«Мы хотим перепридумать поиск». Как один программист сделал стартап на $200 млн

*НАСТОЯЩИЙ МАТЕРИАЛ (ИНФОРМАЦИЯ) ПРОИЗВЕДЕН И РАСПРОСТРАНЕН ИНОСТРАННЫМ АГЕНТОМ ЕЛИЗАВЕТОЙ НИКОЛАЕВНОЙ ОСЕТИНСКОЙ ЛИБО КАСАЕТСЯ ДЕЯТЕЛЬНОСТИ ИНОСТРАННОГО АГЕНТА ЕЛИЗАВЕТЫ НИКОЛАЕВНЫ ОСЕТИНСКОЙ 18+
**https://www.youtube.com/watch?v=_GwPpxtMcNs
***https://300.ya.ru/v_uzypA8i0

Наш сегодняшний герой — Андрей Васнецов, кофаундер немецкого стартапа Qdrant, который занимается векторным поиском. Андрей придумал его во время ковида, когда сидел дома и целый год в одиночку пилил прототип. Потом он уволился из немецкой компании, потом пришли инвесторы, и — все завертелось.

Векторный поиск — это технология, которая позволяет находить информацию не по ключевым словам, как это делалось последние полвека, а по смыслу. Он уже стал основой чат-ботов и многих AI-продуктов, в том числе именно на векторном поиске работают алгоритмы маркетплейсов и соцсетей, когда выдают нам свои рекомендации.

таймкоды

00:00:21 Введение в векторный поиск

• Объяснение векторного поиска с упрощениями для интуитивного понимания.
• Упоминание о работе с миллиардами векторов и кластерах.

00:01:14 История Андрея Васнецова

• Андрей Васнецов, инженер машинного обучения, переехал в Германию и основал стартап.
• Его технология векторного поиска оценивается в 300 миллионов долларов.

00:03:15 Аналогия с цветами

• Векторный поиск сравнивается с кодированием цветов RGB.
• Похожим цветам соответствуют близкие значения в векторном пространстве.

00:04:16 Принципы векторного поиска

• Векторный поиск ищет аналогии между объектами, преобразуя их в цифровое представление.
• Пример с цветами иллюстрирует, как похожие объекты находятся близко в векторном пространстве.

00:06:46 Применение векторного поиска

• Векторный поиск используется в рекомендациях Spotify и Яндекс Музыки.
• Алгоритмы предсказывают будущие покупки на основе истории покупок пользователя.

00:09:56 Проблемы стандартного поиска

• Стандартный поиск часто показывает ненужные результаты из-за большого объёма данных.
• Векторный поиск позволяет персонализировать рекомендации на основе истории пользователя.

00:11:44 Пример TikTok

• TikTok использует свайпы для сбора данных о предпочтениях пользователей.
• Такой интерфейс позволяет алгоритмам быстрее обучаться и быть более персонализированными.

00:12:41 Заключение

• Рекомендательные системы часто используют векторный поиск.
• Существуют и другие методы, но векторный поиск удобен для построения таких систем.

00:13:24 Векторные запросы в Google

• Google использует векторные запросы для обработки данных.
• Компания начала разработку векторных технологий до появления открытых нейронных сетей.
• У Google есть ресурсы и академические специалисты для решения сложных задач.

00:14:24 Добавочная стоимость в данных

• Системы, работающие только с ChatGPT, быстро устаревают.
• Добавочная стоимость возникает при предоставлении данных, которых нет в обучающей выборке нейросети.
• Уникальные данные и инструменты делают продукт интересным и конкурентоспособным.

00:15:55 Ценность данных в бизнесе

• Данные являются ключевым ресурсом в рекрутинге и поисковых системах.
• Сбор сигналов от пользователей — ключевой аспект успеха IT-стартапов.
• Внутренние хранилища документации и структурированные данные улучшают качество ответов ботов.

00:17:44 Векторный поиск и его преимущества

• Векторный поиск позволяет эффективно работать с большими базами данных.
• Перемножение векторов — быстрая и дешёвая операция, легко масштабируемая.
• Использование векторного поиска снижает затраты на запросы к нейросетям.

00:18:38 Реализация векторного поиска

• Разработчики предпочитают использовать стандартные функции и библиотеки.
• Компания предоставляет низкоуровневое API для разработчиков.
• Векторный поиск — основной фокус продукта, компания не стремится быть универсальной базой данных.

00:22:07 История проекта

• Автор работал в немецком стартапе, занимающемся рекрутингом.
• Задача матчинга резюме и вакансий хорошо решается векторным поиском.
• Из-за отсутствия готовых инструментов автор решил создать свой проект.

00:25:03 Разработка прототипа

• Проект разрабатывался в условиях локдаунов и удалённой работы.
• Через год появился прототип, который был представлен внутри компании.
• Прототип получил признание и 100 звёзд на GitHub.

00:27:30 Признание проекта

• Проект заинтересовал других разработчиков и компании.
• Венчурные инвесторы, специализирующиеся на опенсорсе, начали интересоваться проектом.
• Проект доказал свою полезность и востребованность.

00:27:58 Начало проекта и первые инвесторы

• Автор выложил проект на GitHub, и венчурные инвесторы предложили финансирование.
• Инвесторы ожидали, что у автора уже есть готовый продукт для презентации.

00:28:28 Поддержка коллег

• Коллеги автора из компании «Моберрис» активно помогали с питчем и маркетингом.
• Процесс перехода от одной компании к другой был успешным благодаря поддержке коллег.

00:30:18 Первый инвестор

• Первым инвестором стала немецкая фирма «Фортиту Кэп», специализирующаяся на опенсорсе.
• Инвестиции составили около двух миллионов евро, которые нужно было потратить за два года.

00:31:53 Модель опенсорса

• Первые два года проект работал только над опенсорсной версией, не планируя коммерческих продаж.
• Основная цель — развитие бесплатной версии продукта, которая станет основой для коммерческого продукта.

00:33:44 Оценка проекта

• Оценка проекта проводилась на основе количества звёзд на GitHub.
• Одна звезда на GitHub оценивается в зависимости от категории проекта: от 500 долларов для фронтенд-фреймворков до 50 тысяч для хардкорных баз данных.
• Текущая оценка проекта — около 200 миллионов долларов.

00:36:58 Коммерческий продукт

• Проект начал продавать облачную версию своего продукта, которая позволяет пользователям быстро разворачивать системы без необходимости самостоятельной настройки.
• Первым покупателем стал японский филиал SoftBank, использующий биометрию для платежей.

00:38:53 Механизм продаж

• Разработчики находили проект через GitHub, начинали использовать бесплатную версию в своих проектах, а затем предлагали его своим работодателям.
• Идеальная воронка продаж: разработчик использует бесплатную версию, затем предлагает её работодателю, который покупает систему в облаке.

00:39:45 Использование продукта в нейросети

• Продукт использовался для поиска похожих цветов в нейросети.
• Сейчас нейросеть использует векторный поиск для получения последних новостей.
• Продукт остаётся открытым исходным кодом, без оплаты.

00:40:43 Влияние упоминания продукта

• Упоминание продукта Илоном Маском привело к увеличению числа звёзд на GitHub.
• Рекомендательные алгоритмы GitHub учитывают упоминания для продвижения проектов.

00:41:42 Клиенты и использование продукта

• Продукт используется сервисом «Звук» для рекомендаций.
• Discord и другие крупные компании также используют опенсорсную версию продукта.

00:42:38 Популярность продукта

• Продукт имеет 10 миллионов скачиваний в формате Docker Image.
• Одна команда разработки генерирует около 10 скачиваний в день.
• Платных скачиваний мало, менее процента.

00:44:00 Финансовые показатели и развитие

• Выручка секретная информация, но компания планово убыточна.
• Развитие компании зависит от конкуренции и новых технологий.

00:45:48 Инвестиции и рост компании

• Spark Capital инвестировал 37 миллионов долларов.
• После инвестиций компания наняла 85 человек, в основном разработчиков.
• Следующий раунд инвестиций ожидается через два года.

00:48:27 Открытие компании в Германии

• Переезд в Германию был простым вариантом для поиска работы.
• Открытие компании в Германии занимает около месяца и требует уставного капитала в 25 тысяч евро.
• Нотариальные процедуры в Германии отнимают время и деньги.

00:52:17 Отношение инвесторов к европейским компаниям

• Инвесторам важно, чтобы продукт продавался в США.
• Основные продажи осуществляются в США, около 70%.
• Продажники компании находятся в США.

00:53:01 Разработчики и их стоимость

• Разработчики могут работать в любой стране, независимо от их местоположения.
• Стоимость разработчиков в Индии ниже, чем в США.
• Зарплата до налогов составляла около 100 тысяч в год.

00:54:01 Переезд в Германию

• Переезд в Германию без знания языка.
• Выбор между работой в большой компании и стартапе.
• Работа в Тинькофф Банке.

00:54:56 Работа в Тинькофф Банке

• Работа в департаменте больших данных.
• Меньше бюрократии и больше данных по сравнению с другими банками.
• Задачи, связанные с поиском и рекомендациями.

00:56:46 Конкуренция с Яндексом

• Тинькофф Банк стремился конкурировать с Яндексом.
• Использование готовых компонентов, но с целью превзойти Яндекс.

00:58:25 Образование и самообразование

• Образование в Бауманке: первые три года были хорошими, но дальше — устаревшие курсы.
• Самообучение программированию по книгам.

01:00:15 Работа в Mail.ru

• Стажировка в Mail.ru после дополнительного курса по поиску.
• В Mail.ru был целый этаж, посвящённый поиску.

01:01:37 Причины переезда за границу

• Переезд в 2019 году из-за политических изменений в России.
• Отсутствие проблем с кофаундером, несмотря на его украинское происхождение.

01:03:09 Литературные предпочтения

• Предпочтение научной фантастики без магии.
• Пример наукообразной фантастики — «Звёздные войны».
• Важность ограничений в сюжете.

01:05:28 Будущее автоматизации

• Возможность автоматизации принятия решений в будущем.
• Векторный поиск как инструмент для юристов.
• Применение векторного поиска в прецедентном праве.

01:06:58 Концепция цифрового государства

• Автоматизированное централизованное планирование может быть полезным для государства, но не всегда для граждан.
• Примеры использования: улучшение работы госуслуг, снижение опасности на дорогах.
• Важно не жертвовать другими аспектами жизни ради достижения целей.

01:08:19 Три закона робототехники

• Робот не должен причинять вред человеку.
• Робот должен слушаться человека, если это не противоречит первому закону.
• Робот должен заботиться о своей безопасности, если это не противоречит первым двум законам.

01:08:55 Научная фантастика и законы робототехники

• Айзек Азимов использует три закона робототехники как основу для своих рассказов.
• В научной фантастике допускаются предположения, которые затем проверяются в сложных ситуациях.
• Азимов показывает, как законы могут работать неправильно в различных обстоятельствах.

01:10:04 Применение законов робототехники к ИИ

• Законы робототехники Азимова не применимы к современным нейросетям из-за их сложности и неопределённости.
• Нейросети могут игнорировать инструкции, что делает их контроль сложным.
• Понимание внутренних механизмов нейросетей остаётся неполным.

01:12:05 Контроль нейросетей

• Контроль нейросетей возможен только через эксперименты и сравнение результатов.
• Модели нейросетей работают как «чёрные ящики», их внутренние процессы неизвестны.
• Понимание работы нейросетей аналогично попытке понять работу мозга человека.

01:13:58 Важные качества для фаундера

• Упорство и настойчивость — ключевые качества для достижения результатов.
• Качественно поставленный вопрос важен для получения 80% результата.

01:14:56 Фантазийные вселенные и личные желания

• Автор не хочет попадать в фантазийные вселенные, предпочитая наблюдать за ними со стороны.
• Желание написать свою сай-файную книгу.
• Очертания вселенной: путешествия до скорости света, космические исследования в рамках солнечной системы.

01:15:12 Рекомендации и личные предпочтения

• Рекомендованные книги: «1984» Оруэлла и «Animal Farm».
• Предпочтение не менять ничего в мире из-за значительных последствий.

In this video

Search transcript
Chapter 1: Кто такой наш сегодняшний герой?
0:03
3 seconds
[музыка]
0:21
21 seconds
Есть такое понятие векторный поиск.
0:24
24 seconds
Объяснение можно начать с нуля. Я буду делать много допущений, много упрощений ради того, чтобы это было интуитивно. 10
0:32
32 seconds
млрд векторов засунуть в какой-то кластер. Скажу такой термин Vector similarity. Секундочку. Прямо хардкорный базы данных.
0:41
41 seconds
Надо объяснять, что такое Ghub. Да, да,
0:43
43 seconds
нужно. Извините. Нету вопросов, нужен будет векторный поезд или нет. Все понимают, что да. О, дошло до самых отсталых слоёв.
0:50
50 seconds
Надеюсь, это интуитивно понятно. Ну, это мы потом проверим.
1:12
1 minute, 12 seconds
[музыка]
1:15
1 minute, 15 seconds
Есть такое известное правило: во время золотой лихорадки зарабатывают те, кто продают лопаты. В какой-то степени это история про нашего сегодняшнего героя
1:23
1 minute, 23 seconds
Андрея Воснецова. Сейчас у нас понятно бум AI, а Андрей делает такую технологически очень сложную штуку, которая называется векторный поиск,
1:32
1 minute, 32 seconds
которая как раз нужна для того, чтобы улучшать поиск в системе AI. Интересная история про Андрея, что он вообще не собирался становиться никаким фаундером.
1:40
1 minute, 40 seconds
Вообще он работал в найме, он инженер машинного обучения, спешно работал в Тинькове, но в какой-то момент решил
1:47
1 minute, 47 seconds
переехать из России. апплицировался в Revлют, не получил офер, тогда нашёл небольшой стартап в Германии, куда я
1:55
1 minute, 55 seconds
переехал. И вот там во время ковида он и придумал вот эту свою историю, которая теперь оценивается чуть ли не в 300 млн долларов. Итак, поехали.
2:06
2 minutes, 6 seconds
[музыка]
2:13
2 minutes, 13 seconds
[музыка]
Chapter 2: Что такое векторный поиск? Объясняем интуитивно на примере цветов!
2:14
2 minutes, 14 seconds
Андрей, ээ, спасибо, что пришёл, прилетел,
2:19
2 minutes, 19 seconds
да, из Берлина. Мы обязательно поговорим про твою историю, но сначала я хочу,
2:24
2 minutes, 24 seconds
чтобы мы рассказали зрителям, чем ты занимаешься. Если кратко, значит, есть такое понятие векторный поиск.
2:32
2 minutes, 32 seconds
Есть.
2:33
2 minutes, 33 seconds
Что это такое? Наверное, стоит начать с того, что такое обычный поиск.
2:37
2 minutes, 37 seconds
Правильно? Обычный поиск — это то, что все знают, как работал Google 5 лет назад. Мы вводим какое-то слово, оно
2:46
2 minutes, 46 seconds
совпадает. Google показывает это результат. Векторный поиск совсем другой. В нём очень мало общего с вот этими привычными ключевыми словами,
2:56
2 minutes, 56 seconds
поэтому объяснение можно начать с нуля.
2:59
2 minutes, 59 seconds
Вообще я думал, какую бы аналогию придумать, чтобы объяснить это интуитивно. Да, сразу стоит оговориться.
3:06
3 minutes, 6 seconds
Я буду делать много допущений, много упрощений ради того, чтобы это было интуитивно. То есть, если кто-то придёт в комменты говорить, что это не точно,
3:14
3 minutes, 14 seconds
ну дисклеймер,
3:16
3 minutes, 16 seconds
ну у нас не такие гики. Скорее на нужно ориентироваться на, ну, людей, которые как бы математику прошли, но больше уже нет.
3:26
3 minutes, 26 seconds
Ну, ну вдруг кто-то спросит у чат GPT. GPT будет меня поправлять. Ага.
3:30
3 minutes, 30 seconds
Вот я сразу отказываюсь от ответственности. Я буду рассказывать,
3:35
3 minutes, 35 seconds
как это понимать, а не как это технически устроено. Хорошая аналогия,
3:39
3 minutes, 39 seconds
как ни странно, довольно простая. При этом это цвета. Все знают, что там компьютер кодирует цвета там тремя
3:47
3 minutes, 47 seconds
цифрами RГБ. Вот это всё. И при этом мы знаем, что есть ээ цвета, которые похожи
3:55
3 minutes, 55 seconds
друг на друга. красный, оранжевый и цвета, которые не похожи там на зелёный и синий. Если преобразовать эти цвета в
4:02
4 minutes, 2 seconds
их цифровое представление, то мы можем померить между ними расстояние.
4:07
4 minutes, 7 seconds
Окажется, что расстояние между красным и оранжевым намного меньше, чем расстояние между красным и синим. И вот это примерно то, как векторный поиск работает.
4:15
4 minutes, 15 seconds
М, то есть он ищет какие-то как бы аналогии, что ли. Он ищет такое цифровое
4:22
4 minutes, 22 seconds
представление, в котором похожие объекты находятся близко вот в этом векторном пространстве. По аналогии с цветами,
4:32
4 minutes, 32 seconds
если циферки не сильно друг от друга отличаются, то и сам цвет будет примерно такой же. Можно расширить эту идею
4:40
4 minutes, 40 seconds
дальше. можно сказать, что у нас сам объект — это не не цвет, а какой-нибудь текст или какая-нибудь картинка или, вообще говоря, что угодно.
4:49
4 minutes, 49 seconds
Найти такой хитрый способ преобразовать этот объект в набор цифр, чтобы у него сохранялось такое хорошее свойство, как
4:58
4 minutes, 58 seconds
у цветов. И тогда можно строить поиск по, по сути, векторам. Надеюсь, это интуитивно понятно.
5:08
5 minutes, 8 seconds
Ну, это мы потом проверим. А, а, а, что значит? То есть как бы вектор в это вот в школьном понимании вектор.
Chapter 3: А что такое сам вектор?
5:14
5 minutes, 14 seconds
В школьном понимании вектор, да. И опять же, если просто говорить про интуицию,
5:20
5 minutes, 20 seconds
то, э, вектор — это набор неких признаков. То есть в цветах каждый признак — это количество красного,
5:28
5 minutes, 28 seconds
зелёного и или синего. Если мы работаем с другими объектами, то эти признаки могут отличаться. В большинстве случаев
5:35
5 minutes, 35 seconds
мы понятия не имеем, какой признак что означает.
5:39
5 minutes, 39 seconds
Но все они вместе дают вот эти хорошие свойства, которые нам всем нравятся.
Chapter 4: «Наша миссия — перепридумать, как люди ищут» или почему привычный нам поиск устарел
5:43
5 minutes, 43 seconds
У вас на сайте квадранта в миссии написано: «Мы хотим, грубо говоря, перепридумать то, как люди ищут».
5:52
5 minutes, 52 seconds
Хотим. На самом деле мой типичный пич в этот момент заключается в том, что я хочу объяснить разницу, что вот есть
6:00
6 minutes
поиск как таковой, да? Вот мы, у нас есть некий запрос, мы там пять ближайших
6:07
6 minutes, 7 seconds
соседей находим или там пять лучших совпадений. Вот это такое мышление 1980
6:14
6 minutes, 14 seconds
года, потому что так работал поиск ээ вот с тех пор, да, вот есть запрос и для
6:21
6 minutes, 21 seconds
него там ключевые слова или даже если это векторный поиск, это всё равно ближайшее. То, что мы хотим рассказать и объяснить, это то, что вектора, да, ну,
6:33
6 minutes, 33 seconds
то есть я тут скажу такой термин вектор similarity, да, то есть схожесть векторов, она пересекается с обычным поиском в своём своей функциональности,
6:44
6 minutes, 44 seconds
да, то есть она тоже может искать ближайшее, но на самом деле есть ещё такой некий большой пласт возможностей,
6:51
6 minutes, 51 seconds
которых у обычного поиска просто нету и которые не формализуются в виде виде вот этого стандартного интерфейса введите
Chapter 5: Как Spotify, «Яндекс Музыка» и другие платформы понимают, что рекомендовать нам
7:00
7 minutes
ключевое слово. Примеров можно привести много. Самые банальные — это рекомендации. Рекомендации там Spotify или Яндекс-музыки.
7:08
7 minutes, 8 seconds
Я хотел тебя спросить, можно сказать: «Спотий, найди мне песню, похожую на».
7:13
7 minutes, 13 seconds
А даже не нужно говорить. Достаточно того факта, что-то прослушал, что-то лайкнул, что-то пропустил. Вот это как
7:21
7 minutes, 21 seconds
бы уже достаточно сильный сигнал, чтобы конвертировать предпочтение человека в вектор и найти то, что следующем шаге будет более привлекательно.
7:33
7 minutes, 33 seconds
Такие же, э, алгоритмы работают и для там покупок.
7:38
7 minutes, 38 seconds
онлайнбанк, который знает, что вы покупали, он, скорее всего, может предсказать, что вы купите следующим, потому что там тоже есть некая система,
7:47
7 minutes, 47 seconds
которая, скорее всего, построена на векторном поиске. Если она не построена на векторном поиске, это устарело на 10 лет.
Chapter 6: Реклама
7:58
7 minutes, 58 seconds
Думаю, многие помнят старую поговорку:
8:00
8 minutes
«В недвижимости главное, loation и ещё раз location». Но времена изменились.
8:05
8 minutes, 5 seconds
Сегодня, даже в самой престижной локации решающим фактором становится девелопер,
8:10
8 minutes, 10 seconds
его имя, репутация и опыт. От этого зависит качество строительства, и уровень сервиса, и то, как быстро будет расти стоимость жилья, особенно когда речь идёт об элитной недвижимости.
8:21
8 minutes, 21 seconds
Именно поэтому сейчас опытные инвесторы выбирают таких девелоперов, как Next. В их портфеле масштабные проекты в Грузии,
8:29
8 minutes, 29 seconds
Испании, ОАэ и Кении, а также партнёрство с международными гостиничными брендами. Кроме того, у Next есть своя управляющая компания,
8:37
8 minutes, 37 seconds
которая берёт на себя все заботы о вашей недвижимости. Сейчас у Next есть новый проект в Тбилиси, и это особенно
8:44
8 minutes, 44 seconds
интересно. Если вы бывали в Грузии хотя бы раз, уверено, вы надолго запомнили гостеприимство этой страны: горы, вино,
8:51
8 minutes, 51 seconds
кухню и атмосферу прекрасного Тбилиси.
8:54
8 minutes, 54 seconds
Но, вообще-то, Грузия — это ещё и рынок с огромным инвестиционным потенциалом. В прошлом году, например, доходы от туризма в стране достигли почти 4,5 млрд
9:03
9 minutes, 3 seconds
долларов. А рынок недвижимости вырос на 12%. Прямо сейчас в Тбилиси, в самом центре старого города Next строит Белиси Даутаун. Премиумкомплекс для жизни,
9:15
9 minutes, 15 seconds
работы и отдыха. Представьте, днём вы работаете в удобной бизнес-зоне, вечером отдыхаете в ресторане или у бассейна, а
9:22
9 minutes, 22 seconds
вернувшись домой, наслаждаетесь видом на город из панорамных окон. И всё это в одной локации. Цены на апартаменты здесь стартуют от 125.000 долларов за студию,
9:32
9 minutes, 32 seconds
а доходность может составлять до 12%
9:36
9 minutes, 36 seconds
годовых. Старый город — одно из самых популярных мест Белиси, поэтому спрос на жильё здесь стабильно высокий. Если
9:43
9 minutes, 43 seconds
хотите узнать больше о BLI Downtown и других проектах Next, переходите по ссылке на сайт компании и оставляйте
9:50
9 minutes, 50 seconds
заявку на консультацию. Ссылка в описании. Вот на этом месте интересно. То есть,
Chapter 7: «Можно конвертировать человека в вектор»: как маркетплейсы угадывают наши покупки
9:59
9 minutes, 59 seconds
ну, это обычный такой кейс, да,
10:02
10 minutes, 2 seconds
пользовательский опыт, ужасный. Ты ищешь, там хочу купить духовку, и дальше
10:09
10 minutes, 9 seconds
меня месяц будет преследовать. Я уже всё купила, но меня месяц будет преследовать. Э они просто не знают, что вы купили, так-то бы они не показывали.
10:16
10 minutes, 16 seconds
Ну да. Просто они будут показывать мне любые духовки. Любые.
10:20
10 minutes, 20 seconds
Вот. А, а можно так, чтобы показывали мне те, которые надо? Ну вы тогда соглашаетесь, чтобы куки принять на всех сайтах. Тогда будут хорошие духовки.
10:30
10 minutes, 30 seconds
Ага.
10:31
10 minutes, 31 seconds
Ну то есть это это проблема скорее в том, что эти сервисы они рассчитаны на большую аудиторию, там тысячи просмотров
10:40
10 minutes, 40 seconds
страниц, да, миллионы просмотров страниц, и для них проще показать что-то типа похожее на духовку,
10:48
10 minutes, 48 seconds
чем тратить кучу времени, кучу ресурсов,
10:52
10 minutes, 52 seconds
чтобы показать именно ту единственную духовку. тому одному там нанопроценту людей, которые реально её хотят. Вот. То
10:59
10 minutes, 59 seconds
есть тут как бы количество побеждает качество данной конкретной задачи.
11:04
11 minutes, 4 seconds
Принцип тот же. Принцип тот же. То есть мы видим, что а человек имеет историю покупок. Из этой истории покупок можно
11:12
11 minutes, 12 seconds
конвертировать человека в вектор, там найти похожего другого человека,
11:19
11 minutes, 19 seconds
который такие покупки совершал, и вот предсказать, что вот он следующее сделал. А это такой пример поиска,
11:26
11 minutes, 26 seconds
который вроде бы и поиск, но не стандартный интерфейс у него, да? То есть это не ключевые слова, это не строка «Введите, пожалуйста, свой
11:35
11 minutes, 35 seconds
запрос». Это то, что происходит в таком бэкграунде. Ты это не видишь, но оно происходит. Ещё один хороший пример,
Chapter 8: Как устроен TikTok и почему он такой приставучий?
11:43
11 minutes, 43 seconds
который мне очень нравится, TikTok. Почему TikTok такой, э, приставучий, что
11:50
11 minutes, 50 seconds
в него все залипают? Потому что вот этот вот алгоритм, когда ты свайпаешь, что тебе не нравится, он даёт намного более сильный сигнал, чем лайки на Ютубе,
12:00
12 minutes
скажем, потому что лайки на Ютубе, ну, поставят там 1% человек. Ставьте лайки, кстати, это важно, да,
12:08
12 minutes, 8 seconds
это важно. Нет, это сейчас особенно заблокированным в России Ютюбом. Это очень важно для того, чтобы видео показывало большему количеству пользователей.
12:17
12 minutes, 17 seconds
Да. Нуно вот, э, когда у нас есть такой интерфейс, который просто буквально выжимает информацию из пользователя,
12:25
12 minutes, 25 seconds
который заставляет его предоставить вот этот полезный, интересный сигнал про то, что нравится, про то, что не нравится,
12:32
12 minutes, 32 seconds
алгоритмы обучаются намного быстрее и намного более персонализированный. Поэтому TikTok такой заедающий мозг. Ну,
12:42
12 minutes, 42 seconds
наверное, любые теперь, которые вот рилсы, да, то есть вопрос именно интерфейсы, да, если удаётся построить такой интерфейс, который этот сигнал наилучшим образом извлекает, то хорошо,
12:55
12 minutes, 55 seconds
вы построили продукт, который, скорее всего, подсядет на себя какого-нибудь большое количество пользователей. То
13:02
13 minutes, 2 seconds
есть получается, что вот эти вот рекомендательные системы, вот вот хорошие аналогия, они как раз работают на этом векторном поиске.
13:08
13 minutes, 8 seconds
Это один из примеров. Ну не обязательно,
13:11
13 minutes, 11 seconds
да, тут стоит оговориться, что есть другие методы, в основном старые,
13:16
13 minutes, 16 seconds
которые не требуют векторного поиска, но векторный поиск — это один из вариантов,
13:20
13 minutes, 20 seconds
как это можно построить и как это удобно строить, на самом деле.
Chapter 9: А в Google есть векторный поиск?
13:24
13 minutes, 24 seconds
У а можешь ещё привести примеры? Вот у кого, ты же видишь наверняка по технологии, у кого работает вот эта технология?
13:31
13 minutes, 31 seconds
Практически у всех сейчас. Ну, то есть весь Google, скорее всего, там есть компонент, который, э, делает векторные запросы.
13:40
13 minutes, 40 seconds
Ну, вектор, ну, Google, конечно, сам себе сделал.
13:43
13 minutes, 43 seconds
Google начал это намного раньше всех остальных, да? То есть он ещё начал это до того, как вот эти открытые нейронные
13:51
13 minutes, 51 seconds
сети, General Purpose были доступны. У них они, естественно, есть много денег,
13:56
13 minutes, 56 seconds
есть много академиков, сидят и защищают свои диссертации. Как бы у них это было намного раньше. у них там совсем другие проблемы решаются, да? То есть им
14:04
14 minutes, 4 seconds
интересно, как там 10 млрд векторов там ээ засунуть там какой-то кластер для
14:12
14 minutes, 12 seconds
обычных пользователей, ну, точнее не пользователей, а для обычных разработчиков в обычных компаниях это как бы не та проблема, с которой они обычно сталкиваются.
Chapter 10: «Если ваш AI работает только с ChatGPT, его быстро заменят»: зачем нужны уникальные базы данных
14:21
14 minutes, 21 seconds
Ну вот, ну Google, понятный пример. Google, э, ну, практически весь AI, который сейчас происходит, да? То есть,
14:28
14 minutes, 28 seconds
если ваш AI работает просто напрямую с чат GPT и больше ничем, то ваш AI скучный его быстро заменят, да? То есть там нет никакой добавочной стоимости.
14:39
14 minutes, 39 seconds
добавочная стоимость заключается в данных, да, и как предоставить вот в этот процесс общения с нейронной сетью какие-то данные,
14:49
14 minutes, 49 seconds
которые, а, раньше не были в обучающей выборке. Это как раз то, что это
14:56
14 minutes, 56 seconds
наиболее частый кейкейс, которым наши пользователи занимаются. Сейчас, сейчас, сейчас, секундочку.
15:02
15 minutes, 2 seconds
Почему, если ваш AI построен на Open AI, то он скучно его скоро заменит? Op. Это единственное,
15:10
15 minutes, 10 seconds
что в вашей системе есть умная, то это как бы простая система. В ней как бы нет ничего
15:18
15 minutes, 18 seconds
уникального. И это то же самое, что пойти в этот чатбот и напрямую у него спросить. Там может быть там какой-нибудь хитрый промт есть.
15:26
15 minutes, 26 seconds
То есть нет никакой добавленной как бы стоимости.
15:28
15 minutes, 28 seconds
Да, да, да, да, да. То есть это только только интерфейс, наверное.
15:31
15 minutes, 31 seconds
Стоимость появляется в тот момент, когда есть какие-то данные, которые эта нейросеть просто так не может получить или есть инструменты, которые там у неё
15:39
15 minutes, 39 seconds
из коробки не включены. Вот тогда это интересный продукт. Тогда можно там говорить, что он как бы выживет. Угу.
15:47
15 minutes, 47 seconds
Если это просто чатбот, который просто делает запросы к чат GPT, ну и скучно. Никакого праздника нет.
15:55
15 minutes, 55 seconds
Ну, в смысле, и конкурентного преимущества тоже нет, на самом деле.
15:58
15 minutes, 58 seconds
Да. Да. Да. То есть как бы не знаю, насколько я справлюсь сейчас, но когда я работал в других компаниях, основная, как бы ценность этих компаний были данные, которые они
16:07
16 minutes, 7 seconds
могли собирать, да? То есть если мы говорим про рекрутинг, то там база кандидатов, база вакансий и как бы мэтчи
16:15
16 minutes, 15 seconds
между ними — это вот самая ценная, что есть в этом бизнесе. А там то же самое можно сказать про какой-нибудь поисковик
16:22
16 minutes, 22 seconds
чего угодно. Там пользователи вводят свои запросы, получают ответы, нажимают на то, что им понравилось, появляется
16:30
16 minutes, 30 seconds
сигнал. Вот, э, сбор этого сигнала — это самое ценное, что вы можете сделать,
16:36
16 minutes, 36 seconds
если вы хотите такой IT стартап получить.
16:39
16 minutes, 39 seconds
Угу. То есть десятилетней давности поговорка данная — это новая нефть, она как бы не устарела,
16:44
16 minutes, 44 seconds
она всё ещё есть. Да, нефти стало сильно больше, потому что потому что теперь чат GPT скравливал весь интернет,
16:52
16 minutes, 52 seconds
но всё ещё есть те места, которые, ну,
16:54
16 minutes, 54 seconds
невозможно скраулить. Всё ещё есть э внутренние хранилища документации или там чего-то, чего-нибудь хорошо
17:03
17 minutes, 3 seconds
структурированного, что сильно улучшает качество ответов бота. Вот. И чтобы эти хранилища сделать для бота доступными,
17:14
17 minutes, 14 seconds
ему нужно какой-то поиск, потому что вы же не можете просто всю эту вашу базу данных скормить напрямую в в вот в этот
17:23
17 minutes, 23 seconds
промт. Правильно? Нам не нужно объяснять, что такое промт. Все знают. Нет, ну не нужно, да.
17:29
17 minutes, 29 seconds
Этот промт это такая очень Ну промт — это на система указаний, что надо, собственно, нейронки делать.
17:34
17 minutes, 34 seconds
Да. Дада. Вы можете написать довольно много текста, но если вся ваша база данных влезает в этот промт, то у вас довольно мало ценности в вашем бизнесе.
17:44
17 minutes, 44 seconds
Извините. А если у вас большая база данных, то засунуть её в этот промт —
Chapter 11: В чем конкретная выгода векторного поиска и причем тут стартап Васнецова Qdrant
17:47
17 minutes, 47 seconds
это дорого. То есть цена выполнения запроса к нейросетям,
17:53
17 minutes, 53 seconds
она пропорциональна тому, сколько вы туда текста засунули. Если вы засунули туда миллион токенов, каждый запрос вам будет стоить по доллару примерно. Вот насколько вы можете себе это позволить,
18:04
18 minutes, 4 seconds
наверное, не очень. Вот и тут возникает вопрос: а как уменьшить вот эту большую базу данных? Так вот, векторный поиск, да? Ну вот так и есть, как бы.
18:13
18 minutes, 13 seconds
О, дошло до самых отсталых слоёв.
18:16
18 minutes, 16 seconds
Вот это как бы самый частый вот сейчас кейс для векторного поиска. Я бы не сказал, что он самый прикольный, потому что можно было и поинтереснее что-нибудь придумать, но вот это самое частое,
18:26
18 minutes, 26 seconds
самое такое, э, рабочеерестьанское, что все понимают и все делают и все сразу получают выгоду.
18:34
18 minutes, 34 seconds
Вот это называется retrieval augmented generation.
18:38
18 minutes, 38 seconds
То есть вот по сути векторный поиск удешевляет этот коннекшн между вашим промтом и и базой данных. То есть нужно сделать утонение, что вот этот процесс векторного поиска — это по, пожалуй,
18:49
18 minutes, 49 seconds
самые дешёвые операции, которые в компьютере, в принципе, возможны.
18:53
18 minutes, 53 seconds
Перемножить два век два вектора между собой — это вот та операция, которая заоптимизирована,
18:59
18 minutes, 59 seconds
наверное, ещё вот компьютерах пятидесятилетней давности. Это это очень быстро, очень дёшево и очень легко масштабируется.
19:07
19 minutes, 7 seconds
Вот поэтому, если вы не используете векторный поиск, то вы будете переплачивать 100.000 тысячикратно за вызовы сети.
19:16
19 minutes, 16 seconds
А, пардон, а чтобы использовать векторный поиск, нужно, грубо говоря, установить чей-то плагинчик. Ну, плагинчик — это один из вариантов.
19:24
19 minutes, 24 seconds
Это не то, как мы это делаем. Мы предоставляем более низкоуровневое API для разработчиков. То есть наши клиенты — это разработчики.
19:33
19 minutes, 33 seconds
Угу.
19:33
19 minutes, 33 seconds
Э, разработчики не любят устанавливать плагины. Разработчики любят писать код, даже если они в этом не признаются.
19:42
19 minutes, 42 seconds
Вот. И ты тоже.
19:46
19 minutes, 46 seconds
И и разработчикам удобно использовать вот стандартные функции стандартных библиотек, которые они
19:53
19 minutes, 53 seconds
знают. Вот это то, то то, как выглядит общение с векторным поиском в нашем случае. Но вы же не единственные,
Chapter 12: Что изменилось на рынке поиска с приходом ChatGPT
20:01
20 minutes, 1 second
так сказать, деятели на этом поле. Я так понял, что ещё где-то три-четыре компании есть таких. Я думаю на самом деле из каждого чайника.
20:08
20 minutes, 8 seconds
Но мы нам повезло, мы начали это делать до того, как нейросети появились, да? То есть, э, наши первые пичи, они были про
20:15
20 minutes, 15 seconds
Semantic Search, про вот эти все рекомендации. Такого слова, как рак, 5 лет назад не было, потому что не было чат GPT. Нам так, не знаю, повезло или
20:24
20 minutes, 24 seconds
не повезло, но с появлением Chat GPT появился вот этот новый большойкейс,
20:29
20 minutes, 29 seconds
который сейчас доминирует в данном случае. Я не знаю, доминирует он потому,
20:33
20 minutes, 33 seconds
что он новый и всего хотят его попробовать или потому что он реально полезный. Но вот так произошло. Кажется,
20:40
20 minutes, 40 seconds
что это просто сильно упрощает всем жизнь. Да. И и всё,
20:45
20 minutes, 45 seconds
да. Ну, это то есть Да, и это как кажется, что это из-за этого такой как бы нативный способ теперь решения задач.
20:54
20 minutes, 54 seconds
Да. Ну так про конкурентов, да? А мы их не любим.
21:00
21 minutes
Ну да. В общем, как я говорил, мы начали сильно раньше. Нам не пришлось пивотиться в векторный поиск. Мы видим,
21:07
21 minutes, 7 seconds
что вот когда это появилось, сразу все остальные базы данных тоже захотели себе векторный поиск и начали делать и тоже
21:16
21 minutes, 16 seconds
закрыли какие-то там свои отставания. Но как бы основная наше отличие в том, что векторный поиск
21:24
21 minutes, 24 seconds
для нас — это как бы вот основная основной фокус нашего продукта. Мы не стремимся делать решение там для всего.
21:32
21 minutes, 32 seconds
Мы не собираемся делать универсальную базу данных. Мы собираемся делать veктор search Engine. И этот вектор search
21:39
21 minutes, 39 seconds
Engine — это вот как бы сама цель. Там ещё куча всего можно придумать, можно это улучшать. Мы стараемся не
21:47
21 minutes, 47 seconds
отвлекаться на всё остальное. Вот поэтому у нас есть такая ниша. Ну,
21:51
21 minutes, 51 seconds
естественно, конкурентов много, да, особенно после Чапи их много появилось.
22:00
22 minutes
[музыка]
Chapter 13: Как и где Васнецову пришла идея создания Qdrant?
22:07
22 minutes, 7 seconds
Тут самое время рассказать про историю квадранта. Я так понимаю, что ты работал, передём ещё к этому, как там оказался в компании Морис немецкой. Да,
22:20
22 minutes, 20 seconds
неме тоже стартап. Тоже стартап. Ну, чуть более, так сказать, стартап. Стартап и стартап из области.
22:29
22 minutes, 29 seconds
Хайринга, да. Да, мэчинга работодателей с вот как раз у них у них вот эта основная основной пич, который они рассказывали,
22:38
22 minutes, 38 seconds
это они пытались сделать матч резюме и вакансии врмфакторе Тиндера, да, то есть свайп влево, свайп вправо,
22:47
22 minutes, 47 seconds
да, нравится вакансии, не нравится вакансии, это как тот самый тот самый пример попытки построить интерфейс,
22:55
22 minutes, 55 seconds
который извлекает сигнал из того. Угу. Модно молодёжно, да?
22:59
22 minutes, 59 seconds
Модно молодёжно, да. То есть задача матчинга ээ резюме и вакансий, как оказалось,
23:06
23 minutes, 6 seconds
хорошо решается векторным поиском, но в тот момент не было практически никаких готовых инструментов, да? То есть вот
23:15
23 minutes, 15 seconds
были библиотеки, которые, э, делались под Google с целью там поиска 10 млрд векторов за наносекунду, но не было
23:24
23 minutes, 24 seconds
каких-то инструментов, которые могли принести векторный поиск такое в практическое удобное русло, знакомое обычным программистам.
23:34
23 minutes, 34 seconds
То есть его же не было, да? То есть ты чем там занимался? А ктоный поиск был, и мы даже пытались строить внутри компании,
23:41
23 minutes, 41 seconds
да, пытались строить какие-то на нём проекты, продукты, фичи. Было очень больно, потому что опять же не было
23:49
23 minutes, 49 seconds
инструментов и в какой-то момент пришло понимание, что, ну, если не я, то никто не построит.
23:56
23 minutes, 56 seconds
А ты там был CTO или простолидом?
24:00
24 minutes
Я был, я был тимлидом самого себя. А я был единственнымшиarн инженером в этом компании.
24:07
24 minutes, 7 seconds
У меня была своеобразная свобода выбора, что я хочу делать.
Chapter 14: «Я год сидел один и пилил прототип»
24:11
24 minutes, 11 seconds
Так ещё совпало, что в этот момент начался ковид и в немецких компаниях,
24:17
24 minutes, 17 seconds
которые пострадали от ковида, а рекрутинг сильно пострадал, потому что больше нельзя было на самолёте перевести
24:24
24 minutes, 24 seconds
там кандидатов из какой-нибудь дешёвой страны в какую-нибудь более дорогую страну. как бы основной основной ээ
24:32
24 minutes, 32 seconds
поток найма был в то время, а то из-за локдаунов сильно просела
24:41
24 minutes, 41 seconds
прибыль, и замечательное немецкое правительство разрешило, а как бы за
24:48
24 minutes, 48 seconds
счёт страховки компенсировать часть заработной платы сотрудникам, но при этом они как бы на половину рабочего дня
24:56
24 minutes, 56 seconds
работали. Угу. То есть тебя, грубо говоря, ты и так сидел дома и работал 4 часа в день.
25:02
25 minutes, 2 seconds
Да. Да. Сидел дома, работал 4 часа в день, а всё остальное время вот занимался своим проектом. Это было примерно год. И через год появился, ну,
25:14
25 minutes, 14 seconds
прототип, который можно уже было показывать. Ты год пилил, да?
25:19
25 minutes, 19 seconds
Ой-ой. То есть это прямо сложная штуковина, судя по всему. Ну да. Ага. Ну, может, я не очень продуктивный.
25:26
25 minutes, 26 seconds
Ну не знаю, как-то я, судя по тому, что я читала про тебя, слушала, ты вообще в принципе в каком-то интервью было, да, я
25:35
25 minutes, 35 seconds
вообще люблю работать. И вот выходные тоже и мне говорили, что так можно выгореть, но вот уже 3 года я не выгораю.
25:43
25 minutes, 43 seconds
Ну да,
25:44
25 minutes, 44 seconds
это всё в раке выгореть, если занимаешься своим проектом.
25:48
25 minutes, 48 seconds
Мне кажется, что если занимаешься любимым делом, то выгори действительно или просто дело опостылило. Мне у меня
25:55
25 minutes, 55 seconds
никаких нету симптомов и грани, слава богу. Так, ну и ты сделал какой-то прототип? Сделал прототип.
Chapter 15: Как один пост на Reddit привлек внимание инвесторов к Qdrant
26:04
26 minutes, 4 seconds
Ну я такой человек, что я не очень люблю рассказывать и рекламировать себя и свои проекты, поэтому рассказал я в основном только внутри внутри вот этой компании,
26:13
26 minutes, 13 seconds
которой которой я тогда работал. Это понравилось, кажется, всем остальным. То есть мой тогдашний CTO сделал пост на
26:22
26 minutes, 22 seconds
Редите, про это рассказал, и буквально за, ну, день пришёл довольно существенный такой поток
26:31
26 minutes, 31 seconds
трафика на наш GitHub репозиторий. Надо объяснять, что такое GitHub репозиторий.
26:35
26 minutes, 35 seconds
Да, да, нужно объяснить, что такое GitHub репозиторий.
26:38
26 minutes, 38 seconds
GitHub репозиторий. Значит, у программистов есть своя такая социальная сеть, где они выкладывают, ну, проекты,
26:45
26 minutes, 45 seconds
над которыми работают, ставят друг другу лайки. Они там звёздами называются, но будем считать, что это лайки. Вот эти
26:53
26 minutes, 53 seconds
лайки — это такой очень интересный критерий того, как программисты выбирают технологию, с которой они будут
27:00
27 minutes
работать. Чем больше лайков или тем больше звёзд на гитхабе, тем больше такой средний по больнице уровень
27:07
27 minutes, 7 seconds
доверия к проекту, что он там не какой-то кривой, а как бы остальные люди вроде
27:14
27 minutes, 14 seconds
тоже им пользуются, и это как бы накапливается. Вообще иметь много звёзд на гитхабе — это хорошо. Вот и мы за
27:22
27 minutes, 22 seconds
день получили что-то типа 100 звёзд на Гитхабе. Ну не знаю, по меркам Инстаграма, наверное, это не очень много, а по меркам Гитхаба это,
27:28
27 minutes, 28 seconds
ну, это очень специальная сеть. Да, по по меркам гитхаба это оченьочень даже хорошо. А то есть мы поняли, что это не
27:36
27 minutes, 36 seconds
только нам надо, да, то есть это не только в нашей области пригождается.
27:40
27 minutes, 40 seconds
Есть другие разработчики, которые сталкиваются с такой же проблемой. Есть компании даже, которые интересуются, как
27:47
27 minutes, 47 seconds
ни странно, есть даже венчурные инвесторы, которые специализируются на онсорсе, которые за этим следят и
27:54
27 minutes, 54 seconds
которые, ну, вот начинают писать сами. В смысле, что ты выложил на
28:01
28 minutes, 1 second
GitHub, а и тебе написали венчурные инвесторы сами? Да. В тот же день, да? Ну не в тот же день, там, не знаю,
28:09
28 minutes, 9 seconds
через неделю. Ну и что говорят: «Парень, давай мы тебе денег дадим». Нет, парень, давай пич свой продукт, скорее так.
28:15
28 minutes, 15 seconds
А давай, типа, оформляй его в продукт.
28:18
28 minutes, 18 seconds
Да. Да. Ну то есть они ожидают, что у тебя пич-то уже есть. То есть они не говорят: «Давай делай», они говорят:
28:24
28 minutes, 24 seconds
«Давай поговорим». Но поговорить с пустыми руками, понятное дело, не стоит.
28:28
28 minutes, 28 seconds
У тебя же до этого не было никогда своих проектов.
28:31
28 minutes, 31 seconds
Ну, проекты были, но не так, чтобы они отдельно стоящие,
28:35
28 minutes, 35 seconds
да. Да, не так, чтобы они запускались в какие-то отдельные компании. И что-то решил сразу,
Chapter 16: Андрей и Андре: почему CTO берлинской компании MoBerries все бросил и ушел в кофаундеры Qdrant
28:41
28 minutes, 41 seconds
ну, как сделаю своё, пойду уволюсь.
28:44
28 minutes, 44 seconds
Да нет, не то чтобы я сам решил, но как-то все вокруг поняли, что это
28:50
28 minutes, 50 seconds
интересно. В том числе вот мой тогдашний CTO, который сейчас наш CEO.
28:56
28 minutes, 56 seconds
Угу. Расскажи про него в двух словах. В двух словах он из Украины, но он живёт в Германии уже там 30 лет.
29:05
29 minutes, 5 seconds
Из Винницы, по-моему.
29:07
29 minutes, 7 seconds
Да, да, да. Ну, то есть он русскоговорящий. Угу.
29:10
29 minutes, 10 seconds
Но граждане Германии, это важно, потому что в Германии, чтобы вот эту всю бюрократию пройти, нужно знать немецкий,
29:16
29 minutes, 16 seconds
нужно разговаривать с бюрократами. Это и то, что я не умею, не хочу делать. И мне очень повезло, что вот есть человек,
29:24
29 minutes, 24 seconds
который вот эту бизнес-часть на себя взял. Вот. А имя? Андре. Его зовут Андре. То есть вы два Андрея?
29:32
29 minutes, 32 seconds
Да. Это оченьочень смешно в митингах. Здравствуйте, я Андрей и Андрей.
29:36
29 minutes, 36 seconds
Ну, у нас чуть-чуть по по-разному имена пишутся, но когда произносишь там, да, нужно уточнять.
29:43
29 minutes, 43 seconds
Так, подожди. То есть получается, что CTO тогдашней компании Морис говорит: «Да, я, пожалуй, пойду, что ли».
29:52
29 minutes, 52 seconds
Типа того. Ну я должен сказать, что не только он один мне помогал, да? То есть остальные мои коллеги, по-моему, Берис,
29:59
29 minutes, 59 seconds
они тоже тоже вкладывались, тоже помогали с Пичем, тоже помогали с, ну, таким начальным маркетингом, не знаю,
30:06
30 minutes, 6 seconds
как это назвать. Ну, в общем, помогали.
30:08
30 minutes, 8 seconds
Поэтому вот этот процесс растыковки двух компаний, он может быть и не был таким бесшовным, но в принципе завершился довольно успешно.
30:18
30 minutes, 18 seconds
Ну они не не обиделись на вас, что вы такие взяли и Ну в какой-то момент обиделись, потом мы договорились так, что они не обиделись.
30:27
30 minutes, 27 seconds
Это как? За долю.
30:29
30 minutes, 29 seconds
За долю? А то есть они стали вашим первым как бы они не были инвесторами. Угу. Но они были как бы соучредителями.
30:38
30 minutes, 38 seconds
проинвестировали, да? Ага. А кто стал первым инвестором?
Chapter 17: «Не все венчурные инвесторы понимают open source»: кто первым вложил деньги?
30:42
30 minutes, 42 seconds
Немецкая фирма называется 42 Cap. Она из Мюнхена. Угу. Вот.
30:47
30 minutes, 47 seconds
То есть это венчурная венчурная, но он специализируется на openсорсе. Вот тут, наверное, важно заметить, что вот open source такая
30:54
30 minutes, 54 seconds
интересная модель, которую не все венджрные инвесторы понимают. Этот факт,
30:59
30 minutes, 59 seconds
что мы их нашли вовремя, это как бы они вас нашли. Ну, там нашли сначала другие инвесторы,
31:07
31 minutes, 7 seconds
потом это пошло таким сарафанным радио по другим. То есть они пришли не с первого, то есть они не сами первые нас заскаутили, так скажем,
31:16
31 minutes, 16 seconds
но в какой-то момент, да, они они они они пришли, мы там пропичили им, там был некий этап Diligнce, когда мы
31:25
31 minutes, 25 seconds
рассказывали, что мы хотим вообще построить. Ну и да, и в итоге они инвестировали в нас, по-моему, 2 млн где-то. Так,
31:33
31 minutes, 33 seconds
у вас тогда немного же было, да? Нас тогда было двое. Двое? То есть, как говорится, вот вам зарплата, ребята.
31:42
31 minutes, 42 seconds
Ну, нанимайте, да, там обычно же инвесторы дают на 2 года ранвей с тем, что нужно вот за эти 2 млн потратить за 2 года. Ну, естественно,
31:51
31 minutes, 51 seconds
начали нанимать людей. Угу.
Chapter 18: Как оценить стоимость IT-стартапа через количество звезд на GitHub
31:53
31 minutes, 53 seconds
Вот тут интересная история, которую я хотел рассказать про Open Source. Потому что это, ну, не все не такая популярная тема, как вообще оценивать стартапы, ну,
32:04
32 minutes, 4 seconds
сколько вот они стоят, когда нету никакого трекшена, никто ни за что не платит и первый год даже не предполагалось, что кто-то нас что-то купит,
32:12
32 minutes, 12 seconds
да? И вообще год разрабатывать уже год один разрабатывал, ещё год разрабатывать. Ну, ещё 2 года, да?
32:18
32 minutes, 18 seconds
То есть первые 2 года не предполагалось вообще никакой до следующего раунда не предполагалось никакой выручки.
32:25
32 minutes, 25 seconds
предполагалось, что мы будем работать только над он сорсом, растить open source, растить вот это использование
32:32
32 minutes, 32 seconds
нашего продукта, но не строить какие-то коммерческие истории вокруг этого. Ну то есть мы знали, как построить
32:39
32 minutes, 39 seconds
коммерческую историю, но мы как бы основное время тратили именно на вот этот корпродукт, который бесплатно и доступен всем
32:48
32 minutes, 48 seconds
с открытым ко То есть вы знали, как зарабатывать деньги на этом. Ну, эта модель не новая, да, то есть,
32:53
32 minutes, 53 seconds
но но всё равно тратили на бес на бесплатную версию,
32:57
32 minutes, 57 seconds
да. Ну мы мы разрабатывали основной Core Engine,
33:02
33 minutes, 2 seconds
ну без которого коммерческий продукт смысла бы не имел. Вот. Но это не новая какая-то не супер эзотерическая такая
33:10
33 minutes, 10 seconds
схема. Есть много компаний, которые делают также,
33:16
33 minutes, 16 seconds
то есть как бы там полно примеров успешных компаний, которые имеют полностью openсоourceную версию, ну там на 90%
33:25
33 minutes, 25 seconds
openсоourceную версию плюс вот это вот коммерческое дополнение, за которое они зарабатывают деньги.
33:31
33 minutes, 31 seconds
Как оценить ээ ну ценность Evoluation? Мы тоже задавали с ним вопрос, потому что инвестор спрашивают:
33:38
33 minutes, 38 seconds
«А сколько вы хотите денег?» типа, а, а что вы считаете, да, там правильном правильной оценкой? Обычно хорошо бы посмотреть на пример других стартапов,
33:48
33 minutes, 48 seconds
как они себя оценивали, какие раунды они поднимали, какие статистики у них есть.
33:55
33 minutes, 55 seconds
И вот возвращаясь вот из этой главной нашей статистики про количество звёзд,
34:00
34 minutes
мы, ну, сначала ради прикола посчитали зависимость количества звёзд от оценки компании. Есть же исторические данные, и мы знаем там сколько то же самое мо DB,
34:12
34 minutes, 12 seconds
например, стоило, когда в неё инвестировали первый раз, и сколько звёзд на Гитхабе у неё было, там есть
34:20
34 minutes, 20 seconds
куча разных других примеров. Удалось вывести какую-то такую зависимость, сколько стоит один лайк на GitHubбе. Так, так,
34:28
34 minutes, 28 seconds
вот это интерес цифры пошли. Вот есть несколько категорий проектов. Есть проекты, которые дешевле оцениваются,
34:37
34 minutes, 37 seconds
например, всякий фронт, всякие там фреймворки для веб-сайтов.
34:43
34 minutes, 43 seconds
Там цена одной звезды где-то 500 баксов в Evoluation. Не в размере раунда, а в том, сколько компания оценивается.
34:51
34 minutes, 51 seconds
Есть проекты, связанные с То есть типа 1.000 лайков полмиллиона. Да. Есть проекты, которые оцениваю,
35:00
35 minutes
которые занимаются всяким машинообучением, то есть градиентный бустинг или что-нибудь в этом роде. Да, там тоже есть разные варианты. Там одна звезда стоит 10.000, намного дороже.
35:12
35 minutes, 12 seconds
Угу.
35:13
35 minutes, 13 seconds
Есть проекты, которые вот прямо хардкорные базы данных. Там ещё дороже. Там одна звезда стоит 50.000.
35:22
35 minutes, 22 seconds
Угу. Наш проект оценивается,
35:27
35 minutes, 27 seconds
ну, если по такой схеме взять, где-то между машинр и базами данных по цене 20.000 за одну звезду.
35:33
35 minutes, 33 seconds
У вас там сейчас 7.500 лайков, да, на гитхабе. У вас просто это на сайте написано.
Chapter 19: Оценка Qdrant сегодня — $200 млн!
35:40
35 minutes, 40 seconds
На гитхабе у нас звёзд сколько? 25.000. А, уже 25.000.
35:45
35 minutes, 45 seconds
Сейчас корректно перемножить и получить оценку плюс-минус. Да, что-то много получается.
35:53
35 minutes, 53 seconds
200 млн? Да, 200 млн. О, то есть оценка выросла. А тогда сколько?
36:00
36 minutes
А тогда было где-то, по-моему, мы, когда мы поднимали первый раунд, у нас было 800 звёзд. Ага.
36:07
36 minutes, 7 seconds
Я плохо в математике, поэтому не умею умножать.
36:10
36 minutes, 10 seconds
В смысле в арифметике? Ну, 800 звёзд на 20.000 значит 1. 600. Нет, 16.
36:17
36 minutes, 17 seconds
16 млн где-то. Так.
36:19
36 minutes, 19 seconds
Угу. То есть, и примерно это соответствовало. Наверное, да.
36:23
36 minutes, 23 seconds
А, то есть вас сразу неплохо так оценили даже первый инвестор, да?
36:28
36 minutes, 28 seconds
Э, но этим вы не ограничились, я так понимаю. То есть, ну, мы этим ограничились на первый год, да?
Chapter 20: Как появился первый коммерческий продукт
36:33
36 minutes, 33 seconds
На второй год это, наверное, как раз тот момент, когда появился чат GPT, стало понятно, что вот этот ззкейс, ну, он
36:40
36 minutes, 40 seconds
точно выстреливает. Наш план не строить коммерческий продукт в первые 2 года превратился в план не строить коммерческий продукт только в первый
36:48
36 minutes, 48 seconds
год. То есть мы уже начали строить наш cloudд. По-моему, первого кастомера у нас как раз и появился перед вторым раундом.
36:58
36 minutes, 58 seconds
А что вы продавали? Кому?
37:02
37 minutes, 2 seconds
Ну ты говоришь, вас у нас нет, у нас появился, говоришь, первый первый покупатель.
37:06
37 minutes, 6 seconds
А cloud мы продавали cloud. То есть что такое cloud? Это когда тебе нужен векторный поиск и ты говоришь: «Я хочу использовать вот квадрант, например,
37:14
37 minutes, 14 seconds
но я не хочу там сам это настраивать, не хочу сам поднимать виртуальную машину, на неё устанавливать это всё». Я хочу,
37:22
37 minutes, 22 seconds
чтобы было красиво. Вот можно прийти в наш cloud, нажать там одну кнопку и сразу как бы всё готовое появляется.
37:30
37 minutes, 30 seconds
То есть это по сути разворачивание системы, то есть поддержка,
37:34
37 minutes, 34 seconds
да? И эта система разворачивается на наших виртуальных машинах. То есть пользователю не надо там никаких
37:41
37 minutes, 41 seconds
аккаунтов сторонних иметь. И разница между тем, что он бы сам платил за вот такую
37:49
37 minutes, 49 seconds
виртуальную машину тем, что он делает вот у нас, там, ну, какой-то небольшой марджин. То есть это дороже, чем делать самому, естественно.
37:59
37 minutes, 59 seconds
Но зато экономится время. Вот. То есть мы по по сути проздаём такой девоops вокруг нашей базы данных. М. И кто был первым?
Chapter 21: Почему open source-модель — идеальная воронка для поиска клиентов
38:07
38 minutes, 7 seconds
Ох, первым уже сложно сказать. Ну,
38:10
38 minutes, 10 seconds
по-моему, там был филиал Софтбанка японский Not BД.
38:18
38 minutes, 18 seconds
Вот они делали, э, платежи по лицу, то есть у них там биометрия работала.
38:25
38 minutes, 25 seconds
То есть они пошли вообще в совершенно неизвестный проект.
38:30
38 minutes, 30 seconds
Да. Ну, видимо, они рассчитывали, что мы будем им помогать по ходу дела. Ну, это технология сама по себе новая, да? То есть альтернатив-то каких у них? У них тогда не было никаких альтернатив.
38:40
38 minutes, 40 seconds
Технология новая. Наверное, они рассчитывали на то, что мы будем там за ручку их водить и везде показывать, что как.
38:47
38 minutes, 47 seconds
Угу. Да. И вы водили, носились с ними, да? Да. Они сами к вам пришли, да? Да. То есть они вас нашли?
38:53
38 minutes, 53 seconds
Да. Нас все нашли. А это это Open source — это такой источник трафика, да? То есть идеальный идеальная
39:02
39 minutes, 2 seconds
воронка для нас выглядит так. Вот есть разработчик, он пошёл на GitHub, нашёл нас, начал использовать бесплатную версию, потом, ну, в своих каких-то там
39:10
39 minutes, 10 seconds
педпрожектах, а потом пришёл там на свою работу, увидел, что у него на работе оказывается такой жезкейс, но на
39:18
39 minutes, 18 seconds
работе-то он уже не хочет это сам заниматься. Он говорит: «Ну-ка там выдайте мне бюджет на на
39:27
39 minutes, 27 seconds
такую систему, чтобы я не тратил время на настройку, а вот сразу заработал из коробки, там поддерживают другие люди в Клауде».
39:41
39 minutes, 41 seconds
[музыка]
Chapter 22: Как Илон Маск пропиарил Qdrant
39:46
39 minutes, 46 seconds
какой-то момент я видела это у вас тоже,
39:49
39 minutes, 49 seconds
по-моему, где-то в соцсетях вылезало. Я обнаружила, что вас маск ваш продукт как-то отметил, то есть, и что X, то есть бывший то,
39:59
39 minutes, 59 seconds
они они использовали, они использовали для функции поиска похожих твитов.
40:04
40 minutes, 4 seconds
Сейчас они, по-моему, эту функцию убрали вообще. И они используют это для грока,
40:08
40 minutes, 8 seconds
то есть, чтобы нейросеть их знала последние события в мире. Вот она использует векторный поиск. Но они open
40:16
40 minutes, 16 seconds
source кастомеры, они нам ничего не заплатили, но зато зато попиарили. Да.
40:21
40 minutes, 21 seconds
Так, понятно. Ну то есть ещё ещё раз можешь объяснить, то есть они в кроке,
40:26
40 minutes, 26 seconds
чтобы новости что ли искать? Ну, можно у Грока спросить, что происходит там в
40:33
40 minutes, 33 seconds
мире вчера, например, да, там какие там последние новости про что там Трамп с маск. сама нейросеть. В ней нет информации про то, что произошло
40:42
40 minutes, 42 seconds
вчера. Но за счёт того, что он может сходить и узнать в Twitter, последние твиты, последние сообщения, он это добавляет в свой контекст автоматически,
40:51
40 minutes, 51 seconds
там это прозрачно для пользователя, и он начинает отвечать уже на вопросы более осмысленно с учётом последних событий.
41:01
41 minutes, 1 second
А, то есть он ищет по твитам и ищет как раз через вас, да, после того, как Маск запичи вас, ээ,
41:10
41 minutes, 10 seconds
что-то больше пришло звёзд пришло больше, да. Ну, это такой это это само закручивающийся такой
41:18
41 minutes, 18 seconds
порочный круг, когда кто-то тебя упоминает, приходит больше людей,
41:22
41 minutes, 22 seconds
лайкают проект, ээ и у Гитхаба есть рекомендательные алгоритмы, которые тоже на это смотрят. Они всё трендинг. И
41:30
41 minutes, 30 seconds
когда тре Да, да, ну это же социально сеть. И трендинг сразу тебе приносит буст в звёздах.
41:39
41 minutes, 39 seconds
Слушай, расскажи, кто ещё клиенты у вас?
Chapter 23: «Проще сказать, кто нас не использует». Кто сейчас клиенты Qdrant
41:42
41 minutes, 42 seconds
И сейчас я немножко покопаюсь в экономике.
41:46
41 minutes, 46 seconds
Кто ещё у нас клиенты? У нас ээ есть там целый список логотипов на сайте. Из интересного, что, наверное, российской
41:55
41 minutes, 55 seconds
аудитории известно, есть такой сервис звук. Вот сервис звук не клиентву, он сложный пользователи. Вот сервис Звук
42:02
42 minutes, 2 seconds
используют кважан для рекомендаций. Они это пишут в своих вакансиях, то есть мы это знаем непосредственно от них, а из таких посредных источников. Мы, к сожалению,
42:12
42 minutes, 12 seconds
не можем работать с российскими компаниями. Кто ещё из из интересных? Блин, я не знаю.
42:21
42 minutes, 21 seconds
Ну у вас, ну, из бизнеса, например, Discord, например. Да,
42:25
42 minutes, 25 seconds
да. Проще сказать, кто не использует, на самом деле. Вот так вот.
42:29
42 minutes, 29 seconds
Ну я я почти уверен, что в любой большой компании, там начиная от 500 человек Угу.
42:35
42 minutes, 35 seconds
кто-нибудь даи использует open source-версию. Просто по цифрам, которые мы видим в скачиваниях, это это
42:43
42 minutes, 43 seconds
ну довольно много. Ээээ, на сайте у вас написано 10 млн скачива 10 млн — это для докер образа, для
42:50
42 minutes, 50 seconds
нашего. Это это тот формат, в котором мы распространяем наш ээ наш продукт. Э там 10 млн, ну там по разным другим
42:58
42 minutes, 58 seconds
источникам. Э где-то больше, где-то меньше.
43:02
43 minutes, 2 seconds
Ну я бы сказал, что меня удивило, что если это продукт для разработчиков, 10 млн разработчиков очень много.
43:07
43 minutes, 7 seconds
Не 10 млн разработчиков действительно нету, но одно скачивание — это не один разработчик. То есть, условно, когда
43:15
43 minutes, 15 seconds
команда разработки активно занимается каким-то продуктом, у них есть автоматизированные системы,
43:21
43 minutes, 21 seconds
которые всё собирают, всё тестируют, и они сами по себе могут являться источником таких скачиваний. Если там судить по А, то есть что-то там подкачивает ещё,
43:31
43 minutes, 31 seconds
да? Дадада. Ну, то есть если судить по опыту, то одна команда, которая активно занимается разработкой продукта, она
43:39
43 minutes, 39 seconds
генерирует что-то типа 10 скачиваний в день. Угу.
43:42
43 minutes, 42 seconds
У нас что-то типа 10.000 скачиваний в день. Угу.
43:48
43 minutes, 48 seconds
Но это в плохой день, наверное. В хороший день побольше.
Chapter 24: «Выиграть в гонке» — почему стартап выбирает быть убыточным
43:51
43 minutes, 51 seconds
А если говорить вот от этого там количество, то сколько из них платное? Мало.
43:58
43 minutes, 58 seconds
Меньше процента, наверное. Аэ. Ну и выручки- это сколько? Выручки — это секретная информация.
44:05
44 minutes, 5 seconds
Ну там плюс-минус. Ну, чудо у вас в какой-то момент, эээ, на этапе,
44:09
44 minutes, 9 seconds
по-моему, вторых инвестиций было что-то около миллиона, да? Ну, выросло раз в 10 уже. Угу. Но вы планово убыточные,
44:18
44 minutes, 18 seconds
да, естественно. Столько людей, конечно.
44:23
44 minutes, 23 seconds
Ну, это это по плану. То есть мы можем перестать быть убыточными, если уволим там 80% людей,
44:32
44 minutes, 32 seconds
мы перестанем быть убыточными. Ну, тогда мы перестанем развиваться. А конкурент не перестанут развиваться.
44:37
44 minutes, 37 seconds
Ну то есть это гонка, кто быстрее прибежит в какую-то точку.
44:42
44 minutes, 42 seconds
Э, ну я не думаю, что будет какая-то финальная точка будет либо какой-нибудь новая технология, которая всё это
44:48
44 minutes, 48 seconds
заменит, в чём я сомневаюсь. Либо кого-то купят, а кто-то останется, либо станут самоокупаемыми, наверное, в какой-то момент.
44:57
44 minutes, 57 seconds
Но это будет много маленьких или несколько крупных? Я думаю, будет несколько крупных.
45:03
45 minutes, 3 seconds
Несколько крупных. Ну, такие, которые специализируются именно на вектором поиск, я думаю, будут штуки три. Ну, то есть не не так. И я так понимаю,
45:11
45 minutes, 11 seconds
что вы хотите различие будет них остаться,
45:14
45 minutes, 14 seconds
да, различие будет по цветам. Будет жёлтый, зелёный, красный цвет. Вот как как везде. Вот это будет три три
45:22
45 minutes, 22 seconds
конкурента, которые типа отличаются только логотипами. Слушай, в какой-то момент в вас вложилась большая реально венчерная компания SPK Capital,
Chapter 25: Как инвестор Twitter, Discord и Anthropic вложил $28 млн в Qdrant
45:31
45 minutes, 31 seconds
которая инвестировала бог знает во что от Слака до там, я не знаю, Трела, по-моему, и Дискорта,
45:41
45 minutes, 41 seconds
[музыка]
45:43
45 minutes, 43 seconds
да, в общем, это очень модный такой венчерный фонд. Расскажи, как это сложилось.
45:48
45 minutes, 48 seconds
Первые два раунда участвовал в питчах. В последнем раунде я, ну, по-моему, пришёл только уже в последний Diligнce, чтобы рассказать, ну, типа, что мы там делаем.
45:59
45 minutes, 59 seconds
Я не участвовал в вот в этих подготовительных этапах, когда в танцах с инвесторами. Но это был уже
46:06
46 minutes, 6 seconds
действительно большой раунд. Насколько я помню, 37 млн. Нет, нет, 20 28 млн. Всего 37.
46:15
46 minutes, 15 seconds
Э, ну, это уж прямо много денег, да. И у нас много людей теперь. Угу. Из-за этого.
46:22
46 minutes, 22 seconds
А много людей это сколько? 85 человек.
46:25
46 minutes, 25 seconds
85 плюс-минус пять человек. И в основном разработчики.
Chapter 26: Зачем Qdrant нанимает продажников и маркетологов перед новым раундом
46:29
46 minutes, 29 seconds
Ну вот с последним раундом мы начали нанимать продажников, э, маркетингов там всяких разных. Э
46:37
46 minutes, 37 seconds
первые два раунда были в основном разработчики. Ну то есть задача вот нового раунда — это уже как бы продажи продажи деньги.
46:44
46 minutes, 44 seconds
Условия для следующего раунда — это тоже деньги. Нужно показать ревеню. И от этого зависит оценка в основном, да? То
46:53
46 minutes, 53 seconds
есть уже на технологию все поняли, что технология ок, да? То есть нету вопросов того, что нужен будет векторный поиск или нет. Как бы все понимают, что да.
47:02
47 minutes, 2 seconds
Вопрос только сколько стоит, и тут уже как бы звёздами не отделаешься.
47:08
47 minutes, 8 seconds
То есть вот этой конверсии звёзд в стоимость, то есть нужно показать реальные реальные цифры. Да.
Chapter 27: Сколько стоит сейчас компания?
47:15
47 minutes, 15 seconds
Ну и ээ сколько ты думаешь сейчас стоимость,
47:20
47 minutes, 20 seconds
собственно, о чём вы говорите? Там между собой?
47:24
47 minutes, 24 seconds
Хотелось бы 300. Скромненько. Скромненько. Хотелось бы.
47:31
47 minutes, 31 seconds
Хотелось бы это к следующему раунду 300.
47:33
47 minutes, 33 seconds
Ну, стоить 300, да. Но вам всё время приходится бежать до следующей порции, я так понимаю. В каком-то смысле, да?
47:41
47 minutes, 41 seconds
А. Ну, то есть runway 2 года. Ага. Опять 2 года. Да, каждый раз будет 2 года. Ага.
47:47
47 minutes, 47 seconds
Ну то есть первый раунд он был, точнее второй раунд был немножко быстрее,
47:51
47 minutes, 51 seconds
потому что появилось вот этот чат GPT и всё такое. Все, все ринулись на хайпе поднимать. Второй раунд он по плану. Э,
48:01
48 minutes, 1 second
я так понимаю, что этот план наступает,
48:04
48 minutes, 4 seconds
собственно, в следующем году примерно. То есть уже можно готовиться, можно.
48:09
48 minutes, 9 seconds
[музыка]
48:27
48 minutes, 27 seconds
поговорим, как собственно ты дошёл до жизни такой. Да, ещё перед этим я хотела спросить. Европа вообще и Германия, в частности,
Chapter 28: В Германии сложно запустить стартап?
48:37
48 minutes, 37 seconds
сложное место для старта компании.
48:43
48 minutes, 43 seconds
Это правда. Но когда я переезжал в Германию, я не думал о том, что я буду что-то здесь открывать. Я просто искал работу, искал, куда переехать. И Германия была, ну, простым вариантом,
48:55
48 minutes, 55 seconds
да. То есть здесь много русскоговорящих.
48:58
48 minutes, 58 seconds
У мои колегипе мои коллеги пережазли после. Ну, вообще это, так скажем, ну, не самый сложный
49:05
49 minutes, 5 seconds
вариант. То есть, допустим, в какой-нибудь Лондон переехать, мне кажется, по бюрократии сложнее. Там нужно что-то доказывать, какую-то визу талантов.
49:13
49 minutes, 13 seconds
Ну да.
49:14
49 minutes, 14 seconds
В Германии нужно просто показать, что у тебя есть зарплата и что она там выше порога. Тебе дают BLр и из BLр можно делать, ну, что хочешь.
49:24
49 minutes, 24 seconds
Главное, работать. Угу. А порог это сколько? Порог маленький, там было 40.000 в год, что-то такое.
49:32
49 minutes, 32 seconds
Ну то есть это для разработчика это меньше 4.000 евро.
49:38
49 minutes, 38 seconds
Ну это дона грязными. То есть показывать надо грязными. Ну в Берлине жить сложно на 40.000,
49:43
49 minutes, 43 seconds
скажем прямо, да? То есть если ты переезжаешь, у разработчика обычно больше. То есть для разработчиков это обычно не небольшая проблема.
49:51
49 minutes, 51 seconds
Угу.
49:51
49 minutes, 51 seconds
Я по такой по такой схеме переехал и Угу. Ээ дальше как бы когда основывали компанию, то, конечно, думали про то,
50:01
50 minutes, 1 second
что надо это в Штатах делать, но тогда проблемы с визой, тогда нужно в Штаты переезжать. В общем, это было, ну, скажем так, полувынужденное решение.
50:09
50 minutes, 9 seconds
Здесь сколько заняло открыть компанию в Германии?
Chapter 29: Что нужно, чтобы открыть компанию в Германии
50:13
50 minutes, 13 seconds
Ну, я думаю, что это где-то месяц занимает всякая бюрократия, да. Но там основной прикол, что чтобы открыть ГМБХ, нужен уставной
50:22
50 minutes, 22 seconds
капитал. ГМБХ — это как ООО ООО, да, местное ООО. Чтобы открыть ГМБХ, нужно уставной капитал. Устаной капитал, это 25.000 баксов. Ну, евро.
50:34
50 minutes, 34 seconds
Евро, да. И обычно, да. Обычно эти деньги,
50:40
50 minutes, 40 seconds
это, собственно, половина первых инвестиций в немецкие компании на то, чтобы вот закрыть вот этот дырку.
50:47
50 minutes, 47 seconds
И они должны, собственно, лежать там, да? Ой-ой-ой. Они должны там лежать.
50:52
50 minutes, 52 seconds
Ой-ой-ой. То есть в Америке сравнении не нужно там ничего.
50:57
50 minutes, 57 seconds
В Америке нужно ничего, да. Там и в Америке и договора подписываются через докусайн. Так и и А в Германии, да, нужно сидеть у нотариуса.
51:06
51 minutes, 6 seconds
Вот так, да. Ой,
51:08
51 minutes, 8 seconds
да. И нотариус, конечно же, берёт свою долю. Нотариус — это такой человек с самым красивым офисом в Берлине, в самом престижном месте, с видом на рейхстак.
51:19
51 minutes, 19 seconds
Огромный стеклянный небоскрёб. Вот это нотариус в Германии, который всё, что делает, это зачитывает тебе
51:26
51 minutes, 26 seconds
твой твой собственный договор, который даже не он составлял. Он просто это уже можно и в чат GPT отгрузить, я думаю,
51:32
51 minutes, 32 seconds
нельзя, потому что это легальная процедура, да? То есть это не то, что фаундерам и инвесторам хочется делать.
51:40
51 minutes, 40 seconds
Это то, что требует законодательства и то, что ну отжирает такой существенный процент от от раунда, в том числе.
51:49
51 minutes, 49 seconds
Обидно. Обидно.
51:50
51 minutes, 50 seconds
Ну да, это жестоко, конечно. А поменять вот это никак нельзя инкорпорироваться в доловере там или Ну у нас есть уже анти в Штатах. Оно в
52:00
52 minutes
основном сделано для того, чтобы там нанимать людей, чтобы там им платить налоги удобнее поменять. Ну, наверное, можно.
52:10
52 minutes, 10 seconds
Это просто затрата времени. Время как бы оно более ценно, чем то, что там какие-то
52:17
52 minutes, 17 seconds
Как инвесторы относятся к, ну, вообще идее вкладываться в европейскую компанию? Вас так, мне кажется, им всё равно. Ну, то есть,
Chapter 30: Как американские инвесторы относятся к стартапу из Европы
52:25
52 minutes, 25 seconds
ну, то есть мой мой опыт такой, что главный продукт был и продавать продукт им интересно, чтобы продукт продавался в
52:32
52 minutes, 32 seconds
Штатах, где там HQ у компании, ну, какая разница, где разработчики сидят вообще без разницы. Ээ там,
52:40
52 minutes, 40 seconds
за исключением России и Беларуси, я думаю.
52:42
52 minutes, 42 seconds
Да, главное, чтобы платить можно было не в биткоинах, а а нормальными банковскими переводами, чтобы продавать можно было в Америке. Да. Поэтому наши продажники,
52:51
52 minutes, 51 seconds
они все в Америке. А продажи вообще основные в Америке, да? Да, я думаю, процентов 70 минимум.
52:59
52 minutes, 59 seconds
То есть всё-таки рынок основной там,
53:01
53 minutes, 1 second
да? Причём разработчики сами, они могут быть где угодно, да? То есть разработчики в Индии такие же разработчики, как разработчики в
53:09
53 minutes, 9 seconds
Америке. И и особенно, если они работают на американские компании, там в этом смысле нет разницы. Важно, кто платит и где деньги.
53:18
53 minutes, 18 seconds
Угу. А разница в стоимости этих разработчиков существует по-прежнему? То есть они дешевле в Индии, чем чем
53:25
53 minutes, 25 seconds
ко разработчики в Америке просто там несколько раз дороже.
Chapter 31: Сколько ты сейчас зарабатываешь?
53:30
53 minutes, 30 seconds
Да. Если не секрет, сколько ты зарабатываешь? Примерно я сейчас или тогда? Да. Ну и тогда, и сейчас.
53:36
53 minutes, 36 seconds
Тогда где-то 100 100.000 год, да, зарплаты до налогов. Да.
53:42
53 minutes, 42 seconds
Ну, то есть это бы большие деньги для тебя были бы. Ну да, существенные. А сейчас? А сейчас не скажу.
53:49
53 minutes, 49 seconds
А уже больше, но не сильно.
53:53
53 minutes, 53 seconds
Ты самый высокооплачиваемый со Нет, я далеко не самый. Самое высокооплачиваемые — это продажники. Я так только хотел сказать.
54:01
54 minutes, 1 second
Я даже не самый высокооплачиваемый инженер, так ты скажешь. Серьёзно. Но тебя за счёт доли, да, видимо. Мм. Я с доль не получаю денег.
54:09
54 minutes, 9 seconds
Нет, пока,
54:10
54 minutes, 10 seconds
пока это пока,
54:11
54 minutes, 11 seconds
пока ты в Германию приехал без языка совсем.
Chapter 32: Все-таки почему именно Германия?
54:14
54 minutes, 14 seconds
Да, я до сих пор не умею разговаривать пониме. Слушай, ну английский. Английский я знаю, да.
54:20
54 minutes, 20 seconds
Английский ты знаешь. Но почему тогда всё-таки Германия? Не взяли меня в Лондон.
54:26
54 minutes, 26 seconds
А вот так вот. Ну ты просто искал работу и работу и просто подвернулся. Вот этот бери. Ну,
54:35
54 minutes, 35 seconds
у меня было несколько оферов, тогда ещё можно было выбирать разработчикам.
54:40
54 minutes, 40 seconds
Был офер в большую компанию, был офер в стартап. Я подумал, что я уже работал в большой компании, надо попробовать стартап.
Chapter 33: Как Васнецов работал в «Тинькофф банке»
54:48
54 minutes, 48 seconds
Тогда ещё на шаг назад. Большая компания, в которой ты работал — это Тиньков. Тиньков. Передаём привет. А,
54:57
54 minutes, 57 seconds
ну передаём, да. А что ты делал в Тинькое? Я был, ну, сначала я устроилсягда как машиной инженер. В
55:04
55 minutes, 4 seconds
банке много данных, банку нужно с этими данными что-то делать. И там был такой департмент больших данных.
55:13
55 minutes, 13 seconds
Собственно, что отличало Тиньков от других?
55:16
55 minutes, 16 seconds
Да нет, он у всех был. Просто в Тенькове, наверное, было меньше бюрократии, ээ, и больше данных, да, то
55:22
55 minutes, 22 seconds
есть он онлайнпроцесс, да, то есть и данные хорошие были, но относительно,
55:28
55 minutes, 28 seconds
наверное, других каких-то данных. Я не знаю, я не был в других банках, поэтому я предполагаю, что хорошие. И много разных приложений, которые, ну,
55:39
55 minutes, 39 seconds
внутренних процессов, которые используют эти данные, как кому что порекомендовать. кого есть своё приложение в нём. Там помимо,
55:46
55 minutes, 46 seconds
собственно, транзакций. Есть ещё много всяких других штук. В какой-то момент мои задачи стали ближе к поиску.
55:55
55 minutes, 55 seconds
Наверное, это проблема золотого молотка, да? Если есть если есть инструмент, которым владеешь, то любая проблема —
56:01
56 minutes, 1 second
это гвоздь. Вот, наверное, такое что-то произошло и со мной. То есть, э,
56:08
56 minutes, 8 seconds
были задачи, связанные с поиском, были задачи, связанные с рекомендациями
56:16
56 minutes, 16 seconds
каких-то спецпромокций и тому подобное, и так далее, которые тоже решались с помощью поиска, а, в том
56:24
56 minutes, 24 seconds
числе векторного, но тогда он был кривой, косой, и мы так и не запустили его. В Тинькове круто было работать.
56:31
56 minutes, 31 seconds
Неплохо. Я не жалею. что туда попал.
56:36
56 minutes, 36 seconds
Не, нет, понятно, что не жалеешь. Это же как бы был такой один из ээ таких островков -э инновационной, свободной.
Chapter 34: Круто было работать в «Тинькофф»?
56:46
56 minutes, 46 seconds
Ну да, ну внутренне Тиньков конкурировать хотел с Яндексом. Ага. Естественно,
56:51
56 minutes, 51 seconds
с которым сначала хотел дружить, потом не хотел дружить.
56:54
56 minutes, 54 seconds
Ну я туда пришёл до того, как были эти разговоры.
56:58
56 minutes, 58 seconds
Ну то есть да, то есть мы мерились против других IT-компаний, мы не мерились против других банков. Вот,
57:04
57 minutes, 4 seconds
наверное, это хороший признак, но при этом мы как бы не заигрывались с технологиями слишком сильно, да, мы не пытались как Яндекс изобретать всё своё внутреннее,
57:13
57 minutes, 13 seconds
использовали готовые компоненты, но при этом целись на то, чтобы вот с Яндексом пободаться в каких-то местах. Есть такое понятие выходцы из револют.
Chapter 35: «Меня не взяли в Revolut» — почему?
57:26
57 minutes, 26 seconds
Я не знаю, слышал ты или нет, но очень много людей, которые как бы прошли школу Революта и потом сделали свою Не взяли в револют.
57:34
57 minutes, 34 seconds
Не взяли в револют. Да ладно, почему? Не знаю, мне понравилось.
57:39
57 minutes, 39 seconds
Ты, собственно, в Лондон апплицировался в революцию, да? И аж на какую позицию? Ну, тоже такую же машин.
57:47
57 minutes, 47 seconds
Ну, в Тинькове я в какой-то момент дорос до Тимледа. Угу.
57:53
57 minutes, 53 seconds
В кавычках, потому что у меня была там команда из одного человека, кроме меня, да.
58:00
58 minutes
Вот. И мы уже там начали специализироваться на поиске. У нас была задача построить такой хитрый поиск для
58:08
58 minutes, 8 seconds
как внутренних целей, так и внешних. У нас было много данных там, э, кто где что купил.
58:14
58 minutes, 14 seconds
Вот было интересно. Ну, с таким бэкграундом я перешёл в другую компанию и
58:22
58 minutes, 22 seconds
подтвердил свой этот золотой молоток ещё одним гвоздём. Это в смысле Сбери? Да.
58:27
58 minutes, 27 seconds
Да. Но в ту же как бы на в ту же историю в Револют не не получилось. Там не была не совсем такая же команда.
58:35
58 minutes, 35 seconds
То есть они не занимались поиском, это был, ну, скорее дауншифтинг такой небольшой. Ну, это стоило ожидать,
58:43
58 minutes, 43 seconds
потому что всё-таки переезжаешь в другую страну. Ну да, это цена, собственно. Серьёзно?
58:48
58 minutes, 48 seconds
Это цена. Ну не знаю, что-то им не понравилось. Суждаем. Твой бэкграунд — это Баумонка. Да.
Chapter 36: «Ближе к специализации начинается треш»: что не так с образованием в Бауманке
58:54
58 minutes, 54 seconds
Я где-то читал, что ты сказал, что тебя разочаровало образование.
58:58
58 minutes, 58 seconds
Как сказать? Первые 4 года. Ну давай так.
59:03
59 minutes, 3 seconds
Первые 3 года это норм, как бы это фундаментальные основы, которые стыдно не знать, наверное, да, там всякие
59:11
59 minutes, 11 seconds
линейные алгебры и такие вещи. Дальше ближе к специализации начинается, ну, трэш, в смысле,
59:19
59 minutes, 19 seconds
ну, очень устаревшее всё. А там какие-то старые советские магнитные ленты, про
59:28
59 minutes, 28 seconds
которые нам рассказывали, как ими пользоваться, которые, ну, они вот эти вот магнитные ленты в универе- это последние магнитные ленты, которые, в
59:35
59 minutes, 35 seconds
принципе, функционируют. То есть, если вот они сломаются, вот если вот эта лента сломается, то всё, как бы, вот весь курс можно закрывать. Ну, и вообще
59:44
59 minutes, 44 seconds
кафедра у меня была такая больше сисадминская. А это не круто, но это не то, чем я хотел заниматься.
59:51
59 minutes, 51 seconds
Но тем не менее, да, вот Бауменко учит искать правильную книжную полку. Угу. Вот это как бы неотъемлемая часть.
59:59
59 minutes, 59 seconds
Угу.
59:59
59 minutes, 59 seconds
А сами курсы? Ну, я бы половину выкинул оттуда.
1:00:02
1 hour, 2 seconds
Угу. То есть программирование ты в какой-то степени смотрел добаки. Да. А ты умел? Я я сам научился.
1:00:10
1 hour, 10 seconds
В смысле? По книжке? Да. Буквально по книжке, по бумажной. Да. Да. Тогда ещё такие были.
1:00:18
1 hour, 18 seconds
Конечно, там какая-то более теоретическая основа рассказали в универе, но как бы написать простое приложение я мог и добавки. То есть уже в принципе и приложение,
1:00:28
1 hour, 28 seconds
ну, смотря что назвать приложением. Скрипт. Давайте назовём это скриптом.
1:00:34
1 hour, 34 seconds
О’кей. И после Баунки, я так понимаю, ты работал в Мейле.
Chapter 37: Стажировка в Mail.ru: когда у Васнецова появился интерес к поиску
1:00:37
1 hour, 37 seconds
Я в Мейле работал, пока я учился в Бауманге, да. Там вот это хорошая тема в российских вузах это вот эти вот
1:00:46
1 hour, 46 seconds
дополнительные курсы. В нашем случае он назывался технопарк, насколько я помню.
1:00:51
1 hour, 51 seconds
В сам технопарк я не пошёл, но при технопарке был дополнительный такой специализированный курс по поиску.
1:00:59
1 hour, 59 seconds
Вот тебя поиск как-то с самого начала зацепил.
1:01:01
1 hour, 1 minute, 1 second
По поиск я всю карьеру занимаюсь разными видами поиска. По завершении вот этого отдельного спецкурса нам предложили
1:01:09
1 hour, 1 minute, 9 seconds
стажировку, а мы, в общем-то, и не отказались. Поэтому я работал вле параллельно с учёбой. Ну, в Майле же не было поиска, по сути.
1:01:18
1 hour, 1 minute, 18 seconds
Как это был вот это вот то, что там на портале вот этот вот, да, да, у них был какой-то там 1% поисковых запросов в России. Он,
1:01:29
1 hour, 1 minute, 29 seconds
конечно, был меньше Яндекса раз в 10, но там был целый этаж в этом их небоскрёбе, который занимался поиском. Да,
1:01:37
1 hour, 1 minute, 37 seconds
ну для стажировки хватило, видимо, да.
1:01:39
1 hour, 1 minute, 39 seconds
А чего ты, собственно, стал искать работу за границей? Что ж тебя в Тенькове не Нет, в Тенькове меня всё устроило.
Chapter 38: «Стало страшно жить»: почему Васнецов уехал из России в 2019 году
1:01:46
1 hour, 1 minute, 46 seconds
Устраило. Нене, ну что-то тебя же привело к идее, ээ, что ты хочешь у Ну, страшно жить стало в России.
1:01:53
1 hour, 1 minute, 53 seconds
В какой момент? в в момент, когда,
1:01:58
1 hour, 1 minute, 58 seconds
скажем так, в 2000 дена году Угу. А что в девятнадцатом году? Подожди. Ну то есть просто на фоне того,
1:02:05
1 hour, 2 minutes, 5 seconds
что происходило потом в двадцать втором,
1:02:08
1 hour, 2 minutes, 8 seconds
это уже какие-то Ну да, я я как бы, можно сказать, почувёл заранее.
1:02:13
1 hour, 2 minutes, 13 seconds
А ещё у меня был такой вопрос. Э у тебя же кофаундер украинец, да?
Chapter 39: Кофаундер Васнецова — украинец. Мешает ли это совместной работе?
1:02:18
1 hour, 2 minutes, 18 seconds
А ну он по паспорту немец уже давно. Ну, слушай, по паспорту, как говорится,
1:02:25
1 hour, 2 minutes, 25 seconds
это ж ты же не отменишь то, что человек родился, он дольше жил в Германии, чем в Украине. Родился в Виннице, да.
1:02:31
1 hour, 2 minutes, 31 seconds
Вы с ним вот на теме войны ээ как-то как находили общий язык? У нас нет проблем с этим.
1:02:39
1 hour, 2 minutes, 39 seconds
Он не переживает или вы с ним это не обсуждаете?
1:02:42
1 hour, 2 minutes, 42 seconds
Не, ну конечно, переживают. Все переживают. Что? Я помню, Винница запомнилась тем,
1:02:47
1 hour, 2 minutes, 47 seconds
что там был довольно жёсткий удар летом двадцать второго года.
1:02:52
1 hour, 2 minutes, 52 seconds
Даже я помню про это, хотя как бы это с моей жизнью никак не связано. Ну а я при чём здесь?
1:03:01
1 hour, 3 minutes, 1 second
Ну ты из России и все по-разному реагируют. Ну мой кофаундер адекватный.
1:03:09
1 hour, 3 minutes, 9 seconds
Слушай, у меня ещё был к тебе вопрос, как ни странно, про литературу. Так, книжки я ем. Да, книжки я ем.
Chapter 40: Чем научная фантастика отличается от фэнтези
1:03:17
1 hour, 3 minutes, 17 seconds
Еш.
1:03:19
1 hour, 3 minutes, 19 seconds
Послушав одно из твоих интервью, там, значит, вы обсуждали, что ты любишь ээ на
1:03:27
1 hour, 3 minutes, 27 seconds
фантастику без магии. Без магии. Что это значит?
1:03:31
1 hour, 3 minutes, 31 seconds
Ну, sci-fi твёрдая научная фантастика. У него прямо есть определение. Примером ненаучной фантастики является какой-нибудь хоббит властилин колец.
1:03:41
1 hour, 3 minutes, 41 seconds
Тоже, ну, это фэнтези.
1:03:42
1 hour, 3 minutes, 42 seconds
Это фэнтези, но это не научная фантастика.
1:03:45
1 hour, 3 minutes, 45 seconds
Есть наукообразная фантастика, которая там происходит в космосе, но практически
1:03:53
1 hour, 3 minutes, 53 seconds
нету никаких правил. Это там Звёздные войны, например. Вот это такая наукообразная фантастика, но я её не считаю научной фантастикой.
1:04:01
1 hour, 4 minutes, 1 second
В смысле, что она очень далеко от реальности,
1:04:03
1 hour, 4 minutes, 3 seconds
ну там там нет никаких правил. Может происходить всё, что угодно, а если нет никаких правил, то, в общем-то, ничего и неинтересно. То есть в любой момент может появиться рояль в кустах.
1:04:15
1 hour, 4 minutes, 15 seconds
этот рояль в кустах каким-то образом продвинуть сюжет, чтобы было, ну, выглядело красиво. А по сути,
1:04:22
1 hour, 4 minutes, 22 seconds
то есть важны ограничения? Да. Да, ограничения важны.
1:04:25
1 hour, 4 minutes, 25 seconds
Ага. Там был упомянут в качестве такого иконического писателя ээ Вернор Винш.
Chapter 41: «Правительство доверяет решения алгоритмам»: писатели-фантасты предсказывают будущее?
1:04:32
1 hour, 4 minutes, 32 seconds
Я ээ не могу сказать, что я была знакома с его творчеством дома.
1:04:35
1 hour, 4 minutes, 35 seconds
А у него не очень большое творчество. То есть это такой он вообще учёный,
1:04:39
1 hour, 4 minutes, 39 seconds
да? Он, по-моему, то ли преподаватель физики, то ли что-то около этого. И писать книги для него — это такое хобби.
1:04:47
1 hour, 4 minutes, 47 seconds
Угу.
1:04:48
1 hour, 4 minutes, 48 seconds
Интересно, что у него жена есть, которая профессиональный писатель.
1:04:52
1 hour, 4 minutes, 52 seconds
Вот она пишет много книг, а у него они как бы в более узкой среде более популярные получаются.
1:05:00
1 hour, 5 minutes
И вот я начала, честно говоря, листать,
1:05:03
1 hour, 5 minutes, 3 seconds
ну, так из интереса. И в одном из произведений обнаружилась прямо с ходу следующую цитату. Вы уже вот уже 30 лет,
1:05:11
1 hour, 5 minutes, 11 seconds
как правительство перешло на автоматизированное централизованное планирование, всё больше доверяя принятия решения программным алгоритмам,
1:05:19
1 hour, 5 minutes, 19 seconds
которые имели непосредственный доступ к базам данных и занимались распределением государственных средств, предлагали законопроекты и вырабатывали военную стратегию.
1:05:28
1 hour, 5 minutes, 28 seconds
Ужасно. Антижано, конечно. А как ты думаешь, такое возможно?
1:05:35
1 hour, 5 minutes, 35 seconds
Да, ну законы писать, это, как мне представляется, это на 90%
1:05:44
1 hour, 5 minutes, 44 seconds
техническая задача, да, там, э, может быть какую-нибудь инициативу модели не может проявить, но как-то это всё
1:05:51
1 hour, 5 minutes, 51 seconds
формализовать так, чтобы, э, не было сайд-эффектов.
1:05:56
1 hour, 5 minutes, 56 seconds
Мне кажется, это может произойти или сайд-эффекты были запланированы?
1:06:01
1 hour, 6 minutes, 1 second
Ты думаешь, что это в ближайшем времени наступит? Это я думаю, что это внедряется примерно такими же темпами, как и в программировании,
1:06:10
1 hour, 6 minutes, 10 seconds
как и векторный поиск.
1:06:11
1 hour, 6 minutes, 11 seconds
Нет, как в программировании. То есть вот есть разработчики, которые всё ещё отвечают за то, что они пишут, но они пользуются ассистентами.
1:06:18
1 hour, 6 minutes, 18 seconds
М то есть юристы, которые готовят. Это,
Chapter 42: Зачем юристам нужен векторный поиск
1:06:21
1 hour, 6 minutes, 21 seconds
кстати, большая большая ниша векторного поиске. Юристам нужно, особенно в странах, где прецедентное право.
1:06:29
1 hour, 6 minutes, 29 seconds
Угу.
1:06:30
1 hour, 6 minutes, 30 seconds
Юристам нужно много искать похожих кейсов. Там там ключевыми словами уже не ограничивается. Там в том числе и векторный поиск применяется, да?
1:06:39
1 hour, 6 minutes, 39 seconds
Ну то есть йс byкейс получается.
1:06:42
1 hour, 6 minutes, 42 seconds
То есть условно мы хотим найти кейсы, похожие на какой мы сейчас рассматриваем. И там нету ключевых слов,
1:06:50
1 hour, 6 minutes, 50 seconds
точнее, там весь кейс, это большой набор текста. А, и вот его весь нужно учитывать при поиске.
Chapter 43: Цифровое государство — угроза или благо?
1:06:58
1 hour, 6 minutes, 58 seconds
Ну, а как ты думаешь, вообще вот если посмотреть на такую концепцию цифрового государства по-новому, ну, не
1:07:06
1 hour, 7 minutes, 6 seconds
в смысле, что доступ к госуслугам, а в смысле, что автоматизированное централизованное планирование, это скорее полезный механизм.
1:07:16
1 hour, 7 minutes, 16 seconds
Кому?
1:07:16
1 hour, 7 minutes, 16 seconds
И не знаю. Ну, государство, наверное,
1:07:20
1 hour, 7 minutes, 20 seconds
полезный. Польза для государства, польза для человека — это не всегда параллельные вещи. Ну, гражданам, например, да,
1:07:29
1 hour, 7 minutes, 29 seconds
не всегда. А когда да, когда нет,
1:07:32
1 hour, 7 minutes, 32 seconds
ну, может быть, какие-то сервисы типа Госуслуг будут лучше работать. Ну, так, чтобы,
1:07:40
1 hour, 7 minutes, 40 seconds
если мы говорим о том, что мы не любим,
1:07:42
1 hour, 7 minutes, 42 seconds
когда за нами следят, наверное, это плохо.
1:07:45
1 hour, 7 minutes, 45 seconds
Ну, это тоже зависит. То есть, когда следят там, грубо говоря, выписывая штрафы за дорожное движение, ну, как бы неприятно, но терпимо.
1:07:54
1 hour, 7 minutes, 54 seconds
Не приятно,
1:07:54
1 hour, 7 minutes, 54 seconds
опять же, снижает ээ опасность на дороге,
1:07:58
1 hour, 7 minutes, 58 seconds
да, но та же самая камера, можешь следить за тем, сколько раз в день ты приседаешь и вот начнётся вот такая
1:08:06
1 hour, 8 minutes, 6 seconds
история. Я бы сказал, что цель не оправдывает средства. Вот если мы хотим снизить безопасности на дорогах, то
1:08:15
1 hour, 8 minutes, 15 seconds
нельзя жертвовать всем остальным ради этой цели. И я хотел спросить тебя про
Chapter 44: Ты можешь назвать три закона робототехники Азимова?
1:08:22
1 hour, 8 minutes, 22 seconds
три закона работотехники по озиму. Ты можешь их перечислить?
1:08:26
1 hour, 8 minutes, 26 seconds
Могу. Э, значит, робот должен причинять вред человеку. Робот должен э слушаться
1:08:34
1 hour, 8 minutes, 34 seconds
человека до тех пор, пока это не противоречит первому закону. Мой робот должен выполнять указания человека до тех пор, пока А нет, там третий не должен причинять себе вред,
1:08:44
1 hour, 8 minutes, 44 seconds
должен заботиться о своей безопасности в той мере, в которой не противоречит первому и второму.
1:08:48
1 hour, 8 minutes, 48 seconds
Да. Да. Не допускать себе вред до тех пор, пока это не противоречит первому и второму.
1:08:53
1 hour, 8 minutes, 53 seconds
Это же, в принципе, фантастическая концепция.
1:08:56
1 hour, 8 minutes, 56 seconds
Ну, это одна из тех вещей, которые допустимы в научной фантастике. То есть в научной фантастике мы делаем
1:09:03
1 hour, 9 minutes, 3 seconds
желательно одно предположение и дальше строим всё остальное, вселенную,
1:09:09
1 hour, 9 minutes, 9 seconds
учитывая это одно предположение. Вот это то, в чём Айзи Казимов, пожалуй,
1:09:15
1 hour, 9 minutes, 15 seconds
преуспел, да. У него есть некоторые допущения, да, что вот есть роботы,
1:09:21
1 hour, 9 minutes, 21 seconds
роботы работают так, а дальше на протяжении там всего цикла своих рассказов он рассказывает, как и в каких
1:09:28
1 hour, 9 minutes, 28 seconds
обстоятельствах эти три закона могут сработать неправильно, не так, как мы их ожидаем, как-то их можно собьюзить и тому подобное. То есть, по сути, он
1:09:36
1 hour, 9 minutes, 36 seconds
пытается сфальсифицировать своё собственное предположение в своём,
1:09:40
1 hour, 9 minutes, 40 seconds
ну, выйти, как бы, за его за пределы и посмотреть, что будет в том случае, если выходит.
1:09:45
1 hour, 9 minutes, 45 seconds
Это такой большой мысленный эксперимент в захватывающей форме, где он пытается как бы подвергнуть
1:09:53
1 hour, 9 minutes, 53 seconds
свою собственную теорию какому-то какой-то проверке,
1:09:58
1 hour, 9 minutes, 58 seconds
пусть даже вымышленной, но он пытается своих собственных героев ставить в сложные ситуации. Не кажется ли тебе,
1:10:05
1 hour, 10 minutes, 5 seconds
что в принципе они хорошо применимы к сфере искусственного интеллекта? Может быть.
1:10:11
1 hour, 10 minutes, 11 seconds
И а другое дело, что уазик Азимова эти законы каким-то образом зашиты настолько глубоко в
1:10:20
1 hour, 10 minutes, 20 seconds
этот позитронный мозг, что робот чисто физически не может его нарушить. Я не представляю, как такие законы можно зашить настолько глубоко в те нейроседи,
1:10:30
1 hour, 10 minutes, 30 seconds
которые мы обучаем сейчас. Ну, как, наверное, прописать просто, что вот,
1:10:35
1 hour, 10 minutes, 35 seconds
ну, если это будет часть промта, это не сработает, это недостаточно. Почему? Потому что промт можно игнорировать, да?
1:10:41
1 hour, 10 minutes, 41 seconds
То есть одна часть промта будет говорить: «И следуй», другая часть промта будет говорить: «Перестань следовать».
1:10:48
1 hour, 10 minutes, 48 seconds
Что он выберет? Это вопрос. Хрен знает. Знает. Ну, а вот когда мы с тобой обсуждали, что до конца непонятно, что внутри самих нейросистем,
Chapter 45: «Мы построили то, чего сами не понимаем»: почему нейросети остаются черным ящиком
1:10:57
1 hour, 10 minutes, 57 seconds
нейросетей, вот туда внутрь это нельзя никак закопать. Тут проблема возникает в том, что вот именно мы не знаем, что там внутри. То есть мы видим эти циферки.
1:11:06
1 hour, 11 minutes, 6 seconds
Что циферки означают, мы не понимаем.
1:11:09
1 hour, 11 minutes, 9 seconds
А, подожди, а кто-то понимает вообще кто? Никто никто не понимает.
1:11:12
1 hour, 11 minutes, 12 seconds
Бр, подожди. То есть мы уже сделали что-то, чего мы не понимаем? Конечно. Ну, это как бы нейросети 1.1.
1:11:20
1 hour, 11 minutes, 20 seconds
Ээ мы их обучаем, мы знаем, как бы, что они оптимизировали в процессе своего обучения. Мы не знаем, как они там
1:11:28
1 hour, 11 minutes, 28 seconds
оптимизировали, какой какой результат получился. Подожди, ну мы же им прописали, ээ, как они должны действовать.
1:11:34
1 hour, 11 minutes, 34 seconds
Нет, прописали мы уже после того, как их обучили.
1:11:38
1 hour, 11 minutes, 38 seconds
Нейросеть обучалась предсказывать слова в тексте. А обучили мы просто показав ей данные.
1:11:43
1 hour, 11 minutes, 43 seconds
Показа Показавш ей данные. То есть вот этот промт и вот эта вот инструкция в промте, это уже после обучения нейросети
1:11:49
1 hour, 11 minutes, 49 seconds
происходит. Это такой процесс ээ натягивания совы на глобус, потому что
1:11:56
1 hour, 11 minutes, 56 seconds
никаких твёрдых гарантий, что нейросеть будет следовать инструкциям, которые мы попросили её следовать, их, в общем-то,
1:12:03
1 hour, 12 minutes, 3 seconds
нету.
1:12:05
1 hour, 12 minutes, 5 seconds
Тогда какой способ вообще её каким-то образом проконтролировать? Ну, только экспериментом,
1:12:11
1 hour, 12 minutes, 11 seconds
только вручением как бы другой сопоставимой ней нейросети,
1:12:16
1 hour, 12 minutes, 16 seconds
что ли, чтобы они друг друга там как-то жрали. Это один из вариантов, да. А, ну практически все модели машины в обучения работают как чёрный ящик. Мы не знаем,
1:12:26
1 hour, 12 minutes, 26 seconds
почему они приходят к такому или тому или иному выводу, но мы знаем, что они должны делать, и мы можем это сравнить,
1:12:35
1 hour, 12 minutes, 35 seconds
что они делают на самом деле. То есть по результату ориентироваться,
1:12:38
1 hour, 12 minutes, 38 seconds
да? Ну, то есть опять посадить их в песочницу, и пусть они по песочнице что-то там напредсказывают. По результату предсказания мы скажем, это хорошо или нет, это идёт в правильную
1:12:46
1 hour, 12 minutes, 46 seconds
сторону или не в правильную. Как это изменить?
1:12:49
1 hour, 12 minutes, 49 seconds
Как бы понять, как они это, как они добились этого, мы не можем. Ну там миллиарды цифр, миллиарды весов. Это
1:12:57
1 hour, 12 minutes, 57 seconds
то же самое, что смотреть в мозг. Вот мы смотрим в мозг, там есть какие-то связи нейронов. Да, мы можем каждый отдельный нейрон померить, но мы не знаем при
1:13:06
1 hour, 13 minutes, 6 seconds
этом, что человек думает. Такие же проблемы и с нейросистями. То есть там есть некоторые попытки понять, какие
1:13:12
1 hour, 13 minutes, 12 seconds
нейроны, как за какие части отвечают, но там далеко неоднозначно. То есть каждый нейрон может в разной ситуации за разные отвечать.
1:13:20
1 hour, 13 minutes, 20 seconds
И нейросети аналогично. Да, господи, ну действительно же, по сути, мы построили нечто, чего мы не понимаем,
1:13:28
1 hour, 13 minutes, 28 seconds
да? Ну мы мы это строили задолго до чат GPT. Там примерно все нейросети так работают.
1:13:34
1 hour, 13 minutes, 34 seconds
То есть в целом это не не вчера произошло, а гораздо раньше, да?
1:13:41
1 hour, 13 minutes, 41 seconds
То есть это сама природа нейросети такова, да?
Chapter 46: Блиц!
1:13:45
1 hour, 13 minutes, 45 seconds
Ну что же, мы доползли до блица. Самое важное качество для фаундера. Железная задница, что-то такое. Ну, упорство по-простому,
1:13:53
1 hour, 13 minutes, 53 seconds
да. Нужно потратить много времени, прежде чем получится результат.
1:13:59
1 hour, 13 minutes, 59 seconds
То есть если так сказать недостаточно часов, то может и не Нет. Ну да, нужно слишком рано не
1:14:07
1 hour, 14 minutes, 7 seconds
сдаваться. Мне кажется, это все так отвечают. Нет. А что бывало, когда хотелось уже, конечно, например,
1:14:15
1 hour, 14 minutes, 15 seconds
много раз. Да. Да. Что в поиске важнее: вопрос или ответ? Вопрос.
1:14:23
1 hour, 14 minutes, 23 seconds
Качественно поставленный вопрос. 80% результата. Это вопрос.
1:14:26
1 hour, 14 minutes, 26 seconds
В какую из всех фантазийных вселенных ты хотел бы попасть? И почему? Да ни в какую. Не знаю. Ни в какую.
1:14:35
1 hour, 14 minutes, 35 seconds
Ани тебе не нравятся все со стороны приятнее смотреть.
1:14:38
1 hour, 14 minutes, 38 seconds
Если не IT-сфера, то есть ли что-то, чем ты хотел бы заниматься? Я бы хотел свою книгу написать. О чём? Сай-файную,
1:14:46
1 hour, 14 minutes, 46 seconds
ну то есть свою вселенную, да, есть, в которую я тоже не хотел бы попасть.
1:14:53
1 hour, 14 minutes, 53 seconds
Есть какая-то, ну, какие-то очертания этой вселенной? Не буду рассказывать, это не получится.
1:14:59
1 hour, 14 minutes, 59 seconds
Что за суеверие? Это на обещаю, а потом мне будут спрашивать, когда книга.
1:15:06
1 hour, 15 minutes, 6 seconds
Не, никогда. Но интересна мысль, ээ, как выглядят, какие очертания твоей вселенной.
1:15:12
1 hour, 15 minutes, 12 seconds
Ну, это всё ещё путешествие до скорости света. То есть
1:15:19
1 hour, 15 minutes, 19 seconds
мы не изобретём, скорее всего, варп двигатель. Это всё ещё солнечная система, но космические исследования в рамках солнечной системы.
1:15:28
1 hour, 15 minutes, 28 seconds
То есть всё-таки космические исследования есть у тебя там? Да. Мне Мне нравится. Да.
1:15:35
1 hour, 15 minutes, 35 seconds
А какую книгу ты бы советовал почитать каждому? А Орвела 1984 или Animal Farm тоже пойдёт.
1:15:45
1 hour, 15 minutes, 45 seconds
Если бы ты мог изменить одну вещь в людях или в мире, то какую? Я никакую бы не менял.
1:15:52
1 hour, 15 minutes, 52 seconds
Мне кажется, последствия изменения слишком значительны, чтобы брать на себя такую ответственность.