AI Forge – про ИИ в бизнесе

Решил завести канал для вакансий про LLM... 🤖Рынок LLM-приложений развивается с космической скоростью, а хорошие специалисты нарасхват. Каждый день вижу, как компании ищут ML-инженеров, дата-сайентистов, продактов и разработчиков, которые понимают в языковых моделяхПроблема в том, что:- Вакансии разбросаны по всей телеге и на job board'ах- Много шума и мало действительно интересных позиций- HR-ы часто не понимают специфику AI-ролей- Люди тратят кучу времени на поиски- Непонятно с чего вкатиться в LLM-ролиЧто будет в канале:✅ Только проверенные вакансии от реальных компаний✅ Позиции разного уровня — от джунов до тех-лидов✅ Удаленка, офис, релокация — все варианты✅ Стартапы, корпорации, продуктовые команды✅ Вакансии только с контактами HRСсылка: https://t.me/llm_jobs

Ещё один разрывной кейс: дано 15 открытых вкладок, просим Comet все их сгруппировать по тематикам, а потом по группе делаем сжатый (но при этом всё равно достаточно подробный) конспектПромпт для получения конспекта по группе вкладок в комментариях

Давно меня ничего искренне не восторгало из AI-инструментовА тут открыл для себя браузер Comet от создателей ИИ-поисковика Perplexity и офигел насколько там удобные есть вещи. Если коротко: он может интегрироваться с вашими сервисами, например, с почтой, а ещё он может управлять браузером и ИИ может получать доступ к контенту открытых вкладок, работает это даже с открытыми вкладками, содержимое которых недоступно по открытой ссылкеНесколько прикольных штук, которые я отразил на видео:- открыть список вкладок, скопировав набор URL; затем найти что общего у вкладки 3 и 7; потом закрыть вкладки- получить список последних сообщений из gmail и сделать саммари- получать содержимое документа google docs из открытой вкладки и на основе этого документа написать черновик письма (сначала он написал черновик по-английски, но потом я попросил его сделать по-русски и он исправился). интеграции с google docs пока нет, поэтому нельзя дать команду вида — напиши мне по-русскиЯ пользовался до этого вызовом разных инструментов из десктопной версии Claude, но всё-таки опыт более «резаный» получается, а тут прям всё достаточно гладко и бесшовноДля деталей того, что умеет Comet можно почитать статью на хабре с обзором ключевых функций, ну а лучше поставить и потыкатьДавно меня ничего искренне не восторгало из AI-инструментовА тут открыл для себя браузер Comet от создателей ИИ-поисковика Perplexity и офигел насколько там удобные есть вещи. Если коротко: он может интегрироваться с вашими сервисами, например, с почтой, а ещё он может управлять браузером и ИИ может получать доступ к контенту открытых вкладок, работает это даже с открытыми вкладками, содержимое которых недоступно по открытой ссылкеНесколько прикольных штук, которые я отразил на видео:- открыть список вкладок, скопировав набор URL; затем найти что общего у вкладки 3 и 7; потом закрыть вкладки- получить список последних сообщений из gmail и сделать саммари- получать содержимое документа google docs из открытой вкладки и на основ

Semantic Outlier Removal with Embedding Models and LLMsНаткнулся на интересную статью с практичным подходом к очистке веб-страницПроблема знакома многим: при парсинге сайтов приходится отделять основной контент от навигации, футеров, рекламных блоков и прочих элементов интерфейсаОбычно это решается написанием специфичных правил для каждого сайта — трудозатратно и неуниверсальноАвтор предлагает элегантное решение через эмбеддинги:1. Извлекаем все HTML-теги с текстом и фиксируем уровень их вложенности2. Передаем эти данные в модель эмбеддингов3. Отдельно подаем заголовок страницы и основную тему4. Фильтруем элементы по семантическому расстояниюПодход работает универсально — модель понимает смысловую связь между элементами и основной темой страницы, автоматически отсекая нерелевантный контентВыглядит перспективно, особенно для проектов, где нужно обрабатывать контент с разнородных сайтовКто-то уже применял подобные методы? Буду благодарен за опыт использования и ссылки на реализации (мб уже знаете либы для очистки через LLM)

LangChain запустили Open Deep Research — open-source решение для построения агентских цепочек исследований с LLMПока все крупные игроки (OpenAI, Anthropic, Perplexity, Google) выпускают свои проприетарные решения для deep research, LangChain создали открытую альтернативу на базе LangGraph.Что внутри:• Трёхэтапный процесс: уточнение задачи → исследование → написание отчёта• Мульти-агентная архитектура с супервизором и под-агентами для параллелизации• Гибкость — можно подключить любые модели, поисковые инструменты и MCP-сервераКлючевые инсайты:• Мульти-агенты хороши только для легко распараллеливаемых задач (исследование), но плохи для координации (написание отчёта);• Контекст-инжиниринг критически важен — без него расход токенов взлетает в 15 раз;• Изоляция контекста по подтемам решает проблемы длинного контекстаИнтересно как решили проблему координации: Изначально пытались параллельно писать разные секции отчёта разными агентами — получалась каша. Поэтому оставили мульти-агентность только для сбора информации, а финальный отчёт генерируют one-shot после завершения всех исследований. Простое, но эффективное решение дилеммы скорости vs качестваГде попробовать: Можно потестить прямо на демо-инстансе их Open Agent Platform — просто вводишь API ключи и пользуешься. Или запускаешь локально через LangGraph Studio.Код на GitHubНовость в блоге LangChain

Завтра вместе с Сашей Поляковым будем рассказывать про ИИ-сервисы для разработки и автоматизации. Приходите в бота и регистрируйтесь https://t.me/workshow_bot по слову Дегустация

У меня была нудная задача. Признаюсь, что я очень многие задачи считаю нудными по умолчанию. И я вынужден сам вдыхать в них какую-то творческую составляющую, чтобы они переставали быть такими нудными. В общем, я сам себе сначала рою яму отчаяния от того, что «боже мой какая же это скучная задача», а потом из этой ямы выкарабкиваюсь различными героическими и почти что поэтическими путямиЗадача моя состояла в том, чтобы сделать тренд-репорт о том, что вообще происходит с использованием ИИ в продуктах — какие тренды, нововведения. И я не хотел сознательно просто рассказывать про то, что появляются новые модели и т.д. и т.п. Также мне не хотелось делать компиляцию из уже известных тренд-репортов и сыпать банальностями в перемешку с баззвордами. Мне хотелось прям понять какие конкретные ИИ функции внедряют разные технологические компании в свои продукты и какие большие тренды из этого вырисовываются, в общем, по классике — сначала сигналы, потом паттерныКак вы уже поняли, сделать эту задачу как-то откровенно плохо я не хотел, но и закрадывалась «перебирать тьму различных пресс-релизов и кропотливо выбирать из них те, что достойны включения в моё исследование — такое себе удовольствие»В итоге я сделал задачу с помощью ИИ — поэтапно собрал источники, скопировал всё что нужно в единый док и скормил его Claude (хотя конечно можно было бы сделать сразу Deep Research в Claude, но я так не хотел, потому что не контролировал бы источники)А ещё прелесть в том, что когда решаешь задачу через ИИ, то фактически документируешь весь процесс. В итоге навайбкодил сделал вот такую симпатичную страничку с помощью Claude и Replit, примерно за 2 часа, которая рассказывает обо всём процессе в занимательной форме Я ещё позже отрефлексирую что это вообще значит глобально, но общая суть в том, что:а) делать задачи становится проще — новая задача становится экспериментом по взаимодействию человека и ИИ;б) выполняя задачи с помощью ИИ вы фактически попутно документируете процесс выполнения, а зна

Куда будут развиваться LLM-платформы в дальнейшемВижу интересную тенденцию, что большинство LLM-движухи сейчас сконцентрировано вокруг моделей: каналы пестрят новостями о новых релизах Anthropic, Google и остальных. Но на мой взгляд, ключевые инновации, которые будут влиять на то как быстро LLM будут проникать в бизнес и пользовательские приложения сейчас происходят в области LLM-инфраструктуры (LLMOps)Это как было с data science – с ростом потребности в том, чтобы DS-решения были масштабируемые, управляемые, воспроизводимые появилась целая область MLOps, в которой на текущий момент несколько доминирующих платформ и тысячи узко-специализированных решенийПохожая история будет происходить и с LLM: ключевые задачи тут будут касаться менеджмента LLM-пайплайнов (в том числе промпт-менеджмента, оркестрации в комплексные агентные системы, а также автоматизированной оценки пайплайнов) и resource-management (что-то про то как выдавать качество, валидное для решения задачи, но с минимальной стоимостью, например, через оптимизацию выбора модели/архитектуры под задачу)

Короткая история про то как я с помощью ChatGPT улучшил свой домашний сетап для записи видео на YouTubeКороткая история про то как я с помощью ChatGPT улучшил свой домашний сетап для записи видео на YouTube

ПродолжениеПродолжение