0: То, что у нас сейчас нам дал искусственный интеллект. У нас никогда не было такого количества инструментария для того, чтобы делать настолько разные вещи. У вас общая цель сделать классный банк. Если мы не идём в этот рынок, то через 2 года мы потеряем его долю.

1: Больше всего принесёт эффекта. Это самые частотные операции. Модель, которая изначально обучалась на китайском, потом была дообучен на русском. Она иногда странные русские слова использует. Мы можем сделать подлодку, но тяжело сделаем машину.

2: Расскажи мне вообще, как ты пришла в тему и как вообще так получилось, что это стало твоей профессией? Фактически я всю свою жизнь занимаюсь финансами. У меня образование, финансы и кредит. То есть ты закончила прям финансовый университет, да? Ну, у меня экономическая

3: Образование. Соответственно, дальше я двигалась, работала финансистом, экономистом, была начальником финотдела. В какой-то момент я бы хотела, прям мечтала быть финансовым директором и понимала, что мне не хватает Скилов, чтобы быть прям директором. Это надо должно быть, что т.

4: Такое махровое, там про управление махинации, все вот это красивое. И в какой-то момент решила пойти в Сбер, работать для того, чтобы посмотреть вообще. А как смотреть на разные компании, потому что когда ты работаешь в 1 компании, ты знаешь её от и до, ты знаешь каждого там человека, понимаешь, как эт

5: Работает, но как посмотреть снаружи, я решила, что интересный будет опыт, и меня это очень затянуло. Ты пошла туда финансистом Сбер, я пошла кредитным, кредитным инспектором. То есть, соответственно, в тот момент, когда я приходила, кредитные инспектора, это такие очень

6: Это те, кто выбивают деньги, тогда нет, это в куках, это такие совершенно легендарные люди, в которых особенно, наверное, в те годы, когда я работала. Сейчас, эти люди, с которыми команда была у нас очень крутая, она разошлась по всем.

7: Банком и занимает ключевые позиции. И это очень приятно, потому что у нас была очень крутая школа. То есть, ну, скажем так, был момент, когда не было понятия, как считать. И, например, у нас был зампред, который в своё время, например, защищал

8: Кандидатские о том, а каким образом считать экономику свинокомплексов, потому что её в России не существовало, потому что их не было, потому что вот привезли целиком технологию, ей начали адаптировать, и то есть в каком-то моменте ты должен быть настолько супер профессионалом, к тебе приходят и говорят, вот это

9: Компания, вот этот бенефициар, вам надо дать ей 3 миллиарда, и ты начинаешь, то есть фактически создавала модели, как выдавать деньги, кому и сколько, или вот оценка с рисками, что делал этот человек? Кредитный инспектор. Его основная задача, это как раз оценка кредитных рисков, да, соответственно, кредит.

10: Риски это что-то есть ты смотришь на компанию и может или не может она вернуть тебе деньги или кредит. В зависимости от того, какой вид кредитования бывает оборотное кредитование, бывает инвестиционное кредитование, бывает проектное финансирование, у тебя разные источники, вот оборотные. Если у тебя текущая компания любая работает, ты просто смотриш.

11: Обороты и смотришь, ну вот у них все хорошо, через год у них будет все также хорошо. Мы можем вернуть деньги, даём деньги, да, даём деньги. Когда история начинается про инвестиции или проектное финансирование. Это более сложная задача, например, в проектное финансирование. Самое сложное, всегда вот приходят люди, говоря,

12: Говорят, я хочу построить такой завод. Например, у меня была сделка по теплицам. Говорит, мы хотим взять технологию из голландии, мы целиком их привозим, будем их строить в Липецке, и как это оценивать? И ты начинаешь это крутить. Начинаешь это смотреть. Разбира.

13: Технологии, вплоть до того закапываешься. А какой свет должен быть в теплице для того, чтобы была такая урожайность, когда мы заходили, были какие-то очень простые системы и был больше эксель ворд. Угу. Потом появилась цифровизация, в которой мы постепенно начали свои процессы.

14: Переводить в процессинговые системы. И пришли ребята там с Москвы, которые делали новую процессинговую систему и попросили там как экспертом поделиться опытом. А как лучше, как там сделать вот здесь вот такое окошко, здесь должен быть такой шаг. На этом шаге мы делаем то-то, то, то, то, то мне стало это так интересн.

15: Это прям я видела, где они неоптимально это делают. Угу. Потому что они не очень понимают, как это работает. Они вот хотят прийти к людям, спросить, а как это устроено, и те дают им ответы, они такие, ну вот клиентский путь такой, значит, соответственно, мы так сделаем. Угу. Нонна.

16: На самом деле, правильный продукт это не про то, что клиентский путь такой, мы так сделаем, быть продактом. И вообще это провижн твоего продукта, когда ты понимаешь, а как должно быть сделано, потому что люди сейчас работают даже, как они привыкли, привыкли даже.

17: Если неудобно, и, ну да, это да. Ну, как бы сказали тебе вот все в симку вноси данные, вот ты будешь сидеть, вносить, да, и ты будешь так это вносить, не очень задумываясь. А почему тебе вообще сказали, а может быть это вообще лишний какой-то шаг. И, соответственно, я этим занималась, перескочила и стала

18: Мне прям продуктовое развитие, я в какой-то момент для себя решила. Ооо, я хочу быть не финансовым директором, а продуктом, стала аналитиком. И потом там выросла как аналитик в системах. И как раз получилось, что в тот момент появился искусственный интеллект мы начали делать

19: Продукт искусственного интеллекта в Сбере. Угу. И я была в 1 из команд, которая этим занималась. Мне прямо для меня было самое интересное. Ну, блин, ребята, это же магия. То есть мы закидываем в модель, что-то она нам выдаёт ответ, а почему она так выдаёт? А что мы должны закидывать, чтобы она будет? А почему мы учим?

20: Так или иначе, потому что на самом деле тоже 1 из самых главных проблем того, что люди, которые занимаются искусственным интеллектом, зачастую это математики, очень классные математики, но они знают свою систему. И когда они собирают эти продукты, они тоже не очень понимают.

21: А почему они должны работать так или иным образом и поэтому здесь стало тоже интересно. То есть я получается вот этот путь не знаю клиентского пользователя, ну фактически как внутренний клиент ты вот его проходила и вот этот vision тебе как ра,

22: Ну, помог делать правильные конструкции и вот давать какую-то добавочную стоимость к команде технологической, да, а потом получается, что ты можешь пересобирать не только продукты, а пересобрать процессы. По сути, у тебя чем выше и выше, ты можешь там, банк практически

23: Потому что ты видишь картинку целиком. А почему это очень сложная большая штука, которую можно разобрать, посмотреть с разных вещей и разобрать по разному, и пересобрать. И это же прям супер классно. И та история, то, что у нас сейчас нам далось

24: Искусственный интеллект. У нас никогда не было такого количества инструментария для того, чтобы делать настолько разные вещи. Ну потому что раньше у тебя либо там сиреэмка, либо у тебя процессинг. Вот тебе хардкод, опиши каждый шаг, если то или там

25: Например, поставь модель регрессии, она тебе должна предсказать какую-то вероятность наступления какого-то события, но то, что происходит у нас сейчас, мы можем придумывать, вот сразу перескочила придумать вообще перепридумать процесс, где у нас будут автономные

26: Сотрудники, ну это же, слушай, ну это да, вот давай, вот на самом деле вокруг искусственного интеллекта куча сейчас всякого, ну понятно, хайп офигенный, но когда мы начинаем касаться каких-то реальных внедрённых продуктов, особенно в больших корпорациях, это прям вот знаешь,

27: За семью печатями всегда история. Ну, почему? Потому что безопасность, да. Ну, представь, да, наверное, свои модели у нас яндекс, Сбер, это единственное, если мы говорим про Россию, ну да, ну а все остальные как-то должны их переиспользовать. Когда ты начинаешь их переиспользовать, ты должен создавать либо свою инфраструктуру, ну,

28: Либо облако, ну, понятно, да. Ну, либо ты отдаёшь все свои данные во вне, да, в разных форматах. А это, ну, офигенные риски, тем более, если мы касаемся, там, не знаю, финансовой, банковской сферы, там же вот все персданные, там, все это на уровне сесть можно.

29: Можно, да, да, да. Вот. Поэтому как вообще, если мы говорим про искусственный интеллект, как это вообще сейчас происходит в банковской сфере и насколько это вообще реальные кейсы, которые могут давать тебе какой-то бизнес эффект, ты прав везде, скажем.

30: Так, искусственный интеллект это игра в ограничения в зависимости от того, какая у тебя компания внутри, какая у тебя культура, у тебя бенефициары, акционеры, там корпоративная среда идёт или не идёт на разные риски банки. Действительно, это очень интересная история. С 1 стороны, техно

31: Логи в банке и финансовый сектор вообще в России очень передовой. Это ни для кого не секрет, что у нас супер классные приложения, супер удобные банки. Все в порядке с данными, потому что, знаешь, вот основная проблема все равно источником для искусственного интеллекта на всегда являются данные, да, банки, это там, где, по крайней мере, там все

32: Более менее чисто, потому что я из ритейла более менее. Ну, так я это, как это нет всегда предела совершенства, да, нет предела совершенства. Это, по крайней мере, тот рынок, где чётко, ну, структурированы данные, и вот с ними можно работать. Вот, поэтому здесь, ну, смотри, вот.

33: В банках есть какая история. С 1 стороны, действительно, у нас очень много данных, и они очень разные. С другой стороны, из за того, что банк является сам по себе очень большим институтом. И если, например, ты возьмёшь какой-нибудь, не знаю, давай так, простой пример хлебозавод. Угу. То там есть простая

34: Линия от и до. Как ты можешь проследить продукт от того, как у тебя приехало, как он не сырье, ты имеешь ввиду, да, сырье Муковоз? Ну да, то есть, соответственно, как приехала мука, где её замесили дальше получается у тебя выход продукции сколько-то испекли, выход, все.

35: Вы отвезли понятная история. Дальше у тебя идёт распределение. Ты печёшь хлеб, батон, но не важно, это тоже рецептура. А когда ты приходишь в банк, то ты, получается, того, что у тебя внутри есть 2 больших элемента. Есть внутренний банк, есть внешний, есть там деньги, он где привлекает, есть.

36: Деньги он выдаёт при всем. При этом есть ещё внутренняя прослойка. Внутренний банк называется, где друг другу вот это все передаётся. Угу. И у тебя настолько разные продукты между кредитами, депозитами и так далее, что исторически во всех банках по большей части развивалось так, что разные направления этих продуктов

37: Они создавали свою инфраструктуру под них, а то есть функциональные колодцы у вас тоже функциональные колодцы, они есть в любых банках, есть там, ну, это везде так абсолютно, потому что исторически там по разному бизнес развивался по разному. Команды приходили. И сказать, что я, наверное, 1

38: Супер монолитного банка не видела. Наверное, можно это сказать про тинькоффа. Ну, потому что он очень специализированный банк изначально был. То есть они, у него не было тих, да, офисов изначально, он же, да, не было офисов, они изначально шли только в рознице, изначально занимались монопродуктом, и получается, что они уже, во первых, банк

39: Заходили, когда это уже было довольно зрелое, уже были технологии, они, в принципе, как технологическая компания начинались прежде всего как финтех, а банки наши традиционные, то у них вот это вот очень большое легаси. И вот возвращаясь о том, что происходит в банках, можно, что нельзя. Действительно у нас есть

40: Капитал для того, чтобы играт в эту игру, в искуственный интеллект, потому что сейчас искусственный интеллект сервно это пока дорогая история, это и большая история про инфраструктуру, это история про сервера, про стоимости моделей и так далее. То есть это все очень недешёвая история, но хорошая новость, это становится дешевле за послед.

41: Несколько лет. Вот давайте вспомним сколько раньше стоили токены, сколько они стоят сейчас. Ну расскажи. А я, кстати, вот даже вот я не помню, но во много раз дешевле, во много раз дешевле. Я помню, когда начинался только gpt, то каждый запрос это какой-то дикие деньги были, то сейчас мы пришли

42: К тому, что у нас куча бесплатных. Оо, люблю за это дипси, там вообще ничего платить не надо. Вот, как бы, и у тебя все работает. Вот он, вот он, модели дипика. Давайте вот к дипси и получается, что вот у тебя есть больше все.

43: Да, развилка, когда ты говоришь про компанию, что у тебя есть культурные ограничения, у тебя есть ограничения с точки зрения инфраструктуры, то есть достаточно ли нет у тебя мощностей серверов для того, чтобы такие штуки делать, потому что на самом деле можно и свои модели учить, например, как

44: Даже тоже, что делает тинькофф. Простите, это банк. Соответственно, они берут китайские модели и их переучивают. Для этого нужно меньше мощностей, чем создать свою модель с нуля, но все равно нужны инфраструктуры и мощности. Плюс

45: Это команда плюс, это деньги. Плюс это время и плюс есть облака, но при этом у нас к облакам не очень хорошо относятся. И вот выходит, что у тебя в таких ограничениях, что по сути, для банка больше хорошо, когда у тебя все внутри, на инфраструктуре, на твоих серверах крутится, но при этом

46: В зависимости от того, какой ты банк и сколько ты готов на это тратить. Например, если ты тинькофф или альфа, то ты идёшь в эту игру, ты там создаёшь свои модели, доучиваешь модели, скажем так, переучиваешь, или как Сбер, ты создаёшь целиком свою модель для него. Сбер, это вообще

47: Ну да, моё огромное почтение, и Любовь к этой организации бесконечная, потому что там очень большое количество команд, классных, потрясающих людей, которые умеют делать очень классные вещи, и они уже, конечно, гораздо больше, чем банк, они институт

48: Бы сказала, не институт, что такое там финансовая организация в России и это классная история. Но возвращаемся от этой рекламной интеграции, за которую не заплатили. Да, пожалуйста, пожалуйста, заплатите мне за рекламную интеграцию Сбербанка. Вот возвращаемся, и ты начинаешь делать

49: Когда ты приходишь в банк, то давайте так. Есть очень много сейчас приходят, и я прям тебя заторможу. Смотри, ну для меня всегда основное это безопасность, да, вот ты говоришь про инструктуру, деньги, понятно, в банке есть деньги, но как договориться с

50: Запасниками о том, что ты можешь, ну, как бы, что-то брать. Ну вот, единственное, наверное, кажется, так как ты все формируешь во внутреннем контуре, то, наверное, вот эти вопросы все уходят, но, тем не менее, все равно ты берёшь какую-нибудь иностранную модель, которую ты должна у себя разместить. И дальше начинаешь

51: Играть вот как, как ты вот это вот все согласовываешь внутри. Ну получается, что так и согласуешь. То есть у тебя всегда есть ограничения и так или иначе, что и модели тоже разные, разные инструменты.

52: Ты приходишь, это же тоже люди. Это же не надо ждать, что это там очень страшный, большой человек. Это очень большой человек, но не очень страшный. Ты с ними начинаешь вести диалог. Смотрите, ребят, вот мы можем сделать вот так. Давайте мы сделаем

53: В отдельной подсети с вашими ограничениями. Давайте мы обсудим все ваши требования и сделаем на всех ваших требованиях ограничения пилоты. И дальше в это пойдём. В зависимости, конечно, там нет универсального, скажем так, 1 человека.

54: 1 способа принятия решения. Все зависит от людей, все зависит от команды, которая есть внутри. Но ты всегда можешь, это же люди, пойти с ними договориться и обсудить, потому что они делают свою работу, ты делаешь свою работу, вы всегда можете договориться, у вас общая цель сделать классный банк, и вы

55: Вот как-то на этой системе издержек и противовесов просто идёте, договариваетесь, пилоты ограниченный какой-то скоуп задач, ограниченные подсети ограниченная история с api куда можно ходить модели, куда нельзя ходить модели и вот так вот постепенно ты двигаешься, потому что и.

56: И они смотрят на том, как работают эти модели, соответственно, и убеждаются, что ничего страшного не случается. Угу. К сожалению, конечно, жалко. Хочется прям, как ты слышишь, каждый день читаешь новости, выпустили новую эту модель, эту модель. И тебе хочется сразу все это поставить. Ребята, давайте, м.

57: Все развернём, у нас все будет, но это правильная история, потому что мы банк, для нас самое главное, это устойчивость. Самое главное это сохранность денег наших клиентов. Соответственно, мы никаким образом в наших играх, в технологии

58: Не должны ставить это под сомнение. Поэтому здесь просто путь постепенного и контроля рисков. Для этого тебе нужны хорошие безопасники. Для этого нужны хорошие архитекторы, которые прекрасно знают, что они делают. Значит ли это, что условно, вот, ну, такие структуры финансовые, они развиваются медленно, чем

59: Например, какая-нибудь компания средней руки, которая нивелирует эти риски и идёт вперёд. Ну, к сожалению, да, к сожалению, мы не можем быстро так же бежать и Ровно потому что если у тебя есть, например, какой-нибудь 1 бенефициар, который говорит, да, мне все равно, я отдам это в облако, например, у меня есть

60: Прекрасный друг, который ведёт бизнес в Германии. Угу. И он говорит, я построил там себе систему, там на gpt, написал, как работают документы, говорю, ты же все свои документы в облако отдашь, мне все равно. И, конечно, это совершенно потрясающее, потому что он бенефициар, он несёт риски за свою компанию.

61: Он спокойно отдаёт это на облако, потому что он доверяет у нас, конечно, мы так сделать не можем, поэтому банки, да, строят свою инфраструктуру, громадные свои цоды, где они это все делают, но потому что, ну, такая у нас работа, ну, это как раз вот то, что говорила, условия ограниче.

62: Это условие ограничения, но при этом получается, что если мы идём в какие-то вещи, то мы в них идём основательно. То есть банк это не та, не та вещь, где ты сказал, ой, я сейчас быстро написал себе агентом, он займётся документами, а потом че то сломается. Я про это забуду. Нет, мы должны

63: Делать вещи, где осознанно идти к ним, что эта история, с 1 стороны, для, да, про эксперименты, про некий венчур, в зависимости от, ну, какая компания как смотрит. Но при том, что это все-таки бизнес у нас

64: Есть ресурсы, у нас есть команды и ограниченное количество денег, и поэтому, выбирая между инвестировать в то или иное направление, у тебя тоже всегда есть пирог, в котором ты принимаешь это решение. Ты говоришь о том, что все равно вот, ну, проекты искусственного интеллекта, они конкурируют с другим.

65: Проектами, которые есть в компании, да, и это всегда тема, ты не, ну наперёд не знаешь, к какому бизнес эффекту это может привести, как обосновать такого типа проекты внутри, чтобы в них инвестировали. К сожалению, здесь мы не можем сказать, что

66: Мы инвестируем огромное количество денег просто в разработку своей модели, чтобы она у нас была. Нет, это наш, это не наш бизнес, наш бизнес, это банковский бизнес. Соответственно, я опускаюсь до каждых отдельных подразделений, оцениваю каждый конкретный эффект и конкретные операции. Это эффективность, код.

67: Больше автоматизация какого-то процесса, да, где ты можешь, ну в течение какого-то времени, да, это, конечно, это, конечно, есть. У тебя же есть 3 разных подхода, как ты можешь классически сделать? У тебя есть история про оптимизацию оппиков, потому что, по сути, любая цифр

68: Импровизация или искусственный интеллект. Неважно, это автоматизация процессов. Соответственно, это деньги, люди и ресурсы. Угу. Это 1 история, 2 история про то, что у тебя ограниченная способность на пропуск операций. Угу. Масштабирование, масштабирование. Да, ты не можешь там

69: Выдавать 1000 кредитов, потому что у тебя физически больше нет людей, ты не можешь прорастать. Поэтому способ автоматизации это способ расширить свою воронку, освободив людей, чтобы они смогли обрадовать большее количество операций. И 3 история. Вот самое сложное, что если мы не

70: Идём в этот рынок, то через 2 года мы потеряем его долю и можно оценивать таким образом, потому что ты смотришь на конкурентов и смотришь, например, что твой конкурент выкатил продукт, которым в ядре искусственный интеллект, и у него за счёт этого произошёл рост.

71: Или ты понимаешь, что он туда? И вот ты тоже должен понимать, что если там ты тоже не пойдёшь в улучшение клиентского опыта, прежде всего в персонализацию, то через 2 года твоего продукта может и не быть в том объёме. Угу. Потому что рынок меняется. И поэтому здесь, как и воля 1,

72: Очень важна, но также, так как мы все-таки банк, мы финансовая организация, то у нас очень важна оценка каждого эффекта. У нас прям довольно серьёзно к этому подходят. И я действительно до каждой операции, до каждого человека это раскапываю, показываю, где это будет работать, какие принесёт.

73: Эффекта, но мне, видишь, как в этом проще. Я вот что я говорю, я очень хорошо понимаю, как работает банк и что, в действительности ли делают люди на земле. То есть вот знание вот этих процессов, оно как раз обеспечивает, что ты можешь, да, чётко ответить в деталях на вопрос, да, и более того, я могу, скажи скорее, даже, даже, может быть,

74: Не пойти и не спросив конкретно, что они сейчас делают, я понимаю, что как можно сделать их работу гораздо лучше, как им можно помочь, потому что искусственный интеллект вот в чем класс вот этой ситуации, которая у нас сейчас появилась, это не только про автоматизацию

75: Это про возможность расширения вообще экспертизы знаний. Ты можешь на основании купата сделать из своего эксперта среднего супер классного эксперта, просто дав ему аналитические инструменты, какой-то анализ, позволив делать ему автоматически освободив его там.

76: Время, голову, рутину, чтобы он решал более сложные задачи. И это тоже супер классная идея про то, как ты прокачиваешь свою команду, потому что ты их из специалистов всех превращаешь в экспертов своих областей. Это хорошая история и

77: Нам на самом деле очень сильно повезло как с бизнесом, так с it. И у нас. У нас же дело вообще специфика большая, что мы институт развития по большей части. Угу. Именно если мы говорим про дом рф и мы здесь влияем на отрасль, а отрасль прежде

78: Всего строители, они такие довольно передовые ребята. Мы посмотрим, что он с крупнейших компаний вообще наша экономика, да, зачем, куда далеко уходить. Москва, да, да, это пики, брусники, самолёты, которые очень такие ребята очень технологичные, те же фск, и они всегда

79: Вот в эту отрасль, и мы не имеем права не соответствовать. Слушай, а вот смотри, вот когда ты, ну, начинала вот эти проекты в доме, да, вот, ну, в любой, вот, например, там, ну, наверняка все об этом только слышали, но пока никто ничего не делал, да, вот.

80: Если кто-то решает сейчас начать вообще вот работать с ишкой, с чего начать? Вот, не знаю, есть у тебя какая-то насмотренность, вот какой процесс, ты понимаешь, блин, вот если его взять в финансовой либо банковской сфере, блин, точно выстрелит беспроигрышный вариант больше всего принесёт эффект.

81: Это самые частотные операции. Угу. С точки зрения банков. Почему все банки в основном сначала пошли колл центры, обработка звонков, обработка обращений, потому что там 1000 запросов, там, где у тебя, то есть 1000 запросов и даже маленький эффект тебе приносит большой эффект. Н.

82: Масштабирование. Угу. Соответственно, если мы говорим про розницу, понятная история, что здесь автовыдача продуктов. Угу. Ну, то есть, это уже не ноу хау, что там под капотом, ты не всегда понимаешь искусственный интеллект. Ну, конечно, давай так, и процессинг, и искусственный.

83: Ну, то есть, там скоринговые модели, которые оценивают, там, скорее всего, да, несколько будет. Этих нет, конечно, там много, там много сервисов под капотом всегда много. Это не что-то 1 такое. Угу. Монолитное. И это огромная большая история про архитектуру. Дальше есть история про, если мы говорим про корпоратов, то там

84: Как раз тоже у нас есть большие частоты вещи. Например, это выдача. Угу. Соответственно, выдача кредитов или что? Какая выдача, да? Ну, смотри, как, как это работает. Скажу банковскую историю. Давай приходит клиент, и ты с ним подписываешь кредитный договор у нас

85: Всегда есть в России история про то, что договор целевой. Неважно. У тебя там будет написано финансирование строительства. Угу. На цели, финансирование оборотного капитала, и там будет специализация на тмц, оплата труда, налоги на

86: Так далее. Угу. Всегда кредит это целевая вещь. У него 1 из главных его, наверное, качеств, что у тебя есть цель, срок, процентная ставка и возвратность. Угу. Соответственно, цель тебе.

87: Нужно контролировать. Угу. Все, что проходит через целевку, банк должен контролировать, так или иначе, в разных банках по разному это устроено. Сейчас это делают люди, да. Угу. Ну, потому что мы отвечаем перед цб, потому что, вот представь ты ему нарушение закона, все там сразу этоне.

88: Здесь есть другая история. В банках у нас есть понятие резерв. Соответственно, мы оцениваем дефолт заёмщика. Его вероятность сейчас просто сейчас немного упрощу, но, соответственно, мы начисляем резерв от нашего ожидания будет дефолт.

89: Или не будет дефолт. И это нормативная история со стороны цб. Таким образом обеспечивается банковская устойчивость, потому что если ты выдаёшь плохой кредит, то ты какую-то часть его сразу резервируешь, потом не можешь это обеспечить. Что если да, что если даже там кредит не вернётся, то ты уже как бы в убытки это себя

90: Принял. Сейчас упрощённая история, и тебя банк выставит. Нет такого, что ты все, всем, всем, всем, всем раздал кредиты и

91: Получил историю, что у тебя в 1 момент портфель навернулся, а у тебя там нету источников, чтобы вернуть деньги вкладчикам, да, поэтому это всегда история про баланс. Соответственно, когда у тебя кредит целевой, ты должен проверять о том, что там, например, на строительство, вот самое простое, вот

92: Возвращаемся. Почему дом рф. Очень важная история произошла в России, когда ввели счета эскроу. Раньше же была история про котловое финансирование. Это про то, что есть дольщики, вот строится дом. Угу. Приходит заёмщик за кредитом и

93: Бывало, что у него же несколько есть проектов, и зачастую они деньги с 1 проекта переводили в дыры, другого показывали. Да, да. Вот эта вот начиналась история. И получается о том, что из за того, что деньги уплывали на другой проект, а потом выясняется дыра и нечем достраивать. А люди

94: Продали квартиры и деньги им не возвращаются. И почему был очень важная история по 214 федеральный закон о том, что появился эскроу, возможность это регулировать, что поэтому все, по сути, стройки стали по большей части кредитными. Угу. Но из за этого мы очень чётко контроли

95: Каждое расходование средств. Мы смотрим каждую счёт, фактуру, каждую кс, мы проверяем каждый счёт, который к нам заходит, мы целиком смотрим все риски. Получается, огромное количество документов, которые, ну, условно, раньше, или там люди вручную разбирали, да?

96: То есть у тебя, по сути, проверка любой первички, то есть что такое первичка, у тебя есть договор, на основании которого ты платишь дальше. Под него у тебя будет закрывающий документ, может быть счёт на оплату, если у тебя авансы, но дальше у тебя будет в любом случае закрывающий документ. Это акты выполненных работ, если мы говорим про услуги.

97: Это счёт фактуры или это, н, если это там была история про поставки товаров. Угу. Но в любом случае банк всегда предоставляются эти документы. Неважно. Даже если мы не про стройку смотрим, у нас огромное количество в стране кредитов субсидируемых идёт. Соответственно, они тоже целевые.

98: Например, если ты даёшь деньги, ну, допустим, молокозаводу. Угу. То там из за того, что этот кредит субсидируется, но они имеют право тратить только на супер конкретные вещи, которые прописаны в постановлении правительства, то мы каждый счёт этот будем проверять вплоть до того,

99: А является ли он целевым? Потому что для нас это риск. Если мы не контролируем, на что мы деньги выдаём, мы обязаны начислять большие резервы. А для нас это просто, это, этом наш, это как раз получается история условно высокой транзакционности. И вот здесь как раз искусственный интеллект супер работает, да, и он super

100: Работает Ровно вот этой истории, потому что у тебя здесь много людей, у тебя здесь очень частотный процесс, это 1000 операций. То есть, правильно я слышу. Смотри, 1 система, значит это все, что касается колл центров, да, и обслуживания, да, вот точно это тот процесс, который стоит покопать и там автоматизировать. 2, это все

101: Связано с, не знаю, с документооборотом, да, вот, вот с этим, да. Ну, давай 3, че-нибудь такое вот, где ты видишь, прям, может, вот, не знаю, вот, знаешь, у меня тоже вот эта история, с чем я сталкивался, это вот помощник человека назову, да, ка.

102: Copilot, которые, да, могут твою квалификацию, ну, резко повысить, но у меня это в основном идёт в продажах. Тема. То есть я вот там эту тему качаю, но там сталкиваешься, знаешь с чем, с сопротивлением людей, ты ему даёшь этого Копайло, та, он, блин, а он не хочет его обучать, либо

103: Пользовать это прям вот, да, да, это танцы с бубном. Смотри, ты же насаждаешь людям копай. Ты не потому, что ты считаешь их плохими, ты хочешь им помочь, и у них есть очень много задач, в которые теряют время, их не видно.

104: С точки зрения большого полёта мысли, там в методологии никто не напишет, что человек потратил время на то, чтобы найти какой-то документ, например, или найти какой-то норматив, но мы действительно тратим время на то, чтобы найти какой-то документ или какой-то норматив, потому что у нас такое количество информации, которую мы должн.

105: Перерабатывать и учитывать в своей работе, что это невозможно в 1 месте складировать. Это все логично. Соответственно, давая возможность сотруднику здесь быстрее находить то, что ему надо, ты даёшь ему эффект и

106: Соответственно, он будет этим пользоваться Ровно потому, что ты упростил его работу. Угу. Это 1 история. 2 история идёт на запрос, например, то, что, зачем я вижу. Большой, наверное, какой-то будет хороший эффект. Это

107: Анализ. Соответственно, наши новые модели последнего поколения, они уже экспертные. Угу. Ну, есть, конечно, маленькие модельки, которые не являются экспертными. Но в чем, почему? Что это значит? В общем, есть история про дипси. И, собственно, наверное, это самый такой

108: Распространённая, потому что изначально модель обучали как эксперта на экспертизе. То есть изначально первые модельки просто учили, чтобы они как-то отвечали просто про общие знания, а потом у них начали их обучать конкретно в области там, юридической, в области.

109: Математической физики, чтобы они решали задачи определённого класса. Угу. То есть, соответственно, когда модель изначально в датасете составлена для обучения с использованием прежде всего, экспертных знаний, то она довольно сильная в этом. Угу. Не может 1 модель все решить. Почему? Расскажи.

110: Потому что они по разному, если, наоборот, знаешь, как стали такими все экспертными. И мы понимаем, что между ними разница небольшая, то, по мне вот как раз это, с точки зрения пользовательского опыта прикольно иметь. Вот как ты говоришь, общее окно, 1 модель, и она тебе как бы вот здесь про юриста поговорила, здесь, не знаю, спланировала мне какое-нибудь путешествие, а здес

111: Не знаю настроил какой-нибудь датасет, который там определил приоритет ну смотри когда ты приходишь как пользователь действительно для тебя уже нету никакой особой разницы просто привычка кто-то пользуется gpt кто-то гигой, кто-то поль.

112: Там привык к deep сику, потому что, ну хотя бы, чем, чем хорош дипси, он ставится на телефон. Угу. Ну вот без випиэна слушает. Да, да, да, да. Вот эта история. И то есть здесь, это в твоей жизни, это удобная история. А когда ты приходишь все-таки в промышленную разработку и

113: Когда мы говорим про промышленную среду, архитектурную среду и особенно банков, то это не игра. Что у тебя может быть случайность, если тебе модель в твоей реальной жизни дала там не очень хороший ответ. Но тебе с этим все равно. А когда ты её встраиваешь для

114: Решение какого-то рода задач, то у тебя должно быть очень хорошее качество для конкретной задачи. И вот здесь различия, модели, даже небольшие, могут для разных задач показывать разную эффективность. Плюс учитывая на то, что-то, что как ты используешь модель, это не тоже самое как используемое

115: Модель, мы, мы используем модель, когда мы заходим в историю с агентами. То, что пользователь сам может не видеть. А это, например, способность следовать инструкциям. Угу. Это совершенно другая история, которая для пользователя не видна. Или 2 история про чтение тех,

116: Документов. Модель, которая изначально обучалась на китайском, потом была дообучен на русском. Вы, если замечали, она иногда странные русские слова использует, когда тебе для как для пользователя простого, тебе все равно, когда она употребила синоним, но когда

117: Я читаю юридический документ. Для меня это боль. Может быть, особенно, когда она перейдёт у тебя в рассуждениях на китайский язык. Ты же не можешь выдать твоему клиенту модель, которая ему случайно ответит на китайском языке. Для тебя это неприемлемый риск вообще. Угу. Поэтому в данном

118: Случае для разного класса задач ты можешь использовать разные модели, и это правильно как вот смотри, вот есть ещё 1 как бы такая проблема, она очень устоявшаяся на самом деле, если мы берём сейчас вот эту область искусственного интеллекта, он развивается безумными темпами и 1 из ключевых проблем

119: В том, что вот это вот внешнее развитие, оно опережает вот наше внедрение, да, и вот особенно, когда ты начинаешь работать в замкнутом контуре, когда все там на своей инфраструктуре развернула и так далее развиваешь там с учётом тех,

120: Процессов, которые есть, ну, в больших корпорациях, то получается, что пока ты тут внутри все развиваешь, там все это убежало далеко вперёд, и у тебя возникает опять момент, тебе надо либо как-то, знаешь, это обновляться, либо как-то уже вот по новому к этому подходить. Вот не знаю, как ты вообще вот

121: К этому переотнесен я для того, чтобы вот соответствовать, чтобы вот как раз показать вот этот бизнес эффект внутри, а не так, что вот, ну, во вне плохо сплю, каждый раз каждый раз плохо сплю, потому что мне ночами снится.

122: Архитектуры и у меня постоянно в голове. Мне кажется, вот это вот работает о том, как вот это все, что нужно соединить. Да, здесь возникает такая проблема. И более того, здесь возникает проблема такая с супер сорсом, потому что считается о том, а давайте мы скачаем дипси, его развернём и он у нас все решит. Ага, нет, ребят.

123: Это сюрприз. Так не бывает. Во первых, не бывает волшебства. Бывает, конечно, магия о том, как работают модели, но не бывает, про что говорят серебряные пули, не может быть 1 модели, которая решает все задачи. Не может быть 1 модель целиком универсальной.

124: Для специализированных задач. И 3 история, что если ты играешь в опенсорс, у тебя никакого нет гарантии, что когда они обновятся, у тебя к чертям все не слетит. Угу. Поэтому, когда ты, например, заходишь, идёшь в Сбер или в яндекс, то ты получаешь

125: В качестве такого спокойного сна, обновления этой модели. Угу. То есть, то есть они берут на себя риски, что если че то у них обновится, ну, в базе, то у тебя это не слетит, потом на твоём контуре, скорее. Так, если ты идёшь с ребятами в партнёрство,

126: Там super классные команды везде. Угу. То они, во первых, когда обновляются, они предупреждают об этом и готовы потестировать. Если что тебе откатит, потому что у тебя на старом уже так все работало. Во вторых, когда ты подписываешь этот договор, то по этому договору тебе будет

127: Обновление. Угу. И, то есть, соответственно, ты, по сути, просто как бы докатываешь эту модель. В случае, если у тебя касается дипики, разные версии и так далее, то тебе нужно держать команду, которые будут у тебя заниматься внедрением этих моделей, их кастомизацией. Это же не что-то новое.

128: Это много, много лет о том, сколько было вещей, которые скачивались. Огромные команды, которые занимались внутренними адаптациями. У нас, слава Богу, прошло импортозамещение довольно хорошо, потому что у нас большое количество времени, куча команд занимались тем, что адаптировали опенсорсные решения под

129: Нашу среду, потому что они зачастую сырые, их надо прям там молоточком добивать. И здесь история с моделью, она не поменялась в этом плане. То есть нет такого, что ты нажал инсталляцию, и у тебя прям вау полетело. Нет, есть история про очереди, есть история про логирование, есть куча, куча всего.

130: Которые пользователь не видит, а для нас это очень важно. Поэтому ты выбираешь, какую модель ты используешь. Ты смотришь, каким образом она будет обновляться. Ты выстраиваешь такую инфраструктуру, которая тебе позволит гибко, если что поменят.

131: Вот почему, в том числе, я для себя не определяю, что все должно быть завязано только на 1 модели или только что это какой-то цельный, прям какой-то монолит. Это же не монолит, это должны быть микросервисы. Соответственно, ты распределяешь эти риски за счёт того, что у теб

132: Какие-то сервисы, они же работают, да, если че то выпало, все равно непрерывность обеспечивал, да, конечноэто же, во первых, банка, во вторых, да, любая организация, во вторых, ну, стройте свои системы, так что у тебя, по сути, как ты 1 проводочек вытащил, вставил в другое место, и у тебя все равно все работает. Ну, то есть

133: У тебя есть, блин, ну это дорого, понимаешь, вот где-то это был монолит, ну и там 1, а где-то распределённый монолит. Но когда мы начали переходить вот к микросервисам, к архитектуре, которая распылена, кучу продуктов, которые должен поддерживать у тебя косты сразу хоп, потому что 1 поддерживать монолит, другое поддержива.

134: Вот эту всю микросервис для тебя очень хорошая новость. Современные купайл от разработчиков работает так круто, что 20, 30% эффекта очень. То есть можно сокращать, конечно, стоимость ребят, это просто, это нереальная штука, это прекрасный

135: История, потому что это не про сокращение Костов, это про улучшение качества кода, а вот это проверять, да, именно, да, они у тебя же в действительности даже, даже базовые, смотрите, модели даже не просто купают разработчиков, даже ба.

136: Сейчас модели, какие-то вещи для кода пишут. Угу. То есть можно даже разработчики могут использовать простые модели, писать, они им куски кода пишут. И таким образом, у тебя же это главное заблуждение, скажем так, любого руководителя, что его команда

137: Это наборы специалистов уровня senior супер классного качества нет, наша команда состоит из очень разношёрстных людей с разным опытом у нас есть джуны, у нас есть меды, разный опыт по разному практику кто где как учился, и следить за этим качеством кода не всегда очен.

138: Удобно. В данном случае у тебя выравнивается качество, потому что так или иначе у тебя начинает проверяться все это. Плюс получается, что сам эксперт, используя этот помощник, может работать гораздо быстрее и гораздо лучше, не

139: Понравилась история, которая говорит альфа. Они сказали, что мы для себя больше не рассматриваем разработчиков, которые не используют купают, потому что со временем это не только альфа. Кстати, говорит, что со временем будут не такие эффективные, как другие сотрудники, наш

140: Вообще, даже уходя, даже от простой профессии, огромная задача для каждого эксперта научиться использовать искусственный интеллект в своём, в своей работе так, чтобы стать эффективнее, потому что если мы это не научимся, это как наш новый скилл, мы же когда-то научили пользоваться телефоно.

141: Вспомните, все помнят, как они ходили с кнопочным, и там ничего не было. И в лучшем случае смски писались. Сейчас это наш помощник, организатор, контроль всего и вся бесконечная коммуникация. Здесь тоже самое. Это твой инструмент повышения твоей лично.

142: Эффективности. Каким образом ты гибко научишься пользовать этот инструмент, чтобы использовать для себя? Это же не про то, что кто-то говорит, только используй и только так. Нет. Просто есть риск того, что если ты не научишься быть более эффективным, использовать это себе во благо, то у тебя

143: Заменят люди, которые будут более эффективны. Слушай, а как вот, не знаю, вот ты работаешь с, знаешь, вот всегда основная проблема любых изменений, это внедрение, да, во внедрении, это всегда люди. А, ну, меняться, самому то меняться больно. А когда ты меняешь вообще компа,

144: Вот, мы тоже затрагивали тему трансформации, это ещё больнее. Здесь вообще такая тема, которая, с 1 стороны, хайповая, с другой стороны, опасная, потому что, ну, все равно это постепенно, ну точно, да, будет вымывать какие-то профессии какие-то.

145: Даже отрасль, мне кажется, да, с точки зрения, ну, внедрений услуг, как вот, не знаю, ты внутри своих команд прививаешь вот эту, знаешь, небоязнь такую, знаешь, прививку на то, чтобы вот не бояться использовать.

146: Искусственный интеллект, что это обучение личный пример, вот как, как ты вот это вот внедряешь или вот все равно это все через знаешь, боль как это и так далее как и есть классный набор стикеров. Боль это тоже удовольствие.

147: Твой путь, да, мой путь по разному. Разные команды разные люди по разному. Кто-то есть люди, которые с удовольствием используют и говорят, давай мы сделаем эту крутую штуку. Давай мы ещё сделаем и так далее, и так далее действии.

148: Классно работает свой пример. Я занимаюсь корпоратами. Соответственно, когда мы приходили и говорили, мы хотим это сделать такие. Да ладно, ребята, у вас не получится, ну зачем и так далее. А когда мы показываем личным примером, что да, гляньте, у нас получилось, это работает все такие, о, мы тоже хоти.

149: И это тяжело быть 1. Конечно, это всегда такая история, это всегда должно быть какое-то такое внутреннее желание идти туда, куда не идти, потому что это страх провала. Конечно, страшно провалиться, всем страшно провалиться, но главный же принцип.

150: Там слабоумие и отвага. Это вот мой главный, мой главный принцип по жизни, да, и получается, что здесь нужно действительно рисковать. Здесь нужно действительно рисковать, идти, делать, показывать личным примером и

151: И при этом не бояться приходить к людям, которые говорят, для меня это, мне это не нравится, не подходит сказать, давай я тебе покажу, как тебе это может помочь. Ты проводишь мой опыт показывает с человеком там 10, 15, 20 минут. Он такой, ооо. Угу. А я так не

152: Думал делать, конечно, есть вещи, когда ты можешь централизованно вот так вот насадить и поменять процесс, и у них не будет выбора, скажем так, процесс поменяется. Это наша реальность. Мы работаем в бизнесе, мы работаем в очень сильной конку.

153: Конкурентном бизнесе. Давайте так, банковская сфера в России это очень сильный конкурентный бизнес. Здесь очень сильно. И банки цифровые реально, да, банки у нас потрясающе цифровые. Вы же знаете, когда приезжаете, все в европу, начинают все выйти. Ой, почему здесь так все не современно, потому что они как бы не сильно парятся, в отличие от нас.

154: У нас всегда это было, у нас очень большое количество специалистов, у нас очень высокое качество человеческого капитала, у нас очень сильные математики и Ровно поэтому, ну, сейчас мы пойдём в сферы. Ну, давайте так, есть история про культурный код.

155: Это вот про то, что культурные коды в экономике большая тема, не буду на неё зала, знаешь, у меня другая позиция. Делали исследование, знаешь, какое, что степень проникновения, цифровизации цифровых инструментов зависит от доверия между людьми. И вот, например, в России очень высокая степень цифрови.

156: Потому что низкая степень доверия между людьми. Знаешь, с какой странной нас сравнивают периодически, ну, Бразилия, потому что это схоже с точки зрения экономики. И там тоже очень высокая степень цифровизации, поэтому, знаешь, с точки зрения социологии, ну, люди предпочитают общаться.

157: С технологиями. Ну вот назову с интерфейсами, чем с людьми, когда решают какую-то бизнес задачку. Правильно? Потому что у тебя в данном случае, если у тебя цифровая платформа, то для неё определённые правила, в которой алгоритм

158: Уже не будет тебя обманывать, тебя не кинут, тебя не кинут. Платформа, это огромные институции. Угу. И вот, например, то, что Госуслуги это совершенно потрясающий пример того, каким образом через цифровизацию можно упорядочить очень большую сложную сферу, мне кажется, прям

159: Это, наверное, ну, там, да, порубили дизрапт такая, там, мне кажется, прям многих, многие уровни прям, да, очистили. Прекрасный совершенно инструмент. В России есть такая специфика, с 1 стороны, есть история про вот эту некую патриархальность, да.

160: Но на самом деле, про низкой действительно ты прав. Доверие к друг другу. Но, с другой стороны, очень большое качество человеческого капитала, который способен очень быстро адаптироваться. Угу. Вот. Есть история, что мы можем сделать подлодку, но тяжело сделать

161: Машину, потому что машина это история про то, что идеалисты это да, да, да, да, да. Это про то, что у нас, нам тяжело следовать инструкциям. Это вот как там есть что народы, которые изначально выращивали рис, потому что это большо

162: Совместный труд, который требует большого количества коопераций и ручных операций маленьких, они более дисциплинированны. Почему там там японцы и китайцы, у них получается конвейер, а у нас нет, а вот у нас могут сделать подлодку, но она не будет серийная, она всегда будет какой-то единичный экземпляр.

163: Выживаемость и адаптивность. Это наша, это сильная история, это очень сильная, во первых, история. Во вторых, очень хорошие институции, скажем так, и образование людей, которые всю жизнь учатся. Угу. Это тоже классная история. И люди

164: Постоянно себя как-то прокачивают, идут куда-то в какие-то более новые обрати. Ну мне кажется просто это адаптируется вот тоже самое то, что там происходит в банке, да, есть страх о том, что вот, ну как же от нас избавиться от этого? Нет, ребят, мы не избавимся от вас. Это для нас, вы для нас

165: Нас огромный ресурс. Угу. Для того, чтобы вырасти наш бизнес. То есть, если я их освобождаю от каких-то очень там рутинных операций, то это не значит, что они не нужны. Это значит, что я хочу вырастить другие продукты, вывести другие продукты другого.

166: Уровня продукта на рынок более клиентоориентированный, подойти, уделить большее количество времени для каждого из клиентов, сделать большую персонализацию. И наконец то искусственный интеллект позволяет мне это сделать, потому что у меня человек освобождается от какой-то вот этой вот безумной

167: Операции, когда у тебя мозг кипит, сам прекрасно понимаем. У нас там мессенджеры разрываются, звонит телефон, приходит почта и так далее. Ты просто в постоянном вот этом идея движет миром. Давай так вот за финальным прям вопросом. Вот человек хочет как раз меняться, да, и хочет вот

168: Понять вообще, что искусственный и с чего ему начать, не знаю, есть какие-то курсы, книги, как вот эти сообщества, может, куда, вот не знаю, как ты вот начинала вот это все дело вытягивать все вместе. Курсы, книги, сообщества. Это ощущение, что ты, если начинаешь погружаться в эту среду у нас

169: Давайте так. Есть прекрасная тележенка, в которой у тебя есть безумное количество каких-то каналов, которые пишут с разной степенью погружения на те темы, которые тебе интересны. И сейчас нету никакой недостатка в какой-то информации. Её, более того, настолько

170: Много что очень тяжело, сложно, знаешь, че отобрать? Именно что-то, что у тебя релевантно, что релевантное, что действительно, ну вот как-то правда, что вот имеет прикладное значение. Ну, я для себя выбрала такой путь. Я читаю, конечно, каналы, но я

171: Я люблю конференции, и это действительно реальные кейсы, они честно выходят, рассказывают, вот эта вещь работает, вот это не работает. И таким образом, ты вот этот большой хайп, который происходит вот здесь, вот там, маск это сделал, gpt это сделал, сводишь к тому, что, а действительно, что люди чего достигли, это 1 история, это хоро.

172: Хорошая история про валидацию. 2 история очень просто. Вот если вы зайдёте даже в новые сети, которые там есть же не только теперь, раньше, у нас была просто генерация. Угу. Потом у нас появилась хорошая генерация с суммаризация и анализом. Теперь у нас есть классная

173: Функция провести исследование. Угу. Попробуйте это в своей работе прокачивать таким образом. Вот очень просто. Недавно, сейчас опять возвращается интеграция в Сбербанк России. Ребятам тогда при. Хорошо

174: Тоже самое perplexity вот да, плексит да, отлично у яндекс нейропозин попробуйте писать в промты, не просто поговорить о погоде, а то что касается вашей работы, чего вам не хватает, и функция провести исследование.

175: Мне зачастую поставленный вопрос, позволите собрать уже за тебя соберёт огромный помощник, например, последние тенденции, что происходило, что важно, на что обратить внимание. Это супер инструмент, то есть вести с ним диалог, задавать ему вопросы, которые

176: Помогают тебе развиваться чисто профессионально. Это способ собрать эту экспертизу, например, мне было интересно посмотреть, что пишут про банк. Угу. И я завожу это в сеть. Проведи исследование.

177: Эта тема, что пишут пользователи про мои продукты? Такие-то такие, то. Ты пишешь 2 минуты, и тебе выдаётся 5 минут, и тебе выдаётся такой-то. Пользователь заметил такое, сказал, что это не работает. Вот ссылка тебе на это место. Господи, ребят.

178: Мы никогда такого не могли, мы должны были до этого читать форму, опросить и так далее. Эта штука уже сможет собрать и мнение, и построить по ним аналитику, и распределить на положительные отрицательные отзывы. И более того, она даст уже рекомендацию, как тебе улучшить. Вы таким образом можете смотреть

179: Отклики на ваши продукты. То есть вот анализ рынка, анализ конкурент среды. Ну, на самом деле, видишь, че получается, что будущее, оно уже здесь. Спасибо тебе вообще огромное за этот диалог. Мне кажется, мы прям так обошлись со всех сторон и с личной стороны посмотрели и посмотрели с точки зрения бизнеса, и с точки

180: Точки зрения вот того, что под капотом. Поэтому, мне кажется, очень получилось живенько. Я прям хочу, знаешь, что добавить? У тебя был вопрос про книжки, фильмы, да, вот про что. И вот книжки, фильмы. Я для себя поняла, что в детстве я помню, меня больше всего впечатлил.

181: Это стартрек, оригинальный стартрек. То есть до сих пор актуален, да? Ну и это совершенно потрясающая история. Я помню, у меня была такая мечта, когда выходишь и говоришь, компьютер, проанализируй мне, и я недавно для себя ужасно поняла, но мы уже в этом будущем

182: То есть ты можешь сказать, стоять посреди комнаты, сказать Алиса, проанализируй мне, и она уже не просто скажет про погоду, она уже тебя