Одной из главных моделей серии Gemini 1.5 является Gemini 1.5 Pro. Это новейшая версия больших языковых моделей (LLM) от Google, которая вызвала значительный интерес благодаря своим усовершенствованным возможностям. Она особенно эффективна при работе с задачами, требующими учета длинного контекста, и при взаимодействии с различными типами данных. Эта модель демонстрирует значительное улучшение производительности по сравнению с предшественниками, что делает её идеальным инструментом для разработчиков и исследователей, стремящихся максимально эффективно использовать искусственный интеллект.

В статье о главных особенностях и возможностях этой модели, цене и о том, как получить к ней доступ.

Группа исследователей из Quantinuum совершила значительный прогресс в создании квантового ИИ, представив первую масштабируемую модель квантовой обработки естественного языка (QNLP) — QDisCoCirc. Эта модель объединяет квантовые вычисления с ИИ, решая текстовые задачи, такие как ответы на вопросы, и открывает новые возможности для интерпретируемости и прозрачности в ИИ.

В отличие от традиционных «черных ящиков», где решения ИИ остаются непонятными, QDisCoCirc позволяет наблюдать внутренние квантовые состояния и связи между словами, обеспечивая прозрачность процесса принятия решений. Используя метод композиционного обобщения, эта модель эффективно обрабатывает большие наборы данных и может применяться в юриспруденции, медицине, финансах и других областях.

Хотя текущие квантовые процессоры ограничены по масштабам и точности, а исследование сосредоточено на упрощенных задачах, стремительное развитие квантовых технологий и амбициозные планы команды обещают значительные достижения в будущем.

В статье о том, как квантовые компьютеры могут изменить наше понимание и применение ИИ.

Модели OpenAI серии o1 —  это новые большие языковые модели, обученные с помощью подкрепления для выполнения сложных рассуждений. Модели o1 думают, прежде чем ответить, и могут создавать длинную внутреннюю цепочку рассуждений, прежде чем ответить пользователю.

В статье об ограничениях бета-версии, о том, как работает новая модель OpenAI, особенностях промптинга и других тонкостях.

Краткий обзор и перевод исследования Large Language Model-Based Agents for Software Engineering: A Survey, которое посвящено применению интеллектуальных агентов на основе больших языковых моделей (LLM) в разработке. Авторы анализируют 106 работ, классифицируя их по задачам и архитектуре.

Примечание: в тексте LLM-агенты представлены в виде названия и номера в квадратных скобках, например CodeAct [85]. В разделе References оригинальной статьи можно найти названия исследований по каждому агенту по номеру.

Начну с небольшой шутки:

"Знаете ли вы, что до изобретения часов людям приходилось активно ходить повсюду и спрашивать время?"

Этот незамысловатый анекдот иллюстрирует важную концепцию: информация, доступная одному члену группы, может распространяться среди остальных. Эта идея имеет глубокий смысл и находит применение во многих областях.

Рассмотрим самоорганизующиеся системы в природе, например, стаи птиц или рыб. Представим такую систему как совокупность частиц, где каждая особь – это отдельная частица. Можно предположить, что движение каждой частицы в пространстве определяется двумя основными факторами:

Индивидуально оптимальная позиция: то, что особь считает наилучшим для себя.

И глобально оптимальная позиция: определяемая коллективным взаимодействием частиц, своего рода "инструкция", получаемая особью от "лидера группы".

В связи с этим возникает естественный вопрос: что считать "оптимальным" в природе? Что является наилучшим для отдельной особи и для всей группы? Не будучи биологом, я не могу дать ответы на эти вопросы. Однако, наблюдая за подобным поведением в природе, мы можем разработать эффективный алгоритм оптимизации. Другими словами, определив критерии "оптимальности", мы можем применить этот эволюционный подход для оптимизации заданной функции.

Данный алгоритм известен как оптимизация роем частиц (Particle Swarm Optimization, PSO). Возможно, это звучит несколько сложно. Что подразумевается под "оптимизацией"? Какова роль математики в этом процессе? Что именно оптимизируется? В статье я постараюсь подробно разъяснить все эти моменты. Более того, мы применим ООП на Python для создания собственного класса ParticleSwarmOptimizer(). И таким образом, мы пройдем путь от теоретических основ PSO до их практической реализации.

Итак, приступим! Желаю приятного чтения.

В современном мире цифровых технологий взаимодействие с клиентами выходит на новый уровень. Чат-боты, управляемые искусственным интеллектом, становятся незаменимыми помощниками в различных сферах бизнеса, обеспечивая быстрое и эффективное обслуживание 24/7. Однако создание действительно "умных" и многозадачных ботов часто требует глубоких технических знаний и существенных ресурсов.

Именно здесь на помощь приходит интеграция двух инновационных платформ - BotHub и VK CXhub. Эта синергия открывает новые возможности для разработки интеллектуальных чат-ботов без необходимости погружения в сложности программирования. Благодаря удобному конструктору VK CXhub и мощным ИИ-моделям BotHub, создание виртуальных ассистентов нового поколения становится доступным для широкого круга пользователей.

В этой статье мы подробно рассмотрим интеграцию BotHub и VK CXhub, изучим преимущества, которые она предоставляет, и разберем пошаговую инструкцию по ее использованию. После прочтения вам не составит никакого труда собрать своего умного чат-бота с начинкой из ChatGPT. Поехали!

Человеческий разум, столь сложный и удивительный, далеко не безупречен. Десятилетия исследований в области когнитивной психологии показали, что наше мышление подвержено систематическим ошибкам, известным как когнитивные искажения. Например, Канеман и Тверски открыли глаза на то, как часто мы подвергаемся влиянию искажений, даже когда абсолютно уверены в рациональности принятого решения. Мы склонны видеть мир не таким, какой он есть, а сквозь призму собственных предубеждений и упрощений. Но что, если эти же искажения проявляются и у искусственного интеллекта?

Конечно, ИИ может быть подвержен искажениям, исходящим из обучающих выборок и алгоритмических ограничений. Например, данные, на которых обучаются модели, могут содержать предвзятости, а сами алгоритмы могут формировать выводы, основанные на неявных предположениях. Но насколько передовые модели подвержены этим искажениям?

В этой статье мне бы хотелось обратиться к ChatGPT-4o и проверить именно ее и попробовать выявить потенциальные искажения.

Приятного прочтения (:

Программисты не понаслышке знают, как важно периодически давать отдых уставшим запястьям. И в этом случае возможность диктовки текста – будь то во время длительных сессий программирования или в стремлении к более эргономичной организации работы – может стать настоящим спасением. В данном туториале я вместе с вами подробно рассмотрю процесс создания современного инструмента для транскрибации речи в текст на языке Python, отличающегося высокой скоростью и точностью благодаря использованию ИИ, а именно API Whisper от Groq.

Наша цель – разработать скрипт, работающий в фоновом режиме и позволяющий активировать голосовой ввод в любом приложении простым нажатием кнопки. После отпускания кнопки скрипт мгновенно преобразует речь в текст и автоматически вставит его в активное поле ввода. Таким образом, мы получаем возможность голосового ввода практически в любом вашем приложении.

Приятного прочтения!

ChatGPT-4 — модель от OpenAI, которая умеет генерировать тексты, отвечать на вопросы, решать задачи, писать код и даже анализировать изображения. Но, чтобы получить к ней доступ, нужно оформить подписку на сайте OpenAI за 20$ в месяц. Для жителей России задача усложняется необходимостью обхода ограничений. Нужно не только найти иностранную карту, чтобы оплатить подписку, но и воспользоваться VPN.

Мы собрали топ-4 сервиса, с помощью которых можно попробовать ChatGPT-4 абсолютно бесплатно. В этой статье рассмотрим преимущества и ограничения каждого сервиса и сравним их друг с другом.

Не секрет, что ИИ-инструменты становятся все более доступными, открывая широкие возможности для решения самых разных задач. В данной статье мы представляем вашему вниманию подборку лучших бесплатных нейросетей, способных удовлетворить самые разнообразные потребности: от генерации контента и обработки данных до оптимизации рабочих процессов и организации увлекательного досуга.

Приятного прочтения!

В погоне за созданием сверхчеловеческого интеллекта (ASI) исследователи ИИ все чаще обращаются к концепции открытых систем. Но что делает открытые системы столь многообещающими в контексте достижения ASI, и каковы фундаментальные принципы, лежащие в основе этого подхода?

В этой статье мы погрузимся в техническое определение открытости через призму новизны и обучаемости, рассмотрим примеры существующих открытых систем, таких как AlphaGo, AdA и POET, и исследуем их потенциал на пути к ASI.

Мы также обсудим ключевые подходы и проблемы безопасности и контроля, связанные с развитием открытых систем. Словом, полностью погрузимся в тему. Присоединяйтесь к нам в этом исследовании и рассуждению на тему open-source систем!

Приятного прочтения:)

Совсем недавно Meta представила миру Llama 3.1 405B - новую открытую модель, бросающую вызов признанным лидерам, таким как GPT-4o и Claude-3.5 Sonnet.

15 триллионов токенов, 16 000 графических процессоров H100, улучшенные возможности рассуждений и генерации кода - впечатляющие характеристики. Но действительно ли Llama 3.1 способна состязаться с закрытыми моделями? В этой статье мы проведем независимое расследование: сравним возможности Llama 3.1 405B с GPT-4o и Claude 3.5 Sonnet на ряду задач, от программирования до творческого письма, и попробуем понять, насколько она готова к практическому применению.

Приятного прочтения! (:

Резкое падение акций технологических компаний в понедельник (их общая стоимость сократилась на 800 миллиардов долларов) снова породило споры на тему ИИ. Прошло почти три года с момента появления ChatGPT, и технологические гиганты инвестируют в генеративный ИИ и возможный сверхинтеллект больше, чем когда-либо. Но, поскольку на данный момент затраты намного превышают прибыль от ИИ, а темпы инноваций, похоже, замедляются, инвесторы начинают задаваться вопросом — сможет ли Кремниевая долина окупить эти расходы?

Когда в последний раз вы сталкивались с трудной для понимания темой? Или проводили часы за просмотром обучающих видео на YouTube?

Существует множество эффективных методик обучения, позволяющих усвоить сложные концепции и обрести уверенность в своих знаниях. Если вы, как и я, постоянно стремитесь к саморазвитию, то понимаете важность правильного подхода к обучению. Одним из наиболее простых и действенных методов является техника Фейнмана.

В этой статье я расскажу, как эффективно применять метод Фейнмана и использовать искусственный интеллект для восполнения пробелов в знаниях.

По окончании чтения вы научитесь использовать ChatGPT для разбора сложных концепций и их интуитивного освоения всего за четыре простых шага.

Как далеко продвинулся искусственный интеллект в умении создавать тексты? От имитации стиля классиков литературы до написания путеводителей по вымышленным мирам — современные нейросети демонстрируют удивительные способности к генерации текстового контента самых разных форматов.

В этой статье мы рассмотрим работу различных ИИ-моделей на примере четырех нестандартных промтов, анализируя их сильные стороны, слабости и потенциал для дальнейшего развития.

Приятного прочтения(:

Ранее мы разбирали документ о неизбежности AGI от Леопольда Ашенбреннера, в котором говорилось о «Стене данных». Проблема заключается в том, что данные для обучения новых ИИ-моделей в интернете не бесконечны. Один из подходов для обхода этой стены — создание синтетических данных, т.е сгенерированных ИИ. Ученые из Оксфордского и Кембриджского университетов опубликовали статью, в которой исследуют возможность использования таких данных при обучении новых моделей. Небольшой спойлер: модели сломались.

В настоящее время большая часть исследований, связанных с применением искусственного интеллекта в медицинской сфере, посвящена степени компетентности (и повышению ее уровня) ИИ в вопросе генерации каких-либо рекомендаций для пациентов. При этом, вопрос отношения самих пациентов к медицинским советам от ИИ редко обозревается, хотя, учитывая комментарии к таким исследованиям (даже на хабре :) ), ясно, что актуальности этот вопрос не лишен.

В данной статье я расскажу о результатах эксперимента, посвященному выявлению разницы восприятия советов, созданных человеком, ИИ и человеком+ИИ. Если раньше казалось, что ИИ – “зло”, а взаимный труд профессионалов и сил искусственного интеллекта – ключ к успеху, то теперь все не так однозначно.

Приятного прочтения :)

Мир стоит на пороге новой эры цифрового творчества, где воображение обретает форму не только с помощью кисти и холста, но и благодаря строчкам кода. Искусственный интеллект, некогда фантастическая идея, становится повседневной реальностью, предлагая художникам, дизайнерам и просто энтузиастам новые инструменты для воплощения своих идей. Одной из самых захватывающих областей в этом контексте является генерация видео с помощью ИИ. Представьте себе: вы описываете свою идею, а интеллектуальный алгоритм превращает её в захватывающий видеоролик, полный движения, цвета и эмоций. Звучит невероятно? Тем не менее, это уже реальность благодаря таким моделям, как Sora, Kling, Runway Gen-3, Veo и Dream Machine.

Приятного прочтения (:

Мир нейросетей развивается с невероятной скоростью. Ещё вчера генерация изображений по текстовому описанию казалась чем-то фантастическим, а сегодня уже существуют десятки сервисов, соревнующихся в качестве и реалистичности результатов. Но как выбрать инструмент, который подходит именно вам?

В этом обзоре мы не будем загружать вас техническими подробностями и сложными терминами. Мы пойдём другим путём — протестируем популярные нейросети на конкретном задании и посмотрим, кто справится лучше.

Приятного прочтения (:

GenAI стремительно ворвался в нашу жизнь. Ещё вчера мы с опаской смотрели на него, а сегодня уже вовсю используем в работе. Многие эксперты пророчат GenAI большое будущее, считая его предвестником новой промышленной революции.

И ведь действительно, LLM и мультимодальные модели уже сейчас демонстрируют впечатляющие возможности и при этом относительно просты во внедрении. Создать простое приложение на их основе - дело нескольких строк кода. Однако переход от эксперимента к стабильному и надежному решению — задача посложнее.

Как метко подметил Мэтт Тёрк: если в 2023 году мы боялись, что GenAI нас погубит, то в 2024-м мечтаем хоть как-то приручить его и запустить в "мелкосерийное производство".

Если вы уже успели создать свои первые LLM-приложения и готовы вывести их на новый уровень, эта статья для вас. Мы рассмотрим 17 продвинутых RAG-техник, которые помогут избежать типичных ошибок и превратить ваш прототип в мощное и стабильное решение.

Пристегните ремни, мы отправляемся в увлекательное путешествие по миру AGI! Вместе мы:

Поймем, как система отличает ценную информацию от информационного шума;

Разберемся, как правильно подготовить данные для LLM;

Выясним, можно ли строить цепочки из нескольких LLM;

Поймем, как направлять запросы через разные компоненты системы.

Приятного прочтения(: