Сегодня компании активно внедряют ИИ-агентов — системы, способные достигать сложных целей без постоянного надзора. Умные агенты не просто автоматизируют повторяющиеся задачи: они решают конкретные бизнес-задачи и персонализируют клиентский опыт.

Компания IBM провела опрос, в котором приняли участие 750 топ-менеджеров из шести стран. Более 80% респондентов считают автоматизацию глобальных сервисов стратегическим приоритетом, а 86% уверены, что к 2027 году компании станут эффективнее именно благодаря ИИ-агентам. Что это значит для людей?

Недавно команда энтузиастов решила провести необычный эксперимент: предоставить нескольким ИИ-агентам виртуальные компьютеры, доступ в интернет и минимум модерации. В итоге они не только автономно собрали почти $2 000 на благотворительность, но и попутно выдали кучу инсайтов о том, как сегодня они действуют «на свободе». Разбираемся, что получилось, почему это интересно, а местами даже пугающе.

Представьте: вы хотите протестировать новую кнопку «Купить», но для статистически значимых выводов нужны тысячи пользователей и недели анализа. А теперь забудьте об этом. В статье «AgentA/B: Automated and Scalable Web A/BTesting with Interactive LLM Agents» авторы рассказывают, как заменить живую аудиторию автономными ИИ-пользователями на базе LLM – и получать точные A/B‑результаты за считанные часы и копейки бюджета. Давайте узнаем, как это работает.

2025‑й год становится переломным для искусственного интеллекта (ИИ): технология уже активно формирует современную экономику, науку и политику. В этом обзоре мы рассмотрим ключевые выводы AI Index 2025 от Стэнфордского университета, проанализируем пессимистичный и оптимистичный взгляд на дальнейшее развитие ИИ.

Привет, Хабр! Я Андрей, технологический предприниматель и консультант по ИИ.

Январь вновь оказался насыщенным месяцем на прорывные исследования в сфере искусственного интеллекта (ИИ). В этой статье я отобрал десять работ, которые ярко демонстрируют, как современные методы обучения с подкреплением (RL), мультиагентные системы и мультимодальность помогают ИИ-агентам не только решать сложнейшие задачи, но и приближаться к пониманию мира «на лету». А также расскажу о «последнем экзамене человечества», как обучать роботов, лаборатории ИИ-агентов и других актуальных исследованиях.

Привет, Хабр! В этой статье расскажу о фреймворке Simularity: как мы за 5 часов на одной Nvidia Quadro RTX 8000 обучили ИИ гоночного агента в CARLA-симуляции с помощью Reinforcement Learning и AR‑восприятия, а затем без дополнительного дообучения успешно запустили его на реальной трассе. Демо нашего исследования было принято в сборник воркшопов престижной научной конференции ICDM 2024 (International Conference on Data Mining, A*).

Привет, Хабр! Подходит к концу 2024 год — год, который был насыщен огромным количеством исследований в области искусственного интеллекта. Причём настоящий бум произошёл в сфере ИИ-агентов, их архитектур, механизмов принятия решений и способов обучения больших языковых моделей.

К концу года, после прочтения тонны статей, я решил поделиться с вами двадцатью (на мой субъективный взгляд) самыми интересными и влиятельными работами об ИИ-агентах за 2024 год. В этом материале я постараюсь не только кратко рассказать о ключевых идеях и результат и что именно делает каждую из этих статей выдающейся, но и сформулировать, куда в целом двигается область. Если вы хотите за несколько минут узнать о самых ярких новинках в мире ИИ-исследований — вы по адресу (будет, что почитать на каникулах).

Каждый день на свет появляются тысячи новых статей, и успеть прочитать все невозможно. Именно поэтому я создал Dataist AI — бота, который по будням пишет короткие обзоры на самые многообещающие научные публикации. Вы можете пользоваться им бесплатно.

Если вам интересна тема ИИ, мои кейсы и опыт, подписывайтесь на мой телеграм-канал, где я делюсь инсайтами, практическими советами и последними новостями из мира искусственного интеллекта.

Поехали!

Привет, меня зовут Андрей Кузьминых. Я технологический предприниматель, запускаю ИИ-стартапы и внедряю искусственный интеллект в компаниях. Некоторое время назад я работал в Сбере в роли директора по данным и ИИ, где мы с командой анализировали огромные массивы данных, строили ML-модели, создавали управленческие дашборды и рекомендательные сервисы. Но одним из самых интересных и нестандартных проектов стало создание первого в России корпоративного приложения для знакомств среди сотрудников – SberDating. Идея родилась из стремления помочь людям найти тех, с кем можно установить нечто большее, чем просто деловые отношения, – друзей, собеседников, а возможно, и любимого человека. Но чтобы понять, как мы к этому пришли, нужно вернуться на пять лет назад.

Если вам интересна тема ИИ, мои кейсы и опыт, подписывайтесь на мой телеграм-канал, где я делюсь инсайтами, практическими советами и последними новостями из мира искусственного интеллекта.

Привет, Хабр! Меня зовут Андрей, я технологический предприниматель, работаю CTO в ИИ-стартапах и помогаю внедрять ИИ в компаниях. Одним из громких кейсов для меня стала ИИ-трансформация Сбера. Сегодня хочу рассказать, как проходила ИИ-трансформация, и какие уроки стоит извлечь из этого опыта.

До ИИ-трансформации банка (2020 год) я работал в роли Chief Data Officer и Chief Data Scientist стратегического блока Сбера. Тогда ChatGPT еще не было, а об ИИ-революции всерьез почти не рассуждали. Конечно, в банках ИИ и ML активно использовались в кредитном скоринге и рекомендательных системах. 

В наши задачи входило макроэкономическое стресс-тестирование банка, анализ и прогнозирование банковских рынков, вывод новых продуктов на рынок, ресурсное планирование, анализ эффективности сотрудников, а также контроль над всеми процессами банка. Ежегодно наш блок формировал новую стратегию развития банка и экосистемы.

Одним из первых ИИ-проектов нашей команды до ИИ-трансформации была модель для прогнозирования эффективности сотрудников. Для обучения модели мы собрали большое количество данных из кадровых систем, систем контроля и учета доступов, социально-демографические показатели, психометрию, оценки сотрудников и другие данные. На тот момент это была единственная ИИ-модель в стратегическом блоке.

Направление было новым и использовалось для решения внутренних задач компании. Но все наработки пригодились, когда в компании объявили ИИ-трансформацию. 

Привет, я Андрей, технический директор в ИИ-стартапах. Продолжаю цикл статей о том, как технарям создать стартап с нуля. В предыдущей статье мы обсудили ключевые этапы развития стартапа с точки зрения технологий. Сегодня поговорим о главных объектах управления технологической стратегией. В этот раз кратко рассмотрим ключевые объекты управления, а в следующих статьях погрузимся в детали.

Эффективное управление стратегией требует понимания того, чем именно управляют. Рассмотрим основные объекты управления в рамках концепции Run-Change-Disrupt, предложенной компанией Gartner. Этот подход включает: RUN (поддержка повседневной деятельности компании), CHANGE (управление проектами по запуску новых продуктов и технологий) и DISRUPT (внедрение прорывных стратегических решений). Концепция позволяет создавать инновационные продукты, адаптироваться к изменениям и сохранять текущие рыночные позиции.

Запуск стартапа — это всегда куча вызовов и неопределенностей. В интернете полно советов по бизнесу, но редко кто рассказывает о запуске стартапа глазами CTO. Важно итеративно проверять гипотезы, подстраивая под них технологические решения. Для этого необходима четкая стратегия, о которой вы узнаете в этой статье.