Khan of data & analytics🎲

AI Агенты: Что за монстр?

Решил вот разобраться, что такое AI агенты. С одной стороны, вроде понятно — что-то умное, с другой — как только начинаешь углубляться, кажется, что каждый понимает это по-своему. Да и вообще, когда что-то становится модным, как термин Big Data, туда накидывают всё подряд.

Попробую накидать своё понимание и мысли. Возможно, это поможет кому-то (включая меня самого) лучше разобраться.

Что такое AI агент?

Если кратко, AI агент — это программное обеспечение, которое:
1. Использует технологии ИИ (от классического ML до современных LLM).
2. Может активно взаимодействовать с внешним миром (то есть не просто отвечает на вопросы, а действует).
3. Ориентирован на выполнение конкретной задачи.

По сути, это как Джеймс Бонд 007, только не в смокинге, а с промптом внутри.

Почему "активное взаимодействие"?

Вот что важно. Раньше мы привыкли, что ИИ — это что-то пассивное: спросил → ответили.
AI агент же идёт дальше:
- Может писать и отправлять письма.
- Запускать скрипты.
- Работать с API.
- Даже заказывать вам пиццу или сделать перевод, если слишком устали.

Это делает их более полезными, но и сложными в разработке, потому что тут нужна куча интеграций, правил и тестов.

LLM — обязательно или нет?

Не обязательно. Хотя сейчас все ассоциируют AI с LLM (например, ChatGPT), агент может использовать что угодно:
- Правила и паттерны.
- ML модели.
- Баесовские алгоритмы
.
Но LLM сейчас как тренд, так что почти все новые агенты завязаны на них. Они бомбят модель запросами (промптами) для решения задач.

Как агенты думают?

Самое интересное — это как AI агент строит цепочку действий. Вот примеры популярных подходов:
1. Chain of Thought (CoT): Линейная цепочка. Подходит для задач, где каждый шаг зависит от предыдущего.
Пример: Планирование поездки: выбрать город → забронировать билеты → заказать отель.
2. Tree of Thought: Строит дерево решений, где каждая ветка — возможный вариант.
Пример: Подбор маршрута, где есть несколько вариантов транспорта и остановок.
3. Graph of Thought: Строит граф, учитывая сложные связи и перекрёстки.
Пример: Организация логистики с учётом множества складов и точек доставки.

Агент не просто выполняет один алгоритм, а как будто придумывает его на ходу, адаптируясь под новые данные.

В чём будущее?

AI агенты — это движение от детерминированных решений (где всё заранее запрограммировано) к вероятностным.
Это похоже на переход от шахматного алгоритма к чему-то более гибкому, способному решать задачи с миллионом неизвестных.

Будущее тут за такими вещами:
- Узкая специализация: Один агент = одна задача. Много задач = связка агентов.
- Автономность: Минимум ручного управления. Агент должен учиться, адаптироваться и даже сам исправлять свои ошибки.
- Интеграции: Чем больше систем умеет использовать агент, тем больше пользы он приносит.

Кстати если вы читали (или хотя бы слышали) книгу Даниэла Канемана «Думай медленно, решай быстро», то знакомы с концепцией Системы 1 и Системы 2. Канеман объясняет, что:

Система 1 — быстрая, интуитивная, но иногда ошибочная.

Система 2 — медленная, аналитическая, но требует больше времени и усилий.

Эта аналогия как раз описывает разницу между работой LLM и AI-агентов.

https://youtu.be/KrRD7r7y7NY?si=USrlIMO0pN2IAJWU

#AI

Продуктовые метрики: что нужно знать всем (не только аналитикам!)

Продуктовые метрики — это как health-check вашего бизнеса. Если не следить за ними, можно легко потерять клиентов, деньги и даже мотивацию команды. Здесь собрал 10 самых интересных и полезных метрик, которые будут понятны не только аналитикам, но и менеджерам, разработчикам. В дальнейшем буду отправлять неочевидные и интересные метрики.

1️⃣ DAU/WAU/MAU (Daily/Weekly/Monthly Active Users)

Что это: Показывает, сколько у вас активных пользователей за день, неделю или месяц.
Зачем нужно: Видите динамику — растёте, стагнируете или падаете.
Пример: Если DAU падает, а маркетинг крутит акции — значит, где-то утечка: баг, неудобный UX или конкуренты переманили.

2️⃣ Retention Rate (Удержание пользователей)

Что это: Процент пользователей, которые вернулись после первой сессии.
Зачем нужно: Без удержания все деньги уйдут на привлечение, а пользователи так и не станут постоянными.
Пример: Игровое приложение: если на третий день остаётся только 10%, то либо игра скучная, либо гейм-дизайнер был в отпуске.

3️⃣ Churn Rate (Отток пользователей)

Что это: Процент пользователей, которые ушли за определённый период.
Зачем нужно: Чутьё на проблемы — чем выше отток, тем больше риска для бизнеса.
Пример: В музыкальном сервисе Churn резко вырос после обновления — оказалось, что добавили платную подписку без уведомления.

4️⃣ ARPU (Average Revenue Per User)

Что это: Средний доход с одного пользователя.
Зачем нужно: Помогает понять, кто ваш самый прибыльный сегмент.
Пример: Если ARPU падает, а скидки раздают всем подряд, то может, вы просто дарите деньги, а не зарабатываете.

5️⃣ NPS (Net Promoter Score)

Что это: Мера лояльности пользователей. Спрашиваете: "Оцените, как вы нас порекомендуете от 0 до 10".
Зачем нужно: Выяснить, кто фанат вашего продукта, а кто пишет вам гневные отзывы.
Пример: Если NPS падает, а вы игнорируете тикеты в саппорте, готовьтесь к антирекламе в соцсетях.

6️⃣ Conversion Rate (Конверсия)

Что это: Процент пользователей, выполнивших целевое действие (покупка, подписка).
Зачем нужно: Помогает измерить эффективность вашей воронки продаж.
Пример: В интернет-магазине с новой формой оплаты конверсия выросла на 15%. Деньги любят, когда удобно.

7️⃣ LTV (Lifetime Value)

Что это: Доход, который пользователь приносит за всё время взаимодействия с продуктом.
Зачем нужно: Чтобы понять, сколько можно потратить на привлечение.
Пример: Если LTV ниже затрат на рекламу, то вы просто спонсируете чужие клики.

8️⃣ Bounce Rate (Показатель отказов)

Что это: Процент пользователей, которые покинули продукт, не совершив ни одного действия.
Зачем нужно: Диагностика UX/UI.
Пример: Сайт с регистрацией в 10 шагов? Bounce Rate 90%, и половина ушедших даже не дошла до первого экрана.

9️⃣ Time to Value (TTV)

Что это: Время, за которое пользователь получает первую ценность от продукта.
Зачем нужно: Чем быстрее клиент увидит пользу, тем выше вероятность, что он останется с вами.
Пример: Если для настройки CRM системы требуется неделя, а у конкурента это занимает день, у вас явно длинный TTV, который отпугивает клиентов. Оптимизируйте первые шаги — меньше инструкций, больше автоматизации.

🔟 Feature Adoption Rate (Уровень освоения фич)

Что это: Процент пользователей, которые начали активно использовать новую фичу или обновление.
Зачем нужно: Чтобы понять, насколько ваши нововведения действительно полезны и понятны.
Пример: Вы добавили суперфункцию для аналитики, но её освоили только 5% пользователей. Может, дело в сложном интерфейсе или недостаточной обучающей информации?

Недавно начал читать в перелетах «Блиц-масштабирование» Рида Хоффмана, основателя LinkedIn. Интересная книга, рекомендую.

В целом, существует 4 вида масштабирования, и один из них — блиц-масштабирование. Это про то, когда нужно расти быстро и в условиях неопределённости, отдавая приоритет скорости, а не производительности.

Я всегда был немного перфекционистом: считал, что сначала нужно довести продукт до идеала, а уже потом думать о росте. Но книга заставила задуматься. Иногда важнее просто захватить рынок, даже если продукт ещё сыроват.

Особенно зацепило, как авторы показывают ошибки, которые встречаются на пути у стартапов. Многие из них я сам наблюдал, когда консультировал команды. Например:

- Фокус только на технологии, забывая про бизнес-модель. Если не знаешь, как зарабатывать, никакая инновация не поможет.
- Медленный рост из-за страха рисков. Тут нужна готовность действовать, даже если нет полной уверенности.
В книге много практичных советов, которые полезны не только стартапам, но и крупным компаниям. Вообще, если вы хотите понять, как расти в условиях хаоса и стать лидером, рекомендую прочитать. Лично мне некоторые вещи реально поменяли взгляд на масштабирование.

#kitap_khan

😁

😁😁

Наконец-то недавно провели первую олимпиаду по искусственному интеллекту среди школьников Казахстана — FAIO!
Думаю, все прошло на отлично: мы всей командой старались сделать так, чтобы было интересно и чтобы зажечь у ребят желание развиваться в этой области.

Более двух месяцев мы придумывали и валидировали множество задач. На отборочном туре участвовали более 450 команд, причём даже из Беларуси и Кыргызстана! В финале было около 60 команд. Честно, я очень рад за наших школьников — такие умные, передовые ребята. Уже в школе хорошо пишут код, знают высшую математику, интересуются машинным обучением. Только позавидовать можно!)

Спасибо нашим спонсорам — компании Khan Group (Zapis.kz, umag.kz) — за поддержку!

На этом мы не останавливаемся. В следующем году олимпиада точно будет, и есть большое желание сделать её международной. Если кто-то хочет поддержать или стать спонсором в будущем, дайте знать.

Порешать задачи можно здесь:
https://contest.yandex.ru/contest/69765/problems/