NVIDIA bez apmācības pārspēj ML, Canva plāno dizainu un IT pieprasījumu šķirošana lētāk

Kopsavilkums

• Canva AI attēlu modelis vispirms plāno, tad zīmē — mazāk nejaušu rezultātu, tuvāk tam, ko gribi, jau no pirmā mēģinājuma.
• NVIDIA Kumo analizē datu bāzes bez apmācības — prognozes no Tavu datu tabulām bez datu zinātnieka komandas.
• AI, kas zina, kad labāk klusēt — IT pieprasījumu šķirošana kļūst lētāka, kad modelis atsakās minēt un nodod cilvēkam tikai neskaidros gadījumus.

Pamata sajūta: AI pārvietojas no “iespaidīga demo” uz piezemētiem rīkiem, kas taupa laiku konkrētos ikdienas darbos — dizainā, datu analīzē un pieprasījumu apstrādē.

---

1. Canva AI modelis vispirms izveido plānu, tad ģenerē attēlu

Kas mainījās. Canva izlaida savu pirmo iekšēji veidoto AI attēlu modeli, kas vispirms izplāno dizainu un tikai tad ģenerē attēlu. Atšķirībā no tipiskiem attēlu modeļiem, kas uzreiz zīmē no uzvednes, šis vispirms sakārto, kur kas atradīsies.

Ko tas nozīmē Tavam biznesam. Ja Tu pats vai Tava komanda taisa soc. tīklu ierakstus, reklāmas vizuāļus vai prezentāciju bildes, lielākā sāpe parasti ir nevis skaista bilde, bet izkārtojums — kur liekams teksts, logo, galvenais objekts. Modelis, kas vispirms plāno, dod rezultātu, kurā teksts un elementi ir vietā, nevis izkaisīti nejauši. Mazāk pārtaisīšanas reižu = ātrāk gatavs materiāls.

Ko Tu vari izdarīt jau šonedēļ.

• Izmēģini Canva jauno attēlu ģenerēšanu ar vienu reālu uzdevumu — piemēram, nākamnedēļas Instagram ierakstu; pieejams visiem Canva lietotājiem Dream Lab sadaļā
• Uzraksti precīzu uzvedni: produkts, teksts, krāsas, noskaņa — un salīdzini rezultātu ar savu ierasto rīku
• Saglabā labāko uzvedni kā veidni atkārtotiem ierakstiem

Uz ko skatīties.

• Tuvākajos mēnešos Canva, visticamāk, šo modeli iestrādās visos rīkos (prezentācijas, dokumenti) — vērts sekot, vai Tavs esošais abonements to ietver bez papildu maksas
• Konkurenti (Adobe, Figma) spiedīs cenas uz leju — izdevīgs brīdis pārskatīt, par ko maksā

---

2. NVIDIA Kumo analizē Tavas datu tabulas bez atsevišķas apmācības

Kas mainījās. NVIDIA prezentēja Kumo Relational — pieeju, kas strādā ar saistītu datu tabulām un pārspēj tradicionālo mašīnmācīšanos bez atsevišķas apmācības. Praksē tas nozīmē prognozes tieši no datu bāzes tabulām (klienti, pasūtījumi, maksājumi), nesagatavojot speciālu modeli katram uzdevumam.

Ko tas nozīmē Tavam biznesam. Ja Tev ir CRM vai pārdošanas dati tabulās un gribas prognozēt, kurš klients aizies vai kurš, visticamāk, pirks atkārtoti, parasti vajag datu zinātnieku, kas būvē un trenē modeli. Pieeja, kas strādā bez atsevišķas apmācības, nozīmē, ka šāda analīze kļūst pieejama arī bez savas datu komandas. Šis vēl ir tehnisks rīks, ne gatava poga, bet būtība ir: prognozes no saviem datiem bez datu zinātnieka komandas.

Ko Tu vari izdarīt jau šonedēļ.

• Sakārto vienu reālu jautājumu, ko gribētu atbildēt no datiem: “kuri klienti pēdējā gadā samazināja pirkumus?” — un saproti, vai Tavi dati vispār ir tabulās pieejami
• Vienkāršākam sākumam izmēģini ChatGPT vai Claude ar augšupielādētu CSV failu (€20/mēn) — tie jau tagad spēj atrast kopsakarības mazākos datu apjomos
• Ja ir tehniskāks kolēģis, iedod viņam Kumo Relational pārskatu novērtēšanai

Uz ko skatīties.

• Gaidāms, ka šādi rīki parādīsies CRM un grāmatvedības programmās kā iebūvēta funkcija — bez atsevišķas datu komandas
• Vērts sekot, vai šāda prognozēšana parādās Taviem izmantotajiem rīkiem kā iebūvēta funkcija

---

3. AI, kas zina, kad labāk klusēt — lētāka pieprasījumu šķirošana

Kas mainījās. Jauns pētījums apraksta izmaksu ziņā gudru atturēšanos IT pieprasījumu šķirošanā — AI, kas klasificē atbalsta pieprasījumus, bet atsakās minēt un nodod cilvēkam tos gadījumus, kur nav pārliecināts. Ideja: samazināt kopējās izmaksas, jo nepareiza automātiska novirzīšana maksā dārgāk nekā pieprasījuma nodošana cilvēkam.

Ko tas nozīmē Tavam biznesam. Ja Tu vadi klientu atbalstu vai jebkuru komandu, kas saņem daudz pieprasījumu, lielākā problēma ar automātisku šķirošanu ir kļūdas — AI ar pārliecību nomarķē nepareizi, un tas maksā dārgāk nekā nešķirot vispār. Pieeja, kur AI apstrādā tikai skaidros gadījumus un neskaidros godīgi nodod cilvēkam, ir daudz drošāka: Tu automatizē viennozīmīgos gadījumus, un cilvēks tiek pie tā, kur tiešām vajag spriedumu.

Ko Tu vari izdarīt jau šonedēļ.

• Apskati savu pieprasījumu plūsmu un atdali: kuri tipi ir viennozīmīgi (piem., “kur mans rēķins?”) pret neskaidrajiem
• Izmēģini bezmaksas automatizāciju ar Zapier vai Make — nosūta skaidra tipa pieprasījumus uz pareizo mapi/cilvēku, pārējos atstāj manuāli
• Ja lieto palīdzības sistēmu (Zendesk, Freshdesk), ieslēdz tās AI šķirošanu tikai augstas pārliecības gadījumiem

Uz ko skatīties.

• Atbalsta rīki, visticamāk, pievienos “pārliecības slieksni” — zem tā AI nodod cilvēkam, nevis min
• Šis princips (automatizē skaidro, nodod neskaidro) pārcelsies arī uz rēķinu apstrādi un dokumentu šķirošanu

---

Šodienas aina

Visus trīs stāstus saista viena pārmaiņa: AI pārvietojas no “iespaidīga demo” uz piezemētiem rīkiem, kas atrisina konkrētu ikdienas darba sāpi — un dara to drošāk. Canva vispirms plāno, lai mazāk pārtaisītu; NVIDIA ļauj prognozēt bez datu komandas; pieprasījumu šķirošana kļūst gudrāka, jo AI zina, kad labāk klusēt. Kopīgais: mazāk kļūdu, mazāk pārtaisīšanas, zemākas izmaksas.

Notikums	Sekas
Canva AI modelis plāno pirms zīmēšanas	Vizuāļi tuvāk rezultātam no pirmā mēģinājuma
NVIDIA Kumo — prognozes bez apmācības	Datu analīze bez savas datu komandas
AI šķiro tikai skaidro, neskaidro nodod cilvēkam	Lētāka un drošāka pieprasījumu apstrāde

3 jautājumi lasītājam:

• Cik stundu mēnesī Tava komanda pavada, taisot vizuāļus, ko varētu paātrināt?
• Kādu vienu jautājumu Tu gribētu atbildēt no saviem klientu datiem?
• Kuri no Taviem atbalsta pieprasījumiem ir tik viennozīmīgi, ka tos var automatizēt jau tagad?

---

Vēl īsumā

• OpenAI modeļi nāk uz Google Cloud — OpenAI jaunākie modeļi nāk uz Google Cloud un Antigravity vidē (2 min lasīšana). Noder, ja negribi būt atkarīgs no viena piegādātāja.
• IBM Granite laika rindu prognozes — atvērtā koda modeļi vairāku prognožu apvienošanai (9 min lasīšana). Noder pārdošanas vai krājumu prognozēšanai.
• inDrive plāno robotaksometru testus 2027 — kopā ar Pony.ai un Nvidia Vidusāzijā (3 min lasīšana). Noder sekot, ja Tavs bizness saistīts ar transportu vai loģistiku.
• Anthropic: AI padara programmatūras pārbaudi pieejamāku — lielie valodas modeļi ļauj formāli pārbaudīt programmatūru plašākā mērogā (18 min lasīšana). Noder, ja Tavs produkts ir programmatūra ar augstām drošības prasībām.

---

Avoti

• Canva’s first AI image model plans designs before generating them — The Verge (3 min lasīšana)
• NVIDIA Kumo Relational Outperforms Supervised Machine Learning — HuggingFace (6 min lasīšana)
• Cost-Aware Abstention for LLM-Based IT Ticket Classification — ArXiv (4 min lasīšana)
• OpenAI’s latest AI models are coming to Google Cloud and Antigravity — Ars Technica (2 min lasīšana)
• Ensemble forecasting with IBM Granite time-series models — HuggingFace (9 min lasīšana)
• The new human-crafted Apple Music brand matters in an AI world — Ars Technica
• Uber rival inDrive eyes 2027 robotaxi tests in Central Asia — TechCrunch (3 min lasīšana)
• LLMs are making formal software verification feasible at a much larger scale — Anthropic (18 min lasīšana)