В предыдущей статье был рассмотрен способ интеграции ИИ-ассистентов в процесс торговли на бирже. Чтобы углубиться в проектирование ИИ‑приложений, я решил доработать проект. В данной части опишу, как реализовал механизм GuardRails, а именно технику Human‑In‑The‑Loop.

В процессе работы с фреймворком LangChain была обнаружена существенная проблема в чат-классах (ChatOpenAI, ChatDeepSeek и др.) при интеграции с различными провайдерами и агрегаторами LLM. Ни один из них не сохраняет содержимое блока рассуждений (reasoning content) в финальном ответе, что увеличивает время ожидания ответа пользователем и негативно сказывается на UX ИИ-приложений, использующих CoT-модели.

В данной статье я расскажу как можно решить эту проблему на примере модели stepfun/step-3.5-flash и провайдера polza.ai.

С тех пор как я начал изучать рынок ценных бумаг у меня возникла мысль: "А почему-бы не автоматизировать весь процесс анализа и покупки акций на бирже?". Идея о создании торгового робота не покидала меня около пяти лет и вот что из этого вышло.

С ростом популярности ИИ-Агентов, а также фреймворков для их реализации, становится целесообразно их применение в этой сфере.

Многие уже пробовали использовать ИИ-Агентов в торговле. Как например, в статье "Мы заставили ИИ-модели торговать на бирже. И вот что из этого вышло" освещены результаты торгов на различных биржах, на Reddit куча обсуждений о том, могут ли агенты приносить прибыль на торговле как криптовалютой, так и ценными бумагами.

В данной статье я хочу продемонстрировать применение ИИ-Агентов, как новый вид взаимодействия с биржей. Это даст возможность к привлечению новых инвесторов за счет использования приятного и понятного пользователям чат-интерфейса.

Разберемся как обучать модели timm с использованием Fastai! Покажу как я решил эту задачу с примером кода и объяснениями.