Первые продажи | Как я делал стартап Artifactory.ai

Я изначально хотел использовать Generative AI именно для игр по нескольким причинам:

- Большой рынок. Художники рисуют арт для игр годами, игры зарабатывают $180 млрд+ в год.
- Сложный рынок. Студии не отдадут ассеты, если не доверяют тебе. Требования к качеству будут очень высокие. Если удастся прорасти и завоевать доверие, то это уже будет барьером от конкурентов.
- Нетворк. Я понимал как выйти на топ-менеджеров крупных игровых компаний.
- Любовь к играм: 5000 часов в Dota 2, 2000 часов в CS, 500 в Warzone, PUBG, Taken, NFS, …

Как продавать?
Чтобы продавать, нужно было показывать кейсы решения реальных задач с помощью технологии.

Чтобы показывать кейсы, нужно было обучать модели. Приходилось самостоятельно экспериментировать с кодом для тренировки, причем тогда еще никто толком не понимал, каким способом лучше файнтюнить модель: учить CLIP или UNet? А нужно ли трогать VAE, а как сохранить генерализацию?

Но самое главное, чтобы обучать модели, нужны были реальные данные и фидбек от игровых студий.

Так в ноябре вышла моя самая популярная статья на DTF, где я взял пак игровых иконок со стоков, обучил на них нейросетку и постарался рассказать простым языком для широкой аудитории. С этой статьи пошли пилотные проекты. Я обучал модели своими скриптами, клал их на серваки с только появившимся веб-интерфейсом от AUTOMATIC1111 и давал к нему доступ студиям. В декабре мы подписали первый контракт.

Сегодня веду вебинар про Stable Diffusion для игроделов. На английском. В прямом эфире. Легкий жим-жим😬

https://edvice.pro/webinar/647d9aadb1bd6535cf4ccbfe

Держите немного папского контента. Купили дочке велик, ей покайфу

Первые инвестиции | Как я делал стартап Artifactory.ai

В сентябре на меня вышли ребята, которые делали игры на деньги некоего Вазгена (имя изменено, суть сохранена). Подкупало то, что у них внутри было несколько игровых студий и можно было быстро внедрять технологию.

Условия предлагались типичные для выходцев из СНГ: “Даю денег. Моя доля 80%, твоя 20%, соглашайся брат”. Напомню, что первого клиента я подпишу только в декабре, а в сентябре не было ни то что клиентов, там даже не было нормального понимания на что способен Generative AI. Поэтому предложение звучало разумно.

Нюансы начались, когда ребята не захотели оформлять отдельную компанию под проект. Вместо этого предложили сделать договор роялти с прибыли, как у авторов книг и музыки. Мы обсуждали с их придурковатым юристом договор несколько месяцев. Вроде ничего, но в нем у меня была прописана персональная ответственность за нарушения прав на интеллектуальную собственность. Напомню, что LION-5B и Stable Diffusion не то что бы сильно заморачивались по этим вопросам. Ну и финальным аккордом было то, что директор фирмы — приятный и адекватный человек, до этого управлял оружейным заводом. Калаши в Африку продавал. В общем, по совокупности факторов я не захотел вписываться в тему.

Затем одним прекрасным вечером сидим со школьным товарищем в дискорде. Катаем в дотку, я ему рассказываю все эту историю, а он такой: “Я тут на досуге компанию продал за пару $млн, го я в вас закину небольшую сумму”. На этом и сошлись. Так у нас появились деньги на MVP.

Появилась запись моего выступления на PyCon, где я рассказывал про предсказание повторных платежей в играх. Фокус доклада на MLOps — обучении моделей и всего вокруг этого.

Общая идея. Мы тренируем модель, которая предсказывает повторные платежи. Если точнее, то вероятность, что игрок заплатит в следующие 7 дней. Причем предсказываем только для платящих игроков — тех, кто уже совершил хотя бы 1 транзакцию в игре.

Как использовать. Предположим вероятность платежа для данного игрока уже не 99%, еще не 1%, а где-то в области 40-60%. Он все еще теплый, но может нуждаться в стимуле, чтобы заплатить еще раз. Такими стимулами могут являться вкусный оффер, или сложный уровень, выбивающий все ресурсы, или LiveOps-ивент и тд.

Так вот доклад о том, как у нас был выстроен процесс сбора данных, тренировки, инференса и мониторинга таких моделей, чтобы жадные капиталисты могли еще сильнее раскручивать игроков на бабки)

Видео: https://youtu.be/oi3uzqHFfYg

Субботнее утро, погода солнечная, в РФ военный переворот затеяли — хорошее начало дня.

xD

Военный переворот отменяется?

Хорошего вам понедельника! Рубрика: анекдот.

Приходит к директору цирка некий человек с улицы и говорит:
— Я тут иллюзион придумал.
— Ну-с, излагайте.
— На арену цирка выносят огромный сундук с говном... Под барабанный бой цепляют его к тросу и поднимают под самый купол цирка... А потом оттуда роняют! И вот: Вся арена в говне... Весь купол в говне... Все зрители — с ног до головы тоже в говне...

И тут на арену выхожу я — весь в белом!

Будни фандрейзинга в европе😏
Не спасает даже то, что 5 лет живу в Литве

Экспериментальный пост про кучи

Решаю значит задачи на Leetcode. Не то что бы я большой любитель, скорее набираю форму к потенциальным собесам. Попалась мне такая задачка:

Given an integer array nums and an integer k, 
return the k most frequent elements. 
You may return the answer in any order.

Input: nums = [4,1,1,1,2,2,3], k = 2
Output: [1,2]

Ну я парень простой, завел python'а, взял dict() / collections.Counter(), посчитал частоту элементов, а дальше сделал sort() — и в этот момент отсосал, потому что в конце задачи было доп. условие:

Follow up: Your algorithm's time complexity must be 
better than O(n log n), where n is the array's size.

Нюанс в том, что sort() как раз по времени O(N * log N), где N — длина массива nums. Полез в решения, а там куча (heap) — структура данных, то ли дерево, то ли массив. А я в универе в свое время положил на лекции по кучам и вместо этого катал в CS (не Computer Science).

В общем, решил исправиться. Вчера сел и плотно задрочил кучи: послушал лекции, реализовал основные алгоритмы и даже сделал конспект. Сегодня сел и размотал задачу. Был доволен собой как слон ровно 2 минуты. А затем зашел в ответы и снова отсосал, потому что обнаружил там еще более быстрое решение через некий Quickselect (Hoare's selection algorithm).

Мораль: наслаждайтесь моментом, пацаны, иначе рискуете нон-стоп сосать🧐 (c) Стэтхам.

https://leetcode.com/problems/top-k-frequent-elements/description/