Телеграм канал «AI для Всех»

📍Williamsburg, NYC

Ищете стабильную платежную систему для бизнеса?

💰 platega — прием платежей на сайте, в приложении и Telegram.
Все популярные методы оплаты в одном сервисе.

Быстрое подключение от 24 часов и стабильные выплаты.
👉 Подробнее на сайте platega.io

#текстприслан

🪞 Я написал пост про новый Claude Skill, который ловит «ИИ-палевы» в тексте. И пропустил пост через сам скилл.

Скилл нашёл 6 нарушений в собственном анонсе. Главное нарушение: длинное тире, шесть штук. ChatGPT ставит его на каждом шаге рассуждения. Живые люди ставят его раз в неделю. Я попался на том самом тэлле, ради которого писал инструмент.

Откуда правила
У Wikipedia есть открытая страница про признаки ИИ-текста, которую коммьюнити обновляет быстрее, чем любой локальный rule-list. Сейчас там ~50 слов, ~80 фраз, и десяток паттернов: типичные глаголы делового английского, риторический контраст в духе «не просто A, а B», тройные перечисления через запятую, штампованные первые строчки писем.

Я взял эту страницу и сделал из неё Claude Skill: ai-tells-validator. Каждый запуск тянет свежую версию (час mtime-кэша), парсит её, режет ваш драфт по живому каталогу.

Две команды:
🔍 validate, найти все тэллы в драфте
✍️ rewrite, позвать Claude и переписывать, пока валидатор не загорится зелёным (до 3 попыток)

Реальный кейс
Батч из 44 холодных писем для outbound. По зрительному прогону казалось, что нужно поправить 6-7. Валидатор завернул 38. Почти все на одном или двух длинных тире. Без скилла этот батч ушёл бы в почту руководителям, и каждый прочитал бы первый абзац как «о, это ИИ написал».

Главная фишка не в правилах, их можно скопипастить с любого блога. Главная фишка в источнике правил, потому что он живой. Коммьюнити ловит новые тэллы быстрее, чем кто-либо из нас успевает их заметить.

🔗 Скилл тут: github.com/crimeacs/ai-tells-validator
📚 каталог: en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing

5 мыслей после ужина с партнёром a16z Zane Lackey

1. AI - это не “ещё один cloud”. По масштабу, ИИ ближе к индустриальной революции + электричеству. По крайней мере, так на это смотрят инвесторы.

2. Сейчас можно взлететь с маленькой командой + AI tooling + tokens вместо десятков людей и огромного cloud burn.

3. Venture нужен не всем. Но если идёшь в VC, ставка должна быть большой. Инвесторы покупают не “полезную фичу”, а огромный рынок и ощущение inevitability.

4. Старые, скучные категории могут внезапно стать интересными. Хороший pitch: “эта область 20 лет была ужасной - вот почему, и вот что AI наконец изменил”.

5. Build vs buy не умер. AI позволит компаниям строить больше внутреннего софта, но настоящий enterprise product - это поддержка, безопасность, документация, фичи и ответственность. Это всё ещё покупают.

Главный вывод: сейчас выигрывают не те, кто просто “добавил AI”, а те, кто понял, какую старую боль AI делает наконец решаемой.

🕵️‍♂️ AI-продукт недели: damnlines.com

Сайт показывает очереди в хайповые места Нью-Йорка в реальном времени: камеры → computer vision → счетчик людей → «стоит идти или нет».

Построил Lucas Gordon, инженер из NYC; публично проект идет через G26 LLC.

Главный урок: ценность часто не в «суперумной модели», а в том, чтобы воткнуть простой AI pipeline в правильное место реальности.

Вот например моя любимая slice пицца: https://damnlines.com/camera/lindustrie-pizzeria

Что еще прикольно было бы сделать?

Как я сделал предиктор виральности для Hacker News

Собрал штуку, которую сам давно хотел: клон Hacker News, куда можно вставить draft поста до публикации и увидеть:

— предсказанный score
— p10–p90 диапазон
— похожие старые HN-посты
— почему модель так думает
— и примерные комменты, которые тебе прилетят

Сегодня запостил это на сам HN (найдите в new - 148,421 posts later: A model to predict the Hacker News front page)

Ниже - как оно устроено.

Зачем

HN - странная платформа.

Я захотел сделать инструмент, который хотя бы примерно отвечает на вопрос:

“Этот заголовок вообще имеет шанс?”

Данные

Собрал через публичный Algolia HN Search все посты с 2007 года, которые набрали ≥5 очков.

Получилось 148,421 истории.

Главная деталь: сплит строго хронологический:

— train: до июля 2025
— validation: август–декабрь 2025
— holdout: январь 2026+

Random split здесь ломает задачу. Если случайно перемешать данные, модель начинает подсматривать в будущее через kNN-соседей: на трейне выглядит умной, в проде разваливается.

Это была первая грабля, на которую я наступил.

Эмбеддинги и соседи

Для каждого поста беру title + первые ~200 символов body и прогоняю через Gemini embeddings.

В Postgres / pgvector храню:

— halfvec(3072) для cosine search
— bit(3072) для быстрой бинарной префильтрации

Поиск двухступенчатый: сначала быстрый HNSW по бинарке, потом cosine re-score по halfvec.

На 148K постов p50 получается около 50 мс.

Модель

Поверх kNN-соседей обучен LightGBM на 31 фиче.

Фичи: score ближайших соседей, доля frontpage-попаданий, плотность neighborhood, свежесть соседей, длина заголовка, Show HN / Ask HN, знаки препинания, цифры, время публикации, день недели, доменные priors.

Важная деталь: kNN при тренировке тоже time-causal.

Для поста из 2025 года нельзя искать соседей из 2026-го. Только прошлое. Иначе вся честность хронологического сплита исчезает.

Модель имеет четыре головы:

— median score
— p10
— p90
— вероятность score ≥100

Инференс без ML-рантайма

LightGBM компилируется через m2cgen в чистый JavaScript.

В итоге:

— нет Python-сайдкара
— нет ONNX
— нет ML runtime
— нет отдельного сервиса
— Vercel function просто исполняет JS if-else дерево

Бандл около 10 MB, инференс sub-ms.

До этого пробовал onnxruntime-node, но cold start на Vercel был 1.5–3 секунды. Для такой штуки это слишком больно.

Holdout

Метрики на честном holdout:

— Spearman ρ = 0.33 по log-score
— MAE log = 1.65, то есть часто примерно x5 в сырых очках
— AUC для score ≥100 = 0.67
— Precision@30 = 0.83

Это не “я предсказываю HN”.

Скорее: из заголовка и исторических аналогов можно вытащить примерно треть сигнала.

Симулятор комментов

Моя любимая фича.

Система ищет похожие старые HN-посты с реальными комментами, берёт top comments из этих тредов и просит Gemini Flash сгенерировать возможные реакции:

— скептик
— педант
— tangent guy
— корректор
— поддерживающий комментатор

Но каждый simulated comment должен быть grounded в реальном HN-комменте.

Rewriter и Auto-improve

Есть rewriter: он берёт твой title, смотрит на соседей, предлагает три улучшенных варианта и снова прогоняет их через модель.

Auto-improve делает это в несколько раундов и показывает hill-climb: как заголовок постепенно двигается к более сильной версии.

Live calibration ledger

Чтобы не рисовать красивые ML-графики задним числом, я добавил /predictions.

Каждые 10 минут systemd-таймер берёт top-30 реального HN, прогоняет через predict endpoint и пишет в Postgres:

— что модель предсказала
— что реально произошло потом

Ошибки видны вживую. Их нельзя ретушировать.

Код

Всё открыто под MIT:

github.com/crimeacs/foresyn-hackernews

Можно форкнуть под Reddit, X, Product Hunt или любую платформу, где есть исторические посты и outcome.

Я запостил это на HN сегодня.

Перед публикацией модель предсказала моему собственному title 32/99 virality и около 12 raw points.

Теперь live ledger покажет, была ли она хоть немного права.

Буду рад апвоуту, комменту или честному roast’у ❤️

Проанализировал 150к постов на HackerNews и сделал модель, которая поможет завируситься

Ты час подбираешь заголовок для Show HN, нажимаешь submit - и через 30 минут либо летишь в топ, либо тихо умираешь в /newest.

И почти невозможно понять, почему.

В выходные я собрал инструмент, который сам давно хотел:

→ hackernews.foresyn.ai

Это клон HN, где можно прогнать свой Show HN до настоящего поста.

Пишешь title + url + description - и модель показывает:

— сколько очков можно ожидать
— реалистичный p10–p90 диапазон
— похожие прошлые HN-посты
— что тебе, скорее всего, напишут в комментах
— как можно улучшить заголовок

Особенно горжусь - симулятором комментов

Он ищет реальные старые HN-комменты к похожим постам и показывает, кто придёт душнить:

“we built this in 2017”
“why not SQLite?”
“how is this different from X?”
“pricing?”

Ещё есть Auto-improve: модель сама генерит варианты заголовка, перескоривает и greedily лезет вверх до плато.

И Live ledger: каждый день скорим настоящую HN frontpage и публикуем ошибку модели.

В понедельник я хочу запостить это на сам Hacker News. До этого очень нужно, чтобы люди попробовали сломать штуку.

Особенно если вы уже постили на HN:
• верите ли скору?
• где UX бесит?
• какой prediction выглядит нелепо?

Про то, что под капотом напишу отдельный пост: 148K HN-постов, Gemini embeddings, halfvec индекс, LightGBM поверх 31 фичи, kNN-сигналы, domain priors, time-of-day, title craft.

→ Попробуйте!