Добрый день! Согласен с комментарием GG1KENOBI, лучше начать с базы:
Разобраться в нейросетях (хотя можно начать и с классического ML, но это потребует больше времени). В своё время мне очень помогли видео этого автора (https://www.youtube.com/watch?v=xMz7XSaqdRA) он очень подробно разбирает, как в внутри нейросетей всё работает и сразу прописывает это в коде. Хорошая отправная точка без занудной теории. Также интересно было слушать цикл лекций от Аббакумова Вадима Леонардовича (https://www.youtube.com/watch?v=orgXajB6z58), с ним можно разобраться в основных техниках (регуляризация, нормализация и т.д) причём на понятном языке. Или можно посмотреть плейлист от selfedu (https://www.youtube.com/watch?v=PvXDWPVJUPg&list=PLA0M1Bcd0w8xUIMIPSoiW05lDyPNPt4tf), также на практике всё показывает и рассказывает. Понятно, что все видео смотреть не нужно, по ходу просмотра, сформируется понимание, что нужно, а что нет.
После того, как появилось понимание принципа работы нейронных сетей, можно начать разбираться в основных архитектурах. Тут очень кстати книга Николенко (https://djvu.online/file/hvNHupS7Aoyui). Но местами она может быть сложной, если в математику сильно не углублялись. Поэтому хорошая тактика — посмотреть основные архитектуры, а что не понятно, то уже искать в интернете.
Когда с архитектурами всё стало понятно, то можно переходить к современным решениям. Ради интереса позапускать модели с помощью Transformers (LLM, эмбеддеры, реранкеры, например). Понять, какие задачи решает каждый тип моделей (На Hugging Face все модели расположены по задачам, что очень удобно). Можно разобраться с фреймворками инференса (llama.cpp или vllm, если есть видеокарта), потому что чаще всего с моделями придётся работать через них (или через API, но суть одна). Там тоже есть, что изучить: Function Calling, Structured Output, конфигурации запуска и прочее.
Ну и на каждый шаг лучше всего подкреплять практикой. На этапе знакомства с нейронными сетями хорошо подойдёт Kaggle, в котором можно порешать задачи классического ML с помощью нейронок, а потом можно начать делать свои pet-проекты. Реализовать классификатор эмоций, RAG-систему и много чего ещё интересного.
Примерно так это вижу. Можно, конечно сказать, что некоторые пункты лишние, некоторые можно расширить. Но тут надо просто начать, а там уже будет столько новых понятий, которые придётся разбирать, что вы уже сами начнёте выстраивать свой путь в ИИ.
Добрый день, спасибо за оценку моей работы) Существует множество чатов в телеграм, в которых можно найти оочень много полезной информации. Можете написать мне в тг, и я скину вам список своих фаворитов.
Отличная идея для следующего экспресс-исследования. Qwen3 Reranker хотел потестить в прошлом проекте, но из-за ограничений в GPU пришлось отказаться. Больше внимания уделил LLM моделям Qwen3, которые мне очень понравились. С Jina-моделями не сталкивался ещё, поэтому было бы хорошо выделить время и протестировать то, что вы предложили. Спасибо за идею!
Все количественные метрики, примеры ошибок (без них ни как) и подобное будет во второй части — там мы поговорим про это подробнее. В текущем сравнении я сознательно зафиксировал LLM и эмбеддеры, чтобы сфокусироваться на различиях RAG-техник. Хотя в реальных проектах, действительно, стоит перебирать разные модели и эмбеддеры из-за смещений.
Постараюсь скорее закончить вторую часть, чтобы уже можно было увидеть цифры, графики и примеры работы. Но пока работа вносит свои корректировки :)
Интересная тема. Видел, что один стартап наносил на футболки особые геометрические рисунки (патчи), которые ломали модели детекции лиц. Получалось, что камера с такой моделью могла просто не замечать человека. Боюсь предположить, кому это нужно.
Приятно слышать, что статья помогла вам! Будем работать дальше
Серьёзное у вас направление) Спасибо за оценку проделанной работы!
Сразу вспомнилась картинка))
Спасибо за поднятое настроение. Теперь в резюме буду писать LLM-феодал.
Добрый день! Согласен с комментарием GG1KENOBI, лучше начать с базы:
Разобраться в нейросетях (хотя можно начать и с классического ML, но это потребует больше времени). В своё время мне очень помогли видео этого автора (https://www.youtube.com/watch?v=xMz7XSaqdRA) он очень подробно разбирает, как в внутри нейросетей всё работает и сразу прописывает это в коде. Хорошая отправная точка без занудной теории. Также интересно было слушать цикл лекций от Аббакумова Вадима Леонардовича (https://www.youtube.com/watch?v=orgXajB6z58), с ним можно разобраться в основных техниках (регуляризация, нормализация и т.д) причём на понятном языке. Или можно посмотреть плейлист от selfedu (https://www.youtube.com/watch?v=PvXDWPVJUPg&list=PLA0M1Bcd0w8xUIMIPSoiW05lDyPNPt4tf), также на практике всё показывает и рассказывает. Понятно, что все видео смотреть не нужно, по ходу просмотра, сформируется понимание, что нужно, а что нет.
После того, как появилось понимание принципа работы нейронных сетей, можно начать разбираться в основных архитектурах. Тут очень кстати книга Николенко (https://djvu.online/file/hvNHupS7Aoyui). Но местами она может быть сложной, если в математику сильно не углублялись. Поэтому хорошая тактика — посмотреть основные архитектуры, а что не понятно, то уже искать в интернете.
Когда с архитектурами всё стало понятно, то можно переходить к современным решениям. Ради интереса позапускать модели с помощью Transformers (LLM, эмбеддеры, реранкеры, например). Понять, какие задачи решает каждый тип моделей (На Hugging Face все модели расположены по задачам, что очень удобно). Можно разобраться с фреймворками инференса (llama.cpp или vllm, если есть видеокарта), потому что чаще всего с моделями придётся работать через них (или через API, но суть одна). Там тоже есть, что изучить: Function Calling, Structured Output, конфигурации запуска и прочее.
Ну и на каждый шаг лучше всего подкреплять практикой. На этапе знакомства с нейронными сетями хорошо подойдёт Kaggle, в котором можно порешать задачи классического ML с помощью нейронок, а потом можно начать делать свои pet-проекты. Реализовать классификатор эмоций, RAG-систему и много чего ещё интересного.
Примерно так это вижу. Можно, конечно сказать, что некоторые пункты лишние, некоторые можно расширить. Но тут надо просто начать, а там уже будет столько новых понятий, которые придётся разбирать, что вы уже сами начнёте выстраивать свой путь в ИИ.
Успехов вам!
P.S. Если будут вопросы, то пишите в тг
Добрый день, спасибо за оценку моей работы)
Существует множество чатов в телеграм, в которых можно найти оочень много полезной информации. Можете написать мне в тг, и я скину вам список своих фаворитов.
Значит, точно будем тестировать Jina)) Но уже в рамках мини-исследования в тг. Спасибо большое за обратную связь ;)
Отличная идея для следующего экспресс-исследования. Qwen3 Reranker хотел потестить в прошлом проекте, но из-за ограничений в GPU пришлось отказаться. Больше внимания уделил LLM моделям Qwen3, которые мне очень понравились. С Jina-моделями не сталкивался ещё, поэтому было бы хорошо выделить время и протестировать то, что вы предложили. Спасибо за идею!
Отлично, вы на верном пути!
Спасибо за поддержку!)
Спасибо большое, очень приятно это слышать!
Все количественные метрики, примеры ошибок (без них ни как) и подобное будет во второй части — там мы поговорим про это подробнее. В текущем сравнении я сознательно зафиксировал LLM и эмбеддеры, чтобы сфокусироваться на различиях RAG-техник. Хотя в реальных проектах, действительно, стоит перебирать разные модели и эмбеддеры из-за смещений.
Постараюсь скорее закончить вторую часть, чтобы уже можно было увидеть цифры, графики и примеры работы. Но пока работа вносит свои корректировки :)
Интересная тема. Видел, что один стартап наносил на футболки особые геометрические рисунки (патчи), которые ломали модели детекции лиц. Получалось, что камера с такой моделью могла просто не замечать человека. Боюсь предположить, кому это нужно.
Точно. А надо было просто перейти от ReLU к SiLU)