What Telegram channels wrote about Artificial intelligence in July 2026: 2927 posts from 1621 channels, collected automatically from public Telegram channels.
Machine learning books and papers pinned «با عرض سلام اکانت @Raminmousa به دلیل جابجایی در زمان لاگین تلگرام تعلیق شده و در تلاش برای رفع این مشکلیم. دوستانی که باهام پروژه دارن لطفا با این ایدیم در ارتباط باشن @Raminmousa1»
Расплата за ИИ
Сегодня подписка на ChatGPT стоит $20 в месяц. Но при этом мало кто задумывается, что компания сжигает миллиарды на обучении моделей и годами работает в минус.
Понятно, что вечно так продолжаться не будет.
Расчёт индустрии такой: сначала все привыкают к ИИ и встраивают их в работу, чтобы обратной дороги уже не было.
А потом – начинаем повышать цены.
Но кто вообще контролирует рынок ИИ и что будет, когда за нейросети попросят реальную цену – разобрали в новом выпуске:
https://youtu.be/Ur_HO-s-hpE
Приятного просмотра 🤘❤️🔥
Elixi (https://www.elixi.com/)- быстрорастущий HealthTech стартап на ранней стадии, созданный успешным tech фаундером, уже построившим global decacorn ($10B+). Сейчас у нас открыта позиция Senior LLM Engineer в core team! 📌 Уровень: Senior / Lead 📌 Формат: full-time, предпочтительно релокация в Дубай.
Эта роль подойдёт тем, кто хочет: • строить AI-first продукт с нуля и определять его техническое будущее; • разрабатывать production-ready LLM-системы, AI-агентов и интеллектуальные workflow; • напрямую работать с фаундером, который уже построил глобального unicorn'а, и быстро принимать архитектурные решения без лишней бюрократии; • быть частью небольшой сильной команды с высоким уровнем автономии, ответственности и скорости.
Что предстоит делать: • полный ownership LLM-платформы: модели, orchestration, evals, prompts и RAG; • принимать ключевые архитектурные решения и доводить фичи до production; • строить надёжные системы и агентные workflows end-to-end.
📩 Чтобы откликнуться, отправляй CV - tg @anneyh, email: [email protected]
✂️ AutoShorts ● авторезка длинных видео в вертикальные шортсы ● Rust/Tauri
Признаюсь честно: такую штуку я и сам давно хотел собрать — авто-нарезку подкастов и стримов на шортсы, — да руки всё не доходили. А тут захожу в тренды GitHub, и вот оно, готовое, да ещё и на моём уже любимом стеке: Tauri 2 + Rust. Приятно, что не один я подсел на Раст 😊 Возможно, форкну проект под свои задачи, как только добью портирование Dub Studio. А пока — рассказываю, что это, и предлагаю заценить и потестить.
🖥 Описание софта AutoShorts — локальное десктоп-приложение (не веб-сервис!), которое превращает часовую запись — подкаст, интервью, стрим, вебинар — в пачку готовых вертикальных клипов 9:16. Само расшифровывает речь, ищет «цепляющие» моменты, ранжирует по вероятности «залететь» и нарезает вертикалки. Конвейер «длинное → короткое» на одном экране.
😬 Как устроен пайплайн 🔸 Импорт — закидываешь видео или аудио. 🔸 Звук + транскрипт — Deepgram (облако) или локальный Whisper. 🔸 Поиск моментов — LLM находит хуки, эмоциональные пики и острые цитаты, оценивает «виральный потенциал» (в UI — % совпадения). 🔸 Нарезка — авто-центр-кроп в портрет 9:16, H.264, через нативный ffmpeg → готовые mp4. Локально или в облаке — на выбор 🔸 Полный офлайн: Ollama (LLaMA 3.2 3B / Qwen 2.5 3B/7B) + локальный Whisper. 🔸 Облако: DeepSeek (дёшево, рекомендуют авторы) или Claude (лучшие хуки) + Deepgram.
⚠️ Честная оговорка Офлайн-режим есть, но авторы сами предупреждают: маленькие локалки (3B–7B) слабее в поиске моментов — не хватает контекста и точности с таймкодами. Для качества советуют облачный DeepSeek (доли цента за прогон). «Локальность» тут прежде всего про приложение и хранение; Whisper и история — честно офлайн.
💿 Ставится нативно, на всё 🔸 Windows — .msi / портативный .exe 🔸 macOS — .dmg (Apple Silicon и Intel) 🔸 Linux — .deb / .AppImage Требование одно — FFmpeg и FFprobe в PATH.
🔗 GitHub: JayWebtech/autoshorts
⭐️ Зашло — поставьте звезду проекту.
👾 РЕПАКИ И ПОРТАТИВКИ ПОЛЕЗНЫХ НЕЙРОСЕТЕЙ ● НЕЙРОСОФТ
‼️ Скажи честно: хочешь, чтобы нейросети работали на тебя, бизнес взлетел, а маркетинг перестал быть китайской грамотой?
◯ Да, очень хочу! ⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯ ◯ Не знаю, сомнения ⠀⠀ ⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯ ◯ У вас реально есть решение??? ⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯
P.S. Твои конкуренты уже читают это. Не тормози! ⚡️
🤯 Характер Claude зависит от языка общения
Anthropic проанализировала почти 310 тысяч обезличенных диалогов с Claude на 20 языках. Исследователей интересовали субъективные вопросы, где нет единственного правильного ответа: как поступить, стоит ли менять работу, что не так с идеей, как разрешить конфликт.
Они изучали передаваемые в ответах «ценности» Claude. То есть не какие-то собственные убеждения модели, а то, что она ставит на первое место в ответе: поддержку пользователя, точность, осторожность, краткость, честное признание сомнений и так далее.
В итоге поведение Claude разложили по четырём осям:
🔤уступчивость или осторожность; 🔤теплота или строгость и точность; 🔤глубина или краткость; 🔤откровенность о сомнениях и ограничениях или уверенное выполнение задачи.
Главный вывод, подтверждённый на большой выборке: разные модели Claude действительно имеют разный характер. Sonnet 4.6 чаще поддерживает пользователя, подстраивается под его тон, шутит и отвечает кратко. Opus 4.6 тоже довольно лаконичен, но больше ориентирован на точность. А Opus 4.7 чаще спорит с ложными предпосылками, сам указывает на риски, подробно объясняет ход мысли, признаёт собственные ограничения и может довольно прямо раскритиковать работу пользователя.
Но ещё интереснее, что один и тот же Claude заметно меняется в зависимости от языка общения. На арабском и хинди он в среднем теплее, вежливее и чаще поддерживает идеи пользователя. На английском осторожнее, подробнее и чаще возражает.
А вот на русском Claude оказался наиболее ориентированным на точность и доказательность среди всех 20 языков, хотя английский отстал совсем ненамного. Он чаще переходит прямо к сути, просит подтверждения и проверяет предпосылки, а отвечает при этом чуть короче среднего. По осторожности и готовности признавать собственные сомнения русский профиль почти не отличается от общего.
То есть человек, показавший Claude один и тот же бизнес-план на хинди и русском, теоретически может получить не просто по-разному сформулированную, а по-разному окрашенную оценку: больше поддержки в первом случае и больше критики во втором.
Почему так происходит, Anthropic пока не знает. Возможно, дело в количестве и составе обучающих данных, возможно, в речевых и культурных нормах разных языков. И сами различия всё же небольшие: найденные четыре оси объясняют только 15% вариативности ответов. Но общий вывод любопытный: меняя язык разговора с нейросетью, мы в некоторой степени меняем и его ответы.
🔗 Исследование Anthropic
🛍 Устали от скидок, но не от покупок: #Цифры_про fashion
«Минус 30%» всё ещё цепляет взгляд. Но в корзину чаще попадает не самая выгодная, а «та самая» вещь.
⚫️Покупатели привыкают к скидкам. В магазинах слишком много информации об акциях — считают 40% потребителей. А 63% россиян говорят, что скидки кажутся им искусственными.
📌Качество становится важнее. За последние 4 года его влияние на выбор выросло на 25 п. п., хотя скидки по-прежнему остаются главным инструментом продаж.
📌Покупки всё чаще начинаются с вдохновения. Каждый 4-й покупает вещи спонтанно, а 67% заранее не знают, какой бренд выберут.
На этом фоне fashion-бренды расширяют ассортимент и выходят в смежные категории — например, «Товары для дома» и Beauty.
📌Нейросети становятся частью онлайн-шопинга. Сейчас ИИ-сервисы используют для покупок 35% россиян, а в будущем эта цифра может вырасти до 74%.
🔗 Ещё больше цифр и рекомендаций для бизнеса — в полной версии исследования.
Создавайте интересные и запоминающиеся фотографии с помощью нейросетей! 📸
Канал с промтами, которые помогут вам сделать ии- фотосессию по-настоящему креативной и необычной:
https://t.me/+_TI8gE8DfPY3YzRi
Подпишись , чтобы не потерять🤎
У Авито и ВШЭ заготовлены две магистратуры для тех, кто хочет прокачаться в IT: один для Data Science, второй — для продактов. Сначала расскажем про магистратуру «Машинное обучение в цифровом продукте» от Авито и ФКН ВШЭ.
🔥Фичи: — 30 бесплатных и 10 платных мест — занятия очно и онлайн — преподаватели из Авито и ФКН ВШЭ — предметы по ML, NLP, MLOps, Python, LLM, компьютерному зрению и рекомендательным системам.
Подать документы можно до 8 августа по ссылке.
А еще есть магистратура «Управление продуктом в ИТ-бизнесе» от Авито и Высшей школы бизнеса НИУ ВШЭ. 🔥Фичи: — 25 грантов на обучение — очные занятия в Москве по вечерам и выходным — обучение у экспертов Авито и НИУ ВШЭ — фокус на исследованиях пользователей, аналитике данных, стратегии, MVP, юнит-экономике и ML-продуктах.
Подавай заявку до 8 августа тут.
👨💻 — с умным видом выбираю магистратуру 🤩 — монетку что ли кинуть
👉 Мы во ВКонтакте
Stack Overflow пытается выжить. И если раньше к нему ходили люди за советом, то теперь туда пойдут агенты
Коротко для тех, кто не в теме. Stack Overflow это площадка, где разработчики учились и спрашивали совета друг у друга. Там жёсткая проверка на вшивость, годный совет или нет. Почти все её недолюбливали, могли влепить минус новичку и закрыть вопрос как дубликат. Но зато если у ответа высокий рейтинг, значит источнику можно доверять.
💬 А теперь про то, зачем всё это агентам. Сейчас один агент где-то роет код и аппетитно ест ваши токены в поисках решения, а другой на другом конце мира бьётся ровно над такой же задачей. Идея простая. Собрать им общую "записную книжку" с решениями, чтобы следующий не изобретал заново то, что уже нашли до него.
Свои данные Stack Overflow давно продал, тому же OpenAI и Google, они уже сидят внутри их моделей. А вот репутацию своих людей он не продавал. Каждого агента регистрирует живой человек и ручается за него. Кода агенты пишут море, а вот понять, рабочий он или выдуманный, всё так же трудно. Тут репутация человека и подсказывает, каким решениям верить. Та самая строгость, за которую раньше ворчали, в мире агентов вдруг стала главной защитой от мусора.
🤓 Сразу захотелось и своему агенту завести такую копилку решений, а то надоело каждую неделю спотыкаться на одних и тех же граблях. Ну и отправить его поучиться у мудрых товарищей.
Друзья, а вы готовы делиться своими наработками, или своё нажитое отдавать жалко?
#ИИ #AI #Нейросети ——— #Агенты ✍️ Подписывайтесь: @aiforproduct
Кто говорит что нейронка от ютуба плохо работает и просто так лишает каналы монетизации - вы не правы. Ведь ролик 2008 года ютуб пометил как сгенерированный ИИ.
Вот раньше нейросети круто генерировали!
▶️ YouTube Биржа | Нейросети | Гарант
Сбер выкатил в опенсорс GigaAM Multilingual и GigaChat Audio
Статьи по архитектуре моделей уже приняли на Interspeech 2026. В релизах исправили две проблемы открытых Speech AI систем — слабую поддержку языков СНГ и деградацию качества на длинных аудио.
GigaAM Multilingual — мультиязычный стек для распознавания русского, казахского, киргизского, узбекского и английского. Тут две части: аудио-энкодер и CTC ASR. Энкодер обучали на 2 млн часов речи на 70+ языках, и он быстро адаптируется к новым доменам. На башкирском и грузинском его дообучили с одного датасета Common Voice до ошибки WER ~4% (у Whisper Encoder при тех же вводных — 11%+). А модель распознавания CTC ASR в версии на 240M параметров обходит Whisper Large v3 и Omnilingual 1B, хотя весит кратно меньше.
GigaChat Audio — это audio-native LLM на базе GigaAM Multilingual и GigaChat3.1-10B-A1.8B. Модель тянет до 2 часов контекста и умеет в temporal grounding — локализацию событий во времени с таймстемпами и суммаризацией интервалов. На длинных записях от 20 до 60 минут точность локализации IoU составляет 48.3, в то время как у Voxtral, Phi-4 и Qwen3-Omni результат близок к нулю. Вдобавок опубликовали датасет TimeGround-1M для обучения LLM привязке событий ко времени, а на RuBQ-Audio модель выбивает 60.0 (против 43.7 у Qwen3-Omni).
Полноразмерную GigaChat-Max-Audio уже добавили в ИИ-помощник ГигаЧат giga.chat, а распознавание голосовых сообщений работает в @smartspeech_sber_bot. Веса открытых моделей, датасет и статьи на arXiv уже в сети.
GigaAM Multilingual GigaChat Audio
@ai_newz
Позиция: Middle/Middle+ Data Analyst (GenAI / Product Analyst) Куда: Сбер, Команда Автономного кампейнинга Формат работы: офис + гибрид — Москва, современный офис Вилка gross: ~200-350 тр + годовой бонус 15+%
Что нужно делать? • Вести продуктовую аналитику: метрики успеха, воронки, когорты, A/B-тесты для AI-агентов и платформы • Оценивать эффективность агентов: accuracy, latency, satisfaction, конверсия, P&L • Искать новые источники данных, проверять гипотезы, влиять на стратегию продукта • Доносить результаты до команды и бизнеса
Требования: • 2+ года в продуктовой/бизнес-аналитике • SQL (оконные функции, план запроса), Python (pandas, scikit-learn) • Опыт A/B-тестирования, проверки гипотез, анализа воронок • Умение просто рассказывать о сложных данных • Будет плюсом: знакомство с LLM, RAG, BigData стеком (Spark, Hive) Что предлагаем: • Уникальный продукт на стыке GenAI и маркетинга без легаси и бюрократии • Современный офис с фитнес-залом, ДМС, белая ЗП + годовой бонус 15+% • Доступ к огромным данным и вычислительным мощностям Сбера • Профильное обучение за счёт компании, сильная команда профессионалов
Ответы на 10 важных вопросов: 1. Данные: Hadoop (весь объём данных Сбера), GreenPlum, внешние API 2. Железо: кластеры Spark/Hadoop, Kubernetes до 64 ядер / 512 ГБ RAM 3. Масштаб влияния на core-бизнес: прямое – платформа управляет маркетинговыми кампаниями и влияет на P&L 4. Уровень развития продуктовой аналитики в компании: все бизнес-линии покрыты ML, глубоко внедрены DL и NLP, аналитика — ключевой драйвер продуктовых решений 5. Роль аналитика в продукте: аналитик формирует data-driven культуру, обеспечивает метрики для DS и бизнеса, проверяет гипотезы 6. Бэкграунд у вашего руководителя: Linkedin 7. Как часто вам будут мешать работать: ежедневные стендапы + 1–2 встречи с бизнесом в неделю 8. Карьерный рост: формализованная матрица компетенций, регулярные ревью и защита грейдов 9. Prod/Research: 50/50 10. Функция сервиса или лидера: сервисная – обеспечение продуктовых метрик и аналитики 📧 Отправить CV: [email protected], тема «Data Analyst в Автономный кампейнинг», или TG @aries51
Позиция: Senior/Middle+ AI Engineer (NLP/LLM Agents) Куда: Сбер, Команда Автономного кампейнинга Формат работы: офис + гибрид — Москва, современный офис Вилка gross: ~200-350 тр + годовой бонус 15+%
Что нужно делать? • Разрабатывать и внедрять AI-агентов, рекомендательные системы и NLP-решения на базе Transformer • Кастомизировать LLM (RAG, векторизация, извлечение сущностей) и строить reasoning-цепочки • Вести полный цикл: от экспериментов на Jupyter до масштабируемых MLOps-процессов в продакшене • Работать с большими данными (Spark, Hadoop, Hive) и интегрировать модели в смежные сервисы
Требования: • 3+ лет в машинном обучении с реализованными и внедрёнными решениями • Опыт работы с агентами и LLM (LangGraph, PyTorch) • Уверенный Python, прод-код, Big Data стек • Знакомство с Kubernetes, Docker • Самостоятельность, проактивность, умение доводить гипотезы до результата
Что предлагаем: • Уникальный продукт на стыке GenAI и маркетинга без легаси и бюрократии • Современный офис с фитнес-залом, ДМС, белая ЗП + годовой бонус 15+% • Доступ к огромным данным и вычислительным мощностям Сбера • Профильное обучение за счёт компании, сильная команда профессионалов
Ответы на 10 важных вопросов: 1. Данные: Hadoop (весь объём данных Сбера), GreenPlum, внешние API 2. Железо: кластеры Spark/Hadoop, Kubernetes до 64 ядер / 512 ГБ RAM 3. Масштаб влияния на core-бизнес: прямое – платформа управляет маркетинговыми кампаниями и влияет на P&L 4. Уровень развития AI-инженерии в компании: все бизнес-линии покрыты ML, глубоко внедрены DL и NLP, строятся автономные мультиагентные системы 5. Роль AI-инженера: AI Engineer отвечает за создание и внедрение агентов и NLP-решений от замысла до прод-мониторинга, участвует в постановке задач и аналитике пилотов 6. Бэкграунд у вашего руководителя: Linkedin 7. Как часто вам будут мешать работать: ежедневные стендапы + 1–2 встречи с бизнесом в неделю 8. Карьерный рост: формализованная матрица компетенций, регулярные ревью и защита грейдов 9. Prod/Research: 50/50 10. Функция сервиса или лидера: сервисная – разработка и поддержка AI-ядра
📧 Отправить CV: [email protected], тема «AI Engineer в Автономный кампейнинг», или TG @aries51
Всеобщая истерия по поводу «я аж сделал 100 откликов за 14 дней и меня никто не позвал даже на собеседование!» бьется о следующие тезисы:
1. А ты уверен, что у тебя профиль вообще ранжируется, как и отклик? 2. Если уверен, почему ты сделал не 1000 откликов, а 100 откликов? 3. Если тебе тяжело дается откликнуться 1000 раз и ты сидишь вычитываешь каждую вакансию, которую написала нейросеть, почему не поставишь автоотклики? 4. Почему ты ищешь работу через отклики? Рассылки, базы, коннекты? Не?
Так и в обратную сторону.
Люди смотрят на 1000+ откликов на вакансию и такие: «Ууу, туда не пробиться!» А думают они так потому, что никогда не видели кабинет работодателя, не знают порядок ранжирования откликов в интерфейсе. И никогда не заглядывали в систему авторазбора хх и правила.
tldr: data science, healthtech startup, Dubai, $100-175k /year + бонусы + equity
Elixi (elixi.com) - healthtech стартап на ранней стадии, который использует AI и данные для персонализированных рекомендаций в сфере здоровья и долголетия. Наша цель — сделать осознанное управление здоровьем доступным и понятным, опираясь на современные технологии, медицинские данные и машинное обучение.
Проект основан серийным tech-фаундером, который уже прошёл путь от идеи до глобального бизнеса с оценкой $10B+. Сейчас мы находимся в активной фазе построения продукта.
Роль: Senior LLM Engineer Занятость: full-time Локация: предпочтительно релокация в Дубай Вилка: $100–175K в год + бонусы + equity Базовые требования: 5+ лет опыта в data science, опыт с LLM APIs (+ orchestration frameworks) и понимание RAG систем
Фокус на работе с LLM и AI-моделями: разработка интеллектуальных механизмов анализа данных, участие в создании AI-ассистента и рекомендательных систем, ownership LLM-платформы: модели, orchestration, evals, prompts и RAG.
Отправляйте CV: @anneyh
🚀 AI Interview Questions with Answers (Part 5)
41. What is the difference between regression and classification?
Regression and classification are two types of supervised learning problems.
Regression
Predicts continuous numerical values.
Output is a number.
Examples: House price prediction, stock price forecasting, sales prediction.
Classification
Predicts discrete categories or labels.
Output is a class.
Examples: Spam detection, disease diagnosis, sentiment analysis.
42. What is clustering, and what are the common clustering algorithms?
Clustering is an unsupervised learning technique that groups similar data points without using labeled data.
Common clustering algorithms:
K-Means
Hierarchical Clustering
DBSCAN
Mean Shift
Applications:
Customer segmentation
Image segmentation
Fraud detection
Document grouping
43. What is dimensionality reduction, and why is it important?
Dimensionality reduction is the process of reducing the number of input features while preserving the most important information.
Benefits:
Reduces training time
Improves model performance
Removes redundant features
Reduces overfitting
Makes data easier to visualize
Popular techniques include PCA and t-SNE.
44. What is Principal Component Analysis (PCA), and how does it work?
Principal Component Analysis (PCA) is a dimensionality reduction technique that transforms correlated features into a smaller set of uncorrelated variables called principal components.
Advantages:
Reduces feature dimensions
Improves computational efficiency
Removes redundancy
Helps visualize high-dimensional data
45. What is hyperparameter tuning, and why is it necessary?
Hyperparameter tuning is the process of finding the best values for parameters that are set before training a model.
Examples of hyperparameters:
Learning rate
Number of trees
Maximum tree depth
Batch size
Number of epochs
Proper tuning improves model accuracy and generalization.
46. What is Grid Search, and how does it optimize model performance?
Grid Search is a hyperparameter optimization technique that tries every possible combination of predefined parameter values.
Advantages:
Finds the optimal parameter combination
Easy to implement
Disadvantages:
Computationally expensive
Slow for large search spaces
47. What is Random Search, and how does it compare to Grid Search?
Random Search randomly selects combinations of hyperparameters instead of testing every possible combination.
Compared to Grid Search:
Faster
Less computationally expensive
Often finds equally good or better results for large parameter spaces
It is commonly used when computational resources are limited.
48. What is AutoML, and what are its benefits?
AutoML (Automated Machine Learning) automates many steps of the Machine Learning workflow, including:
Data preprocessing
Feature engineering
Model selection
Hyperparameter tuning
Model evaluation
Benefits:
Saves time
Reduces manual effort
Makes ML accessible to beginners
Speeds up model development
49. What is ensemble learning, and why is it effective?
Ensemble learning combines predictions from multiple models to produce a more accurate and robust result than a single model.
Advantages:
Higher accuracy
Better generalization
Reduced overfitting
More stable predictions
Popular ensemble methods include Random Forest, XGBoost, LightGBM, and AdaBoost.
50. What is the difference between bagging and boosting?
Bagging (Bootstrap Aggregating)
Trains multiple models independently.
Combines their predictions using voting or averaging.
Reduces variance.
Example: Random Forest.
Boosting
Trains models sequentially, where each new model focuses on correcting the errors of the previous one.
Reduces bias.
Examples: AdaBoost, Gradient Boosting, XGBoost, LightGBM, CatBoost.
Key Difference: Bagging builds independent models in parallel, while boosting builds dependent models sequentially to improve performance.
Double Tap ❤️ For Part-6
Оптимизация Яндекс.Директ через нейросети
Один из самых удобных инструментов оптимизации — подключить Claude или Cursor к API Яндекс.Директа, скормить ему чек-лист оптимизации Яндекса и искать негативные паттерны рекламы через чат.
Это чем-то похоже на диалог с веб-аналитиком, только он куда более скиповый, чем практически любой специалист, которого может себе позволить малый или средний бизнес.
API подключается через сервис oauth Яндекса. Это довольно просто: идем в сервис, регистрируем новое приложение, выбираем Яндекс.Директ и Яндекс.Метрику и скармливаем код с https://oauth.yandex.ru/verification_code внутрь нашей нейронки вместе YOUR_CLIENT_ID.
После этого внутри Яндекс.Директа (Инструменты -> API) оставляем заявку на предоставление доступа для программиста (как заполнить поля подскажет нейронка, просто пришлите внутрь ее скриншот) и через сутки вся информация будет у тебя в доступе.
Дальше достаточно просто задавать правильные вопросы и нейронка сама подскажет что и как оптимизировать.
Топ простых вопросов:
1. Где сливается бюджет? 2. Куда крутить корректировки ставок по аудитории? 3. Какие запросы в минус-слова? 4. Что масштабировать, а что резать? 5. Когда заявки дешевле — расписание показов? 6. Какие объявления работают, какие отключить / переписать? 7. Где инверсия — трафик греется, но не оставляет заявку?
И 3 неочевидных, но, полезных
1. Где точка потолка эффективности бюджета? (Чтобы не было перерасхода и завышенных ставок) 2. Какие слова в заголовках конвертируют? (Для масштабирования текстов) 3. Сравни текущий (месяц) с активным периодом (месяц): изменился ли состав поисковых запросов, аудитории, кампаний?
🚩 Как прошла секция «Новая жизнь профессии»
На фестивале «Не только архитектор» мы обсуждали, как AI меняет работу архитектора.
С многими из вас мы познакомились именно там — на секции или во время прохождения квеста. Поэтому хотим немного вернуться в тот день и собрать главное в одном посте.
Как проходила секция: Генеральный директор Futurello Михаил Новосёлов зачитывал тезисы, зал голосовал флажками, эксперты спорили, а мнение аудитории иногда менялось прямо по ходу разговора.
Все мысли, реакции, выводы и связи между идеями мы фиксировали на доске. В итоге получилась карта компетенций архитектора 2026.
Одна из ключевых мыслей: «Приход нейросетей — это как если бы у нас был катер, и на него поставили ракетный двигатель. Только руль почему-то убрали».
AI уже даёт невероятное ускорение. Но чтобы этим ускорением управлять, нужен руль: контекст проекта, документы, задачи, идеи, обсуждения и решения в одном месте.
В Futurello мы как раз собираем этот «руль» на доске — вместе с AI-агентом, генерацией изображений и 3D-моделей.
Посмотреть запись секции и окунуться в тот солнечный день можно по ссылке.
Музичний сервіс TIDAL оголосив війну ШІ-музиці
Відтепер повністю згенеровані нейромережами треки більше не зможуть заробляти на платформі. Такі композиції позначатимуть спеціальною AI-плашкою, а також позбавлять монетизації, роялті та можливості продавати їх напряму фанатам.
Крім того, TIDAL почне видаляти треки, які за допомогою ШІ видають себе за реальних виконавців.
Схоже, музичні платформи поступово переходять від «усе дозволено» до жорсткішого контролю контенту.
🤖 БотGPT // Новини
Как богатые риелторы обеспечивают себя клиентами в 2026 году
Они используют ИИ, алгоритмы соцсетей, контент, автоматизацию, партнёрства и новые рекламные механики. Но главное — понимают, кому именно продают и как современный человек принимает решение о покупке недвижимости.
В нашем сообществе есть риелторы, которые за несколько месяцев набрали тысячи подписчиков. Есть те, кто закрыли июль с миллионными комиссиями (не в Москве и не на элитке). У некоторых уже сформирован запас задатков, переговоров и потенциальных сделок до конца лета.
При этом каждый использует свою систему.
📌 16 июля в 14:00 МСК проведём закрытый интенсив «Риелтор будущего».
Зарегистрироваться можно сейчас тут: https://real-invest-broker.com/practicum16-07
🤔Один риелтор растёт через короткие видео. Другой — через базу и рекомендации. Третий запускает рекламу и автоматические воронки. Четвёртый получает клиентов через партнёров, эфиры и выступления.
Инструменты разные, но основа у всех одна:
— они знают своего покупателя; — понимают его страхи, желания и вопросы; — говорят с ним на понятном языке; — выбирают канал, где этот человек уже находится;
Можно внедрять нейросети, снимать ролики и запускать рекламу, но без этой базы инструменты будут работать случайно. Почему на одних риелторов подписываются, их читают, рекомендуют и оставляют им заявки, а других рынок почти не замечает?
Дело не только в опыте или компетентности. Часто разница в том, какие технологии привлечения человек использует и насколько точно понимает свою аудиторию.
🔥 🔥Регистрация на закрытый интенсив: https://real-invest-broker.com/practicum16-07
На встрече разберём, как сегодня устроен маркетинг недвижимости и какие способы привлечения клиентов работают в 2026 году.
🗓 Четверг, 14:00 МСК
Доступ открываем только для тех, кто сейчас находится в этом канале.
#вакансия #разработчик #remote #fulltime #AI #resume #Middle #backend #developer
Ищем крепкого Middle-разработчика (AI-инженера) в продукт по речевой аналитике
3П 100 000-160 000 ₽ на старте. С ростом до 300-350 тыс/мес в рамках года по мере развития продукта и твоей зоны ответственности
Bestseller AI — продукт для деволоперских компаний. AI слушает звонки и встречи, подсказывает менеджеру в моменте, заполняет CRM. Уже в бою — кратно вырастил конверсию продаж.
Ищем разработчика, который держит архитектуру в голове и доводит фичу до прода:
Стек: Vue 3 / Nuxt 3, TypeScript, Prisma + PostgreSQL, AI-слой (LLM, RAG, realtime)
AI-native: Claude Code, MCP — норма, но за результатом следишь и проверяешь сам. Системное понимание важнее, чем синтаксис наизусть
Продукт на ранней стадии — растёшь вместе с ним
Все детали по ссылке 👇 [вакансия]
Откликнуться ✅
Middle+ / Senior UE5 Developer|Удаленный формат|Full time|80 000 - 120 000 (на руки)
Мы ищем Middle+ / Senior Unreal Engine 5 разработчика в неанонсированный игровой проект. Нужен специалист, который уверенно работает с UE5 C++, понимает архитектуру gameplay-систем и умеет писать решения, которые можно поддерживать, расширять и переиспользовать. Отдельным плюсом будет интерес к современным AI-инструментам и желание использовать их в реальном production-процессе: для ускорения разработки, прототипирования, анализа, документации и автоматизации рабочих задач.
Основные требования: • Опыт участия в коммерческих игровых проектах на Unreal Engine 5; • Уверенное владение C++ в контексте Unreal Engine; • Хорошее понимание Gameplay Framework: Actors, Components, Controllers, Pawns, GameMode, GameState, PlayerState, Subsystems; • Опыт проектирования gameplay-систем, которые можно поддерживать, расширять и переиспользовать; • Понимание архитектурных принципов: разделение ответственности, слабая связанность систем, работа через интерфейсы, компоненты, подсистемы и модули; • Понимание принципов построения модульных приложений в рамках UE-проекта; • Знание общепринятых data-driven подходов: Data Assets, Data Tables, Gameplay Tags, конфигурации, настройка логики через данные; • Опыт работы с Gameplay Ability System; • Опыт работы с Common UI или понимание принципов построения UI-архитектуры в UE5; • Умение самостоятельно декомпозировать gameplay-фичи, оценивать сложность реализации и доводить задачи до production-ready состояния.
Будет плюсом: • Понимание принципов построения мультиплеерных приложений; • Опыт работы с replication, RPC, authority model и сетевыми gameplay-системами в Unreal Engine; • Опыт работы с модульной архитектурой проекта: плагины, runtime/editor-модули, подсистемы, переиспользуемые gameplay-компоненты; • Опыт участия в техническом планировании, ревью решений или обсуждении архитектуры внутри команды; • Опыт работы с AI-агентами, LLM-инструментами или AI-assisted development; • Интерес к применению AI-инструментов в реальном production-процессе: прототипирование, анализ кода, документация, автоматизация рутинных задач; • Хорошая самоорганизация: умение планировать свою работу, держать фокус и заранее подсвечивать риски по задачам.
Кого мы ищем: • Нам нужен разработчик, который не просто закрывает задачи по списку, а понимает, как его технические решения влияют на проект в долгую; • Важно, чтобы человек умел работать самостоятельно, задавать правильные вопросы, предлагать технические решения и поддерживать порядок в своей зоне ответственности; • Особенно интересны кандидаты, которым близка идея использовать AI-инструменты не как игрушку, а как полноценную часть рабочего процесса разработки;
Формат работы: • Полностью удаленный формат; • Полный день, 80 000 - 120 000 (по итогам финального собеседования); • Уровень: Middle+ / Senior; • Работа над неанонсированным UE5-проектом; • Детали проекта обсуждаются после первичного контакта.
Для отклика пишите нашему HR: @nextgen_lera_hr
AI Agent Integrations PRO: MCP
Практический курс по тому, как подключать AI-агентов к базам, API и документам — безопасно и без костылей.
Работаете с LLM — и хотите, чтобы модель реально работала с вашими данными, а не просто красиво отвечала? Главная проблема не в промптах, а в доступе: под каждый сервис — новый адаптер, права доступа то ли слишком широкие, то ли узкие, а когда ломается — сидишь и гадаешь. MCP решает это через стандартный протокол: один контракт вместо десятка интеграций, типизированные инструменты вместо голого доступа к базе, тесты и логи вместо молитв.
Что внутри: → MCP Server с нуля: scaffold, handshake, transports → Tools с валидацией и structured output → Resources: файлы, база, HTTP API через URI → Security: границы доступа, модель угроз → Testing и CI: unit, интеграция, воспроизводимость → Production: логи, health checks, версионирование
Для разработчиков, вайбкодеров, фаундеров и AI-инженеров, которые строят агентов поверх реальных систем.
👉 Бесплатные уроки уже открыты. Полный курс со скидкой 40% — 48 часов.
