Могу прокомментировать вопрос, касающийся статистики: - Общее количество пользователей было около 20 тыс человек; - DAU на пике 3 тыс человек; - Количество мэтчей около 50 тыс; - В результате опроса выяснилось, что более 400 человек нашли партнера для долгосрочных отношений; - 10 человек зарегистрировали брак - все они написали слова благодарности; - Одна пара позвала на свадьбу.
Про технического писателя. В моем случае нет отдельного технического писателя — я являюсь автором статьи. Статья написана с целью поделиться опытом и рассказать историю проекта. У нее стоит метка "Кейс".
Про сам дейтинг-сервис. В статье указано, что речь идёт о внутрекорпоративном сервисе SberDating, ориентированном на сотрудников одной компании с дальнейшем выходом на рынок под названием VanLav.
Про алгоритм мэтчинга. В общих чертах использовался ансамбль методов: коллаборативная фильтрация, семантический поиск, бустинги и несколько классификаторов. Цель статьи — рассказать о концепции и запуске, а не подробно раскрывать технические детали. Если вам это интересно - поставьте плюс и я постараюсь подготовить отдельный материал об этом.
Про участие в SberUp.В 2019 году формат корпоративного акселератора SberUp предполагал участие без необходимости иметь зарегистрированную компанию или ИП, а тем более без требований о наличии дохода. Подробности этого формата были доступны на момент проведения. Подозрения о «кумовстве» — это ваше предположение без фактического основания.
Нет, экономия в 3 млрд рублей связана не только с разработчиками чат-ботов, но и с устранением других дублирующих функций, а также оптимизацией выплат премий, когда сотрудник числился в одной команде, а фактически работал в другой. Финансовый эффект оценивался через A/B-тестирование процессов, сравнивая показатели до и после внедрения. Также считали ROI - соотношение сэкономленных средств к затратам на внедрение изменений (фактически ФОТ команды). Для небольшой компании можно просто сделать пересчёт высвобожденных человеко-часов в деньги.
Наиболее сложным этапом ИИ-трансформации в Сбере был сбор данных, особенно данных повышенной конфиденциальности. Было непросто договориться с владельцами данных. В итоге мы разработали защищённое хранилище данных совместно с отделом кибербезопасности для сбора данных повышенной конфиденциальности. Также данные, которые мы получали, часто были не самого высокого качества, поэтому мы настроили дашборды для проверки качества получаемых данных из источников.
Есть стартап, который пишет человекоподобные тексты для рефератов и научных работ - aithor.com. Тексты проходят любые ИИ-детекторы, например, gptzero. Как этого добиться: 1. Берем текст, написанный человеком 2. Переписываем текст через GPT 3. Файнтюним модель на связке: человеческий текст - машинный текст (10 экземпляров достаточно, 100 хорошо для OpenAI)
Могу прокомментировать вопрос, касающийся статистики:
- Общее количество пользователей было около 20 тыс человек;
- DAU на пике 3 тыс человек;
- Количество мэтчей около 50 тыс;
- В результате опроса выяснилось, что более 400 человек нашли партнера для долгосрочных отношений;
- 10 человек зарегистрировали брак - все они написали слова благодарности;
- Одна пара позвала на свадьбу.
Про технического писателя. В моем случае нет отдельного технического писателя — я являюсь автором статьи. Статья написана с целью поделиться опытом и рассказать историю проекта. У нее стоит метка "Кейс".
Про сам дейтинг-сервис. В статье указано, что речь идёт о внутрекорпоративном сервисе SberDating, ориентированном на сотрудников одной компании с дальнейшем выходом на рынок под названием VanLav.
Про алгоритм мэтчинга. В общих чертах использовался ансамбль методов: коллаборативная фильтрация, семантический поиск, бустинги и несколько классификаторов. Цель статьи — рассказать о концепции и запуске, а не подробно раскрывать технические детали. Если вам это интересно - поставьте плюс и я постараюсь подготовить отдельный материал об этом.
Про участие в SberUp. В 2019 году формат корпоративного акселератора SberUp предполагал участие без необходимости иметь зарегистрированную компанию или ИП, а тем более без требований о наличии дохода. Подробности этого формата были доступны на момент проведения. Подозрения о «кумовстве» — это ваше предположение без фактического основания.
Нет, экономия в 3 млрд рублей связана не только с разработчиками чат-ботов, но и с устранением других дублирующих функций, а также оптимизацией выплат премий, когда сотрудник числился в одной команде, а фактически работал в другой. Финансовый эффект оценивался через A/B-тестирование процессов, сравнивая показатели до и после внедрения. Также считали ROI - соотношение сэкономленных средств к затратам на внедрение изменений (фактически ФОТ команды). Для небольшой компании можно просто сделать пересчёт высвобожденных человеко-часов в деньги.
Наиболее сложным этапом ИИ-трансформации в Сбере был сбор данных, особенно данных повышенной конфиденциальности. Было непросто договориться с владельцами данных. В итоге мы разработали защищённое хранилище данных совместно с отделом кибербезопасности для сбора данных повышенной конфиденциальности. Также данные, которые мы получали, часто были не самого высокого качества, поэтому мы настроили дашборды для проверки качества получаемых данных из источников.
Есть стартап, который пишет человекоподобные тексты для рефератов и научных работ - aithor.com. Тексты проходят любые ИИ-детекторы, например, gptzero.
Как этого добиться:
1. Берем текст, написанный человеком
2. Переписываем текст через GPT
3. Файнтюним модель на связке: человеческий текст - машинный текст (10 экземпляров достаточно, 100 хорошо для OpenAI)
PROFIT, обходим любые детекторы