Аналитика Telegram-канала
Подписчики
694
Публикаций
10

Динамика подписчиков

7 дней 30 дней 6 месяцев Больше
14 ноя17 ноя20 ноя
Показаны последние 7 дней Больше истории →

Охваты публикаций

02.1107.11
7
Средний охват
10
Лучший результат
Показаны 2 публикации — последние в канале Больше статистики →

Упоминания

23
Упоминаний
0
Из них репостов
2
Каналов
Все упоминания

Последние посты

2 из 10 2 из 10
Мало построить pipeline, нужно ещё научиться им пользоваться. Если жёстко не контролировать процесс, агенты любую ерунду готовы обозвать major- или high-дефектами и гонять их по бесконечному кругу правок. В этом случае завершить проект просто невозможно. Не помогают ни жёсткие критерии оценки серьёзности дефектов, ни расстановка приоритетов. Агент всё равно найдёт в коде что-то ещё. На каком-то этапе необходимо остановить конвейер и вручную отсмотреть дефекты, выяснить бизнес-контекст и принять решение: а стоит ли вообще очередной найденный дефект исправлять? Может, это и не дефект вовсе или шанс его реализации в планируемой инфраструктуре равен примерно «никогда». Как показала практика, агент не в состоянии взвесить и реально оценить важность каждого дефекта, его реализуемость в работе создаваемой программы, риск и эффект реализации. Вероятно, потому что контекст моделей всего 1 млн токенов, а на понимание всей картины нужно, видимо, пару миллиардов. На осознание этой истины у меня ушло 150 кругов разработки в собственном pipeline. Урок выучен. Выводы следующие: 1. Необходимо формализовать критерии важности и приоритета дефектов. 2. Ввести правило ручного просмотра дефектов после закрытия всех blocker и high. 3. При подозрении на зацикливание процесса останавливать конвейер, вручную перепроверять выводы агентов и корректировать важность и приоритет найденных дефектов. Для полностью автономной разработки, видимо, потребуется создавать детерминированный механизм оценки дефектов под каждый проект. Подумаю об этом на досуге. Личное и закулисье: «Жизнь в цифре»
ещё
4 0 3 7 ноя, 08:42
493 компании не получили отдачи от ИИ? Заметка главного экономиста Apollo Торстена Слока от 24 октября 2026 года сравнивает Magnificent Seven с остальными компаниями индекса S&P 500. Эти остальные и названы S&P 493. В материалах нет опроса 493 компаний, отбора по факту внедрения ИИ и замеров отдельных ИИ-проектов. Что измеряли на самом деле Первый график Apollo показывает уровень выручки на сотрудника с поправкой на инфляцию к четвёртому кварталу 2019 года. Показатель меняется и при изменении выручки, и при изменении числа сотрудников. Второй график показывает маржу прибыли в процентах. По интерпретации Apollo, у семи гигантов обе линии растут, у S&P 493 остаются почти плоскими. Но формулу маржи, способ взвешивания 493 компаний и исходную таблицу Apollo не опубликовала. В открытом пакете графиков есть только ссылки на Bloomberg, Macrobond и самого экономиста Apollo. Точно воспроизвести или подтвердить расчёт по этим данным нельзя. И главное: общая линия большой группы ничего не доказывает про каждую компанию внутри. Если средний чек всего торгового центра не вырос, это ещё не значит, что ни один магазин не окупил новый ремонт. В S&P 493 могут одновременно сидеть удачные проекты, провалы и компании, которые ничего серьёзного не внедряли. Графики также не отделяют эффект ИИ от найма, увольнений, цен, спроса и остальных расходов. Поэтому вывод Apollo значительно уже: в агрегатах S&P 493 пока не видно широкого финансового ускорения, которое можно уверенно связать с ИИ. Это, пожалуй, единственный достоверный вывод из всей заметки. Как считать свой эффект Мне нравится следующий метод: 1. До старта задаем предел: срок пилота, допустимое число ошибок и максимальный убыток, после которого пилот прекращается. 2. Определяем один процесс и одну единицу результата: заявку, документ, заказ или обращение. 3. До запуска фиксируем базовую линию за полный рабочий цикл: объём, время, ошибки, валовую прибыль и затраты на единицу результата. 4. После запуска считаем полную стоимость: модель, интеграцию, инфраструктуру, проверку человеком, исправления и сопровождение. 5. Считаем чистый эффект: дополнительная валовая прибыль плюс реально снятые затраты и предотвращённые потери минус полная стоимость автоматизации. Потери считаем как изменение частоты ошибок или инцидентов относительно базы, умноженное на среднюю стоимость случая. Пересекающиеся выгоды второй раз не прибавляем. 6. Сравниваем одинаковые по длительности периоды и пересчитываем результат на одинаковый объём и состав работ. Если можно, оставляю похожую команду без автоматизации для сравнения. 7. По завершении подводим итоги и принимаем решение о внедрении. Освободившиеся часы нельзя записывать в прибыль автоматически, пока они не дали дополнительных заказов или не привели к реально снятым расходам. Это запас мощности, а не деньги. ROI за период считаем так: чистый эффект делю на полную стоимость автоматизации и умножаю на 100 процентов. Только после этого можно говорить, окупился агент или просто красиво поселился в бюджете. #ИИ #ЭкономикаИИ Личное и закулисье - в канале «Жизнь в цифре».
ещё
10 0 1 2 ноя, 14:48
Больше постов

Продолжить анализ этого канала

  • История роста подписчиков
  • Просмотры и охваты публикаций
  • Кто упоминает канал и кого упоминает он
  • Похожие каналы и подбор для рекламы
Открыть аналитику
Демо до 14 дней