Вот и Andrew Ng выпустил курс по Agentic AI
https://www.deeplearning.ai/courses/agentic-ai/

В чем его крутость - он не привязан к framework (LangChain и пр). И это хорошо!
Думаю пройду его.

Котятки😻,
Поделюсь своим докладом с конференции. Честно, без поддержки прекрасных организаторов, которые меня бережно вели, без брифинга от Миши @proudobstvo и без подготовки от @za_predelami_koda, вряд ли бы вышло так хорошо.
В общем,
-доклад в целом о сценариях интеграции BI и AI-агента с точки зрения интерфейса и UX
-там есть про аналитические задачи и AI в целом
-там есть про метрики и про архитектуру немного.
Чего нет: как учить агентов, как строить архитектуру так, чтобы это работало, какие задачи разрешать делать LLM, а что пускать строго в сторону MCP и прочие тех нюансы. Об этом хотела тоже, но тайминг, да и муж сказал, что это не темы конфы, скорее технические митапы.
А мы здесь о прекрасном.
PS. Спасибо моей маме за свитер

Полная версия аналитики по годам с победителями, диаграммой финишей и даже погодой:

https://moscowmarathon.datalaboratory.ru/

Все наши юзкейсы использования Курсора как супер ai агента в команде из 30 человек, включая инженеров, менеджеров и сейлзов

Наконец-то получилось сделать концентрированный рассказ и записать на видео.

Запись: https://youtu.be/CLHb3aYr9Is?si=1Xl0r8-0NC5sF3VG&t=2820 (с 47 минуты)

Ключевые идеи

— Вся команда живет в Cursor как в единой AI-нативной операционной системе: вместо зоопарка SaaS — агенты + файлы/репозитории + правила контекста .
— Знания и процессы — в Markdown-структуре репозиториев на GitHub; Confluence/Notion постепенно выносятся, остаются синки по необходимости .
— Динамическая подгрузка контекста через вложенные .cursorrules: единые правила, краткие тезисы, ссылки на детали; агент сам решает, какой контекст подтягивать .

Примеры юзкейсов

— Автообновление карточек проектов из транскриптов звонков: агент находит последний звонок (Fireflies/MacWhisper), вытаскивает факты и обновляет статусы/задачи .
— Быстрые presales-ответы: собрать контекст из переписки и транскриптов, сравнить с конкурентом, выдать конспект + 5 буллетов; человек финализирует .
— Диагностика инцидентов по документации/исходникам: «сходи, проверь retry policy…» .

Сетап общего workspace на всю команду

— Структура рабочих пространств: папки по функциям (strategy, product, sales/marketing, docs, scripts), у папок оунеры; у дев-репозиториев — read-only для части ролей; права — на уровне репо .
— Единые Rules + README, слитые и поддерживаемые как один источник: тезисы, ссылки, инструкции против галлюцинаций и самопридумывания файлов.
— Нейминг и структура ведутся оунерами папок, без микроменеджмента; жизнь файловой системы — как у «Google Drive/Notion, но в гите».
— Интеграции MCP/API: ClickUp (двусторонние задачи), Google Drive/Notion (миграции/one-way синки), Fireflies (звонки), локальные транскрипции MacWhisper

— Новый сценарии в продукт, например, Автотесты, обновление документации, контроль качества данных — вайбкодим в курсоре, потом переносим в свой ai продукт.
— Внедрение в команду через личный пример, aha-моменты и организационные решения

Что пока не работает

— Мобилка и оффлайн-паттерны — слабое место; привычки захвата контекста через носимые устройства не прижились .
— Интеграции в облаке без дублей: один звонок — несколько транскриптов у разных участников; требуется системный владелец для эволюции пайплайнов .
— Масштаб MD-файлов: со временем типовые сущности уедут в БД с API .

Ещё раз запись: https://youtu.be/CLHb3aYr9Is?si=1Xl0r8-0NC5sF3VG&t=2820 (с 47 минуты)

Встречу и запись организовал Саша Поваляев, фаундер комьюнити AI Mindset.
Канал: @ai_mind_set
Сайт: https://aimindset.org/

Там интересное, и именно через призму майндсета, а не просто инструменты. Рекомендую подписаться.

📈Wordle для диаграмм
В копилку дата-квизов. Игра Chartle — что-то вроде Wordle, но для диаграмм: игроки угадывают страну, выделенную на графике красным цветом. Увлекательно и интересно, новые задания каждый день. Проверьте себя, перешлите коллегам.

Еще по теме
Дата-квиз на знание мира в 2100 году

Подписывайтесь 👉 📈Дата-сторителлинг

Недавно общался с коллегой, и он задал интересный вопрос: есть ли какой-то один вопрос, который помогает сразу понять, хороший перед тобой продакт или плохой.

Такого вопроса-убийцы я не придумал. Но в ходе разговора осознал, что есть отличный «разрезающий пас», отделяющий одних от других - посмотреть, как человек мыслит о будущем. Плохой продакт говорит о будущем фактами. Хороший - гипотезами.

Эта разница в мышлении - ключевая. Плохой продакт верит, что его работа - это составить красивый план и следовать ему. Он приносит роадмап, где на год вперед расписаны фичи, и продает его как набор будущих фактов. Это успокаивает бизнес, создает ощущение предсказуемости, но по сути является профанацией. Это попытка натянуть детерминированность на хаотичную по своей природе реальность.

Хороший продакт, наоборот, принимает неопределенность. Он строит свою работу вокруг гипотез, про которые я уже не раз писал. У него есть четкая структура: есть наблюдение/феномен, из него рождается предположение, которое превращается в эксперимент с ожидаемым результатом. Это не план по захвату мира, а план по обучению.

И вот этот маркер - факты против гипотез - сразу вскрывает, кто перед тобой. Один пытается продать уверенность там, где её нет. Другой - принимает неопределенность и оптимизирует процесс под скорость обучения.

How to. make Business LODs and Windows
В документациях к BI-инструментам есть примеры, как использовать LOD-формулы, но они не всегда хорошо транслируются на реальные бизнес-кейсы, надо еще переводить с языка примера на логику того, что же тебе требуется.
Решил попробовать собрать бизнес-кейсы различных LODов с которыми приходят для реализации, кажется, так будет нагляднее.
Буду дополнять на этой страничке
Если принесете свои use cases - будет классно =)

- сколько было клиентов с > чем 1 заказом
- сколько sku товаров было и в плане и в факте
- как посчитать среднюю без выбросов > 90 персентиля
- средний % плохого стока за последнюю неделю

AI и аналитика - моя главная проблема прямо сейчас (и, возможно, твоя тоже)

Я смотрю на свою работу с аналитикой и вижу кучу вопросов без ответов:

1. Как AI может помочь прямо сейчас, а не "когда-нибудь потом"?
2. Какие задачи уже можно отдать агентам, а какие - ещё рано?
3. Что делать с командой: кого учить, кого нанимать, кого... ну вы поняли?
4. И главное - как не остаться за бортом, пока все вокруг осваивают новые инструменты?

Решил разобраться вместе с Севой Устиновым. Он не только делает продукт для маркетологов и аналитиков, но и сам внедряет AI агентов в работу команды.

О чём поговорим:

1. Почему быть без AI - это зона риска прямо сейчас
2. Какие задачи уже решает AI в маркетинге и аналитике
3. Case studies - что работает, что не работает, где AI врёт
4. Что меняется в скилл-сете - от дашбордиста к управленцу агентами
5. Апдейты Elly Analytics - как выглядит AI в реальном продукте

Для затравки

Больше не нужно отсматривать сотни тысяч объявлений. Не нужно руками вносить правки в каждый креатив. Не нужно анализировать всё по заранее придуманным правилам. Можно просто спросить у AI.
Но нужно знать, какие вопросы задавать. И вот тут начинается самое интересное. Будущая роль маркетолога - стратег в real-time и управленец агентами. Покажем как это выглядит на конкретных примерах.

Дата и время: 14.10.2025 вт 19:00 МСК
Платформа: Zoom
Регистрация
Приходи за честным разговором и живыми демо

Бонус тем, кто придет: бесплатная инструкция от Севы, как настроить среду с AI-агентами для своих ежедневных задач.

@marketing_analysis

Ааа, это прекрасно

Я нашла в вам оправдание прокрастинации, не благодарите!

Можно залипнуть на этот сайт на 3 часа: это космическая станция, на которой персонажи из разных фильмов и сериалов (даже есть Деревня дураков!).

Работа подождёт…

https://floor796.com

Все совпадения случайны

Просто напомнить про полезный вопрос для сбора требований к дашборду:

❓Что ты будешь делать, если метрика завтра упадёт в 2 раза?

Во-первых, он настроит на принятие решений с помощью данных и подтолкнёт к реальным действиям, а во-вторых, поможет выстроить структуру самого дашборда.

Есть ещё такие формулировки, но они менее чёткие:
- Какое решение вы надеетесь принять с помощью этого?
- Какое действие это поможет вам предпринять?

#fun #дашборд

Котятки🐱,
Этим утром я почитываю книжечку
A reader on data Visualization. По факту, методичку по курсу Dataviz:
https://mschermann.github.io/data_viz_reader/
Что примечательно, в ней есть глава 6, где прямо очень хорошо расписан жизненный цикл любого проекта по анализу.
Ну и моя вчерашняя маленькая находка: статья-размышление на тему, какие новые риски появились в сфере анализа и визуализации, а что по-прежнему важно для построения качественного дашборда. «Уместность» - мой фаворит.
https://rebeccabranton.blog/2025/07/13/the-evolution-of-data-visualization-what-makes-a-good-chart-in-the-age-of-technology/

<Осторожно - в этом посте нет ни одного упоминания AI>

Делали с командой внутренний курс для BI в Авито - откапал свою типологию ролей в BI проектах 5-ти летней давности.
Отряхнул и переписал из текущей точки, добавил логики. Короче - дополняйте какие роли или нюансы упущены.

Ссылка на картинку

Забавное открытие - вроде все уже сказано и открыто в профессии, но приходят в компанию новые поколения и говорить об каких-то вещах - есть смысл снова.