Максим Цыганков — продакт-менеджер с глубоким техническим бэкграундом и многолетним опытом работы в сфере AI. Он стоял у истоков таких решений, как SpeechKit и Vision в Яндекс.Облаке, а позже запустил собственный стартап DreamPics, который без инвестиций привлёк более 300 тысяч пользователей. Мы поговорили с ним о том, как правильно запускать AI-продукты, какие сложности скрываются под капотом, и в чём специфика взаимодействия AI-команд с бизнесом.
Максим, многие компании хотят «добавить AI» в свой продукт, но далеко не все понимают, с чего начать. Как, на ваш взгляд, должен выглядеть правильный запуск AI-продукта?
Я бы сказал, что всё начинается с бизнес-проблемы. AI — это всего лишь инструмент. Чтобы продукт был успешным, он должен решать конкретную задачу: снижать издержки, ускорять процессы или создавать новый пользовательский опыт. Сам факт использования машинного обучения ничего не гарантирует — важно, чтобы это было обосновано экономически и технологически.
Создавая DreamPics — это сервис генерации персонализированных аватаров, — я не начинал с идеи «сделать что-нибудь с нейросетями». Я знал, что у людей есть интерес к персонализированному контенту, особенно на фоне взлёта генеративных моделей. Но ключевой момент был в том, чтобы предложить лучшее качество на рынке и при этом удержать стоимость на минимальном уровне.
Какие основные сложности возникают на этапе запуска AI-продукта?
В AI-продуктах сложность часто скрыта не в модели, а в инфраструктуре. Подготовка и валидация данных, масштабирование inference-пайплайна, оптимизация стоимости ресурсов, обеспечение приватности — всё это требует инженерной зрелости и системного подхода.
При запуске SpeechKit в Яндексе мы много времени тратили на обеспечение качества и отказоустойчивости модели в проде. В DreamPics, несмотря на то что фронт был простым — всего лишь Telegram-бот, — в бэке работала сложная система оркестрации облачными ресурсами и
Ещё одна сложность — это пользовательский опыт. В генеративных продуктах важно не только качество модели, но и то, как пользователь воспринимает результат. В DreamPics мы даже встроили внутреннюю систему оценки — чтобы понимать, какие обновления дают реальный прирост по UX.
В итоге процесс обновления моделей у нас начинался с выбора гипотезы: например, добавить в конце пайплайна небольшую сетку, которая исправляет глаза и взгляд на итоговых аватарках пользователей, делая их более реалистичными (на эту тему у нас было много фидбеков от пользователей). Сперва мы сами прогоняем сетку на тестовом датасете и оцениваем результаты «глазами». Если результат нам подходит — раскатываем в проде и смотрим на нашу метрику оценок от пользователей. Если все ок, и метрика растет — все хорошо, если нет — откатываем назад. Именно в этом примере метрика качества просела, и мы не стали использовать нейросеть по исправлению взгляда, а перешли на другие гипотезы.
Сейчас часто говорят о сложностях взаимодействия команды AI с остальной организацией. В чём здесь тонкость?
Проблема часто в том, что AI-команда живёт в своём техно-пузыре. Они оптимизируют метрики, читают статьи на arXiv, строят пайплайны — но не понимают, как их модель влияет на продуктовую метрику, на юнит-экономику, на UX. Это нормальный перекос — инженерам сложно смотреть на продукт через призму бизнеса.
В Яндексе, например, я сознательно выполнял функцию медиатора между
В DreamPics вся разработка строилась именно вокруг бизнес-целей. Не было задачи просто «сделать красиво» — задача была сделать продукт, который работает на дешёвой инфраструктуре, быстро масштабируется, даёт максимальное визуальное сходство, и при этом всё это монетизируется через простую платёжную модель.
На что стоит обращать внимание, если вы хотите, чтобы AI-продукт масштабировался?
В DreamPics был большой вызов: inference занимал ресурсы, а пользователи приходили волнами — особенно после всплесков в Telegram-каналах или сторис у блогеров. Мы научились разворачивать необходимые мощности в облаке под растущую нагрузку, использовали модели, предсказывающие будущую нагрузку в зависимости от текущего поведения пользователей. Всё это позволило нам значительно уменьшить себестоимость.
Кроме того, я заранее построил систему трекинга ретеншна и отзывов — это позволило нам понимать, какие фичи реально работают, а какие нужно переосмыслить. Это особенно важно в B2C-AI: модель может быть state-of-the-art, но если она не отвечает ожиданиям пользователей — это всё бессмысленно.
Что бы вы посоветовали командам, которые только начинают свой путь в AI?
Во-первых, думайте не о модели, а о продукте. AI — это инструмент, и его ценность раскрывается только в контексте задачи. Во-вторых, начинайте с MVP, где модель может быть неточной, но процесс уже работает. А затем итеративно улучшайте.
Также нельзя забывать про стоимость. Я бы рекомендовал с самого начала просчитывать каждую копейку: сколько стоит inference, сколько стоит загрузка модели, сколько необходимо нужно оплат в день, чтобы выйти в плюс. Это и есть настоящий AI-продукт — не просто работающая модель, а система, которая генерирует бизнес-ценность и масштабируется под реальные условия.
Но самое главное — отталкиваться от бизнеса и его реальных болей. Если говорить о B2B, то проблема часто в том, что не каждый бизнес знает, как именно ИИ может увеличить их прибыль: будет много фантазий, желание сделать какой-то невероятный функционал и так далее. По своему опыту могу сказать, что лучший вариант — это строить отношения с заказчиками, слушать их, интересоваться и погружаться в их бизнес, буквально во все нюансы. Важно понимать, какие проблемы у них действительно есть, и что больше всего влияет на прибыль. Далее фокусируемся на каком-то одном, самом простом и важном для них кейсе, и уже для него делаем MVP.
