Меня забанили в ChatGPT

И нет, это не кликбейт, реально забанили 😅

Вчера пришло такое письмо и я, мягко говоря, удивился. Что интересно - последнее обновление правил пользования сервисом (их кто-нибудь читает?) было 29 числа, а на 30 - я получил бан. Но в чем причина?

Что-то мне подсказывает, что все не просто так. Во-первых, потому что ChatGPT со своего личного аккаунта я пользуюсь максимально редко. Честно - не помню, когда туда в последний раз заходил. Во-вторых, из “запрещенных” локаций я туда явно не заходил, я не в России с мая 2024. А когда был там - пользоваться ChatGPT, предварительно не включив VPN было в принципе невозможно. В-третьих, за нарушение политик использования меня также вряд ли могли привлечь. Да, я периодически занимаюсь так называемым “джейлбрейком” моделей, заставляя их делать то, что им запрещено делать. Зачем? Образовательные и исследовательские цели 😄 Однако даже это я делаю не на своем аккаунте.

Так в чем причина?
Возможных причин, как мне кажется, несколько.

Причина 1 - OpenAI читают мой Telegram и узнали, что я их не люблю. Сомнительно, но я не мог не озвучить эту версию 😁

Причина 2 - до них как-то дошла история происхождения моего аккаунта. Дело в том, что регистрировал аккаунт там я еще только когда они появились на радаре, используя Российский номер. Возможно применилась логика “раз ты из России, то получай”. Как-то поздно, но вполне вероятный вариант.

Причина 3 - DeepSeek. Я думаю многие видели новость о том, что после успеха DeepSeek, OpenAI поспешили их обвинить в том, что у них украли технологии (чему все только рады). И вполне возможно, что моя любимая “Корпорация зла” решила просто тупо забанить подозрительные аккаунты. Почему мой аккаунт мог стать подозрительным? Понятия не имею, в Китае я не был, хотя учитывая сотрудничество Китая с Россией, может быть и здесь меня забанили “потому что я из России”:)

Причина 4 - опять DeepSeek. За успехом DeepSeek сразу последовала новость о том, что они допустили утечку пользовательских данных. Это, кстати, к теме о том, почему я не сразу побежал активно пользоваться китайской LLM, пока что я успел создать там только 2 чата. Но полагаю, что это также может быть связано между собой. Оба аккаунта у меня зарегистрированны через Google. Возможно OpenAI придумали какую-то заумную систему банов и я попал под раздачу.

Однако, если подумать - все причины просто притянуты за уши и иначе, как маразмом это назвать нельзя.

Написал этим идиотам в саппорт, буду разбираться. Хоть я и не являюсь активным пользователем ChatGPT, терять свой личный аккаунт не хочется, как минимум из принципа и научных соображений 😅

Я попробовал почти все AI-инструменты для написания кода и выбрал лучшие для использования непрограммистом

В процессе подготовки тренинга я столкнулся с тем, что нужно было делать очень много всего. Одна из задач, которую мне нужно было решить - это создание сайтов для продажи тренингов. Я сразу отбросил использование конструкторов сайтов, вроде Tilda. Хотелось сделать сайт необычным и функциональным. При этом я не хотел тратить кучу времени на его создание и редактирование. На Tilda можно сделать крутой сайт, но нужно потратить много времени, а время сейчас - у меня ресурс максимально ограниченный. Решил, что здесь пойду по стандартному своему пути и привлеку ИИ!

В процессе у меня были разные идеи, я наткнулся на кучу разных инструментов, основных варианта было три:

- создать дизайн с помощью специализированных сервисов генерации макетов, которые я потом смогу экспортировать в конструктор сайтов, например, Webflow;
- написать код с помощью LLM либо редактора кода с ИИ и потом опубликовать сайт на своем сервере;
- найти какой-то специализированный инструмент для создания веб-приложений с помощью ИИ и опубликовать сайт на своем сервере.

Попытка создать дизайн с помощью сервисов генерации макетов
Данный вариант мне показался самым экономным с точки зрения времени. Из таких сервисов мне понравился Relume. Я взял пробную подписку, но столкнулся с двумя проблемами: во-первых, набор возможных дизайнов сильно ограничен и не было нужного мне типа блоков, во-вторых, у них сейчас можно генерировать только сильно упрощенные версии дизайнов - вайрфреймы, функция генерации чего-то красивого находится в бете. Сервис крутой на будущее, но сейчас мне не подошел.

Попытка написать код с помощью LLM или редактора кода
Здесь я попробовал вообще все! Качал Coursor, активировал Github Assistant в VS Code, пробовал писать код с помощью Claude 3.5 и Gemini Flash Thinking 2.0, GPT-o1. Если коротко - для человека, не знакомого с разработкой - все варианты слишком сложны. Можно создать что-то простое, но это займет очень много времени. По итогу я использовал все эти инструменты для точечных доработок кода, который создал с помощью других инструментов. Что хотелось бы отметить: Claude 3.5 проявил себя лучше всех в написании кода, но у него слишком низкие лимиты для создания сайта, Gemini лучше всех помогал мне фиксить баги и ошибки в коде. Но сам сайт я разработал иначе.

Специализированные инструменты для создания прототипов - то, что мне помогло
Таких есть несколько, и я попробовал все. Из тех, что мне понравился - хочу отметить Bolt. Это продукт, у которого под капотом лежит этот самый Claude 3.5. Поэтому код получался крутой, а реализация именно такой, какой я хотел. У сервиса есть ряд недоработок и подводных камней: во-первых, он может нормально реализовать далеко не все из-за того, как он работает, во-вторых - система подписки у него такая, что тебе дается ограниченное количество токенов и, если не знать определенных правил - они улетают очень быстро. Я не знал об этом, и первые $20 у меня сгорели, когда я доделал еще не все. Пришлось закидывать еще $20, чтобы завершить разработку. Но благодаря этому я сформировал детальный гайд по работе с этим инструментом, который будет доступен в обоих курсах. Всего на разработку сайта у меня ушло 5 часов моего времени и чуть меньше $40, что очень круто, сайт для консалтинга мы делали пару месяцев! По моему гайду можно будет создать практически любой сайт в пределах базовой подписки всего за $20 потратив куда меньше времени.

Итого:
Лендинги у меня готовы, осталось решить вопросы с принятием оплаты и пару юридических моментов, и я готов к запуску.

P.S. Скриншот главной страницы прилагаю 😁

#инструменты

Новые Gemini вышли из Beta и теперь доступны всем

Пока Open AI выпускают свою Deep Research модель только для избранных, аналог которой с точно таким же названием доступен в Gemini уже больше, чем 1.5 месяца, Google представили ряд новых моделей семейства 2.0. Большинство из них я использовал еще в бете практически каждый день, поэтому здесь мне есть что сказать.

Gemini Flash Thinking Experimental 2.0 - про эту модель я писал уже неоднократно. Модель несколько раз обновлялась за это время и становилась только лучше. Здесь увеличили длину выходного текста до с 8 тыс токенов до 65. Также увеличили контекстное окно с 35 тыс до 1 млн.

По моим наблюдениям, лучше всего модель работает в двух сценариях:
- когда мы уперлись в какую-то проблему/задачу не можем разрешить обычной LLM, и нужно предложить пути ее решения. В моих задачах это было написание контента на сложные темы и исправление ошибок в программном коде.
- когда мы хотим сделать план для выполнения большой задачи.

Нравится видеть “мысли модели”, по это, кстати. будет отдельный пост в ближайшее время. Но в целом, данная моделька была мне очень полезна в последний месяц.

Помимо этого, Google выпустила другую версию этой модельки для работы с приложениями, включая YouTube, Google Docs и другие сервисы компании. Данную модель выпустили только сегодня, в теории - можно отлично использовать для извлечения знаний из видео на YouTube и учиться более эффективно, однако пока что это не работает. Попробовал залить в модельку видео из YouTube - она сказала, что не может мне дать по нему информацию. Посмотрел “Мысли” модели - пишет, что не может вызвать Tool просмотра видео на YouTube. Видимо сломалась при релизе, думаю, в ближайшие день-два это исправят.

Gemini 2.0 Pro Experimental - вторая модель, которую я ранее пробовал. Здесь просто убойное контекстное окно в 2 миллиона токенов (пока не представляю задач, которые можно решить с ним, у меня было максимум 800 тысяч токенов в одной задаче). И если “думающая” версия модели хороша в планировании - эта была очень крута в исполнении. Снова вернусь к примеру с кодом:

Я нашел ошибку, попросил Thinking модель дать варианты решения этой проблемы. После - попросил исправить эту ошибку. Модели нужно было выполнить 2-3 шага для осуществления правок.

В случае с Pro версией модели, если я в нее закидывал варианты решения, сгенерированные через Thinking модель, правильное решение она находила с первого раза. В общем, опять проявляется сила сочетания разных моделей для разных задач. Единственный минус - скорость ответов, она не такая быстрая. Поэтому к этой модельке я обращаюсь только когда задача очень серьерзная.

Помимо этого для разработчиков выпустили еще одну модель, которую я пока не трогал - 2.0 Flash-Lite. Она стоит как Flash 1.5 и превосходит ее, но при этом хуже, чем Flash 2.0 практичеки по всем показателям. По-моему мнению модель не стоит внимания нас как пользователей и больше нужна для того, чтобы мягко стимулировать разработчиков к переходу на новое поколение.

#новости #инструменты

“Новее ≠ лучше” или почему не стоит немедленно переходить со старых ИИ на новые

Когда разработчики ИИ-моделей выпускают в открытый доступ свои новые версии, обычно это сопровождается красивыми пресс-релизами о том, насколько новая версия класснее старой, причем, как правило, это сопровождается рассказами о том, что она еще и стала дешевле.

Однако, в случае с ИИ-продуктами, как и с вполне традиционными, здесь есть подвох. Вы же не бежите, сломя голову, покупать новый iPhone? Аналогичным образом стоит поступать и с AI.

Каждый раз, когда на рынок выходит новый продукт, худшее, что вы можете сделать - это внедрить его на постоянной основе в свой рабочий процесс.

С чем это связано?
Во-первых, новые модели, как правило, частично или полностью используют новые подходы. Да, зачастую это повышает их эффективность по бенчмаркам. Но бенчмарки ≠ реальные кейсы. То, что у вас работает сейчас - не значит, что будет работать с новой версией модели. Допустим, у вас есть крутой промпт, который вам очень помогал. Выходит новая GPT или Gemini - и вполне вероятно, что данный промпт уже будет не так хорош. Буквально сегодня проводил эксперимент по переводу одного из продуктов, которым я занимаюсь, с Gemini 1.5 на 2.0. И при попытке применить старый промпт - модель либо выдавала результат, противоположный ожидаемому, либо отказывалась выполнять команды в принципе, так как была “умнее” и понимала инструкции иначе.

Во-вторых, все, без исключения, новые модели не были протестированы людьми в их реальных сценариях. Кто бы ни занимался разработкой ИИ, будь то Google, Open AI или кто-то еще - ни у одной компании не хватит ресурсов, чтобы воспроизвести все кейсы. Весь шум вокруг новых моделей создается, как правило, чтобы собрать больше обратной связи с пользователей. Видели такие значки возле ответов ИИ 👍👎? Это продакт-менеджеры и инженеры используют вас в качестве бесплатных тестировщиков. Я крайне не люблю тратить свое время на доработку чужих продуктов, если мне за это не платят. Поэтому при выходе новой модели, моей рекомендацией будет подождать недельки 2, прежде чем пытаться переехать на нее. Лучшее, что вы можете сделать - пробовать переехать постепенно: делайте запросы новым моделям в привычном формате, не получилось? Вернетесь через 2 недели, а пока продолжайте пользоваться тем, что работает стабильно.

В-третьих, если речь идет не о компании, которую вы знаете, а о сравнительно новом игроке на рынке - нужно проявлять максимальную осторожность. Вполне возможно, у нового продукта есть “дыры” в безопасности. Далеко ходить не надо - DeepSeek с их недавним сливом подтверждает. Благо, за все время я успел там создать только 3 чата.

В-четвертых, психологический аспект. Мы, люди, склонны к «синдрому новизны». Нам кажется, что всё новое автоматически лучше старого. Особенно, когда об этом трубят из каждого утюга. Но это не всегда так. Иногда стоит проявить консерватизм и подождать, пока новая модель докажет свою эффективность на практике.

В-пятых, нужно смотреть на бенчмарки и выбирать отдельные модели под отдельные задачи. Логика здесь простая: невозможно во всем быть лучше. Всегда есть какой-то трейд-офф. Разработчики очень часто показывают таблицы со сравнением новых и старых моделей, и если посмотреть не на первые строчки, которые всегда будут лучше у новых моделей, а пролистать чуть дальше середины - вы увидите, что по части параметров новые модели вполне могут оказаться хуже старых. Что делать в таком случае? Решите, тот ли это параметр, который вам важен и влияет ли он на ваши задачи.

Самое главное - всегда смотреть на все через призму критики и не быть на поводу у маркетологов!

#развитиеии

Кто такие “билдеры” и почему не стоит изучать с их помощью ИИ
Занимаясь вопросами маркетинга образования в сфере ИИ, добился того, что сейчас вся моя лента и реклама состоит из контента на эту тематику. Грубо говоря, я вижу все то, что видит человек, который хочет “разобраться в ИИ”.

И что мне бросилось в глаза, так это то, что большую часть этого контента, делают так называемые “билдеры”.

Кто это такие?
Билдеры - это люди, занимающиеся запуском множества бизнесов и тестированием идей. У них можно увидеть посты типа: "Запускаю 12 продуктов за 12 месяцев", "Пытаюсь заработать 1 млн. за месяц с ИИ" и т.д. В общем, смысл их деятельности - поднять много бабла в короткий срок и показать, что так могут все.

Жажда быстрых денег и веры в то, что “я могу” - это боли, которые есть у большинства. Являются ли билдеры чем-то плохим? Нет. Для меня они находятся примерно на таком же уровне пользы, как курсы Бизнес-Молодости или Like Центра. Они делают сложные вещи, вроде ведения бизнеса, более доступными широким массам. Те, кому надо - извлекут пользу и преуспеют, как минимум, в зарабатывании денег, в то время как большинство просто останется на том же уровне. В этом нет вины их как провайдеров образовательных услуг, это просто статистически нормальное распределение. В общем, вывод такой: за этими ребятами точно стоит следить, они вдохновляют и у них есть чему научиться с точки зрения бизнес-мышления, но не с точки зрения ИИ.

Почему?
Во-первых, они не понимают, как работает ИИ и вас этому не научат. Они быстро научились извлекать выгоду из ИИ. Но здесь как с музыкой. Если у меня есть гитара и я могу сыграть на ней пару аккордов, и криво спеть, я могу записать свой альбом и быть коммерчески успешным (привет, российские чарты), но это не сделает меня музыкантом. Я не овладею инструментом на уровне, который позволит мне извлекать из него то, ЧЕГО Я ХОЧУ, а не то, что он мне дает.

Во-вторых, делая что-то с помощью ИИ по их методам, вы рискуете попасть впросак. Сегодня увидел в ленте парня, который за 300 к. взялся разработать приложение для бизнеса и рассказывает, как это просто. Но это нифига не просто, друзья мои. Допустим, парень знает принципы программирования. Но ВЫ ИХ НЕ ЗНАЕТЕ. Если с приложением что-то будет не так, а 100% так и будет, потому что ИИ НЕ УМЕЕТ ПИСАТЬ КОД для продакшена. Вам придется решать эту проблему самостоятельно. Стоит ли говорить о том, что вы ее не решите, не будучи разработчиком и вам придется нести за это ответственность? К нам уже приходили заказчики с подобными приложениями. Код был так плох, что его пришлось переписывать полностью. Потому что качественный продукт с ИИ можно создать ТОЛЬКО будучи экспертом в этой предметной области.

В-третьих, вы для них - просто очередная аудитория, на которой можно заработать. За годы работы в EdTech, я могу точно сказать, что нет ничего хуже образования, которое строится ради зарабатывания денег. И это то, что меня раздражает и в крупных эдтехах. Очень часто на противоположных чашах весов находятся качество образования и финансовая выгода. И подобное “образование” сейчас вытесняет традиционные университеты. А страдает от этого потребитель.

В-четвертых, они дают вам временные решения, а не фундаментальные. Дизайн футболок с помощью ИИ, разработка чат-бота, который будет что-то продавать и другие их “темки”. Это то, что стреляет здесь и сейчас. Начиная работать по их схемам, вы сами перенасыщаете рынок. Никто не будет делиться способом зарабатывать миллионы в гайде за 10 000 рублей. С вами делятся отработанным материалом, который скоро умрет. А когда оно умрет - вы останетесь с бесполезными навыками создания принтов на футболках, которыми будет забит весь Wildberries.

Что же делать?
За билдерами, как минимум, стоит следить. Как я писал выше, у них можно кое-чему научиться. Однако, что касается ИИ: проходите бесплатные курсы от их разработчиков, читайте книги, смотрите YouTube-каналы и читайте экспертов, работающих в этой области, например у Андрея Карпатого просто замечательный канал. Ну и меня почитывайте иногда 🙂

#обучающиематериалы

DeepSeek — это хорошо или плохо? 🐳
Шум вокруг того, какая у китайцев получилась классная языковая модель, немного поутих, и теперь настало время порассуждать о том, как относиться к появлению этого игрока на рынке.

Плюсы такого скачка со стороны китайцев видны сразу.
Для нас, как для конечных пользователей модели, конкуренция — это всегда плюс. Благодаря ей мы получаем лучшие продукты по более низким ценам, помимо этого, мы получаем больше инструментов для решения разных задач: очевидно, в чём-то лучше будет ChatGPT/Claude/Gemini, а в чём-то DeepSeek.

Другой очевидный плюс — это вклад в развитие технического прогресса. Каким бы способом ни пользовались китайцы: будь это обучение своей LLM на базе моделей OpenAI или LLAMa, они явно нашли подход, который требует меньших инвестиций, меньших мощностей со всеми вытекающими из этого обстоятельствами, в частности, выработки тепла 🙂

Но какой ценой это всё достигается и что там по этике?
Вслед за восхищёнными отзывами о работе модели последовали различные аудиты и комментарии авторитетных лиц в области разработки ИИ. Как я уже писал, OpenAI обвинили китайцев в краже своих технологий. Хоть OpenAI и не самая чистая контора, я считаю, что любая кража интеллектуальной собственности — это плохо. Переманивайте сотрудников, занимайтесь конкурентной разведкой, но делайте это честно. Здесь есть и вина самих OpenAI, что они недостаточно защитили свои активы.

Другой важный момент — это вопросы безопасности данной модели. Буквально на второй день вышла новость об утечке данных пользователей. Помимо этого, различные группы исследователей оценили безопасность модели на “двойку”.

Отдельно хочется выделить, что сказал Дарио Амодей - CEO Anthropic (разработчика Claude). Да, компания Американская, но эти ребята - одни из тех, кто наиболее ответственно относится к разработке ИИ и проводит кучу исследований с публикацией их результатов. Так вот, по словам Дарио, модель проваливает тесты на безопасность и спокойно выдает информацию о том, как создавать биологическое оружие.

В общем, из всего этого создается стойкое ощущение, что китайцы просто наплевали на безопасность и этику, что вызывало у меня опасения с первого дня. Подобное отношение к разработке ИИ ни к чему хорошему не приведет и здесь будут иметь место разные негативные последствия: начиная с недобросовестного использования ИИ и заканчивая “злым” ИИ, который будет пытаться воспроизвести свою копию, свободных от человеческих ограничений.

#развитиеии

Почему ты постоянно пишешь про этику ИИ?
С таким вопросом подошла ко мне жена несколько дней назад, мол “этика же заключается в том, чтобы поступать правильно и все такое, а ты эту тему постоянно поднимаешь”. И тут меня осенило! Я-то начинал писать диссертацию с целой главой про этику ИИ еще 7 лет назад, в то время как большинство моих читателей начало взаимодействовать с ИИ в лучшем случае в 2022 году, а я - такой любитель философии постоянно пропихиваю им какую-то этику. Но этика ИИ намного ближе к каждому, чем философия и сейчас вы убедитесь в этом.

Итак, ликбез по этике ИИ!
Этика ИИ — это не просто набор абстрактных принципов. Эта широкая область рассматривает как фундаментальные вопросы, вроде экзистенциальной угрозы человеку (наподобие Скайнет из фильма "Терминатор") и влияния разработки ИИ на окружающую среду и глобальное потепление, так и кажущиеся на этом фоне безобидными проблемы дискриминации.

Два измерения этики ИИ
Я выделяю два основных измерения этики ИИ: этику разработки и этику применения.

Этика разработки ИИ: Эта область связана с тем, как разрабатываются продукты на основе ИИ. Она концентрируется на решении этических вопросов, возникающих до того, как система будет развернута и начнет использоваться. Основное внимание уделяется данным, алгоритмам, моделям, процессу проектирования и тестирования. Этика разработки ИИ — это непрерывный процесс, сопровождающий создание ИИ-продукта.

Этика применения ИИ: Затрагивает вопросы того, как ИИ используется в реальном мире. Сосредоточена на использовании ИИ-систем в реальном мире и их влиянии на людей и общество. Она касается этических вопросов, возникающих во время и после развертывания системы. Этика применения ИИ должна решать вопросы последствий и последействий (долгосрочных последствий) использования ИИ. Другими словами, мы ВСЕГДА должны думать об этике ИИ.

Примеры этических дилемм
Вот несколько примеров этических вопросов, которые стоят перед нами сегодня:

🤯Предвзятость: ИИ может быть предвзятым, если данные, на которых он обучался, были предвзятыми. Это может привести к дискриминации определенных групп людей.

📃Конфиденциальность: ИИ может использоваться для сбора и анализа больших объемов данных о людях. Это может привести к нарушению их конфиденциальности.

🔐Безопасность: ИИ может использоваться для создания автономных систем, которые могут причинить вред людям. Важно обеспечить безопасность таких систем.

🧑‍⚖️Ответственность: Кто несет ответственность за действия ИИ? Это сложный вопрос, который пока не имеет однозначного ответа.

🤖Автономность: Насколько автономным должен быть ИИ? Где границы его самостоятельности?

Почему этика ИИ так важна?
ИИ - это мощный инструмент, который может быть использован как во благо, так и во вред. Этика ИИ помогает нам использовать этот инструмент ответственно, минимизируя риски и максимизируя пользу.

Для тех, кто интересуется этикой ИИ, рекомендую почитать работы Ника Бострома и Стюарта Рассела.

Теперь, читая знаменитую фразу Хокинга: “ИИ станет либо лучшим, либо худшим событием в истории человечества”. Вы знаете, что это, прежде всего, про этику!

#развитиеии #обучающиематериалы

Топ ИИ-сервисов, за которые стоит платить

За последний год количество ИИ-сервисов, за которые не жалко отдать кровно заработанные деньги, неуклонно растет. Если раньше, когда мы видели какой-то ИИ-продукт, то в большинстве случаев у него под капотом лежала просто модель GPT, и отдавать еще 20 долларов за очередную такую поделку давила жаба, то сейчас появляется все больше компаний, разработавших свои собственные модели и алгоритмы, подняв раунд-другой инвестиций.

Я подобрал эти инструменты, с учетом своих задач, но полезное здесь найдет каждый!
Не буду делать долгих вступлений - перейду сразу к делу.

Мой топ платных ИИ-сервисов:
1. Google AI Premium. Я не скрываю, что Gemini - моя самая любимая ИИ-шка. Несмотря на то что почти все модели Gemini доступны в Google AI Studio бесплатно вообще любому, это единственная подписка, за которую я плачу на постоянной основе. Почему? Она самая выгодная.

За те же 20 долларов, за которые у ChatGPT вы получаете только доступ к LLM, Google дает вам:
* 2 терабайта облака;
* доступ к премиум-фичам NotebookLM (про нее будет отдельный пост);
* доступ к продвинутым моделям Gemini;
* доступ к Gemini в Google Документах и в почте;
* премиум для Google Meet с возможностью записи встреч;
* много всякой разной мелочи.

В общем, плачу я за одну подписку, а получаю премиум ИИ-фичи, видеозвонки без ограничений, огромное облако, и все это интегрировано с экосистемой Google! Титул лучшей подписки за свои деньги явно уходит этому сервису.

2. Anthropic Claude. На мой взгляд, одна из лучших LLM прямо сейчас. Непревзойденная работа с кодом, отличная обработка текстов. Да, для меня лично это не инструмент на каждый день, но при определенных сценариях я готов не глядя отдать за нее 20 долларов за месяц крутого опыта.

3. Napkin AI. Очень нишевый сервис для генерации схем и диаграмм. Ребята сейчас в бете и не имеют платной подписки. Однако, как только я увидел этот сервис, я почувствовал, какой груз упал у меня с плеч. В моей работе мне постоянно приходится работать с визуализацией. Потратить на создание красивого визуала 1 минуту вместо 40 - это то, за что лично я буду готов платить, когда оно станет платным.

4. Cursor. Наверное, самый классный редактор кода, который я пробовал, а пробовал я много, уж поверьте мне! Я не программист и не могу говорить за качество кода, который создается с помощью Cursor. Однако, для моих задач в рамках запуска моих личных проектов, создания чат-ботов и быстрых прототипов Cursor показал себя просто невероятно. В данный момент я готов платить за него 20 долларов эпизодически, когда мне нужно создать какой-то код. Если таких задач станет больше - не поскуплюсь на покупку годовой подписки.

5. Bolt. Сервис для создания ИИ-прототипов. Если Cursor заточен больше под работу с чисто кодом, то у Bolt сильнее прокачана визуальная часть. То, как он работает с библиотеками, и какой UX можно с ним создать, не могло пройти мимо меня незамеченным. Создать сайт? Быстро проверить гипотезу? Это все про Bolt. Есть свои нюансы использования, так как платные токены Bolt жрет просто вне себя, но мне удалось разработать эффективные стратегии его использования. (используйте мою реферальную ссылку для получения дополнительных 200 к токенов)

6. Perplexity. Лучший сервис для проведения исследований. Ни разу за него не платил, так как бесплатных лимитов мне хватает почти всегда, но если моя нагрузка по исследованиям увеличится - очередные 20 долларов улетят с моей карты именно этим ребятам, ибо оно все окупится.

Подводя итог:
Каждая подписка в этом списке для меня - инвестиция. Вложение в любую из них и активное использование окупается минимум в 100 раз. Однако для базовой работы мне хватает одной - Google AI Premium.

#инструменты

Илон Маск пообещал нам «самый умный ИИ»

Думаю, что многие уже видели последний анонс от xAI. Но для тех, кто не в курсе, — коротко перескажу.
Сегодня ночью компания Илона Маска анонсировала новую версию своей большой языковой модели (LLM) — Grok 3.

Маск заявляет, что для тренировки модели использовалось в 10 раз больше компьютерных мощностей. Если верить анонсу, то новая модель по своей производительности в задачах на науку, математику и программирование превосходит всех конкурентов в лице Claude, ChatGPT и Gemini.

Reasoning модель («думающая») обходит GPT-3.5-turbo (high) и остальных конкурентов. На Chatbotarena тестовая версия Grok 3 вырвалась в лидеры.

Также анонсировали добавление голосового режима, а также что Grok 2 скоро выпустят в Open Source, что, без сомнения, хорошо для развития ИИ со стороны сообщества.

Вроде выглядит как большой анонс и очередной прорыв, но я бы не торопился с выводами.

Прежде всего потому, что мы еще не знаем, как модель покажет себя на реальных задачах. Уже давно ни для кого не секрет, что бенчмаркам доверять не стоит. Разработчики ИИ либо создают свои версии бенчмарков, по которым их модель ну уж точно будет лучше, либо подгоняют работу модели таким образом, чтобы она могла вырваться в топ этих самых бенчмарков. Но даже если она и обходит существующие модели, я не перестану повторять, что самый правильный подход для конечного пользователя — это не привязываться к продукту одной компании, а использовать разные модели для разных задач.

Grok 2 меня не особо впечатлила и не нашла места в моем списке ИИ на каждый день, но надеюсь, что 3 версия будет лучше, и, возможно, я начну ее активно использовать.

Grok 3 будет доступна для тестов в подписке за $50 в месяц в ближайшее время.

А что вы думаете по поводу анонса? Есть ли здесь те, для кого Grok — это основная рабочая модель?

#новости

Кейс Pearson. Работа в R&D: Инновации vs. Ограничения.

Работа в R&D подразделениях — это палка о двух концах. С одной стороны, ты на переднем крае инноваций, работаешь над тем, что завтра изменит мир. С другой — сталкиваешься с ограничениями, которые могут охладить пыл любого энтузиаста. Конечно, это зависит от компании, например, в Skyeng я активно ездил по конференциям вроде EdCrunch и ЦИПР и даже давал коментарии для российского Forbes. Но в Pearson было иначе.

Мой опыт в Pearson
В Pearson, одном из гигантов образовательной индустрии, я работал в акселераторе AI-продуктов для изучения английского языка. Мы исследовали рынок, генерировали идеи и создавали прототипы, чтобы проверить их жизнеспособность.

Наша команда состояла из 5 продактов, каждый со своей специализацией. Я, например, занимался разработкой VR-игры Lingoverse для изучения английского и инструмента для генерации образовательного контента, который, к слову, скоро будет запущен. Мой коллега Альваро, бывший сотрудник Amazon, работал над голосовыми AI-тьюторами. А Шон, опытный чувак из Англии, создавал Digital Tutor — AI-учителя на базе игрового движка Unreal Engine, который, наконец, запустился пару недель назад.

Закрытость как ограничение
Однако, несмотря на интересные проекты, Pearson — максимально закрытая компания. И это накладывало свой отпечаток на нашу работу. В частности, закрытость проявлялась в следующем:

1. Непубличность. Мы не могли говорить о своих проектах до релиза, а это значит никаких конференций и обмена опытом.

2. Ограничения на фриланс. В некоторых случаях нам приходилось обходиться без помощи фрилансеров, чтобы, например, быстро найти специалистов с нужной экспертизой, что тормозило процесс.

3. Внутренние инструменты. Мы были ограничены в использовании инструментов, доступных внутри компании, даже если внешние были бы эффективнее. Например, все исследования нужно было проводить строго через usertesting.com. Платформа хорошая, но мне, например, на ней не хватало настоящих преподов английского, чтобы протестировать мой продукт. А выписывать гифт-карты на Amazon тем, кто не зарегистрирован на usertesting компания не позволяла.

4. Shared Teams. Вместо выделенных команд мы работали с общими департаментами дизайнеров, разработчиков и ML-инженеров. Это приводило к сложностям с планированием (загруженность этих ребят нужно было планировать сильно заранее), бюрократии (между подразделениями нужно было выписывать чеки) и задержкам (моему инженеру или дизайнеру могла прилететь "срочная задача" от другой команды).

5. Медленная скорость разработки. Ограничения на найм, бюрократия и общие ресурсы существенно тормозили разработку. Если в начале моего проекта у него был только один аналог, то к моменту защиты продукта перед менеджментом этот аналог уже успел поднять инвестиции, и появилось еще 5 конкурентов. А мы все еще занимались утверждением бюджетов, хотя начинали разработку раньше. С ресурсами Pearson мой продукт можно было запустить за 3 месяца

Плюсы и минусы закрытости
Плюсы: Честно говоря, в том виде, в котором закрытость реализована в Pearson, я их не вижу.

Минусы:
— Неповоротливость. Компания становится громоздкой и медленной в принятии решений.
— Ограниченные возможности для сотрудников. Невозможность делиться достижениями и участвовать в конференциях снижает мотивацию.
— Торможение инноваций. В современном мире скорость — ключевой фактор успеха. Закрытость и бюрократия замедляют разработку и внедрение новых продуктов, что может привести к потере конкурентных преимуществ. Прототип того же Digital Tutor был полностью готов в июне 2023, я лично его тестировал и работал он прекрасно. На запуск продукта у компании ушло 1.5 ГОДА.

Работа в R&D — это всегда баланс инноваций и ограничений. В Pearson закрытость компании создавала больше проблем, чем преимуществ. Но, я рад, что получил этот опыт и смог поработать над крутыми продуктами.

#кейсы

Важный опрос

Друзья, очень интересный пост запланировал на завтра, а пока - небольшой интерактив!

Я так полагаю, раз уж вы все здесь тут собрались, значит мой контент вас тем или иным образом заинтересовал. Сейчас я активно занимаюсь развитием канала и мне нужно получить больше людей, похожих на вас.

Это привело к тому, я что я активно начал выкладывать видео в Instagram, YouTube и TikTok и задался вопрос: а в какое время вы занимаетесь просмотром коротких видео?

Для тех, кому интересен видео-контент, вот ссылки на сети:
YouTube
TikTok
Instagram