги».

Области мозга, отвечающие за память, точность внимания и эмоциональную регуляцию, при повышенной нагрузке «усыхают» и уменьшаются в объёме.

С каждым часом поверх нормы значительно растёт риск сердечно-сосудистых заболеваний, психических расстройств и полного выгорания.

🎚️ Не забываем отдыхать.

Ну что, в арсенале вайб-кодеров снова перестановки)

Сможете смело следующую неделю обсуждать с коллегами, реально или Claude снова впереди по качеству, а не Gemini 2.5 Pro?!

https://www.anthropic.com/news/claude-4

🚨 Напоминаю, что сегодня выход Claude Sonnet 4 (и Opus 4).

Каждый их выпуск это разнос! Жду с нетерпением, когда завезут во всех Vibe-coding инструменты.

Трансляция (уже идет)

Все ближе к айти с новой парадигмой))

Ребят, вы че издеваетесь?!

Провел сегодня 7 собеседований по 30 минут на роль технического писателя. Это человек, которые разбирается в технических штуках и может про них писать. Чем глубже и практичнее, чем лучше. Собеседовали тех, кто более менее смог тестовое задание выполнить с кодом.

Люди не знают базу. Я плакал 🥲. Вот мои заметки:

Кто такой Сэм Альтман? А Гвидо Ван Россум? Хорошо, что хоть Илона Маска все знают.

Что такое DeepSeek, Claude или Gemini?
Что такое vibe-coding? Были версии, мол что-то про разработку web’а. Лучший ответ был, что это когда в чате с gpt просишь написать код. Но Cursor и Replit пока не звучат.

Python не могут отличить от Java Script. Принципы ООП не могут сформулировать. Как тогда люди собрались писать что-то на python в статьях?!

MLOps это что-то про деплой ML алгоритмов, но даже Docker не называют. Не знают, что такое webhook и когда его использовать.
Не знают ни одного фрэймворка для работы с LLM. А LangChain это вообще «китайская LLM»

Про продвинутый промпт инжиниринг называют лишь текстовые инструкции. Про few-shot, RAG, ReAct, СoT или fine-tuning ничего.

Моя любовь - это когда не могут пояснить за технологию, которые указали в своем описание/резюме.

Что могу сказать? Дает мотивацию продолжать вести канал. Читайте мои посты чаще, чтобы быть в курсе.

Ладно техническую какую-то реализацию сложно сделать, но базу надо знать. Когда даже контекст непонятен, то становится ясно, что все-таки споры про замену людей на ИИ иметь смысл.

Если для вас это все изи - то пишите мне в лс @Ale_v2 =) Предложу хорошие условия, если можете работать фул тайм.

Сделал пост в своем микро блоге и тут же налетела стая нейрокомменторов.

Не могу понять, почему этих роботов становится только больше? Неужели это выгодно и люди ведутся на такое?

И главные вопрос, почему до сих пор никто не придумал решение от этого, чтобы я его у вас купил!?

Честно скажу, иногда даже приятно читать такие комменты, они бывают активнее живых, но суть их бесит 😂😢

Вопрос подписчика:

Как решаешь вопросы с тем что агенты галлюцинируют и входят в циклы без решения задач где только новые ошибки?

В Cursore это можно решать так:

1. Использовать новую модель
2. Создавать новый чат
3. Пытаться переформулировать задачу, добавляя контекст
4. Переодически откатывать то, что было сделано, и начинать правки сначала

👏 Автоматизация с помощью AI агентов начинает набирать обороты, а я еще ни разу не написал про MCP.

С появлением LLM-агентов, которые самостоятельно принимают решения и выполняют сложные задачи, возникла проблема отсутствия единого стандарта взаимодействия между ними и внешними источниками данных.

Ребята из Anthropic предложили решение - новый протокол Model Context Protocol (MCP), который стандартизирует взаимодействие 🕵'в с различными сервисами и между собой. Теперь давайте сравним 3 подхода взаимодействия ИИ с внешними системами:

Имеем, MCP, A2A и Function Calling - это разные способы, как ИИ общается с внешними системами. Вот кратко, что и как:

С MCP время интеграции может сократиться на 30-50%. Он создает единый протокол для взаимодействия ИИ с разными инструментами, упрощая и ускоряя процессы. Идеально подходит для сложных и безопасных решений.

A2A (Agent-to-Agent) - когда агенты общаются друг с другом напрямую. Это повышает их эффективность на 20-40%, отлично для задач, где нужно координироваться и работать вместе, создавая слаженную команду ИИ.

Function Calling - это cамый простой метод - помогает выполнить базовые задачи быстрее на 10-20%, вызывая конкретные функции или инструменты прямо из модели. Но он не подходит для сложных систем и масштабирования.

🎚️ Если хочется помощнее - MCP или A2A. Для простых и быстрых задач - Function Calling. Выбирай, что тебе подходит и вперед! Подробнее про MCP реализацию расписал на Хабре

Вайб-разработчики делятся на 2 типа:

🎚️ 2-й вайб на максималках 😎

Пишите какой у вас в комментарии👇

Новый классный апдейт в OpenAI.

Наконец поняли, как важны качественные данные из PDF-файлов в Deep Research!

Честно говоря, успели устал копаться в отчетах по 20-30 страниц, чтобы найти нужные ссылки.

🎚️ Теперь этот процесс будет намного проще, и это очень приятно!