EDU
"Без прототипа даже не суйся" Нравится мысль, которая муссируется в твиттере в последние пару недель: что продакты теперь должны при подготовке PRD сразу уже делать и прототип, коль так просто становится прогать. Мне нравится эта мысль потому, что мы де…
Я уже некоторое время пишу мысли про то, как меняется разработка продуктов в эру GenAI: роль программиста и продакта совмещается, продукты становятся более гибкими, цикл итераций ускоряется. В том числе с вашей помощью решил сделать про это курс, описание и программа ниже.
Сразу замечу, что курс экспериментальный, ничего подобного я на рынке не встречал, это будет скорее "совместный поиск, размышления и конкретные эксперименты", нежели "готовые знания на блюдечке". Мы все тут первопроходцы сейчас.
===
Курс AI Продакт Инженер
Ключевые темы:
1) От написания кода к управлению границами продукта - как меняется разработка софтерных продуктов. Смотрим на конкретном примере: кодим одну и ту же задачу традиционными методами и при помощи GenAI.
2) Агентское поведение - ключевой навык в эпоху, когда у тебя в распоряжении миллионы PhD, не знающие ни сна, ни отдыха. Как понять, что делать? Как развивать агентскость в себе?
3) Как учиться у клиентов при помощи GenAI и переводить это знание в промпты
4) Уровни автономии GenAI агентов и паттерны их проектирования
5) Работа с недетерминированностью и проектирование новых систем контроля
6) Программист + продакт и как ускорить цикл обучения у рынка и клиентов
Для кого?
1) Продакт-менеджеры с сильным техническим бекграундом, выросшие из разработчиков
2) Разработчики со страстью к продукту, пользователям, бизнесу, и дизайну
Важно: у вас ОБЯЗАТЕЛЬНО должны быть навыки программирования. Мы будем на конкретных примерах "щупать" разницу между разными парадигмами программирования.
Продолжительность
2.5 мес: старт 30го марта
5 встреч по воскресеньям с 16 по 18мск + 2 office hours с разбором ваших вопросов и задач
Стоимость:
$300 - оплатить можно вот здесь, есть возможность оплаты криптой - напишите мне в личку.
Ключевые слова:
LLM, genai, ai agents, human agency, generative coding, non-determinism, cursor, replit, bolt, lovable
P.S. Программка тут
Сразу замечу, что курс экспериментальный, ничего подобного я на рынке не встречал, это будет скорее "совместный поиск, размышления и конкретные эксперименты", нежели "готовые знания на блюдечке". Мы все тут первопроходцы сейчас.
===
Курс AI Продакт Инженер
Ключевые темы:
1) От написания кода к управлению границами продукта - как меняется разработка софтерных продуктов. Смотрим на конкретном примере: кодим одну и ту же задачу традиционными методами и при помощи GenAI.
2) Агентское поведение - ключевой навык в эпоху, когда у тебя в распоряжении миллионы PhD, не знающие ни сна, ни отдыха. Как понять, что делать? Как развивать агентскость в себе?
3) Как учиться у клиентов при помощи GenAI и переводить это знание в промпты
4) Уровни автономии GenAI агентов и паттерны их проектирования
5) Работа с недетерминированностью и проектирование новых систем контроля
6) Программист + продакт и как ускорить цикл обучения у рынка и клиентов
Для кого?
1) Продакт-менеджеры с сильным техническим бекграундом, выросшие из разработчиков
2) Разработчики со страстью к продукту, пользователям, бизнесу, и дизайну
Важно: у вас ОБЯЗАТЕЛЬНО должны быть навыки программирования. Мы будем на конкретных примерах "щупать" разницу между разными парадигмами программирования.
Продолжительность
2.5 мес: старт 30го марта
5 встреч по воскресеньям с 16 по 18мск + 2 office hours с разбором ваших вопросов и задач
Стоимость:
$300 - оплатить можно вот здесь, есть возможность оплаты криптой - напишите мне в личку.
Ключевые слова:
LLM, genai, ai agents, human agency, generative coding, non-determinism, cursor, replit, bolt, lovable
P.S. Программка тут
Feel —> Think —> Act
Делал на днях очередной доклад про прогресс genai и предложил такой фреймворк для того, чтобы следить за ключевыми изменениями:
1) Feel - как при помощи AI компьютеры все лучше видят и слышат (а далее, я думаю, и другие органы чувств)
2) Think - как компьютеры учатся думать (фреймворк fast & slow thinking Каннемана)
3) Act - как компьютеры учатся действовать онлайн (computer/browser use) и оффлайн (роботы)
Мне кажется, удобная система чтобы собирать ключевые события/прорывы - м?
Делал на днях очередной доклад про прогресс genai и предложил такой фреймворк для того, чтобы следить за ключевыми изменениями:
1) Feel - как при помощи AI компьютеры все лучше видят и слышат (а далее, я думаю, и другие органы чувств)
2) Think - как компьютеры учатся думать (фреймворк fast & slow thinking Каннемана)
3) Act - как компьютеры учатся действовать онлайн (computer/browser use) и оффлайн (роботы)
Мне кажется, удобная система чтобы собирать ключевые события/прорывы - м?
EDU
Feel —> Think —> Act Делал на днях очередной доклад про прогресс genai и предложил такой фреймворк для того, чтобы следить за ключевыми изменениями: 1) Feel - как при помощи AI компьютеры все лучше видят и слышат (а далее, я думаю, и другие органы чувств)…
Please open Telegram to view this post
VIEW IN TELEGRAM
AI компании
Помните этот слайд из моей прошлогодней лекции? у Дваркеша вышло интересное эссе с рассуждениями о том, как будет выглядеть AI компания.
И, хотя мне кажется, что он все равно размышляет в терминах квадранта "automation" (turn capital to compute to talent) мне особо нравится несколько поинтов:
1) Про снижение трансакционных издержек и челлендж фундаментальных принципов, на которых основана теория фирмы, или проблема принципала-агента, или экспоненциальный рост затрат на коммуникацию
2) фреймворк, в котором он написал статью (copy, merge, scale, distill, evolve) напомнил мне лекции из Singularity University, когда мы говорили о преимуществах digital над analog (нулевые затраты на чтение, запись, передачу; возможность рекомбинировать и предрасположенность к алгоритмизации/оптимизации, моделированию и симуляции)
P.S. Присоединяйтесь порассуждать и об этом в экспериментальном курсе про ai product engineer
Помните этот слайд из моей прошлогодней лекции? у Дваркеша вышло интересное эссе с рассуждениями о том, как будет выглядеть AI компания.
И, хотя мне кажется, что он все равно размышляет в терминах квадранта "automation" (turn capital to compute to talent) мне особо нравится несколько поинтов:
1) Про снижение трансакционных издержек и челлендж фундаментальных принципов, на которых основана теория фирмы, или проблема принципала-агента, или экспоненциальный рост затрат на коммуникацию
2) фреймворк, в котором он написал статью (copy, merge, scale, distill, evolve) напомнил мне лекции из Singularity University, когда мы говорили о преимуществах digital над analog (нулевые затраты на чтение, запись, передачу; возможность рекомбинировать и предрасположенность к алгоритмизации/оптимизации, моделированию и симуляции)
P.S. Присоединяйтесь порассуждать и об этом в экспериментальном курсе про ai product engineer
20250318_OpenAI_AgentTools.pdf
419.3 KB
Мои впечатления про новые тулы от OpenAI
1) попытка подсадить новых AI Agent разработчиков на себя, так называемый vendor lock-in
2) дорого
3) но очень легко и просто
Детали в презентации, по которой делал доклад по теме; записи нет, но я скоро проведу онлайн по этой и предыдущим темам
1) попытка подсадить новых AI Agent разработчиков на себя, так называемый vendor lock-in
2) дорого
3) но очень легко и просто
Детали в презентации, по которой делал доклад по теме; записи нет, но я скоро проведу онлайн по этой и предыдущим темам
EDU
Детерминированный майндсет vs недетерминированные LLM Часто замечаю и слышу от других про то, как у некоторых программистов "скрипит мозг" от попытки разрабатывать приложения вокруг LLM. Типичный набор жалоб: "она постоянно придумывает", "каждый раз выдает…
Как выбрать между жестким алгоритмом и LLM?
Продолжая этот пост про (не)детерминированность я попробовал набросать правила для принятия решения о том, когда юзать конкретный алгоритм, а когда лучше отдать решение LLM - получилось следующее:
1. Для начала надо определиться с тем, что я подразумеваю под каждым понятием:
- детерминированные системы - основаны на жетских правилах, производят один и тот же результат для одних и тех же входных данных. Стабильны, но "жёсткие".
- вероятностые (недетерминированные) системы - учатся на данных, делают статистические "выводы", непостоянные в выходных данных при тех же входных.
2. Критерии для выбора:
- Степень открытости проблемы - насколько хорошо мы можем описать проблему, треюущую одной из 2х систем для ее решения? Насколько неоднозначна проблема?
- Достаточность данных - есть ли достаточно данных (количество и качество) для построения системы, обучающейся на данных?
- Толерантность к ошибке - можем ли мы позволить себе неопределенность в результатах? Можем ли мы застраховать эту неопределенность?
- Стабильность проблемы или окружения, для которой решается проблема
- Нужна ли нам "обьясняемость" решения - то есть, чтобы мы могли обьяснить, как именно мы превратили входные данные в выходной результат?
- Ограничения по времени и иным ресурсам - обычно детерминированные системы требуют значительном еньше ресурсов
- "Оппортунистическое" поведение - действует ли против нас адаптивная система, которая постоянно меняет входные данные, чтобы "сломать" нас?
- Нужно ли для решения проблемы "общее знание" (common sense) или решение ограничено малым количеством возможных ответов?
Список неполный - буду рад за фидбек как по текущим критериям (важный или неважный, может нужно докрутить), так и по нехватающим.
P.S. Об этом, кстати, будем говорить на курсе, стартующем в следующие выходные
Продолжая этот пост про (не)детерминированность я попробовал набросать правила для принятия решения о том, когда юзать конкретный алгоритм, а когда лучше отдать решение LLM - получилось следующее:
1. Для начала надо определиться с тем, что я подразумеваю под каждым понятием:
- детерминированные системы - основаны на жетских правилах, производят один и тот же результат для одних и тех же входных данных. Стабильны, но "жёсткие".
- вероятностые (недетерминированные) системы - учатся на данных, делают статистические "выводы", непостоянные в выходных данных при тех же входных.
2. Критерии для выбора:
- Степень открытости проблемы - насколько хорошо мы можем описать проблему, треюущую одной из 2х систем для ее решения? Насколько неоднозначна проблема?
- Достаточность данных - есть ли достаточно данных (количество и качество) для построения системы, обучающейся на данных?
- Толерантность к ошибке - можем ли мы позволить себе неопределенность в результатах? Можем ли мы застраховать эту неопределенность?
- Стабильность проблемы или окружения, для которой решается проблема
- Нужна ли нам "обьясняемость" решения - то есть, чтобы мы могли обьяснить, как именно мы превратили входные данные в выходной результат?
- Ограничения по времени и иным ресурсам - обычно детерминированные системы требуют значительном еньше ресурсов
- "Оппортунистическое" поведение - действует ли против нас адаптивная система, которая постоянно меняет входные данные, чтобы "сломать" нас?
- Нужно ли для решения проблемы "общее знание" (common sense) или решение ограничено малым количеством возможных ответов?
Список неполный - буду рад за фидбек как по текущим критериям (важный или неважный, может нужно докрутить), так и по нехватающим.
P.S. Об этом, кстати, будем говорить на курсе, стартующем в следующие выходные
Telegram
EDU
Я уже некоторое время пишу мысли про то, как меняется разработка продуктов в эру GenAI: роль программиста и продакта совмещается, продукты становятся более гибкими, цикл итераций ускоряется. В том числе с вашей помощью решил сделать про это курс, описание…
Pull vs Push
Одна из черт, которые отличают новых и матёрых фаундеров, по моим наблюдениям, легко описывается pull vs push.
На старте практически никому нет дела до твоего продукта. Матерый фаундер это знает. Поэтому он каждый день начинает с вопроса: кто еще должен узнать о моем продукте и как эффективнее всего это сделать? Он понимает, что это numbers game и надо просто планомерно этим заниматься.
Новоиспеченный же - ждет, что за него задачу дистрибуции решит акселератор, инвестор, партнер, консультант, директор по продажам. Веря в истории, что чуваки за 30 дней лонча заработали 10М, и с ним будет именно так же. И, за исключением выбросов, эта стратегия ни к чему не приводит. А потом мы делаем пивот.
Одна из черт, которые отличают новых и матёрых фаундеров, по моим наблюдениям, легко описывается pull vs push.
На старте практически никому нет дела до твоего продукта. Матерый фаундер это знает. Поэтому он каждый день начинает с вопроса: кто еще должен узнать о моем продукте и как эффективнее всего это сделать? Он понимает, что это numbers game и надо просто планомерно этим заниматься.
Новоиспеченный же - ждет, что за него задачу дистрибуции решит акселератор, инвестор, партнер, консультант, директор по продажам. Веря в истории, что чуваки за 30 дней лонча заработали 10М, и с ним будет именно так же. И, за исключением выбросов, эта стратегия ни к чему не приводит. А потом мы делаем пивот.
fyi - у нас будет стрим с Даней и Женей про LinkedIn, присоединяйтесь
Forwarded from nonamevc
на этой неделе, в четверг сделаем стрим про linkedin вместе с @ProductsAndStartups и @thefutureofwork
это не про то, как писать посты на 200 лайков, или как выстраивать автоматические цепочки аутбаунда.
скорее попробуем сделать реверс-инжиниринг главного продукта и самой компании
подойдет больше для тех, кто строит продукты поверх linkedin или интересуется социальными продуктами
затронем такие темы:
1/ почему linkedin оказался устойчив к демографическим циклам и до сих пор остается единственной рабочей площадкой. кто и когда может прийти на смену?
2/ linkedin и b2b SaaS продукты, построенный поверх соцсети. почти у каждого сейлза — это основной инструмент. но что мешает linkedin самому превратиться в полноценный crm? и почему до сих пор нет? как внутри компании принимаются продуктовые решения, кому давать api, а кому — нет?
3/ контент и linkedin — как он стал главным каналом для b2b бренда и лидгена? и что происходит с приходом генеративного контента?
4/ карьера как продукт
как linkedin формирует представление о карьере? как влияет на поколение профессионалов? как люди используют linkedin для сигнализации статуса: где работают, что пишут, какие сертификаты выкладывают. как это встроено в продуктовые механики?
5/ неудавшиеся эксперименты linkedin
linkedin stories, linkedin events, marketplace — что они пробовали, что не взлетело, и что это говорит о продуктовых гипотезах команды?
приходите — формат свободный, без презентаций, больше из темы продуктовой философии.
время: 27 марта, 17:00 CET
добавить в календарь
это не про то, как писать посты на 200 лайков, или как выстраивать автоматические цепочки аутбаунда.
скорее попробуем сделать реверс-инжиниринг главного продукта и самой компании
подойдет больше для тех, кто строит продукты поверх linkedin или интересуется социальными продуктами
затронем такие темы:
1/ почему linkedin оказался устойчив к демографическим циклам и до сих пор остается единственной рабочей площадкой. кто и когда может прийти на смену?
2/ linkedin и b2b SaaS продукты, построенный поверх соцсети. почти у каждого сейлза — это основной инструмент. но что мешает linkedin самому превратиться в полноценный crm? и почему до сих пор нет? как внутри компании принимаются продуктовые решения, кому давать api, а кому — нет?
3/ контент и linkedin — как он стал главным каналом для b2b бренда и лидгена? и что происходит с приходом генеративного контента?
4/ карьера как продукт
как linkedin формирует представление о карьере? как влияет на поколение профессионалов? как люди используют linkedin для сигнализации статуса: где работают, что пишут, какие сертификаты выкладывают. как это встроено в продуктовые механики?
5/ неудавшиеся эксперименты linkedin
linkedin stories, linkedin events, marketplace — что они пробовали, что не взлетело, и что это говорит о продуктовых гипотезах команды?
приходите — формат свободный, без презентаций, больше из темы продуктовой философии.
время: 27 марта, 17:00 CET
добавить в календарь
Addevent
стрим про LinkedIn
это не про то, как писать посты на 200 лайковскорее попробуем сделать реверс-инжиниринг продукта и самой компаниибольше для тех, кто строит поверх linkedin или интересуется социальными продуктамизатронем такие темы:1/ почему linkedin оказался устойчив к демографическим…
Асимметрия VC и фаундера - Размышления пост
Вы наверняка знаете про асимметрию в размере риска у VC и фаундера:
1) VC использует портфельный подход и параллельно «тестирует» сотни идей, чтобы из нее выстрелило несколько. Назовем это - вширь.
2) Фаундер же вкладывается в одну идею, принимает гораздо больше рисков, и в случае неудачи теряет годы своей жизни. Назовём это вглубь.
Разговорились тут со знакомым о том: а как и фаундеру применить портфельный подход? Может ли в этом помочь AI, снижающий стоимость создания продукта и тестирования оного рынком? Можно ли применить «биологическую эволюцию» и копировать, рекомбинировать, и отбирать лучшие варианты, чтобы не уходить слишком вглубь? Можно ли обмениваться с фаундерами других продуктов долями, эдакое товарищество? Или может есть еще варианты?
Хочется порассуждать как выравнивать эту асимметрию, поэтому велком в комменты
Вы наверняка знаете про асимметрию в размере риска у VC и фаундера:
1) VC использует портфельный подход и параллельно «тестирует» сотни идей, чтобы из нее выстрелило несколько. Назовем это - вширь.
2) Фаундер же вкладывается в одну идею, принимает гораздо больше рисков, и в случае неудачи теряет годы своей жизни. Назовём это вглубь.
Разговорились тут со знакомым о том: а как и фаундеру применить портфельный подход? Может ли в этом помочь AI, снижающий стоимость создания продукта и тестирования оного рынком? Можно ли применить «биологическую эволюцию» и копировать, рекомбинировать, и отбирать лучшие варианты, чтобы не уходить слишком вглубь? Можно ли обмениваться с фаундерами других продуктов долями, эдакое товарищество? Или может есть еще варианты?
Хочется порассуждать как выравнивать эту асимметрию, поэтому велком в комменты
Если вы используете Hubspot, то нужна ваша помощь, пожалуйста
Мы сделали приложение для Hubspot, которое на текущий момент уже дает детальную инфу по любому контакту (см. пример в аттаче) из публичных источников, но дальше будет больше. Это удобно и для подготовки к звонку с человеком, и просто для более полного понимания что происходит с ним и с его компанией
Не могли бы вы плиз проделать инструкцию и поставить наш апп? Нам это нужно, чтобы пройти ревью приложения в hubspot store
Заранее спасибо большое!
Мы сделали приложение для Hubspot, которое на текущий момент уже дает детальную инфу по любому контакту (см. пример в аттаче) из публичных источников, но дальше будет больше. Это удобно и для подготовки к звонку с человеком, и просто для более полного понимания что происходит с ним и с его компанией
Не могли бы вы плиз проделать инструкцию и поставить наш апп? Нам это нужно, чтобы пройти ревью приложения в hubspot store
Заранее спасибо большое!
Как работать с недоверием технологии
Зачастую у компаний побольше нет доверия к новым технологиям: они галлюционируют, ошибаются, не умеют складывать и считать колво букв r в strawberry, и тп. И мы, стартаперы, пытаемся их убедить: кто-то дает ее бесплатно (не делайте так!), кто-то за moneyback guarantee, кто-то - пытается убедить/надавить/продавить.
Для меня неустойчивость LLM чаще напоминает человека: мы тоже иногда галлюционируем, ошибаемся и тп. Как мы решаем это недоверие?
- Human in the loop - ставим контролирующего на проверку результатов работы сотрудника
- Процессы - ставим процессы/чеклисты на проверку и напоминание сотруднику, пытаемся не позволить ему сделать ошибку
- Страхуем - передаем риски третьей стороне
В случае LLM имхо все так же: паттерны для 1 и 2, но вероятно самый непроработанный пока - лишь третий путь. Я начинаю экспериментировать с ним: предлагать неустойку за ошибку. Эдакой SLA agreement, но чуть глубже - посмотрим что выйдет.
А вы как страховали или страхуете риски и, соответственно, недоверие?
P.S. Про 1 и 2 подробно на курсе AI Product Engineer, стартующем в это воскресенье: посмотрим как паттерны, так и как их реализовывать для своих систем
Зачастую у компаний побольше нет доверия к новым технологиям: они галлюционируют, ошибаются, не умеют складывать и считать колво букв r в strawberry, и тп. И мы, стартаперы, пытаемся их убедить: кто-то дает ее бесплатно (не делайте так!), кто-то за moneyback guarantee, кто-то - пытается убедить/надавить/продавить.
Для меня неустойчивость LLM чаще напоминает человека: мы тоже иногда галлюционируем, ошибаемся и тп. Как мы решаем это недоверие?
- Human in the loop - ставим контролирующего на проверку результатов работы сотрудника
- Процессы - ставим процессы/чеклисты на проверку и напоминание сотруднику, пытаемся не позволить ему сделать ошибку
- Страхуем - передаем риски третьей стороне
В случае LLM имхо все так же: паттерны для 1 и 2, но вероятно самый непроработанный пока - лишь третий путь. Я начинаю экспериментировать с ним: предлагать неустойку за ошибку. Эдакой SLA agreement, но чуть глубже - посмотрим что выйдет.
А вы как страховали или страхуете риски и, соответственно, недоверие?
P.S. Про 1 и 2 подробно на курсе AI Product Engineer, стартующем в это воскресенье: посмотрим как паттерны, так и как их реализовывать для своих систем