• Какие рутинные вопросы задают менеджеры по продажам и выкладке?

• Какие данные доступны? (Excel-таблицы, отчеты из CRM, 1С, Bitrix)

• Какие решения по выкладке и заказам сейчас принимаются — и кто их принимает?

• Какие критерии важны (например, минимальные остатки, сезонность, скорость продаж)?

Так я составил список конкретных запросов, на которые бот должен уметь отвечать.

Шаг 2. Подготовка данных и структурирование информации

Мне дали несколько Excel-файлов с продажами и остатками за последние месяцы, не скажу, что это были понятно сформированные данные, скорее всего просто файлы с инфой

Я:

• Привёл данные к единому формату: убрал лишние колонки, исправил ошибки в названиях товаров

• Разбил таблицы на логические части: продажи по категориям, остатки на складах, динамика по дням

• Проверил качество данных — чтобы бот не работал с мусором и не генерировал неверные советы

Шаг 3. Формулирование промптов — главного «мозга» бота

Промпты — это инструкции для ChatGPT, которые задают логику и формат ответов.

Я написал несколько шаблонов (пришлось тестировать разные варианты, оставил только рабочие):

• Анализ продаж и остатков:
  «Проанализируй данные по остаткам и продажам, выдели товары с низкими остатками и высокими продажами, предложи рекомендации по заказу.»

• Рекомендации по выкладке:
  «Исходя из данных по продажам за последний месяц, предложи оптимальное расположение товаров в магазине, чтобы увеличить продажи категории Х.»

• Ответы на часто задаваемые вопросы:
  «Как повысить продажи сезонного товара? Какие акции лучше проводить для категории Y?»

Каждый промпт тестировал и корректировал раз за разом, чтобы бот отвечал понятно и полезно (не стал описывать поиск правил выкладки в интернете, у клиента свой мерчбук). Грамотные промты всегда публикую в своем канале «Ум + AI = Доход».

Шаг 4. Создание Telegram-бота

Я использовал Python и библиотеку aiogram — они хорошо подходят для работы с Telegram API.

• Зарегистрировал бота у @botfather, получил токен, все как обычно

• Настроил скрипт, который принимает сообщения от пользователей и пересылает их в OpenAI (ChatGPT)

• Обрабатывал ответы и отправлял их обратно в чат с пользователем

Весь код разместил у себя локально и постепенно дополнял функционал.

Шаг 5. Интеграция данных с ботом

Для передачи данных из Excel в бота я написал скрипт на Python, который:

• Загружал и форматировал таблицы с остатками и продажами

• Генерировал сводки и передавал их в промпты, чтобы бот мог их учитывать при ответах

Таким образом, бот мог анализировать актуальные данные, а не отвечать абстрактно про какой то товар.

Шаг 6. Тестирование и улучшение

Вместе с менеджерами клиента я провёл несколько сессий тестирования (нудно, нервно, но за то эффективно):

• Проверяли ответы бота на типовые вопросы

• Корректировали промпты для более точных и полезных рекомендаций

• Добавлял новые сценарии по мере появления новых задач

• Готового бота с настройками передал заказчику в виде кода, так как сам бекендом не занимаюсь (не имею желания настраивать чужие сервера и уж тем более VPS)

Что получилось в итоге?

• Бот стал отвечать на вопросы менеджеров по выкладке, остаткам и заказам в течение секунд

• Автоматизировал рутинные запросы, сэкономив сотрудникам до 4 часов в день

• Помог принимать более взвешенные решения на основе свежих данных

• Освободил время для стратегической работы и повышения продаж

Что я вынес из этого опыта?

• Не нужно быть программистом или ИТ-гением, чтобы создавать полезные ИИ-решения

• Главное — понимать задачу и уметь формулировать правильные промпты

• Автоматизировать стоит не всё сразу, а самые повторяющиеся и утомительные процессы

• Важно работать с реальными данными, иначе ИИ просто выдаст общие фразы, а не помощь

В своём Telegram-канале «Ум + AI = Доход» я подробно рассказываю про такие кейсы, даю готовые промпты и пошаговые гайды для тех, кто хочет повторить мой опыт. Если хотите реально научиться использовать ИИ в работе и зарабатывать — присоединяйтесь. По запросу подписчиков делаю доп разборы и публикую гайды бесплатно!

Итог:

Создание ИИ-бота-консультанта для мерчендайзинга — это пример того, как простые технологии и немного желания могут улучшить бизнес-процессы и сэкономить время. Не бойтесь экспериментировать и внедрять ИИ — даже небольшие шаги делают большую разницу.

P.S. Сегодня самый простой способ начать — попробовать задать первый запрос ChatGPT, который упростит вашу работу. Удачи!

Так же я отметил в письме, что я оставляю за собой права подачи досудебного обращения юридическому лицу, управляющему сервисом, а так же обращения в прокуратуру по факту нарушения прав потребителя и возможной дискриминации по возрастному признаку. Сделаю я это если в течение 30 календарных дней я не получу официального ответа по существу моего запроса (ссылку на документ, прямо запрещающий монетизацию для зарегистрированных самозанятых младше 18 лет)

Это все, что вы должны знать о самом честном и непредвзятом ИИ.

✔ Google добавила в Gemini функцию image-to-video на базе Veo 3.

Новая возможность, интегрированная в интерфейс Gemini, позволяет подписчикам планов Pro и Ultra создавать короткие видеоролики на основе одного статичного изображения. Для этого достаточно загрузить картинку, выбрать опцию «Видео» и текстом описать желаемый сценарий.

Google говорит, что развертывание функции уже началось, однако ее доступность может варьироваться. Проверить наличие обновления можно непосредственно в приложении Gemini или на веб-сайте. Google Gemini App в сети X (https://x.com/GeminiApp/status/1943325980984250509)

✔ Perplexity AI запустил браузер Comet.

Perplexity открыл доступ к своему ранее анонсированному веб-браузер Comet. Браузер построен на концепции «агентного ИИ», который не просто ищет информацию, а способен думать, действовать и принимать решения от имени пользователя.

Встроенный ассистент может сравнивать товары, суммировать контент и назначать встречи, превращая сложные рабочие процессы в простой диалог. Попробовать Comet могут пока только подписчики премиум-плана Perplexity Max. Более широкий доступ по приглашениям компания обещает открыть в течение лета. reuters.com (https://www.reuters.com/business/media-telecom/nvidia-backed...)

✔ Mistral AI обновила линейку моделей Devstral.

Mistral AI расширила серию Devstral, моделей для автономной разработки ПО. В линейку вошли две версии: открытая Devstral Small 1.1 и проприетарная Devstral Medium.

Devstral Small 1.1 осталась на прежней архитектуре, с размером в 24 млрд. параметров и уже доступна (https://huggingface.co/mistralai/Devstral-Small-2507) на Hugging Face. Она показывает результат 53.6% в бенчмарке SWE-Bench и позиционируется как лучшая открытая модель для ИИ-агентов, работающих с кодом.

Более мощная Devstral Medium доступна через API. По заявлениям Mistral, она превосходит GPT-4.1 и Gemini 2.5 Pro в том же тесте (61.6%), но при этом обходится значительно дешевле ($0.4/M input и $2/M output.) mistral.ai (https://mistral.ai/news/devstral-2507)

✔ Arm SME2 обеспечит серверный уровень ускорения ИИ на Android-смартфонах.

Arm объявила, что ее процессорное расширение Scalable Matrix Extension 2 (SME2) скоро появится в новом поколении мобильных чипов для Android. Эта технология, ранее доступная в основном для серверных систем, предназначена для радикального ускорения матричных вычислений, основы большинства ML-алгоритмов.

Эффект от внедрения SME2 обещает быть заметным. По данным Arm, модель Gemma 3 работает на устройствах с этой технологией в 6 раз быстрее, а на обобщение текста из 800 слов уходит менее секунды.

Появление SME2 может дать Android-флагманам серьезное преимущество, поскольку Apple хоть и использует технологию в чипах M4 для iPad, но еще не внедрила ее в iPhone. Важно, что программная экосистема уже готова: поддержка SME2 реализована в ключевых библиотеках Android и популярных фреймворках. androidauthority.com (https://www.androidauthority.com/arm-sme2-cpus-android-35750...)

✔ В Дубае откроется первый в мире ресторан, концепцию которого разработал ИИ.

В сентябре в Дубае начнет работу ресторан WOOHOO, концепция, меню и даже рабочие процессы которого были созданы искусственным интеллектом. В основе проекта лежит проприетарная LLM «Chef Aiman», обученная на десятилетиях исследований в области пищевых наук, данных о молекулярном составе продуктов и более чем тысяче мировых рецептов.

Система анализирует ингредиенты на уровне текстур и вкусов, а затем предлагает новые сочетания. Эти идеи дорабатываются командой поваров под руководством известного шефа Рейфа Отмана. В будущем основатели планируют лицензировать «Chef Aiman» другим ресторанам как инструмент для создания уникального гастрономического опыта и повышения устойчивости производства. alarabiya.net (https://english.alarabiya.net/News/gulf/2025/07/10/-dining-i...)

pip install spire.presentation.free

Извлечение текста из документа PowerPoint

С помощью Free Spire.Presentation можно получить доступ к конкретному слайду через свойство Presentation.Slides[index]. Затем нужно перебрать фигуры на слайде и проверить, является ли каждая из них экземпляром класса IAutoShape (что указывает на наличие текстового блока).

Если фигура содержит текст, можно получить абзацы внутри неё и последовательно извлечь текст из каждого. Чтобы извлечь весь текст из файла PowerPoint, достаточно перебрать все слайды и обработать каждый из них.

Вот пример кода для извлечения всего текста из презентации:

from spire.presentation import *

from spire.presentation.common import *

# Создаем объект класса Presentation

presentation = Presentation()

# Загружаем презентацию PowerPoint

presentation.LoadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pptx")

# Создаем список для хранения текста

text = []

# Перебираем слайды в документе

for slide in presentation.Slides:

# Перебираем фигуры на слайде

for shape in slide.Shapes:

# Проверяем, является ли фигура объектом IAutoShape

if isinstance(shape, IAutoShape):

# Перебираем абзацы в фигуре

for paragraph in shape.TextFrame.Paragraphs:

# Добавляем текст абзаца в список

text.append(paragraph.Text)

# Записываем текст в файл

with open("output/ExtractAllText.txt", "w", encoding='utf-8') as f:

for s in text:

f.write(s + "\n")

# Освобождаем ресурсы

presentation.Dispose()

Извлечение изображений из файла PowerPoint

Свойство Presentation.Images возвращает список всех изображений, встроенных в документ. Перебирая этот список, можно сохранить каждое изображение в формате PNG с помощью метода Image.Save.

Пример извлечения всех изображений из PowerPoint:

from spire.presentation.common import *

from spire.presentation import *

# Создаем объект Presentation

presentation = Presentation()

# Загружаем документ PowerPoint

presentation.LoadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pptx")

# Получаем изображения из документа

images = presentation.Images

# Перебираем изображения

for i, image in enumerate(images):

# Сохраняем каждое изображение в указанном пути

image_name = f"Output/Images_{i}.png"

image.Image.Save(image_name)

# Освобождаем ресурсы

presentation.Dispose()

Заключение

В этой статье мы рассмотрели различные методы извлечения текста, таблиц и изображений из отдельных слайдов или всей презентации с помощью Python. Используя эти техники, вы сможете оптимизировать свою работу и эффективно использовать материалы PowerPoint!

Centaur анализирует, как люди действуют в разных ситуациях: - принимает решения на основе ограниченной информации, - делает выбор между риском и безопасностью, - учится на ошибках и запоминает прошлый опыт, - реагирует на стимулы так же, как живой человек.

Это похоже на то, как ИИ наблюдает за поведением людей → запоминает → учится повторять.

И главное: **она делает это точно**. Centaur способна предсказать человеческое поведение даже в **новых задачах**, которых не было в тренировочном наборе. Модель: - оценивает **время реакции**; - объясняет, **почему** человек примет определённое решение; - подстраивается под контекст задачи.

Зачем это нужно?

Психологи десятилетиями мечтали о чём-то подобном: универсальной модели, которая могла бы имитировать мышление человека и помогать изучать поведение в любых условиях.

Теперь это возможно: - Centaur может использоваться как **виртуальная лаборатория**: тысячи гипотез можно проверять без участия людей. - Её **внутренние представления совпадают с активностью мозга**, зафиксированной на МРТ. - Можно исследовать когнитивные искажения, эмоции, расстройства — и делать это быстрее, дешевле и точнее, чем в обычных исследованиях.

Что внутри?

Centaur — это: - **Llama 3.1 на 70 миллиардов параметров** , - дообучена с помощью **QLoRA** на датасете Psych-101, - веса и код выложены в **open-source**, - есть облегчённая версия, которую можно запускать в **Google Colab**.

Это один из первых примеров **фундаментальной модели когнитивной науки** — аналог foundation models в NLP, но для человеческой психики.

Веса модели открыты. Сделали даже вариант модели поменьше, его можно легко запустить в колабе и даже есть моделька поменьше для самостоятельного запуска, в общем топ

🔗 Оригинал статьи в *Nature*: https://www.nature.com/articles/s41586-025-09215-4

Если не хотите читать много букаф, а хотите послушать новости с формате подкаста, я сгенерировал его с помощью ИИ.