Будущее программирования: как ИИ-дата-аналитик Julius AI меняет правила игры 0:00
Искусственный интеллект стремительно расширяет понятие «программист», делая написание кода доступным любому, кто владеет английским языком. В недавнем выпуске подкаста «Eye on AI» ведущий Крейг Смит обсудил с Рахулом Салкером, основателем и CEO платформы Julius AI, как их продукт помогает пользователям выполнять сложную аналитику данных, не обладая навыками написания скриптов.
🚀 Становление Julius AI: от идеи к полумиллиону пользователей 4:04
Рахул Салкер, переехавший в США подростком, прошел путь от увлечения хакатонами до работы инженером по машинному обучению в компаниях Uber и Facebook. Идея создания Julius AI возникла из стремления дать возможность любому специалисту — будь то биолог или бухгалтер — использовать мощь вычислений для решения рабочих задач.
- Название: Платформа изначально была инкорпорирована как Caesar Labs, сохраняя «римскую» тематику, пока команда не остановилась на имени Julius.
- Валидация: Первые пользователи привлекались через магазин плагинов ChatGPT. Анализ показал, что запросы на создание сложных приложений (например, iPhone-приложений) не имели успеха, тогда как задачи по анализу данных были крайне востребованы.
- Рост: Сегодня Julius AI насчитывает более полумиллиона пользователей, а за 48 часов платформа генерирует и исполняет более миллиона строк кода.
💻 Как работает Julius: AI-native подход 22:32
В отличие от инструментов, где ИИ лишь «надстройка» над существующим интерфейсом (как, по мнению Салкера, происходит с Copilot в Excel), Julius AI является «AI-native» продуктом.
- Процесс: Пользователь загружает файл (Excel, CSV, PDF, изображения), и система, работающая как автономный аналитик, пишет и исполняет код на Python или R в облачной виртуальной машине.
- Исправление ошибок: Если код не компилируется, система использует подход «смеси экспертов» (mixture of experts). Она передает ошибку и код в несколько различных моделей (включая GPT-4, Claude, Llama 3), чтобы найти решение.
- Результативность: Около 70% кода компилируется успешно с первой попытки. В остальных случаях система предпринимает попытки исправления в течение минуты.
🛠 Сравнение с конкурентами и стратегия развития 35:12
Салкер критически оценивает современные демо-версии агентов, таких как Devon, утверждая, что те часто фокусируются на «гиммиках» (создание сайтов-рецептов), а не на реальных бизнес-задачах пользователей.
- Фокус на данных: Команда Julius сознательно ограничивает область применения платформы задачами анализа данных и статистики, что позволяет им глубже оптимизировать качество генерации кода и минимизировать ошибки.
- Гибкость: Платформа не привязывается к одной модели. Рахул утверждает, что они используют лучшие доступные решения, будь то закрытые модели или open-source (как Llama 3), ради максимальной точности выполнения кода.
📈 Кейсы: от видео до научных исследований 49:19
Универсальность Python позволяет Julius справляться с нестандартными задачами:
- Трансляция PDF: Пользователь успешно перевел сложный итальянский PDF-документ, с которым не справились другие популярные ИИ-инструменты, благодаря специализации Julius на извлечении данных из таблиц и сложных документов.
- Обработка видео: Генеральный директор компании Vercel успешно использовал Julius для ресайза видео через модуль
FFMPEGпрямо внутри чата, когда стандартные инструменты давали сбой. - Будущее: В ближайших планах — интеграция веб-браузера для более глубокого парсинга данных с сайтов и расширение возможностей работы с неструктурированной информацией.
