Создал MVP с помощью ИИ. Жду первый миллион (и очищаю речь от «слов-паразитов»).

Дисклеймер:

Лично я обожаю новости таблоидов из серии — студент из (рандомная точка на карте Земли) создал приложение с помощью нейронной сети, и теперь каждый день зарабатывает миллионы долларов. Или о том, как ребята зарабатывают на «толькофанс» сотни долларов в неделю за счет сгенерированного контента нейронной сетью. На самом деле, все это реальные истории, только сильно приукрашенные.

Привет дорогой читатель! Меня зовут Кирилл Герман и последние 15 лет я занимаюсь тем, что проектирую и разрабатываю корпоративные системы управления (ERP), а в свободное время занимаюсь в том числе и инди-коддингом. Основной мой пет-прожект – Flowsic – AI-генератор музыки. Но помимо этого проекта, решил еще сделать ради эксперимента проект полностью с помощью Chat GPT и еще нескольких нейронных сетей. Не используя собственных навыков разработки. Цель – получить минимально работающий сервис. И вот что из этого вышло:

1. Идея.

Сама по себе идея для проекта у меня в голове сидит у меня уже достаточно давно. С каждым годом все больше замечаю за собой, что речь на половину состоит из «слов-паразитов» (все эти - типа, ну, короч, и т.д.) а излагаю мысли все более и более косноязычно. Надо с этим что-то делать, но что? Куда-то ходить на курсы (например, сценической речи) времени и так на жизнь не хватает… Вот если бы был какой-то онлайн «анализатор» речи, который бы меня слушал и корректировал, а еще давал советы по тому, как улучшить свою речь. Сервис который помог бы очистить мою речь от: ну, там, типа, в моменте, ну слушай, вот это вот все, а еще «короч»... Вот и идея что называется «в крупную клетку» для проекта.

2. Развитие идеи.

Далее, начинаем думать над тем, что вообще должен делать сервис, что нужно ему на входе, и что пользователь от него должен получить чтобы остаться довольным его работой. Во-первых, он (пользователь) должен что-то рассказать сервису, чтобы сервису было что анализировать. Далее, логично что сервис должен разобрать речь пользователя на слова, чтобы далее проанализировать их, а вот как анализировать не понятно. Спрашиваю об этом Чат ГПТ, в ответ получаю информацию что самый простой способ оценить речь человека – посчитать все слова в его речи, посчитать все уникальные слова. Если количество уникальных слов более 60% это говорит о хорошем словарном запасе. Если менее 30%, то со словарным запасом проблемки. Субъективно конечно, но надо с чего-то начинать. Далее, Чат ГПТ предлагает оценивать речь еще по количеству слов-паразитов и матерных слов также по удельному весу от общего количества слов. В целом, с такими критериями оценки уже можно пробовать что-то проектировать.

3. Проектирование.

Даже такие маленькие и простые (на первый взгляд) системы требуют проектирования. Сможет-ли Chat GPT самостоятельно спроектировать структуру хранения данных? Забегая наперед – не сможет, поэтому структуру базы данных, какие в ней должны быть таблицы, а также как правильно складывать файлы на сервер придется продумывать самостоятельно, а для нейросети оставить лишь задачи непосредственно написания кода. Почему так? Потому что, продумать структуру данных которой будут асинхронно пользоваться несколько алгоритмов пока еще не удается Чату ГПТ безошибочно. Исходя из этого, писать нейронке – Создай мне приложение, которое принесет миллион долларов, смысла не имеет. Вместо этого надо продумать последовательно то что должны делать алгоритмы, и последовательно давать соответствующее задание для ИИ.

4. Разработка.

Итак, начнем. Цель – как можно быстрее получить минимально-работающий продукт. Поэтому, вместо приложения, используем бота для телеграм. Фронт ему не нужен, а бэк можно написать легко и быстро. Пишем задания для нейронки:

1). Напиши скрипт чат бота на python который получает аудиофайл от пользователя и фиксирует его данные базе.

2). Напиши скрипт, который преобразует аудиофайл в текст и фиксирует данный текст в базе.

3). Напиши список «слов-паразитов» и скрипт который их запишет в таблицу базы данных.

4). Напиши список матерных слов и скрипт, который их запишет в таблицу базы данных.

5). Напиши скрипт, который проанализирует наличие слов из таблиц в тексте.

6). Напиши скрипт, который посчитает соотношение слов, уникальных слов, слов-паразитов, матерных слов и выдаст итоги с простыми рекомендациями.

Вкратце это все. Осталось только поправить код от нейронки таким образом, чтобы все скрипты корректно работали вместе, переименовать некоторые переменные, имена таблиц и т.д. Теперь, это должно где-то запуститься на сервере. Пишем задание для Чат ГПТ – создать докерфайл, для нашего скрипта в качестве контейнера, немного правим его (чтобы корректно библиотеки из requirements устанавливались) и запускаем на линуксовом сервере.

Работает!

А что дальше?

5. «Упаковываем проект» силами нейронных сетей.

У проекта пока нет даже названия, но в голове у меня сидело название для него – «Не, ну слушай!» - фраза максимально обнажающая косноязычность говорящего человека, но мы же решили делать проект силами ума искусственного интеллекта, и поэтому, логично просить нейронку придумать название для проекта. Из нескольких названий предложенных Чат ГПТ мне приглянулось то, что образовано от английского слова «eloquent» - красноречивый, а именно – «элотека». Не плохо, но я решил немного изменить его на «Элоквента». С одной стороны, похоже на название какой-то биологически-активной добавки из аптеки, а с другой стороны похоже на название андеграундной инди-группы из нулевых. Что-то в этом есть, остановимся на «Элоквента».

Далее, с помощью уже «Gamma.ai» создаем сайт для нашего сервиса. В целом «gamma.ai» хорошо генерирует презентации и лэндинги, но я решил немного «упростить» дизайн, и просто «скопипастить» сгенерированный текст в бесплатный html-шаблон. Забавно, но лэндинг еще больше вызывает ассоциацией с аптекой:

Далее, с помощью «Midjourney» и «Stable diffusion» генерируем несколько тематических изображений для лэндинга. Их же можно еще где-нибудь использовать.

6. А будет ли развитие и доход?

А как вообще можно монетизировать подобный сервис? Вариант предложенный все тем же Чат ГПТ – хранить в сервисе историю аналитики речи пользователей и показывать «в картинках» насколько лучше и чище его речь стала за месяц, полгода, год. То есть, бесплатно проанализировать свою речь может каждый неограниченное количество раз, а получать статистику изменений речи только за небольшую плату. На первый взгляд – идея здравая. Но сначала надо чтобы у проекта появилась своя аудитория. Далее добавлять платные возможности, и заработать миллионы (а вдруг?).

Как может развиваться подобный сервис? Первое, что необходимо – совершенствовать алгоритмы. Сейчас анализируется только текст речи, а надо бы еще анализировать такие аспекты как – дикция, громкость голоса, паузы между словами. Это кстати планы на ближайшие пару месяцев пет-проекта.

Еще, надо генерировать (опять же с помощью понятно, чего) собственный контент по улучшению речи. Например, видео ролики просто и понятно объясняющие как искоренять в себе употребление «слов-паразитов» или как перестать путать склонения. И все это должно быть доступно в том же боте, а лучше в мини-аппке в телеграме. В общем, при интересе аудитории ясно куда должен двигаться проект.

А еще полученные алгоритмы, работающие с текстом, можно в последствии применить в своем основном проекте – Flowsic. Поскольку, flowsic использует текст от пользователей для описания желаемой мелодии, улучшение понимания данного текста не будет для проекта лишним.

7. Итоги и выводы:

Как уже выше писалось, бесполезно писать (по крайней мере в наши дни) нейронке – создай мне какое-нибудь приложение чтобы оно мне деньги зарабатывало. Ничего ценного из этого не выйдет;) А использовать ИИ для написания программного кода по заданию – отличная экономия времени. Смог бы я своими силами написать то что написал ИИ? Смог бы, но это заняло бы у меня больше времени. Чат ГПТ пишет код быстро и достаточно оптимально. А структуру хранения данных необходимо думать самому.

Вывод – для проверки гипотезы, и создания MVP – нейронки это отличный инструмент. С точки зрения стоимости и времени разработки (для того, кто ориентируется в разработке) это гораздо лучше, чем всевозможные zero-code сервисы, как минимум потому, что никто тебя не ограничивает в функционале. Все что может python, все то может и ИИ запрогать для тебя (но это не точно). Оптимизировать код неизбежно придется вручную после Чата ГПТ, если решишь развивать его после этапа MVP.

Итого, примерно 4 вечера, 12 человеко-часов занял вышеописанный процесс.

Посмотреть и воспользоваться результатом, можно по ссылке:

Спасибо за прочтение, и желаю всем владеть прекрасной, красивой речью!)