Наверняка все, у кого есть дети, слышали вопрос «чем ты занимаешься на работе?» Мне его точно задавали, и неоднократно.

Дать ответ на этот вопрос ребёнку, не скатываясь в иронию, не так уж и просто. Но оказалось, что все ответы для нас уже подготовили. И не евангелисты из Кремниевой долины, а товарищи в кожаных плащах и пыльных шлемах, думавшие о том, как воспитать миллионы молодых инженеров, лет шестьдесят назад и ещё раньше.

Всем привет! Меня зовут Илья, сейчас я инженер-программист в компании Raft, но когда-то был аспирантом и пытался двигать отечественные нанотехнологии на стыке химии высокомолекулярных соединений, биохимии и металлоорганики. Учитывая, что на тот момент в ВУЗе закрыли ученый совет, а кафедре на закупку реактивов в семестр выделяли целых 9 тысяч рублей, выполнять установку руководства «публиковать работы мирового уровня» получалось не очень.

Но я не унывал, ведь жизнь — это праздник! А заниматься наукой в таких условиях как ни крути было интересно — при наличии ресурсов работать может каждый, попробуй что-то сделать без них. Хоть какие-то реактивы можно было купить на eBay. Литературу я находил в англоязычном интернете и даже покупал по оказии в Библио-Глобусе. К счастью, стипендии аспиранта хоть на что-то хватало.

Научный руководитель и заведующий лаборатории мне помогали, но до прорывов дело не дошло. Возможно, нужно было чаще копаться в стопке пожелтевшей от времени бумаги с «наработками в стол», складированной в лаборатории на подоконнике между цветками. 

Диссертация так и осталась неначатой, а эксперимент недоделанным (изучение биологических свойств и электронная микроскопия). Моих способностей и трудолюбия хватило только на химический синтез новых соединений, которые в ожидании дальнейших исследований успевали испортиться. Наука на практике заключалась в серьезных разговорах, написании посредственных статей, но радужных отчетов. Дожив до окончания аспирантуры, я «отдал долг Родине» и начал официальную трудовую деятельность. Поменял несколько сомнительных работ, после чего кривая «русской мечты» привела меня в IT, где до сих пор барахтаюсь.

Привычная многим картина, когда бизнес «с полей» запрашивает дополнительную аналитику, менеджер идет выбивать ресурсы команды под задачу, аналитик вручную «перемалывает» данные и собирает обновленные дашборды…проходят недели, бюрократические жернова перемалывают прибыль, "гиря ударяется о пол" и бизнес в итоге принимает решение «на глазок».

С приходом AI в индустрию бизнес-аналитики забрезжила надежда, что эти темные времена останутся только в воспоминаниях тех, кто еще застал пейджер и охоту на мамонта.

В сегодняшней статье разберём, как на базе версии Apache Superset с поддержкой MCP и связки Foundation Models от Cloud.ru можно собрать рабочего AI-агента аналитика, который фразу «построй мне аналитику по продажам» за минуты превращает в полноценный дашборд с возможностью скейлинга в продакшене.

Деплоите LLM? Значит, обвешиваете её гардами. Сначала safety, потом PII, потом prompt injection, потом toxic BERT - и в один прекрасный день обнаруживаете, что у вас 5 классификаторов на каждой ноде и 20 forward-ов на один пользовательский запрос.

GLiNER Guard - возможность схлопнуть этот стек в единый schema-driven энкодер. И да, его можно тоже промптить: через zero-shot + description.

Всем привет! Меня зовут Вадим, я — Data Scientist в компании Raft. Эта статья написана по мотивам моего выступления на конференции AiConf 2025. В ней мы разберём, какими метриками измеряется машинное разучивание и какие основные методы позволяют добиться контролируемого «забывания» без полного переобучения модели. Погрузимся в методы, метрики и бенчмарки, связанные с машинным разучиванием.

Недостаточно просто удалить конкретные примеры: модель может по-прежнему хранить их в параметрах и воспроизводить при другом контексте или атаке. И даже если забывание произошло, как убедиться, что при этом не разрушилась вся остальная функциональность модели?

Привет, Хабр! Меня зовут Музафаров Данил, я работаю DS инженером в компании Raft. В этой статье я протестирую OmniVoice — Open Source TTS модель, вокруг которой сейчас много внимания, и проверю, насколько хорошо она справляется с русскоязычными бизнес‑сценариями: числами, датами, ФИО, аббревиатурами, смешанным русско‑английским текстом, а также длинной озвучкой.

Всем привет! Меня зовут Артем, я Data Scientist в компании Raft Digital Solutions. В этой статье расскажу про свой опыт работы с HunyuanOCR end-to-end моделью от Tencent для распознавания текста на 1B параметров. Несмотря на громкие заявления о «SOTA-результатах» и компактности, в публичных обзорах практически не описано, как эта модель ведет себя в реальных задачах: с чем приходится столкнуться при настройке окружения, почему она может уйти в бесконечное зацикливание и как заставить её эффективно парсить сложные таблицы на обычном «железе».

Поделюсь результатами своих экспериментов, покажу боевые промпты и объясню, в каких сценариях этот OCR-инструмент реально помогает экономить время, а где лучше даже не пытаться его использовать.

По мере стремительного развития агентных систем всё больше компаний — как крупных, так и небольших — рассматривают возможность интеграции агентов в свои рабочие процессы. Неудивительно, что многие лица, принимающие решения в этих компаниях, относятся к надёжности агентов с изрядной долей здорового скептицизма. Против недобросовестного сотрудника можно применить дисциплинарные взыскания и другие меры, но что делать с недобросовестным ИИ?

Компании во многих отраслях переходят от AI-экспериментов к масштабным внедрениям, сталкиваясь с трудностями в оценке сопутствующих издержек. Традиционные фин.модели не всегда отражают экономическую сложность развертывания и сопровождения AI решений, что приводит к заблуждениям в сравнении альтернативных вариантов решений.

В сегодняшней статье разберем LCOAI - адаптированный для AI подход к оценке стоимости владения цифровым продуктом - и ответим на вопрос "Сколько же стоит внедрить этот ваш ИИ?“.

Пилот запущен, ожидаемые бизнес-эффекты подтверждены, техническая реализуемость доказана - ваша AI инициатива готова к «раскатке» на уровень всей организации. Разбираем, как провести контролируемый скейлинг AI решения на продакшене, сохранив и приумножив достигнутые эффекты.

Полное описание фреймворка можно найти здесь.

Ваша AI инициатива требует разработки и внедрения своего кастомизированного решения? → В сегодняшней статье разбираем раздел AI КОМП-АС, описывающий подход к формированию архитектурно-продуктового дизайна AI сервисов, позволяющий снизить риски «войти не в ту дверь» и разработать продукт с контролируемой возвратностью инвестиций, отвечающий вашим целям.

Полное описание фреймворка можно найти здесь.

У вашей организации есть список AI инициатив, с помощью которых вы хотите трансформировать существующие бизнес-процессы, чтобы достичь стратегических целей. Но как подступиться к их имплементации? С чего следует начать? Что делать, а что нет?

You can do anything but you can’t do everything - можно реализовать что-угодно, но нельзя получить все везде и сразу.

В сегодняшней статье мы рассмотрим подход к оценке потенциала и приоритезации списка инициатив с помощью AI Tech Gartner’s Sandwich, после чего построим реалистичную дорожную карту AI трансформации организации, исходя из достижимости и ожидаемых эффектов выбранных инициатив.

Полное описание фреймворка можно найти здесь.

Это вторая часть обзора моделей для задачи синтеза речи (Text-to-Speech). В прошлой части я сравнил 7 Open Source моделей для этой задачи по нескольким критериям. В этот раз я решил посмотреть не только на Open Source-модели, но и на проприетарные TTS-решения.

Мы подошли к этапу, где наконец перекинем мостик от анализа текущего состояния организации и бизнес-целей к технологиям и имплементации процесса AI трансформации. Ниже я опишу подход, позволяющий оценить достижимость намеченной стратегии и подготовиться к формированию реализуемой дорожной карты изменений. Отвечаем на вопрос: Можем ли дойти?

Полное описание фрейморка можно найти здесь.

Продолжаем разбирать по буквам AI КОМП‑АС, навигационный фреймворк внедрения технологий искусственного интеллекта в бизнес — в данной статье ответим на очевидные, но при этом часто игнорируемые вопросы: О: Откуда мы выходим? Зачем организации понимать, где она сейчас, чтобы прийти туда, куда она хочет? Как это сделать?

Полное описание фрейморка можно найти здесь.

Успехи, а особенно провалы во внедрении AI последних лет постепенно приводят бизнес к подходу осознанного освоения технологий, основанного на понимании, что AI — это пусть и мощный, но лишь инструмент, а не цель, и что эффекты от внедрения технологий в организации в первую очередь определяются ее качественно проработанной бизнес‑стратегией, дающей возможность качественно выявить возможности и гэпы и определить точки применения технологических решений.

Начинаем детально разбирать AI КОМП‑АС фреймворк — полное описание можно найти здесь.

Как организации внедрять AI, чтобы максимизировать ценность, ограничить риски и оказаться в выигрыше? 

Чтобы ответить на этот вопрос, запускаем цикл статей, описывающих AI КОМП‑АС фреймворк, в котором собраны знания и 14-летний опыт разработки и внедрения решений на базе AI и ML для наших клиентов в России и зарубежом.

MCP выглядит как удобный способ структурировать LLM-приложение, но за это приходится платить. При этом попытки «ускорить систему» через C++, IPC или смену сериализации не всегда дают ожидаемый результат. В статье разбираю, где на самом деле возникает latency и почему архитектура оказывается важнее, чем выбор технологий.

Когда персональные данные пользователей попадают в LLM-агента, возникает выбор: либо передавать их как есть, либо предварительно анонимизировать. Второй вариант очевидно безопаснее, но появляется вопрос — насколько агент деградирует, если вместо "Иванов Иван" он видит "PERSON_1" или "XXXXXXXX"?

Мы проверили это на быстро поднятом минималистичном банковском агенте с помощью Hivetrace Dataclean. Отправили в него по 102 синтетических запроса в трёх вариациях входных данных (чистые, маска, псевдонимы), оценка через DeepEval LLM-as-a-judge. Результаты — ниже.

Если вы давно работаете в безопасности или IT, то хорошо знаете этот сценарий, когда разработчик уходит из компании и его аккаунт деактивируется, но где-то в AWS тихо лежит IAM-ключ с правами админа, который он создал «на время». Никто не знает, что он есть, и никто не знает, что с ним делать. Он будет лежать там ещё два года.

Управление сервисными аккаунтами, API-ключами, OAuth-сертификатами проблема не новая. Однако, с приходом вездесущих ИИ-агентов появился свежий термин Non-Human Identity (NHI). Почему же вдруг NHI захватил конференции и слайды инвесторов?