Посетил сегодня встречу закрытого AI клуба Саши Горного на тему «ИИ в продажах и маркетинге».

Делюсь хайлайтами:

1. В маркетинге МСБ активно применяет AI инструменты, причем не только для создания контента (HeyGen, MidJourney, Figma AI), но и для анализа рынка и конкурентов (ChatGPT, Perplexity, SemRush), оптимизации трафика (Tomi.ai, reboost.ai) + разные ИИ-плагины для CRM
2. Многие бизнес-пользователи юзают no-code решения вроде n8n, Zapier, а также Albato для готовых интеграций
3. CRM становится центром управления всеми данными - реклама, клиенты, продажи и ИИ-агенты / инструменты
4. Заявляется, что нейросотрудники (термин-то какой 🙃): ИИ продавцы, ИИ РОП-ы и ИИ Отдел Контроля Качества - становятся must have технологией, которая реально приносит пользу бизнесу (примеры: Tomoru, Zvonobot). Цена минуты звонка падает в 7 раз, без потери конверсии + доступность 24/7 и стабильный уровень оказания сервиса.

В кулуарах активно обсуждались запросы на:
- ИИ звонилки
- ИИ боты для отработки входящих заявок в мессенджерах (преквалификация)
А мне казалось, что каждый первый старт-ап сейчас это делает... но видимо еще не весь спрос покрыт.

Удивлен еще, что ни разу не услышал про RAG 😌

Физтехи

Хочу поделиться мега-подборкой полезности - папкой каналов физтехов: разные сферы (крипто, AI, product management, и другие), молодые амбициозные и уже прожженные 😱

Cам слежу за многими каналами, например:
- канал Дениса - для тех кто хочет прочувствовать VC направление (и не только, например, космос 🛰), также Денис проводит регулярные вебинары и бесплатные курсы

- канал Виктора Кантора - уверен, что у многих современных ML инженеров знакомство с ИИ началось именно с курсов Виктора :) кстати сейчас он запускает новую ML школу 🧨

- канал Димы - мой дружище / одногруппник и просто супер позитивный человек, product manager с Data Science бэкграудом (например, он был из тех, кто делал AI продукт для коров и ферм в США) 🐄

Ссылочка на папку: https://www.group-telegram.com/addlist/yS6xs3ttubRhNmEy
👋

Йоу 👋

Выпустили статейку вместе с Технократией — как делали им ассистента по Базе Знаний. Можно сказать, что это yet another статья про RAG, но мы старались описать доступным и понятным языком для бизнес пользователей: что это такое, почему "просто не бахнуть ChatGPT", и т.д.

Бежим смотреть 🏃‍♂️

Ребята,

Выложили статью на VC про тот самый ML кейс с парковками, где мы все сделали круто по части алгоритмов, но пролетели по срокам и $$$ из-за того, что не учли сеть и взяли неправильные камеры.

Добавили видео / фотки, зценивайте 🥹

Сходство между детьми и ML 😱

Вот уже более 4 лет наблюдаю за своим сыном и его развитием.
Из-за профдеформации нахожу много любопытного сходства с миром машинного обучения:

1. Overfitting (Переобучение). Его замечаю чаще всего.
Ребенок слишком быстро адаптируется (лучше даже сказать привыкает) к определенной конфигурации жизни: паттерны поведения, ритуалы, игры, последовательности действий, даже разные “фразочки”.
Пару примеров:
🟠стоит несколько раз после садика зайти на ближайшую детскую площадку, потом в Азбуку, поесть мороженное и поехать домой, как все следующие разы это становится дефолтным сценарием
🟠ритуал читать книгу перед сном. даже если уже 12 ночи
🟠за рулем один раз крикни “Козел, че сигналишь” (и че похуже 🐔). В след разы появления этого триггера посмотрите, что будет 😄

Из-за это как раз и появляются сбои программы, когда что-то отличается от привычного уклада. Сбои выражаются в виде плача / истерик / сопротивления и искреннего непонимания ПОЧЕМУ ТАК.

Я очень позитивно отношусь к ритуалам (особенно сейчас для себя 🙂 или в младенчестве), но регулярные ритуалы с ребенком, без постоянных добавлений новых факторов или вариаций, могут привести к "переобучению", что потом вызывает стресс при изменениях.

2. Вариативность данных.
Получается лучшее, что может дать Родитель Ребенку, чтобы избежать “переобучения” — это увеличивать вариативность всего: своей реакции, событий, мест, время провождений, прослушиваемой музыки, книг и друзей, данных.

В том числе поэтому полезно, когда ваше чадо воспитываете не только вы, а еще пара бабушек с дедушками. Получится увидеть разные модели поведения, диверсифицироваться и избавить себя от стандартных паттернов и предрассудков.

Чем больше различных данных (ситуаций и событий) ребёнок получает, тем лучше его способность находить новые решения, что похоже на улучшение "обобщающей способности" модели.

(А еще есть хороший мэтч с Cross Validation, но уже для совсем продвинутых читателей, не буду объяснять 🙂).

3. Transfer Learning (Перенос Знаний).
Дети учатся в одном контексте и начинают применять это в другом. Например, узнав, как собрать простую конструкцию из кубиков, ребенок может применить этот навык в других играх. Или начинает придумывать новые истории, имена на основе прочитанных книг. Ребенок перенимает знакомые ему образы героев и сценарии из книги, но добавляет в своих играх новые элементы: новых персонажей или неожиданные повороты.

__________________________________
Если зайдет, напишу потом про Reinforcement Learning, Регуляризацию, Exploration vs. Exploitation.

Для тех, кто не успевает смотреть вебинары, выложили две статьи на VC, где сжато и упрощенно рассказали суть кейсов:

💎 Алмазы, ручная сортировка, косяки с оценкой проекта: https://vc.ru/1487942

🧠 Один из моих любимых кейсов про выявление окклюзий сосудов в мозге по специальным КТ снимкам: https://vc.ru/ai/1491619-kak-s-pomoshyu-ai-predotvratit-razvitie-insulta-keis-vyyavleniya-okklyuzii-sosudov-golovnogo-mozga

🖐🖐

Задача со звездочкой

Недавно попалась супер сложная задача — помочь клиенту (сервис графического дизайна, аналог Canva) разработать алгоритм для улучшения дизайна документа (это может быть слайд, инфографика, изображение карточки товара и т.д.). Над подобной задачей трудятся несколько отделов в Сбере, Adobe, Microsoft, пару десятков старт-апов и теперь … мы

Чего хочется: чтобы алгоритм на входе получал текущий пользовательский док и по кнопке AI Magic💫 превращал его в “красивый” дизайн. Причем не только эстетично расставлял text box-ы по холсту, но добавлял иконки, картинки, справлял и дописывал текст, применял модный шрифт и т.д.

Из огромных плюсов: есть довольно большая база (неск. десятков тысяч) документов, созданных дизайнерами.

Сложности:
- нечеткая постановка бизнес-задачи (а точно нужно работать с контентом? можно ли не заниматься добавлением картинок?)
- непонятно, какими метриками определять “красивый” дизайн
- как вообще построить дизайн ML эксперимента (что это?! классификация / генерация / оптимизация?)
- несколько месяцев клиент экспериментировал, но без особого успеха и результатов — сети не учатся, лосс не сходится 😟

Спустя месяц работ, где мы сейчас:
- сформулировали гипотезу
- придумали пару дизайнов ML решения (пишите идеи в комменты, знатоки👇)
- смогли таки почистить данные (хитрая кластеризация тех самых профессиональных дизайнов)
- научились рендерить выходы от моделей
- получили первые baseline модели, которые уже сходятся (!) и даже генерируют осмысленные выходы (!!) (пример на фото)
- модель довольно умело расставляет основные изображения и заголовки, но все еще “слепляет” остальные элементы

Далее в планах очередной цикл переосмысления бизнес-задачи (вводные от бизнеса / продукта), генерация новых идей и куча новых экспериментов, как иначе

____

Кстати сегодня в 20:00 мск стрим со Славой, 19-летним MLE.
Подключайтесь 🤗