Трансформации смыслов с ИИ

Улучшите качество своего результата в работе с ИИ. Практикум онлайн. Принимаем оплату от юрид и физически лиц. https://www.digitaltransformed.ru/mk-ai

Самая коварная фраза про ии - я умею им пользоваться . В мире нейросетей все меняется стремительно и поэтому нужно всегда держать руку на пульсе . На консультациях мы рассказываем какой подход применить , чтобы оставаться в ритме мира ии.https://www.digitaltransformed.ru/

Как быстро начать работать с нейросетями: первые рабочие сценарии https://www.digitaltransformed.ru/blog/obuchenie-komand-ii/kak-bystro-nachat-rabotat-s-neyrosetyami

Вчера мы говорили о том, как учить детей с помощью ИИ. А сегодня я подумала, что взрослым этому надо учиться, пожалуй, даже больше, чем детям. И мне есть, что сказать по этому поводу, господа.
Для начала уточню определения, на которые буду опираться. «Сделать» означает получить результат, пригодный к использованию. «Научиться» означает приобрести способность получать такой результат самостоятельно, в том числе в ситуациях, которые раньше не встречались. «Работать с ИИ» означает добиваться от модели не какого-то результата по теме, а именно того, который тебе нужен. Это три разные вещи, и путать их очень удобно, потому что со стороны они выглядят одинаково: результат есть.
У взрослого человека уже есть профессия, опыт, вкус, насмотренность, представление о том, что хорошо и что плохо. И именно поэтому взрослому особенно легко решить, что уметь тут нечего: написал запрос, получил ответ. Ребёнок хотя бы честно не знает, что он не умеет. Взрослый знает, что он умеет много чего, и незаметно распространяет это знание на новый инструмент.
Сегодня у меня получился почти лабораторный опыт на двух картинках.
Первая сделалась сразу. Я попросила визуализировать мысль и получила вполне приличную инфографику: всё аккуратно, тезис считывается, придраться формально не к чему. Если задача звучит как «нужна картинка к посту», то всё, задача решена, можно брать и идти дальше.
Вторую я получила примерно с десятой попытки. И нет, не потому, что я не знала, чего хочу. Я как раз знала. Проблема была в другом: модель раз за разом уходила в стандартный образ. Делала красиво, но не про то. Повторяла предыдущую идею, хотя я прямо попросила от неё уйти. Или, что особенно прекрасно, в тексте объясняла мне совершенно правильную концепцию, а рисовала почему-то совсем другую. Понимает она, видимо, одно, а делает то, что у неё лучше всего получается, то есть среднее.
Вот это и есть работа с ИИ, господа. Сформулировать первый запрос может кто угодно. А дальше начинается то, чему приходится учиться: увидеть, где модель тебя не поняла; понять, что именно надо изменить в следующей итерации; не пытаться десять раз сказать одно и то же другими словами, а менять сам образ, рамку, композицию, степень абстракции. И, главное, не соглашаться на «ну в принципе нормально», если ты видишь, что это не твоя мысль. Модель очень хорошо умеет делать «в принципе нормально». Это её естественное состояние. Вытащить её из этого состояния можно только одним способом: самому точно знать, куда тащишь, и замечать каждый раз, когда она сползает обратно.
Можно остановиться на первой картинке. Она нормальная. Но нормальная картинка ничего не стоит ровно потому, что её за полминуты может получить любой. Ценность имеет только то, что получить может не любой.
И с обучением ровно та же ловушка, только коварнее. ИИ очень хорошо помогает сделать. Настолько хорошо, что готовый результат легко принять за собственный навык. Текст написан, код работает, задача решена, картинка есть. Но из этого никак не следует, что вы научились писать, программировать, решать задачи или работать с изображением. Вы научились получать результат, пока рядом есть инструмент, а это, согласитесь, несколько другая компетенция. Проверяется она просто: уберите инструмент или дайте нестандартную задачу, и посмотрите, что останется.
И отдельно, как самостоятельной дисциплине, надо учиться самому ИИ. Не «50 волшебным промптам», которые распространяются по интернету со скоростью насморка, а нормальной работе с инструментом: ставить задачу, проверять результат, видеть промахи, корректировать, добиваться своего. И понимать, когда модель действительно помогла вам, а когда просто очень убедительно сделала что-то за вас.
ИИ очень хорошо помогает сделать. И очень легко создаёт иллюзию, что вы научились. Это две разные задачи, господа, и решать их придётся по отдельности.

Трансформации смыслов с ИИ pinned a file

Как устроена система аналитики на Codex — и почему агент тут не автопилот

Разберём один конкретный способ использовать Codex: не как помощника «написать код», а как исполнителя, который вместе с тобой собирает рабочий инструмент — живой дашборд, который сам тянет данные, помогает находить в них смысл и выдаёт материалы на выходе.

Из чего это состоит технически

Это не готовый сервис и не чужой SaaS. Это самописные скрипты + локальные файлы + HTML-страница, всё крутится у тебя в проекте. Пять слоёв:

1. Коннекторы — то, что тянет данные наружу. Три способа: API-запрос (программа спрашивает сервис напрямую, тот отвечает данными), RSS (готовая лента, дашборд сам вытягивает новые публикации), парсер (скрипт заходит на страницу и достаёт то, чего нет ни в API, ни в RSS — например, комментарии или цены конкурентов).
2. Хранилище — всё собранное складывается в файлы или локальную базу. Это сырьё, лежит в проекте.
3. Обработка ИИ — по команде агент берёт сырьё и прогоняет через LLM: группирует, находит темы, объясняет. Сюда же подключается Exa — поисковик, который ищет по смыслу, а не по ключевым словам.
4. Дашборд — HTML-страница, которая читает хранилище и рисует карточки, графики, таблицы.
5. Ключи — API-ключи лежат отдельно, в файле секретов, не в коде.

Если проводить аналогию из моей области: это диспетчерский щит, собранный на коленке. Коннекторы — датчики и линии. Хранилище — шкаф, куда всё стекается. Обработка ИИ — релейная логика, которая смотрит на поток и выдаёт «вот тема, вот аномалия». Дашборд — табло на стене. Файл секретов — пломба на щитке, ключи отдельно от схемы.

Кто что делает

Агент пишет весь код: запросы к API, парсинг RSS, парсеры страниц, HTML, подключение Exa. Ты говоришь словами — «хочу видеть цены конкурентов» — он разбирается, как это технически сделать, и делает.

Но есть то, что агенту не отдать:

• сформулировать задачу — что вообще хотим понимать (агент не знает твой бизнес);
• дать экспертизу — какие данные важны, кто аудитория, по каким критериям решать;
• разобрать первые примеры руками — показать агенту образец, как группировать и делать вывод;
• принять решение — выбрать угол, тезис;
• написать финальный материал — за текст отвечает человек;
• сделать вывод из аналитики — заметить закономерность, а не просто увидеть цифры.

Это не «нажал и получил готовое». Это цикл: объяснил → посмотрел результат → доработал. Вайб-кодинг, а не автопилот.

Как собрать такую систему — 12 шагов

Шаг 1. Сформулируй задачу. Один вопрос: что я хочу понимать с помощью этих данных? Не уверен — спроси ИИ прямо: «вот чем я занимаюсь, вот какие решения принимаю, какие данные помогут принять их лучше».

Шаг 2. Определи источники. Нужны обе стороны: новости (что уже случилось) и живой отклик аудитории (что происходит прямо сейчас). Одних новостей мало, одних просмотров — тоже.

Шаг 3. Подключи источники. Не разбирайся в API сам — дай агенту ссылки и скажи словами, что хочешь видеть. Он сам решит, что тут API, что RSS, а что требует парсера — и для парсера проверит, разрешает ли сайт такой сбор.

Шаг 4. Собери первый экран «Источники». Карточки: заголовок, источник, ссылка на оригинал. Фильтр по темам. Данные живые, обновляются сами.

Шаг 5. Напиши инструкцию-фильтр. Внутренний документ: кто аудитория, какие правила, какие тезисы и гипотезы. По нему ИИ понимает, что искать в потоке. Начни с простого и дорабатывай по ходу работы. Приём: сначала разбери пару примеров руками, покажи агенту как образец — дальше он разбирает по твоему шаблону.

Шаг 6. Блок «Смыслы и тренды». ИИ группирует поток: десять новостей про одно и то же — не десять тем, а одна история. Связывает и объясняет, почему это важно аудитории.

Шаг 7. Блок «Исследование». Нашёл тему — подключи Exa, чтобы копнуть глубже с ссылками на источники. Ключ — в секреты проекта, не в код.

Улучшите качество своей работы с ИИ. Практикум онлайн. Оплата от юрид и физических лиц. Пишите @hoperm https://www.digitaltransformed.ru/mk-ai

Мечты иногда сбываются раньше, чем мы успеваем назвать их мечтами

Пять лет назад я пришла в «Астор Плазу» посмотреть на игру Гали Козловой в спектакле-эксперименте «ARRIBA!». Среди участниц оказалось много моих знакомых. Меня очень зацепили их тексты и то, как Оксана Лысенко раскрыла каждую. Я увидела знакомых мне женщин по-новому.

Сегодня я снова в «Астор Плазе» — уже как участница проекта «Голос бренда» вместе с Юлей Петровой. Мы в чёрно-красном — это цвета сообщества «Связи решают».

Когда меня спросили, почему я согласилась участвовать, я ответила: «Просто не успела подумать». А ночью вспомнила тот спектакль и поняла: похоже, я захотела этого ещё пять лет назад. Просто тогда даже не сказала себе об этом вслух.

Прочитала тут один интересный пост в тг — про усреднение, про то, что ИИ поднимает нижний уровень, но не верхний, и что это незаметно нас всех стачивает под одну гребёнку. Мысль хорошая, но зацепилась я не за неё, а за один аргумент внутри.

Автор там пишет: чтобы ИИ давал что-то путное, на входе нужно подавать не говно. То есть постановка задачи должна быть выше среднего — а это, мол, отдельная компетенция, которая либо есть, либо нет. И вот тут я с ним поспорила сама с собой.

Потому что на секунду показалось: ага, значит, ответственность за качество — на входе, на формулировке запроса. Сформулировал хорошо — молодец, сформулировал плохо — сам виноват. Но это неверное деление. Потому что качество запроса и способность оценить результат — это не два разных навыка. Это один и тот же ум, применённый дважды: один раз спереди, один раз сзади.

Если у меня хватает мозгов понять, что мне вообще нужно — я сформулирую нормальный запрос. Если у меня хватает мозгов посмотреть на то, что мне выдали — я не приму чушь за результат. А если не хватает — не важно, как красиво я спросила. Я всё равно не пойму, что мне дали: конфетку или фантик.

Тут хорошо ловится на предельном примере. Дай мне решение задачи тысячелетия — гипотезы Навье-Стокса. Я даже прочитать его не смогу, не то что оценить. Формулировка запроса тут вообще ни при чём — потолок не в том, как я спросила, а в том, что моя планка мышления физически не дотягивается до того, чтобы отличить верное доказательство от красиво оформленной ерунды. В этой точке я либо верю на слово, либо нет. И это уже не про промпт.

Вот, собственно, и есть то самое усреднение, о котором шла речь в исходном посте — только без ложного деления на «вход» и «выход». Усредняешься не в момент, когда плохо спросил. Усредняешься в момент, когда твоя способность откалибровать — что хорошо, а что плохо, что верно, а что мне лапшу на уши вешают — перестаёт справляться. И вот тогда неважно, как ты формулируешь запросы: если ты не можешь провести черту между дельным и удобным, ты примешь удобное. Каждый раз.

Так что если хочется не усредняться — прокачивать нужно не «умение писать промпты». Прокачивать нужно ту же самую штуку, которая всегда была нужна: способность понять, чего ты на самом деле хочешь, и способность заметить, когда тебе подсунули не то.

ПОЧЕМУ ИИ УСТАЕТ ПРАВИТЬ СВОИ ОПУСЫ
Короткая памятка по работе с текстами
Главное правило

ИИ не должен решать за тебя, что ты думаешь.

Его лучшая роль в работе с текстом: редактор, критик, оппонент, корректор. Авторская мысль должна появиться раньше красивой формулировки.

10 правил
1. Сначала мысль. Потом текст.
Не обязательно писать красивый черновик. Подойдут голосовое, обрывки фраз, тезисы, раздражение, наблюдение, пример. Главное, чтобы исходная мысль была твоей.

2. Не начинай с «напиши пост».
Если ИИ не дали автора, он его придумает. Вместе со стандартным заходом, тремя пунктами и правильным выводом.

3. Сначала проси искать проблемы.
Не «улучши текст», а:
«Где банально?»
«Где я ничего не сказала?»
«Что можно удалить?»
«Где пропадает мой голос?»

4. Ни одной чужой мысли под видом моей.
Слова ИИ использовать можно. Выводы, позиции и убеждения, которых у тебя не было, нельзя.

5. Не давай ИИ хвалить черновик.
Не спрашивай: «Как тебе?»
Спрашивай: «Назови три самых слабых места».

6. Не лечи ИИ-текст только заменой слов.
Можно удалить «важно понимать» и «таким образом», а текст всё равно останется искусственным. Проверять надо не словарь, а конструкцию.

7. Главный маркер ИИ — предсказуемость.
Заход. Проблема. Три пункта. Вывод. Вопрос аудитории.
Если после первого абзаца уже понятно, каким будет последний, пора ломать конструкцию.

8. Проверяй текст на обезличенность.
Задай один вопрос:

Мог ли это написать любой умный человек по этой теме?

Если да, автора пока нет.

9. Проверяй факты отдельно от стиля.
Проценты, исследования, сроки, цифры, цитаты и ссылки не должны появляться только потому, что так текст выглядит убедительнее.

10. Последнее слово всегда за человеком.
ИИ может сказать, что абзац длинный, структура неправильная, шутка лишняя. Ты можешь оставить всё как есть. Это и есть авторство.

Красные флажки
«Важно понимать».

«Стоит отметить».

«В современном мире».

«Не просто X, а Y».

«Это не про X. Это про Y».

«Давайте разберёмся».

«И вот здесь начинается самое интересное».

«Именно поэтому».

И бессмертное:

«А что думаете вы?»

Финальная проверка перед публикацией
Это действительно моя мысль?

Есть ли здесь фразы, которые звучат умно, но ничего не сообщают?

Можно ли удалить целый абзац без потери смысла?

Не слишком ли идеально построен текст?

Слышно ли здесь конкретного человека?

Не придумал ли ИИ за меня вывод?

Могу ли я прочитать это вслух и не почувствовать себя ведущей форума DIGITAL FUTURE 2030?

Формула
Моя мысль → ИИ ищет слабые места → правка → повторная проверка → мой финальный выбор.

Не надо заставлять ИИ сначала написать шаблонный текст, а потом десять раз просить его убрать из текста самого себя.

Именно от этого он и устает править свои опусы.

В эту субботу в 16-00. Бесплатно. https://www.digitaltransformed.ru/ii_for_education

Мы задали ChatGPT один и тот же вопрос. Ответы оказались совершенно разными
Недавно у нас получился очень показательный случай. У нас с Кириллом одинаковая платная подписка ChatGPT, оба пользуемся им давно, но на один и тот же вопрос он регулярно даёт нам ответы разного уровня. У Кирилла это может быть короткий общий ответ, у меня — подробный разбор с компаниями, связями, собственниками, дилерами и дополнительными деталями.
Последний пример был с компанией, связанной с котлами. Кирилл до этого уже спрашивал о ней ChatGPT и получил довольно поверхностную информацию. Я задала своему буквально несколько слов — что это за фирма — и получила гораздо более глубокий ответ. Причём никакого сложного промпта на полстраницы не было.
Почему так происходит? Потому что одинаковая подписка ещё не означает одинаковую рабочую среду. На результат влияют память, предыдущие диалоги, пользовательские инструкции, проекты, загруженные материалы и то, как человек вообще привык работать с ChatGPT. Я постоянно прошу проверять глубже, искать первоисточники, смотреть связи, не останавливаться на первом очевидном ответе и возвращаю слабые результаты на доработку. Со временем вокруг моих запросов формируется гораздо более насыщенный контекст.
При этом это не значит, что ChatGPT технически «доучился на мне». Сама модель не становится отдельной персональной нейросетью. Правильнее говорить о персонализации и накопленном контексте, который помогает системе лучше понимать, какой уровень ответа мне нужен.
И вот здесь, мне кажется, главный вывод. Можно год пользоваться ChatGPT и всё равно получать довольно средние результаты, если использовать его только как строку поиска. А можно постепенно выстроить под себя рабочую систему, где нейросеть уже знает ваши задачи, требования и стандарты ответа.
Поэтому фраза «у меня тоже платный ChatGPT» сама по себе мало что говорит. Подписка открывает доступ к инструменту, но качество работы всё равно зависит от того, насколько глубоко этот инструмент встроен в ваши процессы.
Мы разбираем работу компании и встраиваем ИИ в реальные процессы: управление, продажи, документы, аналитику, инженерные задачи, базы знаний и работу сотрудников. Нас интересует не количество освоенных нейросетей, а то, какая работа после внедрения ИИ перестала выполняться вручную.
Если хотите понять, какие задачи в вашей компании уже можно передать ИИ и как настроить ChatGPT под реальную работу, приходите на бесплатную консультацию: https://www.digitaltransformed.ru/consultation

Супервизия — это когда один человек держит в голове десять чужих процессов. Каждый день.
Меня попросили сделать ассистента под конкретный протокол. Там цена ошибки высокая. Сделала.
Ассистент читает транскрипт, разбирает по методологии, даёт черновик. Супервизор проверяет и принимает решение. Ответственность никуда не уходит — уходит пустой экран.
Теперь думаю — кому ещё это нужно.
Если у вас жёсткая методология и супервизор один на всех — напишите.