🚀 Андрей Артищев

Вся суть менеджмента от одного из самых богатых людей в мире за одну минуту Потрясающее видео с Джеком Ма — главой крупнейшей технологической корпорации Alibaba, с штатом более 100 000 человек. Джек спокойно признаётся, что ничего не понимает ни в технологиях, ни в менеджменте. Его главная задача — находить умных людей и делать так, чтобы они могли сработаться вместе. Глупым людям помогать в этом не нужно — они сами всегда с радостью сотрудничают друг с другом.

Эндрю Ын кажется проведет открытый бесплатный курс по Deep Learning в Стэнфорде Все лекции можно будет смотреть на YouTube. Первая вышла вчера, вот ссылка. Эндрю уже довольно давно ничего такого не вел, так что это настоящий подарок. Все презентации и материалы будут выкладывать здесь. В программе обещают довольно подробную теорию по нейросетям, от самых основ DL до LLM, RL, агентов, RAG и мультимодальных моделей. Практические материалы также должны быть доступны, включая (вроде как) домашки.

https://youtu.be/qAUqHKKWHoI?si=urXffILjv2i69408

Наткнулся тут на статью в HBR про важность софт скилов. Срезонировало, ибо по сути такой подход при найме и развитии использовал всегда: базовый фундамент > специализированные навыки. В статье авторы анализируют данные по 70 миллионам карьерных переходов в США и приходят к выводу, что для долгосрочного успеха и адаптивности важнее не узкоспециализированные, а фундаментальные навыки. К ним относятся умение работать в команде, математическое мышление, адаптивность, коммуникация и навыки решения проблем. Основные тезисы: - Фундамент определяет потолок: сотрудники с сильной базой быстрее осваивают новые сложные навыки, со временем получают более высокую зарплату и легче продвигаются на продвинутые роли. Это как в драфте NBA: команды часто выбирают не самых результативных игроков, а тех, у кого есть потенциал, основанный на скорости, ловкости и понимании игры. - Узкие навыки быстро устаревают: "период полураспада" технических навыков сократился с 10 лет в 80-х до примерно 4 лет сегодня, и продолжает падать. Вспомните Adobe Flash или Hadoop - когда-то востребованные технологии, которые быстро потеряли актуальность. Люди, которые смогли переключиться на новые технологии, сделали это благодаря своей способности к обучению и решению корневых проблем, а не заученным фреймворкам. - Социальные навыки - это клей: в современной рабочей среде, состоящей из кросс-функциональных и удаленных команд, особенно важны социальные навыки: коммуникация, эмпатия, умение разрешать конфликты. Исследования показывают, что с 1980 года количество ролей, требующих высокого уровня социального взаимодействия, постоянно растет, и именно такие роли получают самые высокие премии к зарплате. Google, к примеру, в своем исследовании Project Oxygen выяснил, что лучшие менеджеры - это в первую очередь хорошие коучи и коммуникаторы. Это отлично ложится на мой опыт. Например, превратить хорошего Software Engineer в Machine Learning Engineer часто проще, чем ML Researcher'а. У SWE уже есть мощнейший фундамент: системное мышление, навыки декомпозиции, решения проблем, опыт работы в команде и с продакшн левел кодом. Ему нужно лишь развить специфичные для ML скилы и знания. У исследователя может быть глубокое знание математики и моделей, но ему может не хватать инженерной культуры, что для роли MLE критично. И этот же подход применим не только к найму, но и к собственному развитию. Вместо того чтобы гоняться за очередным хайповым, но узким навыком, который может устареть через пару лет, а сейчас и того раньше, гораздо выгоднее вкладываться в свой «фундамент»: умение решать проблемы, критическое, открытое и системное мышление, коммуникацию и способность быстро учиться. Именно это делает вас адаптивным и ценным специалистом в долгосрочной перспективе, готовым к любым изменениям на рынке.

Перевод Codex (GPT-5 High) против Sonnet 4.5 на реальном репозитории krullulon: Совпадает с моим опытом: в целом Codex GPT-5 High значительно превосходит Sonnet 4.5 в задачах высокой сложности — написание кода, архитектурный анализ и поиск первопричин ошибок. Он медленный как патока, но качество результата очень высокое, и мне приходится гораздо меньше отлаживать код по сравнению с Claude. Для задач низкой и средней сложности Sonnet подходит нормально, но для планирования и действительно сложных задач GPT-5 — лучший выбор. stumpyinc: Для меня главное — Codex невероятно медленный, а новый Sonnet просто безумно быстрый. Я могу вести быстрый диалог туда-сюда за то же время, пока Codex закончит одну задачу. debian3: GPT-5 определённо впечатляющая модель. Не понимаю, почему люди жалуются в сабреддите OpenAI и хотят вернуть сравнительно слабую 4o. Sonnet долгое время был «королём», но теперь GPT-5 вполне конкурентоспособен.

Перевод repo — Codex справился, Sonnet запутался (для меня) Я раньше активно пользовался CC, но он постоянно «косячил» при рефакторинге игры, которую я пишу в своё удовольствие во время отпуска по уходу за ребёнком. Я переключил ту же работу на Codex, и после некоторого «туда-сюда» получил рабочую реализацию. План был отказаться от CC (20x) и перейти на ChatGPT Pro при продлении подписки… но тут вышел Sonnet 4.5. Я сделал простой тест: попросил и Codex (GPT-5 High), и Sonnet 4.5 прочитать весь репозиторий и выдать очень подробное описание архитектуры / «как это связано». Результаты (на моём репо): • GPT-5 Codex (High): выдал тщательный и точный разбор. Совпал с реальной структурой и файлами. • Sonnet 4.5: уверенно написал обзор, но с множеством неверных предположений. Когда я попросил Codex проверить текст Sonnet, он указал на конкретные ошибки. Более того, когда Sonnet 4.5 ответил на критику Codex, он прямо заявил, что части его собственного анализа были неверными. Так что да, 4.5 может быть лучше, чем 4, но если он не может надёжно проанализировать настоящий код для меня, то трудно сказать, что он «лучше GPT-5» для такого кейса. Я всё ещё склоняюсь к тому, чтобы отказаться от CC. Оговорка: у меня всё ещё нет доступа к окну контекста в 1M токенов для Sonnet 4.5, так что не знаю, изменило бы это результат. Мнения и результаты приветствуются (особенно от тех, у кого есть доступ к 1M).

Небольшой гайд как дешевле платить за ИИ на Open Router или Kilo Code, чем через потерявших совесть посредников с сумасшедшим комиссиями. Это для тех кто не знает, кто знаком с темой, можно пропустить. Сначала вам нужно как-то купить крипту за рубли. Это можно сделать через кошелек Telegram, через P2P Market Дурова, но вам нужно пройти идентификацию там. Кто не сделал, рекомендую сделать. Следующая проблема, что санкциями закрыты на только VISA и Mastercard, но и популярные критокошельки как Coinbase ввели санкции против пользователей из РФ. Однако есть кошелек без регистрации и как раз поддерживаемый Open Router и Kilo Code как Trust Wallet (ссылка на расширение Chrome внизу). Вам нужно помнить, что Open Router и Co берут не в биткоинах, а в Ethereum. Поэтому покупать вам нужно ETH. На деле выгоднее покупать через Kilo Code те же ИИ, что на Open Router, т.к. они дают $25-$35 бонуса к тем же тарифам. Для этого регаться к ним нужно через реферальную ссылку, т.к. бонус больше. https://app.kilocode.ai/users/sign_up?referral-code=b3242a47-74f0-4804-ae1b-597013efb112 https://chromewebstore.google.com/detail/trust-wallet/egjidjbpglichdcondbcbdnbeeppgdph

Быстрая и применимая штука для управления бизнесом. Проблема: Цели, ключевые показатели, процент выполнения плана — это все круто. И в стандартных KPI-форматах, и во всяческих ОКР-подвидах. Есть несколько "но": в KPI-формате вся команда очень часто находится в рассинхроне, потому что каждый топит за свой показатель, и будет растить ее даже во вред остальным, а ОКР пока нормально внедрите — сменится две технологических эпохи в вашей сфере. Решение: Пару месяцев назад прочитал в ex-HBR статью про карту взаимосвязей KPI и решил попробовать в паре наших бизнесов. Полноценный пример прикрепил изображением к посту. Это некий переходный режим: вы просто берете все основные KPI своих направлений/отделов/сотрудников и превращаете в одну взаимосвязанную карту. Основное преимущество в том, что вся команда начинает видеть, кто от кого и в чем зависит, кто на кого влияет и куда идти в случае невыполнения чего либо. Да и вообще просыпается потихоньку коллективное понимание комплексных проблем и приоритетов бизнеса. Мы пока попробовали на небольших юнитах, работает хорошо и быстро. Плюсом у вас всегда готова агеда на ежемесячные/двухнедельные собрания, проходитесь с руководителями по карте и видно, где сейчас стоит подкрутить фокус и добавить усилий. Делитесь своими фреймворками, может что-то новое найду и попробую. p.s. собираем 300 китов и опубликую полноценный пост про внутренние дэшборды и как их попроще собрать, не собираем 300 китов и я дальше спокойно публикую красивые фото из Сеула, у меня их много🥷🇰🇷

Пока мультиагентные системы катаются на хайп трейне, давайте я быстренько накидаю интересных курсов, ну а вы сами решите, изучать вам это или нет (потом только не говорите, что вам не рекомендовали это изучить): 1️⃣Hugging Face AI Agents Course 2️⃣CS294/194-196 Large Language Model Agents от UC Berkeley (сейчас у них новая итерация, инфа тут) 3️⃣Learn AI Agents Handbook (там же есть очень крутой роадмап) (сюда же курс от ребят на Степике) (ну и третья скобка - кажется, что я подписан на 2 блога в телеге из перечисленных авторов на сайте. UPD. Оказалось, что на 3) 4️⃣Интересный довольно неструктурированный плейлист по AI агентам 5️⃣10-часовое видео AI Agents Full Course 2025 Для тех, кому мало ссылочек - дополнительно гитхаб с собранной дополнительной инфой по курсам и фреймворкам. Го ботать, пока за нас и это не стали делать агенты