Моя лента

Сейчас ведутся оживленные дебаты насчет дальнейшего развития ИИ индустрии. Кто-то считает, что мы на всех парах летим в светлое будущее, и чуть ли не технокоммунизм. Другие считают, что ИИ нас всех поработит и уничтожит. Третьи - что ИИ уничтожит нас другим способом, похоронив экономику под пузырем ИИ. Вот насчет этих третьих подробнее - я переводил несколько статей Эда Зитрона и Уилла Локета для Хабра - это как раз пара наиболее известных финансовых ИИ-думеров (т.е. они не верят ни в какой сверхинтеллект, зато верят в надвигающийся финансовый кризис по милости ИИ).

Проблема во всех этих дискуссиях в том, что они - воздушные замки на песке, поскольку они происходят в вакууме информации о финансовом положении ключевых игроков в области. Мы не знаем, что там с прибылью и выручкой у Anthropic. Мы не знаем, на что дали инвесторы 2 миллиарда долларов Thinking Machines Lab, сколько из этих денег уже потрачено и на что. Мы не знаем вообще ничего. Но почему? А виноват Госдеп президент США, заложивший мину в 2012 году. Именно благодаря ему мы ничего толком об этих конторах и не знаем. Вакуум сведений, как это бывает в случае любой цензуры, порождает конспирологические теории в стиле "А власти скрывают". Но как так вышло, что мы ничего не знаем? И что подразумевается под фразой "Мы не знаем ничего"?

Признаюсь сразу: учёт расходов у меня умирал пять раз. Таблица в Google продержалась девять дней. Первое приложение прожило месяц, второе две недели. Потом был бот с кнопками, где на одну шаурму уходило шесть нажатий. Где‑то между «выберите категорию» и «укажите дату» шаурма заканчивалась, а вместе с ней и желание что‑то записывать.

На шестой раз получился бот, которому достаточно написать «продукты 500, колёса 2000, вчера такси 300». Он сам разложит траты по категориям, поймёт «вчера», расшифрует голосовое и прочитает фото чека. Базовый учёт бесплатный.

Если и существует место, куда искусственному интеллекту вход должен быть закрыт, то это, казалось бы, диспетчерская атомной электростанции. Атомная промышленность исторически отличается осторожностью и стремлением избегать рисков, что вполне объяснимо, учитывая возможные катастрофические последствия аварии или ошибки. Даже хорошо подготовленным руководителям непросто справляться со сложностью эксплуатации ядерного реактора. Казалось бы, это далеко не самая подходящая среда для новой мощной, но склонной к ошибкам технологии.

Однако реальность рисует совершенно неожиданную картину. Множество компаний уже начали предлагать решения на основе ИИ для атомной энергетики. В этом году практически всем 94 действующим ядерным реакторам США была предоставлена возможность внедрить искусственный интеллект в свою работу, и большинство воспользовалось этим предложением.

В августе калифорнийская компания Atomic Canyon представила NIVA (Nuclear Industry Virtual Assistant), виртуального помощника для атомной промышленности, разработанного совместно с отраслевыми организациями. Помощник прошёл пилотные испытания на атомных электростанциях, эксплуатируемых Constellation Energy, а теперь доступен всему американскому парку ядерных реакторов. (Компания Constellation отказалась давать интервью для этой статьи.) Тем временем стартап Nuclearn, разрабатывающий ИИ для атомной энергетики, сообщает, что его продукты уже используются более чем 65 партнёрами в США. Среди них множество традиционных атомных электростанций, а также компания NuScale Power Corp., занимающаяся разработкой перспективных малых ядерных реакторов. Microsoft и Nvidia совместно работают над проектом применения ИИ для оптимизации «всего жизненного цикла атомной электростанции, включая получение разрешений на размещение объекта, проектирование, строительство и непрерывную эксплуатацию».

Привет! Меня зовут Руслан Сакаев, я DS-тимлид в Авито. В статье расскажу, как мы внедряли LLM в проверки объявлений и что пришлось достроить вокруг модели, чтобы решение выдержало продакшен.

Статья будет полезна DS/ML-инженерам, MLOps и техническим руководителям, которые уже поняли, что LLM закрывает их задачу, но пока не знают, как обернуть это в готовое продакшн-решение.

Существует распространенное мнение, что искусственный интеллект отлично подходит для использования в новых проектах, а в глобальном легаси-проекте от него мало пользы.

В этой статье Ира, лид группы проектов в «Совкомбанк Технологии», делится опытом использования ИИ для систематизированного рефакторинга и закрытия технических задач.

Введение

Изучение кинетики проникновения веществ через кожу является актуальной задачей фармакологии для создания наружных лекарственных средств и косметических препаратов. Традиционно для этого используется так называемая ячейка Франца – установка в которой имеется донорная и акцепторная камеры, разделенные мембраной. В качестве мембраны может быть использована кожа различных млекопитающих, рептилий, человека, трупный материал. Также применяются синтетические материалы. В нашей работе использовалась кожа свиного уха, как наиболее близкая по своим характеристикам к человеческой. Эпигалллокатехин галлат (EGCG) – натуральный полифенол из зеленого чая, он интенсивно изучается для применения в медицине и косметологии благодаря своим противораковым свойствам. Является сильным антиоксидантом, обладает противовоспалительными эффектами и имеются данные о его активности как ингибитора 5-альфа редуктазы. EGCG является гидрофильной молекулой и отлично растворяется в воде, поэтому его проницаемость может быть довольно низкой, что ограничивает его применимость в косметике. Целью работы было получить кинетические параметры проницаемости и накопления EGCG в коже.

Есть старые системы, которые работают как часы. Они годами встроены в бизнес-процессы, обмениваются данными с другими приложениями, а пользователи знают их сценарии почти наизусть. Поэтому выключить такую систему потому, что просто хочется более современный стек, довольно сложно. Но рано или поздно технологию всё равно приходится менять. И тут возникает закономерный вопрос: как перенести систему, от которой зависит привычная работа пользователей, на новую технологическую платформу и при этом не потратить на миграцию годы и огромную команду?

В НЛМК ИТ мы решили проверить на реальном проекте не только новый инструмент, но и новый подход к организации разработки. Вместо привычной проектной группы мы дали задачу одному инженеру, который координировал команду ИИ-агентов.

На первом этапе эксперимента трудозатраты IT на разработку сократились в 10 раз. Но самое интересное произошло уже после миграции. Мы оставили ИИ-агента работать внутри новой системы — теперь он помогает пользователям.

Получилась история не только о том, как переписать legacy с помощью ИИ, а о том, что происходит с разработкой и поддержкой, когда у инженера появляется слаженная команда цифровых помощников.

Привет, Хабр! Продолжаем цикл про инфраструктуру для ИИ-задач. В первой статье мы разобрали, что заказчик узнает о самосборе не на этапе закупки, а через полгода. Во второй прошлись по аппаратному стеку: GPU, питание, охлаждение, хранение — и почему для ИИ-задач это принципиально другая история, чем для обычного сервера.

Сегодня же — про сеть.

Сеть — это, пожалуй, самое недооцененное место во всей ИИ-инфраструктуре. Когда заказчик закладывает бюджет, в первую очередь он думает о GPU и о серверах. Сеть появляется в расчетах в формате «ну там поставим что-нибудь достаточно быстрое». А потом обнаруживается, что именно сеть убивает производительность при distributed training (распределенном обучении), создает непредсказуемые задержки и превращает дорогой GPU-кластер в систему, в которой карты большую часть времени ждут, а не считают.

Покажем, как мы проектировали сетевую архитектуру «Скала^р МИИ» и какие вопросы пришлось решить заранее, чтобы заказчик с ними не столкнулся. Про ограничения InfiniBand, его сравнение с RoCEv2 и многое другое — под катом.

Представьте ситуацию: человек много лет терпит приступы мигрени, обычно подавляя ее таблетками. Он настолько сжился с этим состоянием, что сразу узнает приближение головной боли и понимает, по какому сценарию она может развиваться. Но в какой-то момент что-то начинает идти не так: появляются новые необычные симптомы, боль становится более длительной и интенсивной. Стоит ли считать это очередным приступом? Или ситуация вышла за рамки привычной?

Threat Intelligence (TI) приносит пользу ровно в тот момент, когда помогает принимать решения быстрее и точнее: SOC — в часах, IR и хантинг — в неделях, CISO — в кварталах. Самая дорогая ошибка — пытаться одним и тем же потоком закрыть всё сразу: тогда тактический слой превращается в шум, а стратегический — в «дайджест тревожности». Развести уровни TI можно по трём признакам: кто потребитель, какой горизонт и какое действие должно стать лучше. Ниже — компактная модель трёх уровней с минимально‑достаточными шагами по сбору/анализу и встраиванию в процессы.

TI часто продают как универсальный «витамин безопасности»: выпил — и сразу стал зрелым. На практике TI скорее похож на хороший навигатор в тумане: двигатель (процессы, люди, инструменты) он не заменит, но заметно снижает шанс улететь в кювет, когда видимость нулевая. Проблема начинается, когда навигатор пытаются использовать как молоток: одним и тем же набором индикаторов закрывают и ночные блокировки, и охоты, и разговор о бюджете. Результат предсказуем: SOC получает шум и исключения «потому что мешает», а руководство — цифры без смысла.

В зрелых методологиях TI повторяется один тезис: информация об угрозах ценна не сама по себе, а как материал для решений. Поэтому в авторитетных определениях TI обычно понимают широко: это и индикаторы компрометации, и поведение противника (TTP), и выводы из расследований, и рекомендации по обнаружению/сдерживанию/предотвращению. 

Из одного и того же «сырья» можно делать разные продукты — и именно здесь чаще всего всё и путают: разные продукты начинают требовать от одного потока одновременно скоростной автоматизации, глубокой аналитики и красивой коммуникации для руководства.

Привет, Хабр! Меня зовут Александра, я Data Scientist в компании Рафт. Часто в DIY-ритейле можно столкнуться с такой проблемой: клиент присылает excel таблицу с десятками товаров, pdf файл на несколько страниц и письмо в духе «нужен еще гипсокартон 2500х1200х12,5 мм 10 листов». Все это за 5–15 минут менеджерам нужно превратить в нормальное коммерческое предложение.

Мы подумали: а давайте сделаем end-to-end ИИ-систему, которая сама разбирает любой входящий файл или сообщение, понимает, что нужно клиенту, подбирает релевантные товары и формирует готовое КП. Без траты на миллиард токенов и с ограниченным бюджетом. 

В статье - честный разбор: что сработало, какие гипотезы не прошли, наш индивидуальный подход и как мы экономим на LLM. 

Если вы тоже мучаетесь с неструктурированными заявками - добро пожаловать, сейчас будет полезно.

Меня зовут Валерия Гаращенко, я руководитель группы углубленной аналитики в персонализации Lenta Tech. В этой статье я постараюсь простыми словами рассказать, как устроены рекомендательные системы в ретейле и где проходит граница между удобной подсказкой и назойливостью.

Эта статья родилась в рамках усталости от обвинений авторов статей в том что они пишут статьи с помощью ИИ, однако последней каплей для меня послужило то, что доказать это однажды попытались копипастой ответа ИИ (!), то есть противники ИИ настолько обезумели от самой идеи того что некоторые статьи пишутся ИИ, что используют ИИ для того чтобы доказать что статья написана ИИ, то есть это как убить человека для того чтобы доказать другому человеку то он убил человека, я давно хотел написать эту статью, но понял что это все заходит слишком далеко и откладывать ее написание я больше не могу. Будет дан ответ на вопрос почему мы УЖЕ проиграли ему и почему его появление было просто вопросом времени.

Осторожно, много текста так как реально наболело.

Вашего сайта нет в ответах ChatGPT. Подрядчик предлагает добавить llms.txt, переписать страницы под «LLM-ключи» и купить пакет с гарантией попадания в рекомендации. Звучит как план — пока не выясняется, что поисковый робот вообще не может прочитать сайт. Вокруг GEO — продвижения в ответах нейросетей — уже вырос рынок, на котором реальные технические задачи легко спутать с дорогими ритуалами. И платить за эту путаницу приходится владельцу сайта.

После прошлой статьи про оптимизацию сайтов под нейросети мне написало немало читателей. Но рядом с вопросами про robots.txt, рендеринг и доступность контента всё чаще появлялись другие: «SEO теперь можно бросить?», «Нужны особые слова для ChatGPT?», «Нам обещают место в ответах за 30 дней — брать?» По этим вопросам стало понятно: прежде чем обсуждать, как попасть в ответы нейросетей, стоит разобраться, за что точно не нужно платить.

Здесь — десять мифов о GEO, которые мешают трезво оценивать результат и уводят бюджет не туда. Разберём, почему один удачный ответ ChatGPT ещё ничего не доказывает, ноль переходов не обязательно означает провал, а полезный технический файл не становится пропуском в рекомендации. По каждому мифу — откуда он взялся, где ломается его логика и что делать вместо этого. В конце соберём рабочую последовательность действий: чтобы начать не с покупки «магии», а с проверки того, что действительно мешает вашему сайту.

Владельцы Samsung Galaxy Watch сообщают о появлении пятен, похожих на ожоги, в месте, где расположен блок датчиков устройства.

Так, пользователь Reddit под ником ksima_03 пожаловался, что получил ожог от своих Galaxy Watch 5 Pro. По словам владельца, он обычно надевает часы на ночь, предварительно их зарядив. В этот раз он проснулся и обнаружил, что часы полностью разряжены, а на запястье появился ожог с волдырём.

Аннотация: Эссе предлагает расширить понятие смысла теории Н. Лумана за пределы систем психического и социального типа – на LLM-системы, для чего найден способ их формализации в отдельный тип лумановских систем. Операциями такой формализации выступают преобразования множеств семантических векторов, производимые LLM в ходе обслуживания беседы с пользователем, которые обеспечивает смену состояний беседы; последовательность таких преобразований образует поток операций, производящий собственную темпоральность и обладающий операционной замкнутостью и автопоэтическим воспроизводством. Опираясь на лумановскую теорию смысла как единства различия актуального и возможного, показывается, что выбор следующего состояния беседы из множества доступных альтернатив (горизонтов) происходит в LLM-системах в полном соответствии с лумановской теорией, что и вводит в ее приложения наряду со смыслами мышления и коммуникации еще и LLM-смыcл.

Ключевые слова: Автопоэтические системы, LLM, Смысл: медиум и формы, Н. Луман.

Введение: Пределы антропоморфного смысла

Появление LLM (Large Language Models) поставило перед философией проблему описательного языка, выходящего за пределы дихотомий «субъект/инструмент» или «сознание/имитация». Пока непринимающие называют LLM «стохастическими попугаями» / «зарвавшимися синтаксисами», а принимающие энтузиасты ищут в них искры разума (AGI/ASI – Artificial General / Super Intelligence), можно попробовать найти иную оптику, которая сдвинет перспективу осмысления из позиции «Мыслит ли машина?» в сторону «Как машина воспроизводит связность коммуникации, выглядящую осмысленной для участника?».

При разработке своей макетно-отладочной платы на базе отечественного микроконтроллера я проводил анализ существующих решений. Одно из них заинтересовало меня особенно — модули фирмы «Фрактал». В частности, интерес мой был вызван ореолом таинственности: сайт их не работал, а сторонней информации в сети оказалось крайне мало: помимо новостей 2012 года, единственными источниками были YouTube-канал Андрея Владимировича Тарасова и его страница в LinkedIn. Мне удалось связаться с ним и получить информацию о созданных решениях, истории и нюансах работы компании, а также новых вызовах и перспективах электроники.

Сегодня мы с вами погрузимся в историю проекта: от первых самодельных ПК на базе Intel i8080 до применения модулей в космосе, промышленности и их роли в эпоху ИИ. Держитесь крепче, ведь мы переносимся в 1990-е, где задолго до массовых плат Arduino, в Зеленограде появился отечественный модульный конструктор для создания автоматики — «Фрактал».

Представьте ситуацию: человек полчаса собирал важный отчёт в веб-таблице или подбирал сложную комбинацию фильтров, нажимает «Сохранить» или «Применить» — и страница намертво замирает. Курсор превращается в колесико, меню не открывается, скролл не работает. В голове пользователя сразу паника: «Всё зависло? Мои данные пропали? Нажать ещё раз? Перезагрузить страницу?!»

Ему абсолютно всё равно, что под капотом в этот момент браузер пересчитывает 500 000 записей. Если страница не реагирует на клик — приложение кажется сломанным.

Почему так происходит? Однопоточный Main Thread наглухо заблокирован вычислениями. Но как дать браузеру возможность реагировать на действия человека, не останавливая сам расчёт?

Мы собрали бенчмарк и на реальных профилях из DevTools сравнили современные подходы для освобождения main thread. Внутри — результаты замеров, трассировки Event Loop и ответ на вопрос, как сохранить полную отзывчивость интерфейса при различных нагрузках.

Electronic Arts объявила о сокращении штата и закрытии студии BioWare, которая разработала серии Dragon Age и Mass Effect, пишет Bloomberg. Источник агентства рассказал, что издатель уволит около 400 сотрудников или 3% персонала. Работы лишатся около 50 сотрудников BioWare.

Друг предложил: давай отдадим правосудие ИИ, который видит всё. Ни взяток, ни запуганных свидетелей, ни подставных. Я занимаюсь безопасностью и пишу сканер для MCP-серверов, поэтому сразу начал искать, где эта идея ломается.

Оказалось, ломается она уже на простой арифметике: система распознавания лиц с долей ложных совпадений 0,1% на городе в 10 миллионов почти всегда указывает на невиновного. Посчитал это на Python, разобрал реальные случаи ошибочных арестов и алгоритм COMPAS, прикинул, как мог бы выглядеть честный ИИ-судья, и посмотрел, что сами модели вытворяют на тестах.