Artificial intelligence — May 2026

Клонируем любой сайт за пару кликов: забираем сервис, который превращает веб-ресурсы в готовые промпты для нейросетей.

Работает предельно просто: • Закидываете ссылку — сервис сканирует страницу и вытаскивает всё ценное: цвета, шрифты, иконки, анимации, структуру страниц, интерфейсные фишки и логику работы сайта; • После этого собирает полноценное досье на сайт вместе со скриншотом; • Полученный файл можно скормить ИИ и получить максимально похожий результат; • Можно использовать как референс для собственного проекта или быстро перенести понравившиеся решения; • Исходный код открыт, а сам инструмент можно поднять прямо у себя на компьютере.

Сохраняем и пользуемся — здесь.

КиберГик

В сеть слили все характеристики будущего прорывного чипа N1X от Nvidia.

Что нас ждёт: • CPU на 20 ARM-ядер; • GPU на 6144 CUDA-ядер (сравнимо с GeForce RTX 5070); • 128 ГБ памяти LPDDR5X; • Энергопотребление 48-80 Вт.

Главный упор сделали на нейросети и их доступность — ноутбуки с N1X смогут запускать самые тяжелые модели, которые не осилит даже RTX 5090.

Официально анонсировать шедевр должны уже завтра на выставке Computex 2026.

🗣️ Айтишник

На этой неделе выступала в Сколково на программе Светланы Миронюк. Говорили о том, как ИИ влияет сейчас на коммуникацию и к каким новым сложностям между людьми приводит. На семинаре были ребята из Авито, из нефтянки, то есть не только медицина, и это было особенно интересно.

Я, если честно, стопроцентный технооптимист. Нейросети уже сейчас сильно упрощают жизнь. И да, я правда верю, что постепенно мы отдадим им всю нелюбимую работу (те же истории болезни) и будем больше времени проводить с пациентами.

Но вот что я услышала от других спикеров и за что зацепилась.

Активное пользование ИИ, оказывается, довольно быстро приводит к выгоранию сотрудников. Потому что резко вырастает скорость. И прозрачность. Ничего не теряется, не забывается, не «ой, я не увидел». Всё зафиксировано, стоит в календаре, напомнит, догонит, вынесет в общий чат. Человек устает и не успевает, а машина нет.

И тут у меня, как у руководителя, странное ощущение. Потому что для меня это… скорее облегчение. Я по своему человекоцентричному типу склонна к пониманию, принятию (и как следствие попустительству). И там, где раньше я могла что-то забыть, не дожать или «ладно, потом», — теперь есть система, которая просто фиксирует договоренности. И мне напоминает. И второй стороне тоже.

В общем, для тех, кто раньше был и так дисциплинирован - это восторг, а тем, кто «сливался» с задач, - что ж, вызов его продуктивности.

А вот, что на самом деле захлопывает нас в ловушке скорости, так это культура nexting. Нам некогда радоваться победам, осмыслять опыт. Быть в покое - преступно. За одной главой, которую второпях прочли и думали, перелистаем на досуге, идет следующая глава. А потом следующая книга. Следующий вызов, задача, год. И всё, что дальше, должно быть мощнее, эффективнее, выше предыдущего. Выручка должна расти, эффективность должна расти, стрессоустойчивость должна расти! Несмотря ни на что!

Такие правила придумал не робот, а человек. Он нам тут покорный помощник. А всё остальное — в наших с вами белокурых и не только головах ❤️

На Камчатке прямо сейчас живут лабораторные крысы с электродами в мозге. Учёные наблюдают за их сном и поведением - и выяснили, что перед землетрясениями крысам начинают сниться кошмары. Они нервничают, плохо спят, ведут себя беспокойно. И это действительно работает: перед мощным предварительным толчком магнитудой 7,4 крысы забеспокоились заранее. Но дальше случилось вот что: после этого толчка пошла серия повторных, крысы так и не успокоились - и когда через 10 дней ударило основное землетрясение, отличить их реакцию от накопленного стресса было уже невозможно.

Крысы - только один из десятка методов предсказания катаклизмов: учёные следят за газами из земной коры, за изменениями в ионосфере, за магнитным полем. А Китай за три года поставил 16 000 сейсмических станций и уже тренирует на них нейросети.

Об этом и не только поговорили с сейсмологом Юрием Виноградовым. Как волна цунами на Аляске поднялась выше Останкинской башни? Почему Япония с лучшей системой защиты в мире оказалась не готова? Правда ли, что добыча нефти вызывает землетрясения? Как город может исчезнуть за 28 секунд? И почему мы знаем о земной коре меньше, чем о космосе?

Просмотра! https://youtu.be/C1ZicUtxD-0

🪄требуется #дизайнер, товары для детей и всей семьи

сейчас мы ищем дизайнера джун или миддл, который поможет создавать стильный и эффективный визуал для маркетплейсов и социальных сетей, работа проектная, удалённо, оплата по договорённости, бюджет 60-80 тис. рубл.

✍🏼что делать? - инфографика для маркетплейсов - создание привлекательных и информативных визуалов для карточек товаров - поддержание единого стиля согласно брендбуку

👍🏼ожидания: - навыки работы в графическом дизайне, будет преимуществом опыт в проектах для маркетплейсов или e-commerce - умение работать с инструментами дизайна: Adobe Photoshop, Figma или другими аналогичными программами - старше 19, из РФ - приветствуются навыки использования ИИ и нейросетей - знание основ визуальной композиции и структуры подачи

Откликнуться 👉 @felinailona

@PhotoAttentionBot

🎯 PhotoAttention — проверь свою внимательность!

📸 Ведущий кидает фото в чат ➜ нейросеть придумывает вопрос и проверяет ответы 🏆 Кто первый ответит правильно — получает +1 очко 📊 Таблица лидеров и личная статистика 🔄 Можно перегенерировать вопрос, если что-то пошло не так

👉 Добавляй бота в группу и начинай игру: @PhotoAttentionBot

🔥 Устрой битву внимательности прямо сейчас!

#для_группы

@grupiks |⚡️Поддержать бустом⚡️

📘Y. Zeng et al., "GNSS Jamming and Spoofing Threats in UAV Navigation: Countermeasure Status and Challenges," in IEEE Communications Surveys & Tutorials, vol. 28, pp. 5909-5948, 2026.

К ранее выложенной статье авторов из Китая и США выкладываю их новейший обзор, посвященный помехозащищенности навигационных приемников БПЛА с переводом на русский язык.

Беспилотные летательные аппараты (БПЛА) стали незаменимыми как в гражданских, так и в военных целях. Однако их зависимость от глобальной навигационной спутниковой системы (GNSS) делает их уязвимыми для возрастающих угроз со стороны сложных атак с использованием помех и спуфинга. Эти угрозы серьезно ставят под угрозу безопасность полетов и выполнение задач, что требует разработки эффективных контрмер. Данный обзор предоставляет всесторонний анализ угроз помех GNSS, специфичных для навигации БПЛА, с акцентом на анализ атак с использованием помех и спуфинга, а также обобщает современные методы обнаружения и защиты от помех. Сначала мы рассматриваем принципы спутниковой навигации для БПЛА и определяем присущую сигналам GNSS уязвимость к помехам. Затем мы систематически исследуем существующие контрмеры, включая подходы, основанные на обработке сигналов, на антенных решетках и на искусственном интеллекте, подчеркивая их эффективность против помех и спуфинга. Несмотря на эти достижения, остаются значительные проблемы в обеспечении надежной навигации БПЛА в неблагоприятных условиях, особенно те, которые возникают из-за ограниченности ресурсов, ограниченной гибкости алгоритмов и отсутствия контрмер, специфичных для БПЛА. Для решения этих проблем мы предлагаем иерархическую структуру, которая объединяет надежный прием сигнала, интеллектуальную оптимизацию алгоритмов и взаимодействие на системном уровне. Эта структура предоставляет практические стратегии для повышения устойчивости навигационных систем БПЛА следующего поколения к сложным помехам.

#радионавигация #радиоуправление #РЭБ #нейросети

Hello everyone, my Cheshire cats 🐈‍⬛🌟 I decided to write a little cheat sheet about how generative models like GPT work.

I think it's important to clarify❗️: I will hardly touch on neural network learning. I'll pay more attention to exactly how it generates responses.

How does the neural network perceive our question? Of course, she doesn't see the words we wrote to her. Text is divided into tokens (pieces words or whole words). Each token is assigned a vector of numbers🎲. Initially, these vectors are random, but during training they change a lot and are eventually fixed.

During training, the model learns from lot of text to predict the next token by finding patterns between them. After training, she already has sets of weights (ready-made "rules" according to which probabilities are distributed)⚖️

What happens when a model receives a message and prepares to respond? After receiving the message, the model analyzes the entire context, both the current message and the chat history, if any.

How does the analysis work? Three basic things are built for each token: query, key, and value. To put it more clearly, "what do I want to learn from other tokens"🔎, "how can I be found"🗝, and "what information do I offer"🧩

Next, each token compares its request with the keys of other tokens. This comparison takes place through a scalar product. The model measures how well a query for one token matches the key of another👥

For example: in the sentence "mom ate porridge" the "ate" token will most strongly pay attention to "mom" (who performs the action) and "porridge" (what is the object). Each token updates its state, becoming a mixture of information from the rest of the tokens, taking into account their importance.

To do this, the model first turns similarity scores into attention weights☝️ Then, using softmax, it makes sure that all the weights add up to one and are positive. And only after that it calculates the total weighted sum of values from other tokens.

As a result: "mom" learns possible actions and objects, "porridge" who eats it, and "ate" who participates in the process and what exactly happens. In other words, the neural network seems to see the general meaning of the phrase, but "from different angles"📷

Naturally, all this happens in parallel in several threads🧠, usually from 8 to 128. If the calculations were done strictly in turn, it would take too long to generate the answer.

How does the model determine the close context? After training, numbers arrays (from queries and keys) are generated for each token. Proximity is calculated based on the similarity of these arrays: the more similar they are, the more closely the tokens are connected🪢 in the current context.

How is the response generated? ✒️ When the representation is formed, the ai does not go through its entire knowledge base. Instead, it calculates the next token within the representation.

The response itself is created using a single token: a new token is added to the context, the entire context is recalculated, and the process repeats. Simply put, with each message, the model receives the history📖 of the dialog and builds a response based on this entire history📝

That's why the new models work with context much better than the old ones, before the advent of transformers🤔 They can just pick up the connections between words at a much greater distance.

It also explains why jailbroken chat😈 continues to work even after a long conversation the chat. However, if you enter the same jailbreak in a new chat, it will most likely be immediately blocked by censorship.

The possibilities of the model are not unlimited. It has limit on the size of the context window, how many tokens it can process at the same time. When the new models first appeared, it was better. But now, due to savings, companies are reducing the number tokens💲 available (especially in the free versions, it's much better in the paid versions). Therefore, the context window is getting smaller...😥

#ai #llm #transformers #GPT #attention_mechanism #neural_networks #tokenization

Всем привет, мои Чеширские котики 🐈‍⬛🌟 Я решила написать небольшую шпаргалку о том, как работают генеративные модели вроде GPT 🧬

Думаю важно уточнить❗️: в этой шпаргалке я почти не буду затрагивать обучение нейросети. Больше внимания уделю именно тому, как она генерирует ответы.

Для начала как вообще нейросеть воспринимает наш вопрос? Конечно же, она не видит просто слова, которые мы ей написали. Сначала текст разбивается на токены (кусочки слов или целые слова). Каждому токену присваивается вектор чисел🎲. Изначально эти векторы случайные, но во время обучения они сильно меняются и по итогу фиксируются.

Во время обучения модель смотрит на огромные объёмы текста и учится предсказывать следующий токен, находя закономерности между ними. После обучения у неё уже есть наборы весов(готовые "правила", по которым распределяются вероятности)⚖️

А теперь самое главное: что происходит, когда модель получает сообщение и готовится ответить? Получив сообщение, модель анализирует весь контекст целиком и текущее сообщение, и историю чата, если она есть.

Как происходит анализ? Для каждого токена строятся три основные вещи: запрос, ключ и значение. Если говорить понятнее, то: "что я хочу узнать от других токенов"🔎, "как меня можно найти"🗝 и "какую информацию я предлагаю"🧩

Далее каждый токен сравнивает свой запрос с ключами остальных токенов. Это сравнение происходит через скалярное произведение модель измеряет, насколько хорошо запрос одного токена совпадает с ключом другого👥.

Например: в предложении "мама ела кашу" токен "ела" сильнее всего обратит внимание на "мама" (кто выполняет действие) и на "кашу" (что является объектом). В этом процессе каждый токен обновляет своё состояние, становясь смесью информации от остальных токенов с учётом их важности.

Для этого модель сначала превращает оценки схожести в веса внимания☝️ Затем с помощью специальной нормализации делает так, чтобы все веса в сумме давали единицу и были положительными. И только после этого вычисляет итоговую взвешенную сумму значений от других токенов.

В итоге: "мама" узнаёт возможные действия и объекты, "каша" кто её ест, а "ела" кто участвует в процессе и что именно происходит. То есть нейросеть будто видит общее значение фразы, но "с разных ракурсов"📷

Естественно, всё это происходит параллельно в нескольких потоках🧠 обычно от 8 до 128. Если бы вычисления шли строго по очереди, генерация ответа занимала бы слишком много времени.

Как модель определяет близкий контекст? После обучения для каждого токена формируются массивы чисел (из запросов и ключей). Близость считается по схожести этих массивов: чем они более похожи, тем сильнее токены связаны🪢 в текущем контексте.

Как генерируется ответ? ✒️ Когда представление сформировано, нейросеть не перебирает всю свою базу знаний. Вместо этого она вычисляет наиболее вероятный следующий токен в рамках представления которое сформировала ранее.

Сам ответ создаётся по одному токену: новый токен добавляется в контекст, весь контекст пересчитывается заново, и процесс повторяется. Проще говоря, при каждом сообщении модель получает историю диалога📖 и строит ответ с учётом всей этой истории📝

Именно поэтому новые модели работают с контекстом гораздо лучше старых, до появления трансформеров🤔 Они просто могут улавливать связи между словами на гораздо большем расстоянии.

Ещё это объясняет, почему джейлбрейкнутый чат😈 продолжает работать даже после долгого общения с моделью. Однако если ввести тот же самый джейлбрейк в новом чате, он, скорее всего, будет сразу заблокирован цензурой.

И конечно, возможности модели не безграничны. У неё есть ограничение на размер контекстного окна сколько токенов она может одновременно обрабатывать. Когда новые модели только появлялись, с этим было получше. Но сейчас из-за экономии компании сокращают количество доступных токенов💲(особенно в бесплатных версиях, в платных с этим гораздо лучше). Поэтому контекстное окно становится всё меньше...😥

#ai #llm #transformers #GPT #attention_mechanism #neural_networks #tokenization

Выгоревший айтишник окончательно ушел работать на стройку и стал счастлив — история обычного парня завирусилась в сети.

Работая в айти, он понял, что устает от попыток заставить себя работать — он ненавидел кодить и из-за прокрастинации приходилось доделывать задачи по выходным. Ещё скучнее ему стало, когда появились нейросети.

Сейчас он работает кровельщиком, попав на работу с первого собеседования. Он чинит крыши и наслаждается физическим трудом без выгорания.

При этом его часовая ставка даже выросла.

@investingcorp

Глава OpenAI Сэм Альтман заявил, что ИИ, скорее всего, не приведёт к массовой потере рабочих мест, хотя раньше он предсказывал именно это

До этого Альтман предупреждал, что ИИ убьёт целые виды офисных профессий, заберёт 30-40% задач и вызовет кризис на рынке труда. Теперь же он считает, что массового исчезновения работы не ожидается.

Что происходит?

Владелец франшизы Pizza Hut подал иск на 100 миллионов долларов – он заявляет, что доставка с ИИ стала медленнее на 50% и обрушила продажи;

Uber вложил миллионы в искусственный интеллект, но теперь сомневается, окупятся ли эти траты;

Starbucks перестала использовать ИИ для учёта товаров;

Microsoft начала реже использовать нейросеть Claude среди сотрудников – это оказалось слишком дорого.

Год назад известная аналитическая компания Gartner предсказывала, что к 2027 году закроется больше 40% проектов с ИИ из-за больших расходов и непонятной пользы для бизнеса.

Кажется рынок движется к фазе переоценки.

AI-анализ внешности с Exine AI

Теперь можно не гадать подойдет стрижка или нет. Нейросеть анализирует ваше фото и показывает, какие причёски лучше подчеркнут образ.

Просто откройте Exine AI: → выберите раздел для генерации изображений → GPT Image 2 → загрузите фото

Промпт:

Сделай инфографику «Анализ внешности и рекомендации» для девушки с этого фото. Используй реальное портретное фото как основной элемент, без рисованной схемы. Добавь блок с анализом внешности: форма лица, глаза, лоб, скулы, линия челюсти, волосы и другие ключевые черты. Добавь блок «Вам подходит» с рекомендациями по длине волос, укладкам, пробору, текстуре и другим подходящим решениям. Покажи блок «Самые выигрышные прически» — 6 вариантов с натуральной визуализацией этой же девушки и коротким пояснением, почему каждая подходит. Всё лаконично, профессионально, только на русском языке. Дизайн — светлый, минималистичный, в стиле бьюти-борда

🔗 Mini-App Exine AI

AI-анализ внешности с Exine AI

Теперь можно не гадать подойдет стрижка или нет. Нейросеть анализирует ваше фото и показывает, какие причёски лучше подчеркнут образ.

Просто откройте Exine AI: → выберите раздел для генерации изображений → GPT Image 2 → загрузите фото

Промпт:

Сделай инфографику «Анализ внешности и рекомендации» для девушки с этого фото. Используй реальное портретное фото как основной элемент, без рисованной схемы. Добавь блок с анализом внешности: форма лица, глаза, лоб, скулы, линия челюсти, волосы и другие ключевые черты. Добавь блок «Вам подходит» с рекомендациями по длине волос, укладкам, пробору, текстуре и другим подходящим решениям. Покажи блок «Самые выигрышные прически» — 6 вариантов с натуральной визуализацией этой же девушки и коротким пояснением, почему каждая подходит. Всё лаконично, профессионально, только на русском языке. Дизайн — светлый, минималистичный, в стиле бьюти-борда

🔗 Mini-App Exine AI

⚡️ Вышел пятый выпуск премиум-шоу "После Вайба"!

В этот раз Вика проверяет на прочность безумную гипотезу: сможет ли человек с минимальным опытом пилотирования посадить огромный пассажирский Boeing 737 MAX, если в роли единственного штурмана выступит... искусственный интеллект?

Сценарий жесткий: кабина реалистичного авиасимулятора, пилоты без сознания, радиосвязь отключена, а на руках — сотни тумблеров и голосовой режим ChatGPT, Gemini и Grok.

Что внутри выпуска? Чистокровная драма, в которой всё пошло не по плану с первых минут! Вас ждет внезапный отказ автоматики, случайный улет в воздушное пространство Чехии из-за капризов нейросетей, паника из-за стремительного приближения к земле и фатальное решение сажать лайнер прямо в поле. Узнайте, спасут ли цифровые ассистенты Вику и Лёшу или ИИ пока рано пускать за штурвал реального самолета.

P.S. В кабине было ОЧЕНЬ шумно, но мы выжали из звука максимум, чтобы вы прочувствовали каждую секунду этого экшна! 🫠

"После Вайба" — это шоу для премиум-подписчиков. Став премом, вы получаете: ✅ Доступ к эксклюзивным экспериментам, пересказам и сторителлингу; ✅ Записи основного подкаста "на Вайбе" раньше всех, без цензуры и вырезанных кусков; ✅ Доступ к закрытому премиум-чату и возможность отправлять СМС в прямой эфир; ✅ Годовой доступ к клубу "Эволюция Кода" и приложению DeeDee (для уровня Ultra); ✅ Нашу бесконечную благодарность и мощный плюсик в карму!

Поддержите любимый подкаст и забирайте свежий выпуск прямо сейчас: https://web.tribute.tg/l/1i8

✅ Data Science Interview Prep Guide 📊🧠

Whether you're a fresher or career-switcher, here’s how to prep step-by-step:

1️⃣ Understand the Role Data scientists solve problems using data. Core responsibilities: • Data cleaning & analysis • Building predictive models • Communicating insights • Working with business/product teams

2️⃣ Core Skills Needed ✔️ Python (NumPy, Pandas, Matplotlib, Scikit-learn) ✔️ SQL ✔️ Statistics & probability ✔️ Machine Learning basics ✔️ Data storytelling & visualization (Power BI / Tableau / Seaborn)

3️⃣ Key Interview Areas

A. Python & Coding • Write code to clean and analyze data • Solve logic problems (e.g., reverse a list, group data by key) • List vs Dict vs DataFrame usage

B. Statistics & Probability • Hypothesis testing • p-values, confidence intervals • Normal distribution, sampling

C. Machine Learning Concepts • Supervised vs unsupervised learning • Overfitting, regularization, cross-validation • Algorithms: Linear Regression, Decision Trees, KNN, SVM

D. SQL • Joins, GROUP BY, subqueries • Window functions • Data aggregation and filtering

E. Business & Communication • Explain model results to non-tech stakeholders • What metrics would you track for [business case]? • Tell me about a time you used data to influence a decision

4️⃣ Build Your Portfolio ✅ Do projects like: • E-commerce sales analysis • Customer churn prediction • Movie recommendation system ✅ Host on GitHub or Kaggle ✅ Add visual dashboards and insights

5️⃣ Practice Platforms • LeetCode (SQL, Python) • HackerRank • StrataScratch (SQL case studies) • Kaggle (competitions & notebooks)

💬 Tap ❤️ for more!

🔔 Видели ИИ-блогеров в ленте? На них тоже можно заработать

ИИ-блогеры уже не уступают обычным авторам: они собирают сотни тысяч подписчиков, продвигают реальные бренды и приносят доход.

🎤 Недавно Артём Слабун, автор канала MasterRingo, рассказал, как создаёт ИИ-блогеров с нуля и монетизирует их с РСЯ для блогеров.

Спросили у блогера, как устроен такой контент — от генерации персонажа до монетизации контента.

🎙 В каких нейросетях лучше создавать ИИ-блогера?

В основном я использую Claude и Nano Banana для картинок, а для генерации видео — Veo 3.1. Как пользоваться этими инструментами с бесплатным доступом, рассказал в своём видео.

🎙 Из чего состоит полный цикл создания контента с ИИ-блогером?

Всё начинается с ресёрча: важно понять цель контента и как лучше его подать. Дальше — добавить что-то, что выделит видео в ленте: необычный образ, локацию или визуальный приём.

После этого уже подключаются нейросети. Можно отдельно создать персонажа, сгенерировать кадры и анимировать их — или ограничиться статичной картинкой в нужной локации и написать через GPT подходящий текст.

🎙 Сколько времени занимает производство контента с ИИ-блогером — от идеи до публикации?

Всё зависит от задачи. Самое простое — сгенерировать картинку и написать текст для поста. Это занимает буквально 5–10 минут.

Простое вирусное видео, которое повторяет тренд, можно сделать за 20–30 минут. Более сложный контент с уникальными, авторскими идеями создаётся за 5–6 часов.

🎙 Какой контент показал лучшие результаты — и почему?

Лучше всего работают материалы, где чувствуется сам автор: его стиль, идея или личная история. Если полностью переложить всё на нейросети, контент становится безликим.

Поэтому ИИ — это инструмент и помощник, а не замена человеку.

🎙 Что оказалось самым сложным в монетизации ИИ-контента?

Самое сложное — добиться качества, при котором визуал не выглядит искусственным, а сюжет захватывает внимание. Важно, чтобы ИИ-контент воспринимался как профессионально созданный человеком.

🎙 Какого ИИ-аватара лучше использовать — реалистичного или необычного?

Начните с реалистичного ИИ‑аватара — например, с человека, который снимает ролики под актуальные тренды. Такой формат проще и быстрее запускать: не нужно тратить много времени на сложный дизайн персонажа и продумывание образа.

К тому же аудитория лучше откликается на «обычных» людей: это помогает быстрее понять, какие видео заходят, чаще выпускать контент и тестировать разные форматы.

А когда появится опыт и понимание аудитории, можно переходить к более необычным образам и экспериментам.

🎙 Насколько предсказуемы доходы по сравнению с обычным блогингом?

В целом всё работает примерно так же: просмотры, вовлечённость, конверсии. Просто у ИИ-контента немного другая экономика производства.

🎙 Можно ли сказать, что контент с ИИ-блогером дешевле в производстве?

Дешевле, но не настолько сильно, как многие думают. Главный плюс здесь скорее в контроле процессов: не нужно зависеть от съёмок, графиков и человеческого фактора.

🎙 Если бы ты запускал этот проект с нуля сейчас, что сделал бы по-другому?

Моя ошибка была в том, что я решил: раз контент — ИИ, значит, и монетизировать его нужно как‑то по‑новому. А на деле лучше сразу тестировать то, что уже годами работает у обычных блогеров, — например, продвижение в РСЯ.

Если вы уже ведёте блог и тестируете ИИ-контент — присоединяйтесь к РСЯ для блогеров.

Главная особенность 99% специалистов в сфере услуг (а значит, и бизнесов) в том, что они способны решать только простые проблемы.

Например, к большинству врачей со сложной проблемой идти бесполезно - не смогут ничем помочь и будут стараться избавиться от такого клиента. Потому что простой клиент им принесёт столько же денег при меньших личных затратах энергии. Специалист по ремонту ТВ не будет сидеть 4 часа и кумекать, как решить ту или иную проблему. Ему проще пойти и за это время обслужить два простых заказа. И денег получит он при этом вдвое больше. И это я говорю про "востребованных" специалистов, которым маркетолог льёт много лидов, или которые могут решать хотя бы простые проблемы и потому к ним идут / их вызывают. Про остальных можно не говорить.

К чему это приведет? Все простые случаи / проблемы - повторяемы регулярно, сильно изучены, "лечатся" по стандартным протоколам. Что это означает? Это означает, что все такие проблемы конкретно и подробно описаны, как и способ их решения - а значит, легко будут "автоматизированы" через ИИ.

Да, некоторые регионы сейчас уже пытаются это запретить (например, то же лечение или психотерапию через ИИ), но уже сегодня многие люди предпочтут "спросить у ChatGPT". Да, это отрегламентируют государства, но это уже не остановить.

Все простые функции, решающие простые (массовые) проблемы населения и компаний, будут выполнять нейросети / ИИ.

Прежде всего это коснется медиков, психологов, юристов, бухгалтеров, маркетологов, обычных репетиторов и так далее. Но самый массовый сегмент, который в итоге "закроет" ИИ, это чиновники - государственные служащие, чьи функции описаны от и до, которые выполняют работу "по шаблону".

Тут сокращение государственного аппарата составит в будущем до 90% от общей численности. Это уже будущее ближайших 10-20 лет.

Технически это можно сделать прямо завтра, но будут делать постепенно. Чтобы не повышать безработицу слишком резко и самым приятным / верным электоратом.

Наши внуки уже будут наблюдать следующую волну ИИ-низации: сокращение и замена на роботов силовой части государственного аппарата - которая не предаст, не ослушается и не будет ждать постоянного роста зарплат, чтобы сохранять "верность".

Специалистов же среди медиков, юристов ... заменят уже в ближайшие годы.

Кто сохранит работу и бизнес? Какой бизнес не умрёт, составив конкуренцию ИИ?

Тот, который будет решать сложные проблемы клиентов. Ключевое - будет решать (а не как сейчас: просто время клиента тратить и хлопать глазами в конце, прося деньги "за диагностику" и нерешенную проблему).

Ну, и руки. Руки будут нужны те, которые смогут залезть под нестандартно установленный унитаз, кухонный гарнтирур или кондиционер.

Всё "стандартное", "обычное", массовое заменят очень быстро. Если энергии хватит.

| подписывайтесь на @ecworldai | нейросети (AI)

⚡️ Machine Learning Roadmap 2026: большая карта входа в ML без сказок про “нейросети за месяц

Большой русскоязычный roadmap по машинному обучению: от первого import numpy до LLM, RAG, fine-tuning, AI-агентов и MLOps и даже вабкодинга.

Внутри нормальная структура: что учить, в каком порядке, зачем это нужно и что должно получиться на практике после каждого этапа.

Roadmap разбит на 7 треков:

1. Фундамент: Python, математика, статистика, инструменты 2. Классический ML: scikit-learn, табличные данные, метрики, валидация 3. Deep Learning: PyTorch, CNN, RNN, training loop 4. LLM и трансформеры: attention, KV-cache, RAG, LoRA, агенты 5. Generative AI: изображения, видео, аудио, мультимодальность 6. MLOps и прод: Docker, Kubernetes, CI/CD, monitoring, serving 7. Специализация: CV, NLP, RecSys, RL, Safety

Roadmap не продаёт иллюзию “обучил модель - стал ML-инженером”.

В реальной работе много времени уходит на данные, метрики, деплой, мониторинг, воспроизводимость и разбор ошибок. Модель - только часть системы.

Хорошая мысль из roadmap: LLM не делает джуна сеньором. Она ускоряет того, кто уже понимает базу. Без базы человек просто становится оператором Copilot, который не может объяснить, почему всё сломалось.

По времени тоже без сказок:

1. 0-3 месяца: математика, классический ML 2. 3-6 месяцев: Deep Learning и PyTorch 3. 6-12 месяцев: LLM, RAG, fine-tuning, AI-агенты 4. 12+ месяцев: MLOps, прод, масштабирование, специализация

Тут же собрано 7 болших бесплатных курсов по машинному обучению, математике и вайбкодингу!

Если давно хотели зайти в ML системно, а не прыгать между роликами про ChatGPT, Stable Diffusion и “топ-10 библиотек”, это хороший ориентир.

https://github.com/justxor/MachineLearningRoadmap

Применительно к юриспруденции есть и другие важные вопросы: а как ваша нейросеть будет говорить комплименты помощникам судьи или пить с клиентами пиво?

Компании урезают ИИ-бюджеты из-за резкого роста незапланированных трат

Крупный бизнес начал массово пересматривать расходы на внедрение искусственного интеллекта из-за отсутствия реальной финансовой отдачи. Об этом со ссылкой на опрошенных ИТ-консультантов и руководителей технологических компаний сообщает издание Axios. Бизнес столкнулся с резким ростом счетов за ИТ-инфраструктуру на фоне минимального роста производительности труда сотрудников.

Microsoft отменила большую часть корпоративных лицензий на ИИ-инструмент Claude Code из-за высоких расходов, а в Uber назвали затраты на нейросети труднообъяснимыми. По данным источников, один из клиентов консалтинговых фирм потратил полмиллиарда долларов за один месяц, так как руководство не установило лимиты на запросы сотрудников. Часто работники тратят дорогие ИИ-токены на бытовые задачи вроде проверки погоды.

Лето уже на пороге, но это не повод расслабляться 🌞

Коллеги рекрутеры, вы уже слышали про законопроект об оффере? Если коротко — оффер перестает быть джентльменским соглашением и обретает реальную юридическую силу. Для кандидатов это защита, а для работодателей — повод стать внимательнее к своим предложениям.

Теперь особенно важно, чтобы до оффера доходили только те, в ком вы уверены на 100%.

Команда getmatch уже вовсю трудится для вас! У нас собраны сильные IT-специалисты, а LLM-ранжирование помогает сразу видеть самых релевантных кандидатов. А чтобы вы нанимали предсказуемо и без сюрпризов — развиваем наш TRUST & SAFETY подход ❤️

Остаемся на связи — скоро расскажем о важном обновлении!

Отбой классическим дипломным работам

Глава Минобрнауки Фальков допустил их полную отмену в вузах. Причина — тотальное засилье нейросетей. За три года доля текстов от ИИ в дипломах выросла с 9% до 42%, а на IT-специальностях доходит до 60% и выше.

Выяснилось, что нейросети научились писать лучше студентов, а их тексты зачастую выигрывают призовые места в научных конкурсах, оставляя работы реальных людей позади.

Фальков предлагает вернуться к проверенному веками формату — устным экзаменам.

Федерация помогающих профессий принимает подобное решение, но считает его слишком поспешным, так как сама инициатива выглядит не как смелый шаг в будущее, а как отступление.

Логичнее научить студентов пользоваться мощным новым инструментом, вместо ограничений в его применении. Это напоминает борьбу с калькуляторами на экзаменах по математике в 70-е годы прошлого века, только в гораздо более масштабных масштабах.

Как считаете - ИИ бич времени или спасение для образования?

👉 Федерация помогающих профессий в МАХ

Apple превратит Siri в полноценного чат-бота

Инсайдеры Bloomberg раскрыли детали крупнейшего за 15 лет обновления голосового помощника Siri накануне июньской конференции WWDC. В новой операционной системе iOS 27 ассистент получит полный визуальный редизайн. Сервис глубоко интегрируют в панель Dynamic Island. Пользователи смогут вызывать его новым жестом — свайпом вниз от центра верхней границы экрана.

Новая Siri сможет отвечать на сложные вопросы, работать с файлами и фотографиями, а также сохранять историю чатов. В основе обновленного помощника лежит технология Gemini от Google. При этом пользователи получат возможность перенаправлять свои запросы в другие популярные нейросети — ChatGPT и Claude — через простое выпадающее меню.

Тестирование бета-версии начнется сразу после презентации, а официальный релиз запланирован на сентябрь этого года вместе с выходом iPhone 18 Pro.