Инструменты
Каталог TGAds
Мониторинг
Детальная статистика
Анализ аудитории
Бот аналитики
Полезная информация
Инструкция Telemetr
Документация к API
Чат Telemetr
Не попадитесь на накрученные каналы! Узнайте, не накручивает ли канал просмотры или
подписчиков
Проверить канал на накрутку
Телеграм канал «Клуб CDO»
Клуб CDO
2.7K
1.6K
88
58
8.1K
Сообщество профессионалов в области работы с данными и искуственным интеллектом
Подписчики
Всего
3 960
Сегодня
0
Просмотров на пост
Всего
810
ER
Общий
18.81%
Суточный
14.2%
Динамика публикаций
Telemetr - сервис глубокой аналитики
телеграм-каналов
телеграм-каналов
Получите подробную информацию о каждом канале
Отберите самые эффективные каналы для
рекламных размещений, по приросту подписчиков,
ER, количеству просмотров на пост и другим метрикам
рекламных размещений, по приросту подписчиков,
ER, количеству просмотров на пост и другим метрикам
Анализируйте рекламные посты
и креативы
и креативы
Узнайте какие посты лучше сработали,
а какие хуже, даже если их давно удалили
а какие хуже, даже если их давно удалили
Оценивайте эффективность тематики и контента
Узнайте, какую тематику лучше не рекламировать
на канале, а какая зайдет на ура
на канале, а какая зайдет на ура
Показано 7 из 2 672 постов
Смотреть все посты
Пост от 12.06.2026 17:13
276
0
4
👍
2
Пост от 12.06.2026 17:12
1
0
1
Пост от 12.06.2026 10:00
217
3
16
Наткнулся на pm-skills - маркетплейс из 68 PM-скиллов и 42 воркфлоу для Claude. Внутри закодированные фреймворки: continuous discovery Торрес, Cagan, pretotyping Савойи, JTBD, Lean Canvas. По сути попытка зашить методологию продукта в рабочий процесс, а не оставить её в виде книг на полке.
Ставится либо целиком (все 9 плагинов сразу), либо выборочно - по плагину под конкретный домен: discovery, strategy, execution, go-to-market. У каждого скилла есть цена в токенах на каждый ход, и в свежих версиях она показывается явно в карточке.
Вопрос к тем, кто живёт с агентными скиллами не первый месяц: ставите выборочно под задачу или держите всё включённым? И как понимаете, что скилл реально работает, а не просто лежит в наборе?
https://github.com/phuryn/pm-skills
Ставится либо целиком (все 9 плагинов сразу), либо выборочно - по плагину под конкретный домен: discovery, strategy, execution, go-to-market. У каждого скилла есть цена в токенах на каждый ход, и в свежих версиях она показывается явно в карточке.
Вопрос к тем, кто живёт с агентными скиллами не первый месяц: ставите выборочно под задачу или держите всё включённым? И как понимаете, что скилл реально работает, а не просто лежит в наборе?
https://github.com/phuryn/pm-skills
👍
4
✍
1
Пост от 10.06.2026 20:34
284
0
12
Почему AI-агенты ошибаются, даже если у них есть доступ ко всем данным? 🤖
Многие компании уже экспериментируют с AI-агентами для поиска информации, аналитики и работы с корпоративными знаниями. Однако на практике доступ к данным еще не гарантирует качественный результат.
Причина часто кроется не в самой модели, а в архитектуре данных: отсутствует семантический слой, бизнес-логика не формализована, а данные не готовы к работе с ИИ.
📆 23 июня в 11:00 мск компания Lasmart приглашает на бесплатный вебинар «Почему 90% данных не готовы к работе с ИИ: архитектурный фундамент AI-агентов».
👨💻 Спикер: Павел Хамрин — руководитель AI-направления Lasmart. Более 10 лет занимается внедрением аналитических решений, DWH и BI-систем, развивает практики применения AI в аналитике и работе с данными.
В программе вебинара:
— почему прямого доступа к данным недостаточно для AI-агентов;
— откуда берутся «галлюцинации» при работе с корпоративными данными;
— зачем нужен семантический слой;
— какие компоненты включает AI-Ready архитектура;
— как подготовить DWH, BI и корпоративные данные к работе с ИИ;
— практическая дорожная карта внедрения и масштабирования AI-агентов.
Вебинар будет полезен CTO, CIO, CDO, руководителям AI-проектов, Head of BI, Head of Analytics, архитекторам данных и специалистам, отвечающим за развитие корпоративной аналитики.
🎁 Бонус участникам — персональный разбор стека данных и рекомендации по подготовке архитектуры для запуска AI-агентов.
🔗 Регистрация по ссылке
Многие компании уже экспериментируют с AI-агентами для поиска информации, аналитики и работы с корпоративными знаниями. Однако на практике доступ к данным еще не гарантирует качественный результат.
Причина часто кроется не в самой модели, а в архитектуре данных: отсутствует семантический слой, бизнес-логика не формализована, а данные не готовы к работе с ИИ.
📆 23 июня в 11:00 мск компания Lasmart приглашает на бесплатный вебинар «Почему 90% данных не готовы к работе с ИИ: архитектурный фундамент AI-агентов».
👨💻 Спикер: Павел Хамрин — руководитель AI-направления Lasmart. Более 10 лет занимается внедрением аналитических решений, DWH и BI-систем, развивает практики применения AI в аналитике и работе с данными.
В программе вебинара:
— почему прямого доступа к данным недостаточно для AI-агентов;
— откуда берутся «галлюцинации» при работе с корпоративными данными;
— зачем нужен семантический слой;
— какие компоненты включает AI-Ready архитектура;
— как подготовить DWH, BI и корпоративные данные к работе с ИИ;
— практическая дорожная карта внедрения и масштабирования AI-агентов.
Вебинар будет полезен CTO, CIO, CDO, руководителям AI-проектов, Head of BI, Head of Analytics, архитекторам данных и специалистам, отвечающим за развитие корпоративной аналитики.
🎁 Бонус участникам — персональный разбор стека данных и рекомендации по подготовке архитектуры для запуска AI-агентов.
🔗 Регистрация по ссылке
👍
2
Пост от 10.06.2026 09:12
310
0
5
В продолжение поста от понедельника про Context File System. Категория «база контекста для AI-агентов» оказалась не одиноким стартапом, а целым жанром. Вот свежий экземпляр: OpenViking, опенсорс от Volcengine (облако ByteDance).
Идея под капотом красивая. Вместо того чтобы свалить всю память, ресурсы и скиллы агента в один вектор-стор и молиться, что semantic search вытащит нужный кусок, OpenViking раскладывает контекст как файловую систему. Доступ через протокол viking://, агент ходит по директориям через ls и find, как по локальным файлам. Поиск становится наблюдаемым: видно, какой именно файл подтянулся, а не чёрный ящик RAG.
Два момента, которые цепляют. Первое: послойная загрузка L0/L1/L2. Сначала агент читает аннотацию в одно предложение, примерно сто токенов, и только если нужно, грузит полную версию. Прямая экономия на inference. Второе: self-iteration. В конце сессии система вытаскивает уроки и переписывает собственную директорию скиллов. Их формулировка: агент во вторник умнее, чем в понедельник, потому что разбогател не вес модели, а его «мозг».
Теперь честно. Таких решений сейчас десятки, и все наперебой делают одно и то же: dex, отдельные memory-слои, теперь вот это. Гонка за то, чтобы стать стандартом контекстного слоя.
И есть стойкое ощущение, что правильное действие тут одно: сжать зубы, подождать два-три месяца, и OpenAI с Anthropic просто выкатят аналог нативно внутри своих продуктов. Тогда весь этот рынок отдельных инструментов схлопнется в галочку в чужом релиз-ноуте.
Поэтому вопрос к тем, кто уже в теме: кто-нибудь гоняет подобное в реальной работе, не на демо? Поделитесь практикой, особенно про self-iteration в проде. Это меня смущает с точки зрения governance больше всего: агент, переписывающий собственные скиллы, это мощно, но кто за это отвечает.
https://openviking.ai/
Идея под капотом красивая. Вместо того чтобы свалить всю память, ресурсы и скиллы агента в один вектор-стор и молиться, что semantic search вытащит нужный кусок, OpenViking раскладывает контекст как файловую систему. Доступ через протокол viking://, агент ходит по директориям через ls и find, как по локальным файлам. Поиск становится наблюдаемым: видно, какой именно файл подтянулся, а не чёрный ящик RAG.
Два момента, которые цепляют. Первое: послойная загрузка L0/L1/L2. Сначала агент читает аннотацию в одно предложение, примерно сто токенов, и только если нужно, грузит полную версию. Прямая экономия на inference. Второе: self-iteration. В конце сессии система вытаскивает уроки и переписывает собственную директорию скиллов. Их формулировка: агент во вторник умнее, чем в понедельник, потому что разбогател не вес модели, а его «мозг».
Теперь честно. Таких решений сейчас десятки, и все наперебой делают одно и то же: dex, отдельные memory-слои, теперь вот это. Гонка за то, чтобы стать стандартом контекстного слоя.
И есть стойкое ощущение, что правильное действие тут одно: сжать зубы, подождать два-три месяца, и OpenAI с Anthropic просто выкатят аналог нативно внутри своих продуктов. Тогда весь этот рынок отдельных инструментов схлопнется в галочку в чужом релиз-ноуте.
Поэтому вопрос к тем, кто уже в теме: кто-нибудь гоняет подобное в реальной работе, не на демо? Поделитесь практикой, особенно про self-iteration в проде. Это меня смущает с точки зрения governance больше всего: агент, переписывающий собственные скиллы, это мощно, но кто за это отвечает.
https://openviking.ai/
👍
2
Пост от 09.06.2026 22:14
253
0
4
Чего только для IPO не сделаешь
https://www.anthropic.com/news/claude-fable-5-mythos-5?utm_source=perplexity
https://www.anthropic.com/news/claude-fable-5-mythos-5?utm_source=perplexity
👀
3
Пост от 09.06.2026 11:25
208
0
2
На этой неделе редакция ведет репортаж с TechWeek26.
В этом году на этом мероприятии, на котором традиционно представлены довольно разноплановые инновации, конечно все завалено ИИ.
Выступали и политики и представители ведущих компаний: CEO Perplexity, co-founder ElevenLabs и конечно все топовые вендоры. Если коротко: железа не хватает, инвестируйте в науку и в hardware.
Так же понравился рассказ Perplexity о том как они исторически держались за одну продуктовую метрику - точность. Вопреки советам и требованиям инвесторов :)
В этом году на этом мероприятии, на котором традиционно представлены довольно разноплановые инновации, конечно все завалено ИИ.
Выступали и политики и представители ведущих компаний: CEO Perplexity, co-founder ElevenLabs и конечно все топовые вендоры. Если коротко: железа не хватает, инвестируйте в науку и в hardware.
Так же понравился рассказ Perplexity о том как они исторически держались за одну продуктовую метрику - точность. Вопреки советам и требованиям инвесторов :)
👍
4