GoPractice!

Некоторые профессии — это просто «задачи» Когда вы автоматизируете задачу, работа исчезает. Классический пример — лифтеры: они управляли рычагом, но когда лифты автоматизировали, профессия исчезла. Но в большинстве профессий задача, за которую вы думаете, что вам платят, — не то, за что вам платят на самом деле. Зачем вы нанимаете McKinsey? Чтобы получить презентацию на 75 слайдов? Claude Cowork сделает ее, но это будет откровенная ерунда. Не то, что вы получили бы от McKinsey. И в любом случае — это не то, за что вы им платите. За то, что кто-то две недели ходит по вашей компании и вытаскивает из тридцати человек то, что они никогда не скажут вслух на общем совещании — и сводит это в одну картину. За доступ к бенчмаркам, которых нет в открытых источниках: они видели эти же цифры у семи ваших конкурентов. За то, что партнер сядет напротив вашего совета директоров и сделает вывод, который внутри компании не может произнести никто, потому что у всех есть карьера. За то, что на нем — ответственность за рекомендацию: если решение окажется неверным, есть с кем разговаривать. Все это и есть их работа. А PowerPoint — просто артефакт. То же самое относится к разработке программного обеспечения: Claude может написать код, но какой код вам нужен? Кто ваш клиент? Какой продукт вам нужен? Как вы выведете его на рынок? Именно эти вопросы не исчезают из-за одной только автоматизации. 👆 Эти и другие размышления — в свежем кратком пересказе беседы технологического аналитика Benedict Evans (его большие отчеты о состоянии технологической индустрии мы все с большим интересом ежегодно читаем) и продуктового эксперта Lenny Rachitsky. 1️⃣ AI уже меняет мир. Но пока никто не знает, как именно 2️⃣ Автоматизация не уничтожает профессии. Наоборот, работы становится больше 3️⃣ Некоторые профессии — это просто «задачи». А за что вам на самом деле платят? 4️⃣ Сам AI развивается быстро. Но перестройка бизнеса займет годы 5️⃣ Самая плохая стратегия — игнорировать AI 🔗 https://gopractice.ru/skills/evans-rachitsky/ 👋 Спешим напомнить, что мы придумали образовательный продукт, который позволяет освоить AI-инструменты в бодром темпе на основе тематических кейсов. Присоединяйтесь к AI-мастерской от GoPractice: получите и навыки, которые можно переиспользовать, и собственные AI-продукты, которыми сможете пользоваться сами, а также делиться с коллегами и друзьями. @gopractice

От базы вайбкодинга до деплоя своего продукта на внешних пользователей. В AI-мастерской уже доступны три кейса, а четвертый на подходе Присоединяйтесь к студентам AI-мастерской, чтобы научиться создавать новые AI-продукты, заточенные под ваши задачи — без разработчика. Проведем вас по всему пути от самой-самой базы до опубликованного сервиса в интернете, которым могут пользоваться ваши клиенты, коллеги или друзья. 1️⃣ Научитесь работать с кодинг-агентами в онбординг-кейсе. Вы получите базовые навыки работы с Cursor, Codex и Claude Code. На выходе: персональный AI-помощник, которого можно адаптировать под ваши задачи, и уверенность в том, что вы способны собрать работающий продукт, не программируя сами. 2️⃣ Создайте первый AI-продукт — сервис мониторинга конкурентов. Вы соберете сервис, который отслеживает разные источники, анализирует изменения через LLM и присылает отчеты в Telegram. На выходе: работающая система, которая заменяет несколько часов ручного анализа в неделю, — плюс готовая схема, по которой потом соберете любой похожий инструмент: следить за источником и сообщать об изменениях. 3️⃣ Освойте RAG, чтобы выйти за пределы ChatGPT. Это архитектура, на которой строятся серьезные AI-продукты: система не угадывает ответ из общих знаний модели, а сначала ищет релевантные данные в вашей базе. На выходе: система, которая отвечает по вашим данным, а не выдумывает, — основа для ботов поддержки, внутренних баз знаний и ассистентов для исследований. 4️⃣ Освойте деплой, чтобы ваши продукты были доступны в интернете. Вы научитесь публиковать ваш сервис в интернет двумя способами — простым и быстрым (для себя) или более безопасным и внимательным (для внешней аудитории). Этот кейс будет доступен с 18 августа. 🔗 https://gopractice.ru/course/aicases/ Эксперты, которые создали кейсы, будут рады обсудить с вами в закрытом чате ваш прогресс и вопросы по текущему кейсу. @gopractice

Ищете возможности применения AI/ML в своем продукте? 🔍 В AI/ML-симуляторе для продакт-менеджеров вы на практике пройдете путь от поиска таких возможностей до запуска AI-решений и оценки их влияния на бизнес. Татьяна Чикалина и Антон Усов уже прошли симулятор и поделились тем, чем он оказался для них полезен. Их отзывы мы оформили в карточки — листайте выше ⬆️ Если хотите пройти AI/ML-симулятор с поддержкой опытного ментора, присоединяйтесь к ближайшей группе. 👥 Что вас ждет: — 10 групповых онлайн-встреч с ментором — разбор кейсов и дополнительная практика — поддержка на каждом этапе обучения 🗓 Новый поток стартует 10 августа — осталось 4 места. ✍️ Оставьте заявку — мы все организуем. @gopractice

Освойте RAG, чтобы выйти за пределы ChatGPT Обычно AI-инструменты работают на основе общих знаний модели. Если вы задаете вопрос по конкретной теме, то получите ответ на основе того, что LLM видела во время обучения. Данные могут оказаться устаревшими, неточными или придуманными. RAG (Retrieval-Augmented Generation) решает эту проблему. Это архитектура, при которой модель не формирует ответ из памяти, а сначала получает релевантные данные на основе поиска по заданной базе данных и только потом составляет ответ на их основе. Этот подход меняет то, что можно строить на базе LLM. Любой массив данных (отзывы пользователей, внутренняя документация, результаты интервью, каталог продуктов) легко превращается в источник для точного семантического поиска и структурированных ответов. Корпоративные базы знаний, боты поддержки, инструменты для анализа исследований — за всем этим стоит RAG. Представьте онбординг-бот, который отвечает на вопросы строго по внутренним регламентам компании. Или инструмент для анализа пользовательских интервью, который ищет паттерны только в ваших данных. Это и есть RAG: AI, который работает на основе ваших данных, а не на основе общих знаний модели. В AI-мастерской стартовал новый кейс — RAG на практике: строим AI на своей базе. Вы узнаете, как использовать RAG — архитектуру, на которой строятся серьезные AI-продукты: система не угадывает ответ из общих знаний модели, а сначала ищет релевантные данные в вашей базе. Разберем это на примере сервиса поиска кофеен Белграда. Пользователь пишет «тихое место с фильтр-кофе рядом с Калемегданом», а сервис находит подходящие места по смыслу запроса и по ключевым словам одновременно, учитывает географию и объясняет почему каждое место подходит. Вы научитесь применять RAG для своих задач, где нужен AI-поиск на ваших данных. Для работы понадобится любой кодинг-агент на ваш вкус — Cursor, Codex, Claude Code. В процессе вы научитесь работать с эмбеддингами и использовать векторную базу данных ChromaDB, задействовать геопоиск, обогащать данные через веб-исследования. Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. Также из материалов кейса вы узнаете, какие бывают виды RAG по способу поиска (векторный, графовый, SQL, гибридный, по ключевым словам), и когда их лучше использовать. @gopractice

Выпускница курса «Профессия: продакт-менеджер» Анна Чистякова поделилась своей историей обучения. Мы оформили ее впечатления в карточки — листайте выше ⬆️ Если вы начинающий продакт-менеджер или только задумываетесь о переходе в профессию, присоединяйтесь к студентам программы «Профессия: продакт-менеджер». На курсе вы получите необходимые знания и практические навыки, которые помогут сделать первые шаги в профессии. 🗓 Ближайший поток стартует 5 августа. Осталось 5 мест! ✍️ Оставьте заявку — мы все организуем.

Скоро в AI-мастерской: RAG на практике Через неделю в AI-мастерской стартует новый кейс — RAG на практике: строим AI на своей базе. Вы освоите RAG — архитектуру, на которой строятся серьезные AI-продукты: система не угадывает ответ из общих знаний модели, а сначала ищет релевантные данные в вашей базе. Мы разберем это на примере сервиса поиск кофеен в большом городе, где для выдачи релевантного ответа пользователю нужно учесть ряд параметров. Вы научитесь применять RAG для своих задач, где нужен AI-поиск на ваших данных. Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ Первые два кейса AI-мастерской — уже доступны 1️⃣ В первом онбординг-кейсе вы получите базовые навыки работы с кодинг-агентами (Cursor, Codex, Claude Code). На выходе — ваш персональный AI-помощник, которого можно заточить под ваши задачи. 2️⃣ Во втором кейсе — создание сервиса для мониторинга конкурентов. На выходе сервис будет уметь отслеживать разные источники, анализировать изменения через LLM и отправлять отчеты в Telegram. Бонус к этому посту — универсальные принципы работы с кодинг-агентами, которыми мы настоятельно рекомендуем руководствоваться. Сохраните их себе — это пригодится как для работы над нашими кейсами, так и для самостоятельной практики. @gopractice

4 индустрии — 4 взгляда на юнит-экономику — Как вывести в плюс сервис доставки еды? — Как распределить инвестиции в приложении для знакомств? — Где искать точки роста в образовательном продукте? — На чем зарабатывают сервисы оплаты частями? Мы собрали подборку GoPractice по юнит-экономике, чтобы показать, как одна и та же тема раскрывается в разных бизнес-моделях. Внутри — видеоразборы и кейсы от экспертов из разных индустрий, а также материалы для самостоятельного изучения. Подборка будет полезна, если вы работаете с продуктом, развиваете бизнес или хотите лучше понимать, как продуктовые решения влияют на экономику продукта. 📚 Посмотреть бесплатно @gopractice

Создайте мониторинг конкурентов и получайте апдейты прямо в Telegram В AI-мастерской стартовал новый кейс — создание сервиса для мониторинга конкурентов. Кейс построен на примере мониторинга в X/Twitter. Сервис, который вы получите на выходе, будет уметь отслеживать нужное количество источников, анализировать изменения через LLM, отправлять отчеты в Telegram. Итоговый продукт будет готов к переносу в облако, чтобы он мог работать автономно, без привязки к вашей локальной машине. Также вы сможете адаптировать его под себя и свои задачи. Для работы понадобится любой кодинг-агент на ваш вкус — Cursor, Codex, Claude Code. В процессе вы сделаете интеграцию с LLM (OpenAI, Claude, Deepseek) и рабочим мессенджером (например, Telegram или Slack), научитесь использовать платформу для веб-поиска и исследований, а также утилиту для связи локальной машины с интернетом. Навыки на выходе: — Создание сервиса для мониторинга изменений с помощью Parallel — Безопасная передача обновлений из интернета в сервис с помощью ngrok и webhooks — Использование кодинг-агента для ad hoc аналитики Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. Также из материалов кейса вы узнаете, когда лучше делать автоматизацию с помощью кодинг-агентов, а когда — лучше использовать специализированные платформы вроде n8n и Zapier. Бонусом к этому посту — сравнение двух подходов. @gopractice