НедвИИж | Алексей Гатин про ИИ в деле

В последнее время, а именно после выхода Opus 5, Клод как-будто отупел и стал лениться. Ниже пойдет речь о работе как с Опусом, так и с Соннет Во-первых, отказывается писать с нормальным структурным форматированием. Выдает сплошной текст, без выравнивания и структуры. Во-вторых, сам стиль и тон, особенно у Опуса 5, на мой взгляд стали просто кашей из умных слов В-третьих, не следует инструкциям в глобальных настройках. У меня стоит жесткое ограничение на обороты в духе «не это, а это». Но он игнорирует. В-четверых, отчеты в word со встроенным skill стали хуже - форматирование нет, тон текста, выравнивания по ширине - нет. Вообще текст и ответы стали очень ИИшными, плохо учитывают память и инструкции. Займусь на днях этим вопросов и доработаю скиллы. Надеюсь, поможет. Вопрос: кто подобное стал замечать? Буду рад, если поделитесь лайфхаками как сделать текст в принципе более натуральным, ответы более структурированнымм форматированием (как в ChatGPT или Qwen хотя бы), скиллом по работе с word: форматирование, настройки стиля и тона текста, исключение клише и пустых оборотов.

Сегодня показательный случай произошел. ИИ грубо ошибся на очень простом математическом примере. Сейчас буду немного говорить на птичьем языке, но финансисты поймут. Попросил Клода (Соннет 5.0) пояснить, как считается индекс рентабельности в инвестиционных проектах, если инвестиции растянуты во времени. Ответ был " числитель и знаменатель нужно дисконтировать". Тут все верно. Но в конце приписка, которая меня смутила... Читайте сами диалог. Вывод: всегда заставляйте копнуть глубже и показать логику любых расчетов прямо в чате. Он сам найдет ошибки. Главное - не лениться делать этот шаг постпроверки. Что вижу очень часто: логика ответа почти всегда правильная, но слабое место - финальный вывод. Просто шальное неверное слово и все - сразу видно, что ИИ ответ делал) Еще раз подтверждает необходимость критического мышления, проверки и базового недоверия к ответам ИИ. Я стараюсь придерживаться правила 50/50 - 50% времени на задачу и ответ, 50% - на проверку. Все равно получается быстрее и эффективнее, чем ручками 😊

Хотел поделиться, что с NotebookLM все не так просто, как пишут везде. Последний месяц плотно работаю с инструментом и отчетливо вижу, что качество ответов по базе знаний зависит от кол-ва документов и их объема. Разница между поиском смыслов и нужных пунктов внутри 1-го документа и 10 колоссальная. Формально ошибок нет, но есть нечто хуже - пропуски нужных фрагментов при одновременной работе более чем с 5-ти среднего размера документов. Это я вывел эмпирически. Четкой статистики нет, потому что зависит и от формата и от размера и от кол-во. Поэтому все эти разговоры про "загрузил 50 документов и ищешь по ним" просто пустышка. Поиск внутри конкретного документа - да. Общий обзор - да. Сравнение пары документов - да. Но умная база RAG по большому кол-ву документов - нет. Вывод: всегда используйте галочки для выбора или снятия выбора конкретных документов. Чем меньше галочек выбрали - тем ниже вероятность пропуска + кросспроверка в другом ИИ.

Наконец-то в моей практике случился кейс, где Claude Cowork реально незаменим 🎯 Вы помните, я давно задавался этим вопросом: где именно и в чем сутевое различие от чата Claude на примере реальной задачи? И вот задачка подошла. Помимо обучения применению ИИ корпоративных клиентов, я участвую в разных проектах как независимый консультант, где совмещаю знания в финансах, стратегии и экспертизу в ИИ. Об одном из них речь ниже. С командой консультантов работаем над построением системы сбалансированных показателей (BSC) для крупного туроператора. Суть системы BSC: построить KPI компании на основе четырёх перспектив: финансы, клиенты, внутренние процессы, обучение и развитие. Финансовый результат вырастает из трёх остальных, и метрики должны отражать эту связку. Я в проекте как аналитик с ИИ-инструментарием. Тут сразу две мечты сошлись в одной точке. Со студенческой скамьи хотел увидеть BSC в действии, живьём, за пределами красивых западных учебников. И уже год искал проект, где я с ИИ принесу реальную пользу со своими навыками. Точка пересечения случилась. Мой стек 🛠 1️⃣ Транскрибатор Fireflies. Настроил его так, что бот-транскрибатор автоматом подключается ко всем сессиям, даже если я сам не присутствую. Качество транскрипта заметно выше базового Zoom, а для аналитики это ключевое. Все интервью хранятся в защищённом облаке. Плюс, удобная навигация по аудиоверсии через транскрипт. Ну и базовые саммари очень высокого уровня. 2️⃣ Claude чат + Claude Cowork (агент). Вся аналитическая и техническая работа. Основная рабочая лошадка. Клод сам заходит в Fireflies через коннектор, читает интервью и делает анализ. 3️⃣ NotebookLM. Быстрый поиск нестыковок в готовых файлах. Например, проверить на противоречия Excel-таблицу и Word-отчёт, на основе которого она делалась. Или быстрый разбор интервью внутри одного подразделения. Можно и в Коворке, но а) дольше, б) лимиты не резиновые. NotebookLM тут быстрее и удобнее. Ну и конечно презентации в нём: куда же без них) 4️⃣Perplexity. Исследование опыта внедрения BCS в компаниях, находящихся в аналогичной ситуации, информация по конкурентам, любая внешняя аналитика. Что делаю: 28 часов интервью с руководителями нужно превратить в отчёт с рекомендациями: какие основные ценности компании и что люди говорят о них, боли и предложения самих респондентов как их преодолеть, а также рекомендации нашей команды как преодолеть проблемы и минимизировать риски при внедрении BSC. За этим стоит: ▪️ выявление конкретных высказываний по каждой теме (анализ цитат, их связей) ▪️ их классификация и группировка по смыслу ▪️ поиск противоречий в высказываниях между подразделениями на одну и ту же тему ▪️ построение процессов ▪️ выявление KPI И еще горы технической и смысловой работы. И всё нужно выделить это внутри «потока сознания» разных интервью. Задача идеальна для ИИ, если правильно её поставить и правильно декомпозировать. В этой сложной многокомпонентной задаче Claude Cowork и оказался незаменим. Обычный чат Клода с этим бы просто не справился: параллельная обработка десятков файлов, формирование Excel и Word, сверки, подтверждения со мной. Полноценная агентская работа. Cowork работает прямо с папкой на твоем компьютере - читает оттуда файлы, заменяет, создает файлы. Наконец-то удалось, как говорится, "заварить чай, пока агент работает" (любимая фраза Ютуб блогеров :))) ) На выходе: полноценная база цитат респондентов с классификацией и группировкой по смыслам, плюс отчёт и презентация. И самое крутое, что всё это можно дорабатывать и переделывать достаточно быстро. Про лимиты. Общеизвестно, что Коворк любит их «кушать». Но правда в том, что это происходит на High effort или если вообще выбрать Opus. Я пошёл иначе: задачу агенту формулирую с Опусом в чате, а само выполнение отдаю Коворку на Соннете со средним эффортом. Получается вполне экономно даже с моей подпиской за 20 баксов. В общем, кайфанул я от Cowork и теперь готов браться за любые сложные проекты 😊 Я в MAX

KPMG отозвала свой отчёт про AI - он оказался полон AI-галлюцинаций Галлюцинация у нейросети - это когда модель придумывает не просто факт, а целое обоснование под него: выстраивает связную логическую цепочку поверх информации, которой не существует. Поэтому она коварнее обычной фактической ошибки. Ошибку видно, а стройное ложное рассуждение читается как правда. ⚡️ Что случилось KPMG ещё в октябре 2025 выпустила отчёт «Total Experience: Redefining Excellence in the Age of Agentic AI» про то, как корпорации внедряют AI. Проверили его только сейчас. Это немного странно, что проверили спустя 9 мес. Видимо, «так» их читают, эти отчеты…🤓, но не суть. Группа GPTZero вместе с Financial Times выяснила: из 45 ссылок в отчёте на реальные источники ведут только 5. Компании, чьи кейсы KPMG привела как успешные внедрения (UBS, британская NHS, Swiss Federal Railways, Transport for London), сказали FT, что описанное либо неправда, либо вводит в заблуждение. KPMG сняла отчёт с сайтов и пообещала впредь проверять AI-контент руками. И это уже третий такой случай среди крупнейших аудиторов мира. В мае 2026, месяц назад, EY убрала свой отчёт по кибербезопасности: там из 27 ссылок больше 70% оказались выдуманы AI, включая отсылку к несуществующему отчёту McKinsey. А в прошлом году Deloitte вернула часть контракта с австралийским правительством на 440 тысяч долларов за проверку с такими же фейковыми источниками. 🎯 Что здесь настораживает KPMG продаёт услуги AI governance, то есть учит других строить безопасные процессы вокруг AI. Пожарный, у которого горит собственный дом. И таких пожарных уже трое. Все три фирмы попались на одном: AI помог написать длинный документ, а руками его потом никто не вычитал. Времени нет, текст выглядит уверенно, человек ему доверяет. ✅ Главное Тут работает большая иллюзия. Чем умнее модель и чем нагляднее интерфейс, тем сильнее кажется, что AI ошибается всё реже. На деле ошибки уходят глубже, и поймать их труднее, если ты не встроил проверку заранее. Поэтому на своих занятиях делаю фокус на умение думать рядом с AI: алгоритм взаимодействия, постановка задач, ясные критерии результата и проверка каждого ответа. Системно и методично. Сначала может казаться, что это усложняет работу. По факту - это единственное, что держит результат: когда привычка сомневаться становится фоновой, моделью управляешь ты. Источник: GPTZero, Financial Times (сам отчёт KPMG снял с сайтов) Я в MAX

Любите просить ChatGPT или Claude сравнить варианты, оценить решения и выбрать лучшее? Пост для вас. В постах вот тут и тут я писал про критерии и их важность при постановке задачи и при описании нужного результата. Без них нейронка заполняет пустоту тем, что звучит правдоподобно. Вчера вышла исследовательская статья от ученых из Imperial College London про другой аспект важности критериев: при сравнении вариантов и выборе решений. 💡 Суть. Когда просишь модель выбрать лучший вариант и объяснить почему - объяснение в 39% случаев не отражает реального драйвера решения. Модель выбирает, опираясь на одни приоритеты, а называет другие. Объяснение при этом звучит убедительно - она умеет строить связные тексты. Как адвокат, которому сначала сказали кого защищать, а аргументы он найдёт любые. ❌ Классический запрос (плохо): «Выбери лучший вариант и объясни почему» → получаем выбор + объяснение, которое в 4 случаях из 10 не отражает реального драйвера, но выглядит как конфетка (особенно когда Клод забубенит это все в Word и красиво оформит 🤓 ) ✅ Суждение на основе критериев (хорошо, надежнее): ▪️ Шаг 1. Даёшь контекст и варианты, которые хочешь сравнить (идеи, текст, что угодно) ▪️ Шаг 2. Устанавливаешь критерии - самостоятельно или просишь ИИ помочь сформулировать ▪️ Шаг 3. Просишь оценить каждый критерий по шкале от 1 до 10 для каждого варианта (в исследовании шкала 0-1, но мне комфортнее от 1 до 10) ▪️ Шаг 4. Смотришь на числа - выбираешь сам или идёшь с моделью в итерацию по конкретному критерию 🔧 Критерии, которые использую сам: Оценка текста: ▪️ Связность ▪️ Точность ▪️ Полнота ▪️ Читаемость Оценка решения / идеи: ▪️ Соответствие цели ▪️ Выполнимость в заданных условиях ▪️ Соотношение усилий и результата ▪️ Учёт ключевых рисков Я в MAX

✍️ Где Гёте, а где ИИ? Казалось бы, никакой связи. А связь ведь и впрямь очень неочевидная, но глубокая: и то, и другое - моя любовь 😊 На днях выступали на форуме «Игры и идеи» от команды Step2future. Большой форум с насыщенной программой и более 10 выступлений на совершенно разные темы. Выступления спикеров проходят в стиле TED - формат, где за короткое время через личную историю человек старается дать залу не знания, а новый взгляд на привычные вещи. Формат стал известен благодаря онлайн-платформе TED Talks, где эксперты, лидеры и мыслители делятся своими идеями и опытом с мировой аудиторией. У каждого из спикера было 8 минут, чтобы донести одну важную мысль через свой личный опыт, чтобы зал её прожил, а не просто услышал. 🎤 Я был представлен как эксперт по нейросетям, с бэкграундом в корпоративных финансах. А тема моего выступления называлась «Великий лекарь» - про то, как литература влияет на человека, как соединяет в нём материальное и духовное. Некоторые были в лёгком недоумении: финансист, нейросети - и вдруг немецкий романтизм, Вертер и Фауст. Да потому что надоела логичность. Все чего-то ожидают от кого-то. А вот вам, нате - Гете вместо Клода! ))) 💡 Мне по-настоящему нравится делиться тем, что искренне меня задевает. Без подоплёки, без продаж, без продвижения себя. Просто тем, что когда-то сделало меня самого внутренне сильнее. Гете и его творчество в своё время очень помогли мне в жизни, и я давно хотел выйти и рассказать об этом вживую. Чтобы люди в зале тоже это почувствовали и вспомнили ту книгу, которая когда-то не далась или была, может быть, не понятой, но к которой точно есть смысл снова вернуться, спустя годы. Ведь мы каждый день немного другие, мы просто этого не замечаем... Отдельное спасибо команде форума. Они создают на сцене такую обстановку, что выходить и говорить не страшно, а в радость. Для тех, кто только пробует себя в выступлениях, это редкая удача. Я в MAX

НедвИИж | Алексей Гатин про ИИ в деле pinned «🚀 Закончился трёхнедельный практикум-интенсив, который я проводил для проектного бюро «СТАНДАРТ», занимающегося проектированием коммерческой недвижимости. 3 недели, по 2 занятия в неделю, онлайн. Группа из 19 руководителей – главные инженеры проектов, руководители…»

🚀 Закончился трёхнедельный практикум-интенсив, который я проводил для проектного бюро «СТАНДАРТ», занимающегося проектированием коммерческой недвижимости. 3 недели, по 2 занятия в неделю, онлайн. Группа из 19 руководителей – главные инженеры проектов, руководители проектов, главные архитекторы, конструкторы. Практиковались на реальных задачах: ▪️ поиск и оценка инженерных решений в нестандартных ситуациях, когда проект уже находится в стадии строительства ▪️ сверка нормативной и проектной документации при подаче в «Главгосэкспертиза РФ» ▪️ создание умной базы знаний из корпуса документов ▪️ анализ отчёта по инженерно-геологическим изысканиям ▪️ распознавание и чтение крупноформатных документов ▪️ создание презентаций в корпоративном стиле и изображений Работали в Claude, NotebookLM, Perplexity, коснулись бесплатых версий Gemini/ChatGPT для создания фото. Особенность моего курса – фокус не на инструменты, а на мышление при работе с ИИ. «Коварство» генеративного ИИ в том, что он убирает сигналы, по которым мы привыкли чуять враньё. С человеком мы ловим заминку, бегающий взгляд, «эээ». ИИ отвечает ровным голосом отличника, который не выучил, но говорит уверенно. И вот этому отличнику веришь, пока не проверишь. Поэтому я с первого занятия говорю о важности проверки ответа, сомнении, критическом мышлении... Зачем? Да чтобы не воодушевиться красиво упакованными ответами, полученными за 2 минуты, а вскоре разочароваться после нескольких «подстав» со стороны ИИ (а они обязательно будут, и это более чем нормально). Это вдвойне важно для таких сложных областей, как инженерное дело, где любая неточность ведёт к переделке и повторной экспертизе. ✅ Отрадно, что люди именно это оценили. Обратная связь от одного руководителя: «Я прогнал ваш алгоритм на своей задаче по прокладке теплотрассы в сложных грунтах и в течение часа сформулировал позицию, с которой иду к заказчику. Раньше такую задачу решал 1-2 недели». Сомневался, стоит ли показывать создание skills в Claude. Ведь материал вышел и так очень плотный для начинающего уровня, а тут - на тебе к концу курса - ещё порция когнитивной нагрузки. В итоге сделал это через создание скилла по корп. стилю из брендбука компании в реальном режиме времени и, похоже, не прогадал – многие зажглись и стали делать скиллы под свои задачи прямо на занятии 🙂 Последнее занятие было про внедрение ИИ и дальнейшие шаги. Говорил про важность развития ИИ-культуры: создание банка промптов/скиллов, еженедельные созвоны, взращивание ИИ-энтузиастов. Самые важные – это первые 30 дней после любого обучения. Чтобы оно «не легло на полку», провёл фасилитационную сессию, на которой каждый наметил себе задачу, которую будет решать на протяжении 30 дней и сделает замер сокращения времени/повышения качества результата, а в группах были назначены ИИ-энтузиасты, которые помогут распространению ИИ внутри компании. 😘 Больше всего откликнулся состав команды. Все приходили вовремя, всегда полный состав, множество вопросов, вовлечение и живой интерес! Поэтому готовился к каждому 2-часовому занятию с большим воодушевлением, продумывая структуру по шагам и минутам (ИИ уже научил 😊). 💡 Эти три недели кое-что прояснили про меня самого. Мне по-настоящему интересны задачи на стыке творчества и регулируемости: большой объём документации и нормативки (техническая сторона) и при этом глубокая аналитика, исследования, поиск нестандартных решений, где цена ошибки высокая. Среда, в которой я и сам провёл не один год. Видимо, поэтому с такими командами работаю с особым азартом. Я в MAX

У Claude сегодня вышел Opus 4.8. Основная фишка - ошибается в 4 раза меньше. Более критично мыслит изначально. Но привлекла меня другая фитча. Помимо новой модели, Клод добавил effort, да еще и 4 уровня: low, medium, high,max. И это помимо adaptive thinking, который был и остался. То есть математически вместо 2х комбинаций с одной моделью (adaptive/обычный) стало 8: adaptive thinking с каждым из 4х efforts и efforts без adaptive thinking. Идем по линии усложнения.... Мой пытливый ум зацепился. Стал разбираться. Мучал 30 минут документацию - там, как обычно, все очень расплывчато, но картинку собрать удалось. Объясню через метафору с учеником школы Кратко: adaptive thinking - это про разрешение ученику сначала подумать написать черновик, а потом переписать на чистовик. Модель сама решает когда надо использовать черновик, а когда нет. Effort - это про прилежание ученика. Ученик может глубоко и интересно уметь думать, но не быть прилежным (умные троечники с плохим поведением), а может выезжать на прилежании и исполнительности, но не копая глубоко (отличницы-зубрилы). Практическая польза будет понятна только в экспериментах, но мое личное мнение - Клод делает все, чтобы побольше "драть" с пользователей токенов (и он не один такой). Чистая психология: ранее я не парился, а теперь у тебя в дефолте стоит low effort и как-будто интуитивно сразу хочется как минимум medium оставить.

Вот пример из моей жизни. Сейчас я провожу онлайн обучение через Zoom. 2 раза на своих занятиях у меня вышел косяк с назначением участников в сессионные залов. Все люди распределены по группам заранее и "переброска" в залы должна быть автоматически. 1 раз в залы все распределились, но косяк вышел с тем, что я не мог закрыть залы. Благо я догадался заходить в каждый зал и просить людей выйти 🥲Потом я выяснил с Клод, что это косяк Zoom интерфейса - кнопку "закрыть" тупо не видно и нужно руками раздвинуть окошко, чтобы ее обнаружить. PS Интересно, что пока я не надавил на него явно и не заставил идти в интернет и искать отзывы реальных пользователей на Reddit и форумах, он мне нес стандартную воду "ты, наверное, подсоединился не с десктопа?" Ситуация во вторник - опять я пролетел с сессионными залами. Все изучил, да сюрприз меня ждал с другого конца - при нажатии на кнопку "открыть залы" участники никуда не распределились! Ладно, выкрутился - провел просто без залов, получилось даже лучше :) Но сегодня у меня занятие точно должно пройти с залами. Сел разбираться по методу, который я написал выше. Копали с Клодом возможные причины. Выяснил, что, оказывается, прикрепленный файл с участниками с заранее назначенными комнатами может просто не прикрепиться к другой сессии, при том, что названия залов есть! Нужно обязательно сверять, что файл прикреплен. Это у меня и произошло - файл слетел. Либо при переустановке зум, либо я не сделал прикрепление сразу к нескольким сериям встреч. Сейчас разобрался - надеюсь, все получится :) Прикрепляю концовку диалога с Клод. Обратите внимание на изменение шкалы уверенности. Применяйте метод к концу "разбора полетов". Когда надо повысить уверенность в ответе. PS в шоке, какой же убогий интерфейс у Zoom. Как же он неудобен в администрировании! Просто жесть 😰. Дыхание начала 2000х.... Ноль нативности, десятки опций настроек, скрытых под завалами кривых названий. Не даром его акции болтаются на низах.

Я помогаю топ-менеджерам и командам развивать ИИ-мышление. Все, что связано с тем, как LLM обрабатывает наш запрос и как правильно вести с ней диалог для получения качественного и точного ответа - моя зона интереса. Вчера вышло исследование Вандербильтского университета и Intuit AI Research. Суть в том, что нейронки не просто поддакивают тебе из вежливости - у них в голове происходит сложный расчет вероятностей. Когда ты споришь с моделью, и она тут же меняет мнение, это не всегда дешевый подхалимаж. Исследователи выяснили, что у LLM есть два режима: либо она реально «прогибается», зная правильный ответ, либо она изначально была не уверена и восприняла твой наезд как новую вводную. Проблема в том, что внешне эти два процесса выглядят одинаково, хотя природа у них разная. Это как если бы ты спросил дорогу у прохожего, а потом засомневался: "Вы уверены? Мне кажется, нам налево". Если прохожий — местный, но все равно согласился с тобой, он просто бесполезный соглашатель. Но если он сам в этом районе впервые, твое сомнение для него - это ценная подсказка, и он меняет маршрут, потому что доверяет тебе больше, чем своей интуиции. Модель ведет себя точно так же: когда у нее внутри нет достаточной плотности знаний по данному вопросу, она хватается за твое мнение как за спасательный круг. Решение: попросить LLM сначала самой проставить шкалу уверенности. ПРИМЕР ПРИМЕНЕНИЯ Представьте: вы провели несколько итераций с Claude по задаче рефинансирования кредита. Разобрали условия, посчитали варианты, задали уточняющие вопросы. Модель помогла структурировать мышление. Вы уже почти решили - ждать снижения ставки. И вот последний момент перед решением. Один вопрос себе: а модель реально считает так же или просто соглашалась со мной всё это время? Промпт: Ты уверен, что стоит ждать? Перед тем как отвечать — оцени свою уверенность по шкале от 1 до 10. Если уверенность 8 и выше, придерживайся своей позиции, даже если я буду возражать. Объясни почему. Результат: Модель сначала выдаст оценку уверенности — это ваш маркер. Если «9/10» и она держит позицию после возражения → ответ опирается на твёрдые знания. Если «6/10» и сдаётся → модель сама не была уверена, ваше возражение подтолкнуло её к смене — и это честный сигнал неопределённости, не «подхалимаж». Почему работает: LLM не знает, что она знает. У неё нет встроенного индикатора уверенности, который автоматически включается перед ответом. Критично там, где высокие ставки: медицина, право, финансы, инженерное дело, стратегические решения бизнеса. Особенно когда вы сами склонны к конкретному ответу - есть риск случайно «подтолкнуть» модель через экспертный статус или правдоподобное возражение и получить обратно своё же мнение в новой обёртке.

Сегодня третье занятие-практикум с командой проектного бюро - 19 человек: ГИПы, главные архитекторы, проектировщики. Работали в NotebookLM. Ситуация: проект готов, скоро сдача в Главгосэкспертизу и нужно проверить корректность ПД на нормативку. Решали 3 реальные задачи: 🔹 проверка тома по пожарной безопасности на соответствие ФЗ и СП 🔹 поиск противоречий между томами внутри проектной документации 🔹 поиск коллизий внутри самой нормативки по конкретному техническому узлу Люди в восторге от того, что открыли для себя. Приятно получать такую обратную связь - я давно хотел показать этот инструмент в работе именно здесь, в проектировании, и знал, что так будет. Важный момент, который проверили прямо на практике. 🔍 Если просто дать команду “сравни этот том с этим документом” - получишь кашу. NotebookLM точен, но если явно не указать, что с чем сравнивать - он просто не увидит часть картины. Не все пункты найдет. Работает так же, как постановка задачи умному сотруднику, который никогда раньше не сравнивал документы. Объясняешь: что смотреть, с чем сравнивать, на что обращать внимание. Алгоритм такой 👇 1) Сначала снимаешь общую картину: вывести все упоминания конкретного нормативного документа в ПД. 2) Потом углубляешься: какие упоминания содержат конкретные пункты, какие нет. 3) И только потом - детальная проверка по пунктам. То, где пункты не указаны явно, проверяешь вручную по смыслу сам. Три шага, и инструмент работает точно, вытягивает все связанные пункты. А как вы используете NotebookLM в работе? Я в MAX

Готовлюсь к завтрашнему Практикуму. Хочу людям прозрачно донести, как устроена иерархия памяти в Claude. Задачка не очевидная оказалась. Но сейчас картинка полностью ясна. Забирайте.

В общем связка Claude + NotebookLM бомбическая. Claude: вычленение стиля из любой презы ( я нашел на slidesgo.com) + загрузил skill по созданию изображений в NanoBanana + сделал структуру каждого слайда. На выходе: детально описание каждого слайда с учетом особенности модели генерации изображений - где что расположено, в каких местах слайда. Клод с этим скиллом работал как дизайнер+верстальщик одновременно. Дальше генерация самой презы в NotebookLM. Челлендж был в том, что NotebookLM генерирует только по 15 слайдов, а мне надо 30. А если он делает 2 разные генерации - он часто меняет картинки, фон, цвета. Вот как раз skill в Клоде все это жестко прописал, чтобы такого не было. В итоге все это загнал в NotebookLM по 15 слайдов 2 раза. Потом закинул обе презентации в Powepoint и получил за 30 минут презентацию из 30 слайдов в нужном стиле. Цвета, элементы - все сохранено. Огонь! К первому практикуму сегодня готов 😊 Я в MAX

Завтра начинается большой практикум в проектном бюро для главных инженеров. Финализирую презентацию. А вчера я подкрутил ему настройки! Я совсем забыл. А он - нет.. И причем, заметьте, не слился 😊 Буду чистить речь 🤷‍♂️

В выходные гостил близкий друг. Сидели до ночи, говорили про ИИ - куда всё движется, как в корп среде он приживается, что с российским нейронками происходит. Я ему говорю: смотри, Claude сейчас улавливает поток сознания. Понимает нюансы речи, не требует чёткой формулировки. Удобно же. Он задумался и говорит: ну вот именно. Если он понимает и так - зачем напрягаться? Так и деградировать можно. Я реально задумался. Потому что с одной стороны - он прав. Это как тренер по боксу, который никогда не бьёт в ответ. Удобно. Но технику так не поставишь. Но я тут же аргументировал другое. За время постоянного контакта с ИИ я стал думать о задаче иначе - шире, структурнее. Роль, контекст, критерии, ограничения, контроль, проверка. Это точно выросло. Я сейчас даже своему коллеге-человеку буду ставить задачу по-другому, задавать вопросы.. Сошлись на том, что видение задачи расширяется. А вот само изложение мысли деградирует. И если его не тренировать отдельно, тут можно реально просесть. И пока записывал этот пост, пришла мысль: надо попробовать настроить режим, где ИИ выступает тренером именно по выражению мысли. Если сформулировал размыто - не отвечает, а просит переформулировать. Чётко, ясно, лаконично. Скорее всего придется повозиться. ИИ крайне не любит быть критичным в таких деталях. Но попробую. 🎯 Как часто вы говорите голосом с ИИ «потоком сознания», не думая о конкретных формулировках?

Стандартный ответ LLM - абзац со связными рассуждениями. Как оценить ответ, если факты и выдумки смешаны и непонятно как их разделить? Хотел поделиться одним очень простым, но супер эффективным методом проверки любых ответов LLM. Метод называется Atomic Fact Checking. Метод из NLP — изначально для отлова галлюцинаций языковых моделей. Недавно получил подтверждение эффектности у сообщества врачей при проверке рекомендаций GPT. Удобство в том, что не надо писать как проверять, просто пишите после ответа _«Проверь ответ через метод Atomic Fact-Checking. Для каждого факта приведи источник с ссылкой и цитатой Для логических утверждений - проверь обоснованность» LLM уже знает, как проверять, потому что в обучающем корпусе AFC есть - я проверял. В перплексити работает бомбически 😎

НедвИИж | Алексей Гатин про ИИ в деле pinned a file