Очень крутая таблица из фреймворков мышления для стартапов/бизнесов разных стадий от Лейлы Хормози (жена и бизнес-партнёр Алекса Хормози)
https://www.youtube.com/watch?v=JiV347H7vNQ
1. $0-$1M годовой выручки (<$100K monthly revenue):
• фокус на 1 аватаре пользователей, 1 продукте, 1 канале привлечения
• консистентность и поиск PMF (строить то, что люди хотят, Алекс называет это "найти starving crowd", голодную толпу – категорию людей, у которых просто горит от какой-то боли; в нашем случае это молодые парни и ежедневный вопрос "что ей написать / что ответить?")
• продажи-продажи-продажи
2. $1-$10M ($100K-$1M MRR):
• наращивать LTV, Retention
• увеличивать маржу, сокращать косты
• тестировать другие каналы дистрибьюции
3. $10M-$50M ($1M-$10M MRR):
• приводить операционку в порядок
• ставить всё что можно на конвейер
• нанимать таланты и т.д.
#startup
Это мы читаем: https://frankrausch.com/ios-navigation
Читать полностью…
Знай своих конкурентов, или рубрика "Почему я не знал об этом раньше?"
Certainly, coming up with new ideas is important, but even more important is to understand the results
– Ilya Sutskever
Focus Routine
Не самая продуктивная Моя неделя, но что круто, доля deep work (70%) выросла более чем в 2 раза по сравнению с прошлой неделей (на графике тёмно-пурпурный – shallow work, ярко-пурпурный – deep work)
Помогает рутина из 5 шагов:
1. Закрыть все источники отвлечений (Telegram, Instagram, dating apps).
Я использую Opal для блокировки сайтов и приложений (включая время сна), что круто, можно настраивать не blacklists, а whitelists, например, для какой-то активности Мне нужны 2-3 приложения на телефоне, а остальное блочит с прикольными мотивационными фразами.
2. Включить в наушниках Endel, режимы Focus, Dynamic Focus или Deeper Focus.
Вообще, музыка довольно эффективный способ приучить мозг к нужному состоянию ума.
3. Начать сессию работы в Session, выбрать задачу (intent) и период работы (time blocking) – период может растягиваться.
4. Открыть задачу в Linear, декомпозировать на подзадачи (можно только первые 3-5 шагов).
5. Начать логировать в Notes в сессии в Session, что делаю, в среднем каждые 20-30 минут – видишь прогресс и сразу обрашаешь внимание сколько минут на что просрал; легче входить в поток.
———
Ближайшие цели: поднимать что общую цифру (до 80+), долю deep work (до 80%), а также уменьшать дисперсию по дням недели 🤗
#LifeOps
Так ребят, кто выходил в AppStore, получал DUNS и проходил прочие круги ада,
Напишите пожалуйста в лс, к вам есть вопросики ❤
@uberkinder
Теперь vibe помнит историю общения (хранится только на устройстве), сам выделяет имя, оценивает уровень вайба в вашей коммуникации и делает много чего ещё…
Заходи, скачивай, пробуй 😘 vibe.meme
Я знаю, что за последние недели на Мой блог подписалось много ребят, кто интересуется машинным обучением и AI (спасибо "папочке"), и многие из вас, либо ещё не имея опыта работы совсем, либо имея его очень мало, тоже могут думать, что говорить про ML / AI в терминах бизнес-метрик – это сложно и приходит только с опытом.
Но как-то давным давно мы с Валерой решили развеять этот миф, поместив карету позади лошади и научив сразу учиться машин лёрнингу и аналитике в терминах метрик, бизнес-проблем и продуктов, ведь так ты сможешь
1. Без проблем себя "продать" на первых и последующих местах работы
2. Обосновать, чем ты ценен и почему тебе нужно давать повышение
3. Эффективно решать задачи, зная "в какую сторону" прилагать усилия
Поэтому 3 года назад (кстати, стукнуло недавно) мы начали разрабатывать Симулятор DS (ранее известный как Симулятор ML), обучающую программу для DS-ов, ML инженеров и аналитиков, в рамках которой через задачи-квесты и практические кейсы из нашей карьеры – объясняются разные шаги построения самых разных ML-сервисов, аналитических решений и AI-помощников, сразу приземлённые на тот или иной продукт, на тот или иной реалистичный бизнес-кейс (к слову, слышал, что обучение через кейсы – основной инструмент обучения в Гарварде).
И Я думаю, что у нас с Валерой и командой младших авторов это получилось, ведь через Симулятор прошло уже более 750+ студентов (а казалось, ещё вчера мы только-только дошли до отметки 100): кто-то успешно нашёл первую работу, кто-то поменял старую на ту, где более интересные задачи или больше платят.
Кто-то добавляет open-source проекты в резюме и потом на их примере демонстрирует своё понимание разработки продукта и скилл проектирования ML систем (проекты, которые команды из студентов разрабатывают помимо упомянутых задач, которых в Симуляторе уже около 100).
Кто кодит с Cursor, поделитесь пожалуйста своим опытом 🙏
Читать полностью…
Весной 2023 мы с командой трансформировали Симулятор Data Science из практикума по ML – в настоящий "инкубатор" AI-стартапов на минималках.
Теперь кроме задач-квестов по всем популярным индустриям и продуктам (кстати, мы доросли уже до 800+ студентов и 100+ задач), ребята уже с первого дня получают возможность присоединиться к одному из командных проектов. Все проекты уникальные и разрабатываются в open-source, поэтому каждый из участников может добавить его в своё резюме, рассказать, за какую часть лично он отвечал в проекте, сопровождая метриками по реальным пользователям, и работодатель сможет увидеть твой вклад в проект и твою консистентность, дисциплину по истории коммитов – настоящая меритократия.
Недавно мы решили пойти на эксперимент и, учитывая что желающих много, начать запускать проекты парами: 2 команды по 3-5 человек, проекты решают ± одну и ту же проблему, но разными подходами, какие выберут в ходе брейншторма и экспериментов сами студенты. Это добавляет соревновательный аспект в обучение, увеличивает вовлечённость, добавляет челлендж. Такой Хакатон-like вайб, но на 1-2 месяца и с целью получить рабочее MVP, с которым можно взаимодействовать, а не просто красивую презу для жюри.
Ранее у нас была пара проектов CyberTolya и KarpovAI, оба из которых помогали находить ответы на свои вопросы по видео с выбранного YouTube-канала. Один на основе TF-IDF/BM25, другой на основе RAG. Как не трудно догадаться, обкатывались оба сервиса прямо на karpovcourses/videos">karpov.courses.
А в начале этой неделе мы запустили 2 проекта: MoodMeter vs. VibeCheck. Оба сервиса решают одну и ту же боль: понимать, как меняется настроение / здоровье / вайб группового чата по дням, неделям и месяцам. Кстати, идею (sentiment score) косвенно подсмотрел на одном из слайдов у Ника Берёзы, с которым у нас в пятницу совместный эфир (см. закреплённый анонс).
Кто ЦА: админы чатов и коммьюнити менеджеры, тимлиды и их рабочие чаты сотрудников, фаундеры с чатами пользователей, авторы онлайн-курсов и чаты студентов.
Собранные сентименты и их динамику в последствие можно выводить на дашборд вместе с разными инсайтами (в какие конфликтные темы периодически скатывается чат? какие топ-N ключевых слов?), на их основе можно кидать алерты (бот может говорить, мол, "чуваки, слишком высокий градус токсичности, а ну завязывайте") и предоставлять закрытую аналитику для админа чата (например, кто из команды или из пользователей чаще всего накидывает на вентилятор в чате? с кем нужно поговорить тет-а-тет?).
Самому интересно, что придумают ребята. Обе команды начали в понедельник, но обе уже написали первичную версию ML Design документа, кто-то уже сделал прототип модели и начинает оборачивать самую сырую версию в Docker. В частности, любопытно, как решат вопрос с User Privacy и как будут минимизировать косты.
Что сами думаете про такого рода сервис? Был ли бы он полезен вам? Делитесь в комментариях.
Присоединиться к Симулятору DS можно уже сегодня, перейдя по ссылке
Фаундер должен суметь сделать три вещи:
1. Найти / придумать бизнес - модель с необходимым венчурным масштабом и сформулировать ясный вижен, где находится плодородная земля и как там в будущем
2. Обеспечить стартап необходимым кол-во денег и ресурсов для реализации этого вижена, чтобы корабль доплыл
3. Собрать и объединить выдающихся людей в одну команду с общей культурой, ценностями и вайбом, каждый из которых дополняет, усиливает и вдохновляет друг друга.
Договориться с каждым из этих людей, создав внутри отношений ясность ролей, пути, вознаграждений и не мешать им реализовать свою миссию и предназначение
Эфир с Ником Берёзой
С весны читаю блог Ника Берёзы. Ник – опытный фаундер (за плечами несколько бизнесов). Сейчас он фаундер и CEO стартапа Unimatch AI, "тиндера для фаундеров и инвесторов" (от Unicorn + Match) – уже поднят раунд по оценке в $5M. Вообще, сильно резонирует его восприятие мира стартапов, его подход к найму, менеджменту, организации. Что-то сразу беру на вооружение.
Например, в апреле уже репостил его список убеждений. Советую прогуляться по блогу, там довольно много ёмких формулировок, как собирать сильную команду, кто и как получает много денег в найме, или про цикличные петли роста стартапов. Рекомендую уделить как минимум пару вечеров, там много ценного.
Приглашение Ника на эфир-интервью для Меня имеет конечно же корыстные цели: Ник очень опытный фаундер и интересный гость. Я фаундер пока начинающий и для Меня это возможность показать друг другу свои Notion задать много интересных вопросов о том, как он мыслит в контексте роста стартапа, какой фреймворк выработал для управления командой и создания стратегии, изучить, как он нанимает, как поднимает инвестиции, как в самом Unimatch ИИ выставляет рейтинг для стартапов (и как его оптимизировать), наконец, какие качества отличают успешного фаундера (+ как Ник их развивал сам).
В свою очередь, у Ника появится чуть больше читателей блога, среди которых, уверен, найдутся как фаундеры-пользователи его стартапа, которые ищут инвестиции или таланты, так и разработчики, включая AI-разработчиков, непосрественно в команду Unimatch.
Ждём всех в пятницу, 20:00 по мск
[10 am по Калифорнии]
Здесь, в BOGDANISSSIMO
Ссылка на Google-календарь, чтобы не пропустить
P.S. Кстати, пишите свои вопросы к Нику в комментарии!
Режим дня и недели
Мой целевой распорядок, к которому Я стремлюсь. Реальный расходится на 2-3 часа, но мы над этим работаем
06..07: подъем, душ, уход за лицом, выпить протеин, сесть в такси (12 минут на дорогу)
07-17: кофе, deep work (две сессии по 6 и 4 часа), приезжаю в одни и те же кафе (все по соседству), удобно что там же можно пообедать + триггер в голове что если в кафе, то работаешь, если дома, отдыхаешь
17-18 тренировка, зал в 5 минутах пешком от тех кафе
18-20..21 shallow work: созвоны, кастдевы, разная административная суета
20..21 иду домой пешком (40-50 минут), общаюсь с ChatGPT в Voice Mode, анализирую день и общий прогресс, например, как текущее расписание отличается от идеального (этот модифицированный пеший 1:1 с ChatGPT последние 1.5 мес делаю без исключений, клевая привычка)
22..00 душ, face care, протеин, кондиционер на 18°, сон (в идеале, телефон далеко от кровати; будильник не ставлю)
———
По понедельникам Shallow Work Day, поэтому вместо deep work сессий, сюда накидываю разные активности по тюнингу своего LifeOps, разные созвоны, weekly и другое
Бывают ещё исключения когда нужно как на этой неделе в середине дня ездить в банк, открывать счета и т.д. В такие недели прощаю себе что будет мало часов deep work 🤭
#LifeOps
Бенчмарк новой GPT-4o 2024-08-06 - немного глупее и заметно дешевле
У OpenAI есть привычка. Сначала они выкатывают мощную, но дорогую модель. Потом они делают модель сильно дешевле за счет небольшой просадки в качестве. Потом они начинают работать над качеством.
В долгосрочной перспективе их модели становятся дешевле и лучше.
Такое случилось и с новой версией GPT-4o (gpt-4o-2024-08-06). Она в два раза дешевле топовой GPT-4o v1/2024-05-13 и немножечко глупее, чем новый Gemini Pro 1.5 от Google. Заняла четвертое место.
В итоге у нас получается очень неплохая модель по соотношению цена-качество. Это самая дешевая модель из TOP-8! 🚀
А еще с этой моделью включили поддержку constraint decoding. Они ее называют Structured Outputs. Теперь можно заставить модель всегда отвечать с JSON в определенном формате. Это не делает модель умнее, просто гарантирует формат ответов.
Простейший пример реализации такого подхода я демонстировал в "Как сделать так, чтобы Mistral 7B всегда отвечал на русском". Но OpenAI сделала это нормально и встроила прямо в клиента.
Кстати, Structured Outputs включили и во многих других моделях. Это не требует изменения модели - просто добавления "обвязки" на сервере.
А еще, похоже, у OpenAI усились опасения из-за чудесной интеграции Claude Chat с режимом генерации UI кода. Поэтому они в своей статье выделили главу про автоматическую интерфейсов при помощи Structured Outuputs.
В общем, получилась очень удачная модель по соотношению цена/качество.
Вaш, @llm_under_hood 🤗
---
Предыдущий бенчмарк был про рывок Gemini Pro 1.5 v0801. См другие бенчмарки по категории #bench
Karpathy: RLHF is just barely RL
Karpathy выкатил длинный твит с размышлениями о RLHF:
• RL - мощно, RLHF - не так мощно
• он приводит в пример AlphaGo - модель тренировалась с RL, и в итоге научилась обыгрывать людей. Если бы её тренировали на RLHF, то люди бы оценивали какое состояние доски или какая последовательность действий лучше - по факту модель, аппроксимировала бы среднее поведение людей. И это не смогло бы привести к модели, которая превосходила бы людей
• Причины две - "какой вариант тебе больше нравится" не всегда коррелирует с вариантом, который ведёт к победе в игре; и модель может поломаться на ранее невиданных вариантах
• Его в целом удивляет/впечатляет то, что RLHF работает - ибо по факту оптимизируется на правильное/лучшее решение, а которое больше нравится асессорам. И в целом модель может быстро научиться эксплойтить.
• При всем при этом, RLHF работает и является полезным. Как минимум потому, что людям не надо создавать вариант с нуля - они выбивают что-то из предложенного.
• И есть большой аргумент в пользу RLHF - использовать его для оценочных задач типа "хорошая ли шутка, хорошо ли суммаризирован текст" легко. А вот для RL не понятно, как дизайнить reward function.
И в целом он называет RLHF "vibe check" :)
Tweet
#datascience
Что там с рынком акций?
6:40, Я приехал в кафе – самое время написать пост
Так сложилось, одной из тем, которую мы много обсуждали с ChatGPT последние дни, была тема пузырей, экономических циклов и кризисов, произошедших за последние пару десятков лет (ипотечный кризис, доткомы и т.д.). Мой интерес усилился когда Я спонтанно пересмотрел "Игру на понижение"– и начал допрос ChatGPT по всем финансовым инструментам, которые были задействованы, чтобы разобраться в нюансах. До жопы интересно!
Попробую вкратце раскидать, что происходит сейчас:
1. Как работают экономические циклы? Рекомендую к просмотру легендарное видео Рэй Далио, собравшее 40 млн просмотров. Вкратце,
• Размер экономики = сколько люди тратят денег (отсюда ВВП)
• Кредит = потрать сегодня, заплатив за это завтра
• Процентная ставка = на сколько % больше нужно будет вернуть от суммы взятого кредита (либо сколько % получишь от суммы депозита на счету)
• Ключевая ставка = процентная ставка в ЦБ ("банке для банков"), прямо влияет на ставку в банках для физлиц/юрлиц
• Рост: низкие процентные ставки делают кредиты доступнее → люди берут много кредитов → рост потребления и инвестиций → экономический рост
• Пик: слишком быстрый экономический рост → инфляция (когда деньги "дешевеют", т.е. за ту же сумму ты сможешь позволить меньше товара)
• Сокращение: ЦБ повышает ставку → люди берут меньше кредитов (боятся не вернуть) → люди меньше тратят → экономика замедляется
• Спад: высокие ставки → рецессия (низкая экономическая активность, сокращение потребления и рабочих мест) → снижение инфляции
Затем цикл повторяется один в один. ЦБ разных стран стремятся к инфляции в 2% (инфляция – как быстро дешевеют деньги за 1 год), чтобы стимулировать рост экономики, но без значительного роста цен.
2. Текущий спад начался с банков Японии (см. графики в комментариях)
• В Японии с 1999 была zero interest rate policy (ZIRP), ключевая ставка 0%.
• В 2006 ставку повысили до 0.25%, в 2007 до 0.5%. В 2008 опустили до 0.3%, в 2009 до 0.1%, в 2011 снова до 0%.
• В 2016 ЦБ установил отрицательную ставку в -0.1%, что по сути "штрафовало" если деньги банков просто "лежали без дела" и стимулировало давать кредиты.
Т.е. в японских банках вот уже 17 лет ставка снижается и многие финансовые организации часто берут кредиты ("дешёвые деньги") под инвестиции из японских банков (скажем, в US мог взять кредит под инвестиции на 6.5%, а Японии под 1.5%), переводят йены в usd и вуаля... Тем более, что йены последние 25 лет, за вычетом небольших подъёмов, держались на одном уровне или даже дешевели по отношению к доллару.
Точную цифру Я не нашёл, но в разных источниках пишут, что в районе 10% инвестиций в stock market США взяты на деньги из японских банков.
3. В марте этого года ЦБ Японии впервые за 17 лет повышает ставку, сразу с -0.1% до +0.1%. Казалось бы, терпимо. Никаких больших перемен не произошло.
Дальше лучше: 5 дней назад ЦБ Японии снова повышает ставку за тот же год, повторюсь, после 17 лет монотонного убывания – на этот раз до 0.25%. Это происходит на фоне того в Японии выросла инфляция до 3% (стимуляция экономики-то происходит, вот только не своей экономики).
4. В последние 30 дней японская йена по отношению к доллару выросла более чем на 10% (в том числе на фоне слухов о ещё большем увеличении ставки ЦБ, которые действительно подтвердились).
Т.е. ты взял кредит в йенах, а теперь кроме роста ставки, тебе нужно на самой конвертации потратить на 10% больше, чтобы его вернуть. 🤡
5. После этих новостей, многие инвесторы, инвестиционные фирмы, фонды, финансовые институты, которые полагались на японские банки вдруг начали экстраполировать "а вдруг будет ещё повышение?" – т.е. надо пересматривать текущие и будущие инвестиции.
Например, Уоррен Баффет 40% своих акций держал в Apple, с марта продал половину своих акций Apple. Совпадение?
Индекс волатильности VIX (иногда называемый индекс страха) сильно подскочил (например высокими считаются значения 30 и выше, последние дни на уровне 40-55, см. комменты).
P.S. Кстати, что лично вы думаете будет через неделю / через месяц / к концу года?
Прикольно, у Apple на iOS-устройствах есть CoreML, в котором, например, есть тот же OCR. Обрабатывает за 200ms, причём по картинке в полном разрешении, как загружает пользователь, а не сжатом для передачи по сети виде. Есть нормальная поддержка русского (попробовал много open-source OCR-ок, все или говно по качеству, или страшно медленные)
https://developer.apple.com/documentation/vision/recognizing-text-in-images
Приятная находка
#iOS
Блог кофаундера, переходите, подписывайтесь
/channel/godblessnatural/1147
Последние дни встаю в 6 и 7 утра без будильника
Спасибо Алексу Хормози за ментальный пендаль
А кто приходит в Симулятор? ChatGPT выделяет такие группы на основе анкет:
A. Студенты и выпускники ВУЗов и курсов, кто хочет попасть на первую работу (кстати, не все даже знали Python на старте, но через пару дней влились; чаще это ребята которые уже смотрели лекции в YouTube или проходили/проходят курсы)
B. Не-ML разработчики и специалисты, которые захотели перейти в DS/ML/AI (например был и Senior-SWE, который благодаря Симулятору переметнулся в AI Developer, приятно отзывался о задаче где мы собираем GPT-2 с нуля)
C. Не-ML ребята, которые хотят пополнить арсенал навыков (например, аналитики, SWE и технические руководители, которые хотят учиться новому, с чем не работали, или лучше понимать ML/DA-коллег, или просто держать навыки в тонусе)
D. Специалисты Junior/Middle уровня, которые решили сменить место работы ближайшее время (приходят, чтобы набрать насмотренность в тех ML/аналитических продуктах и сервисах, с которыми не могут поработать на текущем месте)
E. ML/DA/DS которые не хотят тратить впустую время, пока ищут новую работу, а хотят повышать компетенции ("Continuous learning"), и как следствие, будущий доход
Собственно, все эти ребята умеют разговаривать с бизнесом "на ты", когда занимаются ML/DS/DA, и вполне успешно это делают после прохождения Симулятора DS
Симулятор доступен по подписке на 3/6/9 месяцев по цене 6,833₽ в месяц: https://to.karpov.courses/m_HXSQ (напоминает абонемент в спорт-зал: тоже берёшь на несколько месяцев и тоже за первый раз не успеваешь "пожать сотку" – решить все задачи, тем более, что каждые 2 недели добавляются новые)
P.S. Кстати, знаю, что многие студенты Меня читают, призываю вас поделиться своими впечатлениями от Симулятора DS в комментариях 😎
В своём канале Валера написал короткий пост о том, должны ли айтишники стремиться максимизировать бизнес-value тем, что они делают ("жить в пространстве проблем"), или они должны фокусироваться на технологиях, софте, сложных и интересных архитектурах данных, сервисов или ML-моделей ("жить в пространстве решений"). В обсуждении под постом накопилось 200+ комментариев, крайне рекомендую к прочтению.
Важно отметить, Я очень хорошо понимаю вторых, что такое любить очень крутые системы, что такое любить красивый код, соблюдающий все паттерны и best practices, Я испытываю большую эмпатию к джунам и стажёрам, которые на собеседованиях и на своих первых местах работы стремятся показать свой максимум и демонстрируют самые сложные модели и алгоритмы, которые они знают. Я всё это хорошо понимаю и сам лично это всё проходил.
Но Моё мнение конечно же в том (и естественно совпадает с мнением Валеры, с которым мы работали несколько лет), что инженер, инженерная команда или технический департамент – это не люди, которых компания нанимает просто ради того чтобы какое-то там IT/ML/AI было, или чтобы проспонсировать рисёрч в ML / AI. Их нанимают или в надежде на рост доходов, или в надежде на сокращение расходов (факт, который сложно игнорировать). IT-команда / Data-команда / ML-чуваки – это тоже неотъемлемые части Unit-экономики в рамках всей компании, а не что-то паразитирующее где-то сбоку.
Я конечно же согласен, что тем ценнее специалист или менеджер, чем лучше он понимает свою ценность в рамках компании, а также может сформулировать её на языке, понятном для других (например, для не-технического менеджера или другого коллеги)
