Product Management & AI

Ребята из AI for Work делают практический марафон желаний по вкату в ИИ-агенты. В методике нет лекций, есть только пошаговые короткие задания, разделённые на 3 раунда: 1. Базовые настройки: доступы, разрешения, персонализированные настройки, работа с файлами (отчёты, таблички, презентации, документы, аудио-видео), настройка памяти и установка ИИ-инструментов. 2. Коннекторы. Как соединять ИИ-агента и внешние сервисы, официальные (и не очень) способы подключения ИИ, плагины, работа в браузере "будто агент = человек". 3. Повторяемость и проактивность. Как создавать, устанавилвать и редактировать кастомные ИИ-скиллы, настраивать автоматизации. На сладкое - немножко вайбкодинга в виде создания мини-приложений для себя любимых. В рамках марафона они проводят бесплатный прямой эфир, на котором покажут, какие задачи нужно закрыть, чтобы самостоятельно вкатиться в работу с ИИ, выдадут роадмап и разберут подводные камни. 👉 Бесплатное участие тут

3 слоя интерфейса будущего ИИ Layer 1. Отслеживание намерения пользователя Сообщения, голос, местоположение, оповещения, календарь, привычки, биометрия и прочий контекст помимо базового ввода данных, благодаря которому Система понимает (и сразу на дальнейшее…

Жизнь робота в 2026: пассажир авиакомпании Southwest Airlines в США решил взять с собой в салон андроида, и вот что из этого получилось Аарон Мехдизаде летел из Лас-Вегаса в Даллас и взял в салон своего робота Стьюи, который не пролезал по габаритам ручной…

Июльский дайджест продактов в жаре и свете её Солнца – От лошадей к стартапам – Цена фичи – Contextual Product Management – Про «чтобы что» – Закон Фолкленда – Закон Брукса – Правило 7% – 3 Истины Систем – Главное из AEO – Be NICE – Diff-in-Diff: A/B-тест невозможен – Немного про контрольные карты – Process Communication Model – Как перестать быть незаменимым – The truth about being a manager – Что проверять в AI-продуктах – Scream-тест продукта – Суперпозиция продукта – Токен ↔ Человек – Метод CRISP для PRD – Валидация — мираж – Культура загнивает незаметно – Как проектировать UX AI – Чатоцентричный интерфейс – Играем в «Оракл» с продуктом – ИИ внушает ложную уверенность – Book: Product Design Psychology – Гайд: Метрики UX – The Layers of AI experience – Симулятор сотрудника FAANG – Каталог когнитивных искажений – 3 ways people respond to a problem – What AI can tell us about human suffering – The Laws of this World (Game Theory) – По вере вашей дано будет вам 🌞 Yoshiko Sai ～ Taiji no Yume 🔭 Chiemi Manabe - Untotooku ☂️ Meiko Kaji - Shura no hana

Сергей Брин вернулся к активной работе в Google и каждый день трудится над разработкой ИИ, рассказал он же во вчерашнем интервью на All-In Summit 2024 Внутри ещё про людей, технологии, как ему пишет код ИИ, гигаватты энергии и то, куда это всё движется. …

Вкус в эпоху шума Мир, где буквы бесконечны, в нём ценны те, кто выбирает красоту и вкус. И чем сложнее масштабировать вкус, тем бесценнее он становится. Потому что ИИ масштабирует запах прошлого через размытие и посредственность, поэтому используя ИИ…

Вокруг ИИ-агенты, вайбкодинг, а у вас бизнес, рутина и даже некогда сесть и разобраться? В Битрикс24 есть всё для того, чтобы начать использовать новые фишки ИИ в числе первых. Это ИИ-сервис для бизнеса, где нейросети встроены прямо в рабочие процессы: – База для любого бизнеса: CRM, задачи, мессенджер – Нейросети и агенты: помогают с задачами, ищут информацию, пишут тексты и т.д. – Вайбкодинг для всех с подсказками и в привычном интерфейсе Подключите ИИ к своему бизнесу уже сегодня

Всё уже существует в пространстве бесконечной неопределённости вариантов, из-за чего Всё не имеет какого-либо объёма данных и скорости своей передачи (упростим, сказав, что бесконечны), и всегда (всегда = время не существует) находится в состоянии постоянной резонации такого пространства как Единого-Целого. Так Супер~Сознание работает в одном-едином-постоянно-бесконечном режиме "наблюдения~и~понимания всего~и~сразу". Готово, есть единица. Такое свойство состояния Супер~Сознания выражено в его же Супер-Позиции, в котором отсутствует само понятие данных, скорости их поиска и выбора варианта(ов) из-за чего его можно выразить нулём. ~Всё~Есть~Всё~Может~Быть~Всё~Может~и~Не~Быть~ Для осознания этого пространство(а) само(го) сознание(я) должно быть абсолютно идентичным пространству бесконечности вариантов, которое оно вмещает, иначе резонации не будет. 0 =≠ 1. Это – Дуальность. Всё сошлось Все остальные игры с квантами, квантовой ОС от Майкрософта, дорогими в обработке камешками с пыльной дороги в медно-золотистых проводах и трубах и прочая научная псевдо-фантастика 21 века является лишь очередным намерением кого-то получить верификацию (одобрение?) через формулирование вопроса и выбор варианта ответа, который он... уже знает, видит и предполагает, создавая вокруг этого намерения очередные инструменты для "поиска"... которого должно было не быть. Иными словами: наш обезьяний мозг сам создаёт для себя очередные рамки, разрабатавая "новое удобное и быстрое решение" проблемы, которой нет. О, это приятное ощущение свежести продукта по утрам. Именно поэтому человек не способен "придумать" настоящий квантовый компьютер и AGI до тех пор, пока он не переосмыслит сам подход к понимаю природы процессов сознания. А переосмыслив подход к понимаю сознания, человек осознает, что "квантовый компуктер и AGI" были изобретёны давно. Так, Всё~снова~сойдётся

Яндекс запускает программу, которая должна сделать использование ИИ новым стандартом внутренней разработки К концу 2026 года 75% разработчиков будут регулярно применять ИИ при написании кода. На уровне всей компании ИИ будет участвовать в подготовке не менее 75% изменений, а в каждом таком изменении генерировать не менее 75% кода. Программа 75/75/75 позволит ускорить создание продуктов и сократить время вывода их на рынок. ИИ уже помогает инженерам Яндекса писать и рефакторить код, искать ошибки, готовить тесты и документацию, а также значительно ускоряет вывод продуктов на рынок, оставляя проверку качества и ответственность за результат за разработчиками. Например, команда Яндекс Еды за два месяца с помощью нейросетей написала код для ИИ-хостес — агента по приёму звонков и бронирований, ИИ позволил ускорить разработку продукта более чем в два раза. Яндекс также предлагает свои ИИ-платформы внешним разработчикам и компаниям. Среди них — Yandex AI Studio — платформа для создания ИИ-агентов и приложений, которые помогают автоматизировать рутинные задачи и ускорять создание новых продуктов. На мой взгляд, ценность таких внедрений измеряется не количеством сгенерированных строк кода, а тем, насколько быстрее появляются новые продукты и обновления, при этом сохраняя качество. Судя по первым кейсам, именно на этом и делается основной акцент.

Вайбкодинг продукта глазами продакта Classic 🚬🐤

Неудачи и факапы — это данные Относись к ним соответственно и научи себя и команду быстро восстанавливаться после любых факапов, мгновенно переходя от ощущения эмоций к анализу причин. Как только вы закончите анализ, так же мгновенно пробуйте новое. В противном…

Безопасность ИИ-агента – это продуктовое требование, а не задача «отдела безопасности» Мы научились считать экономику токенов, бороться с галлюцинациями и даже писать систему тестов для оценки качества ИИ. Но почти никто на этапе проектирования не задает вопрос: «что произойдет, если нашего агента скомпрометируют?» При том что агент – это не чат-бот с ответами. Это сущность с доступами: к коду, к данным пользователей, к внешним сервисам, к инфраструктуре. И чем полезнее агент – то есть чем больше ему доверили – тем дороже стоит его взлом. – LLM ошиблась → вы получили плохой ответ. – Агент скомпрометирован → вы получили несанкционированные действия в продакшене, утечку данных и искаженные результаты по всему продукту. «Поверхность угрозы для агента растет пропорционально его полезности» Поэтому «прикрутим безопасность потом» с агентами не работает – так же, как не работает «допишем аналитику потом». Безопасная архитектура либо закладывается на нулевом этапе, либо превращается в вечный долг, который выплачивается инцидентами. Школа анализа данных Яндекса посвятила теме бесплатную AI Agents Security Week – пять дней про угрозы безопасности агентов, контролируемый доступ к инструментам и проектирование безопасной архитектуры ИИ-продуктов.

Ключ понимания Систем лежит в мышлении системой действий-состояний пользователя, а не набором страниц с моментами. Когда продакт игнорирует системы, он начинает создавать моменты. Истинное продуктовое мышление – исследование природы самой проблемы ещё до…

Дождь, засвеченный экран и перчатки — в таких условиях люди взаимодействуют с приложением совсем иначе. Особенно если это курьер: он почти всё время в движении, на улице, под ветром, дождём или снегом, и заглянуть в телефон может лишь на пару секунд между делами. Тестировать такой продукт в тепличных офисных условиях — значит проверять совсем не то, с чем пользователь сталкивается в реальности. О таких нюансах работы продактом рассказали на канале Яндекса в шорт-интервью «1×1» с Леной Щепловой, руководителем курьерских проектов в Яндекс Еде. Лена отвечает за приложение, которым курьеры пользуются в реальном времени: навигация, приём заказов, подтверждение доставки. Многие фичи тестируются в полях. И это вполне логично: сложно реально оценить удобство приложения для курьера, если проверять его только в офисных условиях Отдельно порадовало, что команда смотрит на приложение шире базовых сценариев доставки: добавляет геймификацию, и развивает продукт, а не просто закрывает функциональный минимум. Многие вопросы помогли раскрыть не только Лену как специалиста, но и личность: как она восстанавливается после работы, как юмор помогает команде. За 8 минут можно не только узнать про курьерские продукты, но и увидеть, чем живут люди, которые их разрабатывают — и что помогает им расти внутри компании.

Вики — это не память (ч.2) Здесь стоит провести одно чёткое различие, потому что терминология в этой области всё ещё расплывчата. Эти системы всё чаще описываются как памят». LangChain называет OpenWiki «слоем вики-памяти для ИИ-агентов», используя маркетинговую формулировку. Слово несёт большой вес, но покрывает две довольно разные вещи. Корпусное знание — это то, что делает вики: компилирует то, что содержится в наборе документов, репозитории или архиве Gmail. Она отвечает на вопрос «что содержит этот материал?» Пользовательская память и опыт — это другая ось: что предпочитает конкретный человек, что они решили на прошлой неделе, какой подход их команда уже отвергла, что агент пробовал в другом приложении вчера и чем это закончилось. Это относится к идентичности, а не корпусу, накапливается из взаимодействий, а не поступления, и должно уметь обрабатывать противоречия, устаревание, происхождение и удаление для каждого пользователя. Вики отлично справляется с первым и не пытается делать второе Компиляция вашего Gmail в страницы говорит агенту, что находится в вашем Gmail. Это не говорит агенту, что вы передумали по поводу решения о вендоре в разговоре во вторник, или что предложенный подход уже однажды не сработал для вас. Эта вторая ось — то, для чего предназначен выделенный слой памяти, такой как Mem0: память, привязанная к user_id, чтобы она следовала за человеком между сессиями, приложениями и агентами, обновляемая на месте при изменении фактов, а не добавляемая навсегда. Эти два подхода дополняют друг друга, и ошибка не в выборе вики. Ошибка в том, чтобы верить, что вы решили проблему памяти, потому что скомпилировали корпус. Вынесите из этого три вещи: 1) Компилируйте ваши документы в поддерживаемые страницы, когда корпус стабилен и часто перечитывается 2) Добавляйте полноценный поиск, когда он вырастает за пределы личного масштаба, как и рекомендует исходная формулировка. 3) И держите различие между компиляцией корпуса и запоминанием пользователя, потому что вики даёт вам первое, а не второе. ИИ Wiki — реальный паттерн с реальной идеей: знание должно быть скомпилировано один раз и поддерживаться, а не перевыводиться на каждый вопрос, и поддержка, отсутствие которой убило человеческие вики, это именно та работа, которую модель выполняет бесплатно.

🧠 Есть колоссальная разница между ИИ-агентом, который тупо следует инструкциям и ИИ-агентом, который понимает предметную область Наткнулся на интересный плагин для Claude ArsContexta, который строит Zettelkasten базу знаний для ИИ (навыки/систему знаний/продуктовая…

Граф: циклы, наблюдающие за циклами (часть 2) Если присмотреться к тому, как Системы на практике реализуют процессы совершенствования, вырисовывается определенная закономерность: они никогда не сводятся к одному циклу. Системы — это сети циклов, соединённые с другими циклами Так, грамотно управляемая компания представляет собой граф циклов: быстрые операционные циклы (ежедневный/еженедельные совещания/анализ метрик) встроены в более медленные управленческие циклы (квартальное планирование), те – в циклы аудита (ежегодные и, что важно, независимые, которые проверяют, соответствуют ли реальности цифры, выдаваемые операционными циклами), а все они — в самый медленный цикл уровеня совета директоров, который задаётся вопросом верны ли сами цели. Технологии ИИ пришли к такой архитектуре аналогичным путём. Грамотный конвейер обучения ИИ – это цикл типа «чемпион = претендент», когда модель-кандидат должна превзойти текущую модель, прежде чем заменить её, а также циклы мониторинга дрейфа, отслеживающие, соответствуют ли поступающие данные тем, на которых модель обучалась и механизмы отката (автоматический возврат к предыдущей версии, если показатели после развертывания выходят за допустимые пределы). Сюда же входят отложенные оценочные выборки, недоступные для цикла обучения, своего рода "слепой" цикл, чья единственная задача выявлять случаи, когда оптимизирующий цикл пытается обхитрить свои собственные тесты. Каждый элемент здесь — это цикл. Надёжность системы кроется в связях между ними: какой цикл передает данные другому, какой наблюдает за каким и какой может наложить вето на действия другого. Проблема Гудхарта решается методом парных показателей: каждому оптимизирующему циклу сопоставляется цикл, отслеживающий контрметрику и выявляющий способы "дешёвого" достижения KPI. Проблема "слепоты" по отношению к вышестоящим уровням решается иерархией, в которой более медленный цикл определяет целевые показатели для быстрого, а пересмотр целей сам по себе является регламентированным циклом, а не случайным решением того, кто установил их изначально. Конфликты разрешаются через явный арбитраж: над конфликтующими циклами стоит ещё один цикл, который принимает решение по поводу возникающих компромиссов. Проблему деградации показателей решают с помощью аудиторских контуров, единственная функция которых – периодически проверять, сохраняют ли данные других контуров связь с реальностью. Иными словами, меняется структура процессов цикла. Цикл больше не изолирован в Системе Человеческий организм работает так же: терморегуляция – это не один термостат, а сеть взаимодействующих рефлексов, а иммунная система, по сути, выступает как цикл аудита всего организма, в котором медленные процессы меняют физиологические параметры, которые помогают быстрым циклам его адаптации. Создание одного чётко работающего контура было искусством прошлой эпохи (ещё каких то пару месяцев назад). Мастерство эпохи ИИ — это архитектура контуров Понимание того, что метрика не должна существовать в отрыве от других, что у контрольных точек должны быть ответственные лица, что скорости процессов нужно разграничивать, чтобы быстрые контуры не разрушали то, что поддерживают медленные, и что некий контур в такой Системе должен отвечать за саму реальность.

Loop Engineering for Product Managers Лучшими продакт-менеджерами станут не те, у кого самая большая библиотека промптов, а те, кто понимает, какие этапы продуктовой работы стоит превратить в устойчивые циклы, какие артефакты должны ими управлять, и какие…

Суперпозиция — это (не)Знание того, что мы ⇄ рынок ⇄ мир ⇄ Вселенная ещё не выбрали Это (не)Знание (внутренний и внешний спор) идёт в двух направлениях: "мы не знаем, будет ли это востребовано, потому что мы недостаточно исследовали" (незнание в нас) vs "мы…

Когда слышишь «биоинформатика», кажется, что это что-то только для биологов. Но на самом деле это одно из самых перспективных направлений. Генетика, медицина, разработка лекарств, агропромышленность — во всех этих сферах сейчас нужны специалисты, которые умеют работать с данными и применять ИИ и именно поэтому спрос на биоинформатиков продолжает расти. Если давно хотелось попробовать себя в этой сфере, посмотрите очную магистратуру «Биоинформатика и инженерия биоданных» в ИТ-университете НЕЙМАРК в Нижнем Новгороде. Здесь не готовят биологов, а учат применять программирование, машинное обучение и анализ данных для решения задач в биотехе. Из интересного: 🧬 современные технологии на базе AI и реальные проекты — от анализа биоданных до собственных технологических решений; 🧬 обучение вместе с индустриальными партнёрами из биотеха и фармы; 🧬 возможность конкурсной поддержки покрывающий 100% стоимости обучения или проживания; 🧬 два диплома благодаря совместной программе с ННГУ им. Н.И. Лобачевского. Приёмная кампания уже открыта. Посмотреть программу и подать заявку можно по ссылке. Создавай ИИ системы для биотеха.