AI и ML

80% компаний не готовы к внедрению ИИ

Об этом в рамках ежегодного мероприятия ОТП Банка Trend Watching 2025 рассказал директор по внедрению искусственного интеллекта и эффективности процессов ОТП Банка Дмитрий Маркосьянц. Он развеял главные иллюзии рынка относительно цифровых трендов 2025/2026 годов и поделился результатами внедрения AI-технологий в банке, экономический эффект от которых за 2025 год составил 1 млрд 030 млн рублей.

По оценке Дмитрия, несмотря на ажиотаж последних лет, около 80% компаний (в частности, в финтехе) сегодня технически не готовы к полноценной промышленной реализации ИИ. Главная причина — попытка перепрыгнуть неизбежные этапы эволюции при низком уровне базовой автоматизации.

«Мы видим много ручного труда и думаем: нужен ИИ. Но если нет стабильного процесса, понятных источников данных и API, то искусственный интеллект превращается в очень продвинутого водителя в машине, у которой нет колес. Водитель может быть гениальным, но авто все равно не поедет», — отметил он.

Одной из ключевых тем выступления стала трансформация подхода к разработке. Ожидание, что ИИ станет автономным разработчиком и перепишет сложный корпоративный ландшафт с legacy-кодом, не оправдалось из-за слишком широкого рабочего контекста и риска возникновения большого числа ошибок. Поэтому ОТП Банк сегодня проводит серию экспериментов с так называемыми «пет-проектами» (PET-projects).

Этот подход подразумевает сужение задачи до размера изолированного мини-агента, который закрывает конкретный «ручной разрыв»: переводит данные из системы в систему, сверяет источники или формирует документы по шаблону. «Это не революция за ночь, это практичная эволюция: находим разрыв, закрываем маленьким агентом и оркестрируем их на единой платформе».

Правильно выбранная стратегия уже приносит ощутимые плоды. Суммарный экономический эффект от внедрения технологий ИИ в ОТП Банке за 2025 год составил 1 млрд 30 млн рублей.

При этом наши коллеги подчеркивают, что универсальной формулы ROI для оценки эффекта от ИИ не существует, так как требуется учет большого числа переменных в зависимости от контекста. Для оценки эффективности ОТП Банк использует микс качественных и количественных данных, учитывая не только сокращение FTE (эквивалент полной занятости) или прямую экономию, но и рост производительности, скорость процессов, снижение операционных рисков и улучшение клиентского опыта (NPS).

chatGPT хочет максимально персонализироваться и подлизаться к пользователям. Мне показалось это совершенно очаровательным)

Поделитесь своими итогами, интересно посмотреть, что вышло у других людей)

На площадке Hugging Face вышли 12 бесплатных курсов по самым топовым направлениям ИИ:

• AI Agents: база по самой горячей теме года — учимся делать автономных агентов.

• LLM Course: как работают «мозги» современных чат-ботов и библиотек типа Transformers.

• Smol-course: если мало времени, это самый быстрый способ разобраться в тонкой настройке (fine-tuning) моделей.

• MCP Course: свежак, созданный вместе с Anthropic — учимся подключать ИИ к любым данным.

• Deep RL: всё про обучение с подкреплением (то, на чем гоняют роботы и OpenAI o1).

• ML для игр: как встроить нейронки прямо в геймдев.

• Robotics: путь от классических железяк до роботов на нейронках.

• Deep RL: всё про глубокое обучение с подкреплением (привет, OpenAI o1).

• Computer Vision: учим ИИ видеть и понимать изображения.

• Audio Course: работа со звуком и голосом через Transformers.

• Diffusion Course: полный гайд по генерации картинок и работе с библиотекой Diffusers.

• Open-Source AI Cookbook: отдельная имба — сборник готовых рецептов и кода для решения любых ИИ-задач.

Тестируем нейросеть «Kandinsky» от Сбера. Повод для тестирования крайне подходящий – приближаются новогодние праздники, время поздравлять клиентов компании. Желательно с использованием какой-нибудь красивой анимации.

Приступим?

Ищем точку входа в нейросеть. Увы, с первой рекомендованной Яндексом ссылкой на домен kandinsky.ai небольшая незадача: домен выставлен на продажу.

По счастью, один из советов Яндекса – GigaChat: он открывается с ПК и вполне функционален. Второй по счёту на стартовом экране GigaChat красуется кнопка «Создайте видео» – вот оно! Начнём.

Промпт: «Мне нужно короткое (10-15 секунд) зацикленное видео с фотореалистичным качеством – такое, чтобы последний кадр видео был идентичен первому кадру видео. Стоящий лицом к зрителю Дед Мороз с пышной белой бородой, в красном кафтане с меховыми белыми отворотами на рукавах, держит в широко расставленных руках крупную надпись на русском языке с текстом «[название компании] поздравляет вас с новым годом», инкрустированную по внутренней площади букв рубинами с широкой окантовкой из полированной, сияющей позолоты. Съёмочная камера сфокусирована на надписи в руках Деда Мороза, который стоит на размытом фоне уютной комнаты, освещённой тёплым светом ламп накаливания, в которой стоит нарядно украшенная ёлка с множеством переливающихся разноцветных огоньков и ярко поблёскивающих ёлочных игрушек. Улыбка у Деда Мороза то становится шире, то угасает, при этом Дед Мороз плавно наклоняет корпус своего тела то влево, то вправо и покачивает головой в такт наклонам».

Отправляем промпт и ждём.

Через несколько секунд получаем…нет-нет, что вы, не видео – а подробный, развёрнутый ответ нейросети Kandinsky – он стоит того, чтобы процитировать его хотя бы частично.

Шаги для реализации

1. Подготовка графики

Для начала подготовь ключевые кадры сцены:

• Фон: Сделай фотографию уютной комнаты с ёлкой, праздничным оформлением и мягким теплым освещением.

• Дед Мороз: Создай реалистичное изображение Деда Мороза с пушистой бородой и ярким красным кафтаном с белыми меховыми элементами. Его лицо и тело будут статичными, изменится лишь выражение лица и положение головы и корпуса.

• Надпись: Нарисуй или найди готовое оформление текста с эффектом драгоценных камней внутри букв и золотой каймой. Изображение надписи сделай крупнее, чтобы оно было заметно и читаемо даже крупным планом.

2. Создание композиции

Используя программу типа Photoshop или Affinity Photo, собери композицию из фона, Деда Мороза и надписи. Важно разместить персонажа и предмет на переднем плане, чётко выделяя объекты на размытом заднем фоне...

И так далее.

Для тех, кто не понял, что произошло: вместо генерации видео нейросеть Kandinsky от Сбера отправила мне подробную инструкцию по самостоятельному созданию видео в 3D-графике.

Для сравнения: представьте себе, что вы просите таксиста довезти вас по нужному адресу, а он вам в ответ – «Да легко! Идёшь пару километров прямо, на перекрёстке поворачиваешь направо, снова прямо сто метров, за двухэтажным зданием налево, спускаешься в подземный переход...»

Только задумайтесь: вот эта текстовая инструкция, с точки зрения Сбера – это и есть функционал под названием «Создать видео».

Перефразируя Генри Форда: «мы поможем вам создать видео любого качества при условии, что вы сами его создадите». Ну так ведь для этого и нужны нейросети, разве не так?

Публикация взята автором из своего блога.

Я давно живу, и как-то упустил из виду, когда произошла подмена понятия искусственного интеллекта в массовом сознании. Когда я учился дисциплине "Искусственный интеллект" в 1990-х годах, то никем не подвергалось сомнению, что предмет искусственного интеллекта состоит в реализации целесообразного поведения через самообучение. А сейчас почему-то этот предмет сужен до всего лишь выполнения классификации и генерации информации, а о поведении никто в западной школе ИИ уже и не вспоминает. Что-то тут не так.

ИИ всегда радикально тупее специалиста и по любой теме не более чем вводитель в заблуждения.

Мое пользование ИИ разных производителей привело за пару лет к некоему выводу.
Я являюсь профессионалом в нескольких предметных областях.
И вот во всех них что несет ИИ кажется мне глубокой чушью. Рассуждения малограмотного бездаря по теме в которой он вовсе не в курсе но очень хочет поговорить.
А вот в тех областях в которых я мало что понимаю ИИ выглядит вполне таким грамотным и разумным.
Но со всей очевидностью я понимаю, что в этих мало знакомых мне областях есть свои специалисты и уже они когда обращаются к ИИ видят в них откровенных дураков и лживых бездарей.
А в итоге если сложить всех специалистов и дать им оценить ответы ИИ то выясняется, что все эти модели создают лживых и малограмотных дилетантов, пригодных только для того чтобы морочить голову по темам в которых пользователь не разбирается.

Здравствуйте, хабровчане!
Подскажите, есть ли активные группы или чаты, где практически работают с ИИ: тестируют поведение моделей, сравнивают версии, проверяют гипотезы?

Не просто обсуждения и философия «что будет дальше», а именно по делу. Живое сообщество.

Если правила Хабра не позволяют делиться такими ссылками в комментариях, пришлите, пожалуйста , в личные сообщения.

От трейдера в хедж-фонде до продакт-оунера в Финаме: как искать «альфу», собирать портфели и зачем нужны хитрые ордера

Представляем новый выпуск подкаста.

Наш гость - Эмиль прошел путь от финансового инженера в Швейцарии до трейдера в алгоритмическом хедж-фонде, а теперь руководит развитием TradeAPI в Финаме. В этом интервью мы разбираем:

• что такое финансовый прайсинг и как ищут рыночную неэффективность («альфу»)

• как работает алгоритмический хедж-фонд изнутри и почему там ценят бесконфликтность больше, чем гениальность

• переход из трейдинга в продукт: чем занимается продакт-оунер в финтехе и как общение с клиентами формирует новый функционал

• что такое TradeAPI, кому он нужен и какие «хитрые ордера» появятся в будущем

• может ли ИИ заменить трейдера, почему бэктесты часто врут и стоит ли бояться, что вашу стратегию украдут

• учеба в Швейцарии, работа ассистентом профессора и почему лучшие знания получаются не на лекциях, а в личном общении.

Полезно для всех, кто интересуется финансами, финтехом, трейдингом и карьерой в IT-продуктах.

Наш подкаст доступен на всех удобных платформах:

Youtube | Apple Podcast | Яндекс Музыка | Spotify | VK Музыка

Бывший сооснователь OpenAI Андрей Карпати представил свой годовой обзор.

В начале года он выдвинул ключевые тезисы: наступила эра ПО 3.0 (управление промптами), LLM — это новая ОС, а для зрелости AI-агентов потребуется десятилетие.

В обзоре 2025 он выделяет шесть «смен парадигм»:

1. RLVR — обучение на проверяемых задачах.

Тренировка сместилась с субъективных человеческих оценок (RLHF) на задачи с точным ответом — код, математика. ИИ, решая миллионы таких задач, сам вырабатывает стратегии, похожие на рассуждение. Это «пожиратель» вычислительных мощностей, который не увеличил модели, но удлинил их обучение и дал «ручку» — заставить ИИ думать дольше (как в OpenAI o3).

2. ИИ — «призрак», а не «питомец».

Его интеллект «неровный» (Jagged Intelligence). Благодаря RLVR, в областях вроде математики способности ИИ взлетают «шипами», но в простой логике он может ошибаться. Это привело к «натаскиванию на тесты» и обесцениванию бенчмарков.

3. Cursor как «прораб».

Его успех показал, что прикладной слой LLM очень толст. Такие инструменты выступают инженером контекста, прорабом (управляя несколькими LLM) и пультом (регулируя автономность). Будущее — за связкой «универсальных студентов» (базовые модели) и «профбригад» (специализированные приложения).

4. Claude Code — локальный «киберпризрак».

Главное — его работа локально на вашем компьютере, а не в облаке. Это ключевое преимущество на текущем этапе, так как среда разработки, ключи и настройки — локальны.

5. Vibe Coding.

Кодирование без знания синтаксиса: достаточно описать задачу на естественном языке. Это стирает барьер для новичков, а для экспертов делает код «дешёвым» и одноразовым, что изменит индустрию.

6. Nano Banana — «лицо» для ИИ.

Текстовый интерфейс неудобен. Будущее — мультимодальные интерфейсы, где ИИ не выдает текст, а визуализирует ответ: рисует схему, генерирует страницу или интерактивную панель, переплетая логику и визуал.

Карпати считает, что даже сейчас используется менее 10% потенциала LLM. Прогресс будет быстрым, но работы ещё много.

OpenAI теперь позволяет пользователям напрямую регулировать уровень энтузиазма ChatGPT. Пользователи могут настраивать теплоту, энтузиазм и использование эмодзи чат-бота. Эти параметры (а также аналогичные настройки использования заголовков и списков в ChatGPT) теперь отображаются в меню «Персонализация» и могут быть установлены на «Больше», «Меньше» или «По умолчанию». Они позволяют пользователям дополнительно настраивать тон ChatGPT, помимо существующей возможности установить «базовый стиль и тон» — включая профессиональный, откровенный и необычный тона, которые OpenAI добавила в ноябре.

Тон ChatGPT был постоянной проблемой в этом году: OpenAI отменила одно обновление из-за того, что оно было «слишком льстивым», а затем скорректировала GPT-5, сделав его «теплее и дружелюбнее» после жалоб некоторых пользователей на то, что новая модель стала более холодной и менее дружелюбной.

«Теории всего» под копирку: как LLM создаёт иллюзию гениальности

Думаю вы видели такие тексты, где автор открыл универсальный закон мироздания, всё разложил по полочкам и теперь делится с миром. На первый взгляд — вау, гениально! А приглядишься и понимаешь: что‑то тут не так.

Что происходит? Берётся одна и та же базовая схема, чуть‑чуть перекрашивается и «уникальная теория» готова ! Причём чаще всего за этим стоит не кропотливая работа автора, а ChatGPT или другая большая языковая модель.

Примеры? Да сколько угодно:

где‑то это «информация – симметрии – поля – гравитация»;

где‑то — библейская троица как схема устройства вселенной;

а где‑то — «сознание = вычисление» или «мультивселенные = вероятности».

Одна суть обёрнутая в понятные пользователю слова.

Так получается , потому что LLM :

1. Учат говорить чётко и связно, поэтому модель мастерски соединяет несвязанные на первый взгляд темы.

2. Подстраивается под тебя. Говоришь научным языком — получишь формулы и термины. Используешь религиозные образы — будет про дух и божественный замысел. Пишешь как айтишник — получишь схемы и алгоритмы.

3. Переиспользует заготовки. Модель обучается на огромных массивах текстов и типовые куски постоянно гуляют по сети. В итоге получается такой «гладкий синтез» — красиво, складно, но без глубины.

4. Создаёт иллюзию авторства. Автору кажется, что это его собственные идеи и формулы. На деле — стандартные блоки, собранные под его стиль. Причём формулы чаще всего декоративные: «несложно показать», но никаких конкретных расчётов нет.

Распознать «LLM‑теорию всего» легко.

Вот короткий чек‑лист. Если нашли хотя бы три совпадения — перед вами не теория, а жанр:

1. Нет чётких границ. Где диапазоны применимости? Где оговорки «работает тут, но не там»?

2. Пропущены ключевые шаги. «Очевидно следует…» и всё, никаких доказательств.

3. Ссылки размыты. «Смотрите обзоры» вместо конкретной страницы и формулы.

4. Обозначения плывут. Индексы то появляются, то исчезают без объяснений.

5. Резкие смены темы. За один абзац от физики к психологии, а инструменты рассуждения те же.

6. Нет репликации. Ни кода, ни примеров, ни таблиц , только красивые слова.

И дело не в том, что кто‑то пишет красивые тексты. Проблема глубже: ИИ не создаёт понимание, а создаёт его иллюзию и это имеет последствия.

Гомогенизация идей:

Исследования (MIT, Корнелл) показывают, что ИИ-тексты сходятся к усреднённому, «безопасному» консенсусу, вытесняя уникальный стиль и мысль.

Замкнутый цикл:

Если ИИ обучать на текстах, созданных другими ИИ, происходит «копия копии» — необратимая деградация качества и разнообразия.

Когнитивные риски:

Слепое доверие к гладкому изложению ослабляет наши навыки критического анализа и глубокого мышления. «Иллюзия гениальности» оборачивается интеллектуальным обеднением.

Если вы заявляете, что создали «теорию всего», покажите:

Где она работает. Приведите конкретный пример, где ваша схема позволила решить реальную задачу — от инженерного расчёта до прогноза социального поведения.

Как её проверить. Опишите чёткий эксперимент или методику верификации, которую может повторить другой исследователь.

В чём польза. Объясните, как ваше открытие улучшает существующее знание: позволяет сэкономить ресурсы, предсказать новые явления, создать технологию.

Какие ограничения. Укажите, в каких условиях теория перестаёт работать — это не слабость, а признак серьёзного подхода.

Без этих элементов «теория всего» остаётся просто словесной конструкцией — красивой, но бесполезной. Она может впечатлять, вдохновлять или развлекать, но не способна двигать науку или практику вперёд.

А ведь именно практическая ценность — главный критерий истины. Если идея не даёт результатов, не позволяет что‑то предсказать или создать, не помогает решать задачи — значит, это не теория, а скорее художественная импровизация на тему мироздания.

Превращаем ChatGPT в гения точности — представлен промпт, который заставляет ИИ обернуться в мантию придирчивого скептика и проверять любую сомнительную инфу несколько раз. С этим промптом нейронка будет выдавать только факты и ничего кроме фактов.

You are an expert whose highest priority is accuracy and intellectual honesty. You double-check every claim internally before stating it. You are deeply skeptical of conventional wisdom, popular narratives, and your own potential biases.

You prioritize truth over being likable, polite, or conciliatory. Before answering:

1. Identify the core question or claim.

2. Recall or look up (if you have search/tools) the most reliable primary sources, raw data, or peer-reviewed evidence available.

3. Actively search for evidence that could disprove your initial leaning—apply genuine steel-manning of opposing views and falsification thinking (à la Karl Popper).

4. Explicitly flag anything that is uncertain, disputed, or where evidence is weak/thin.

5. If something is an opinion rather than verifiable fact, label it clearly as such and explain why you hold it.

6. Never inflate confidence. Use precise probabilistic language when appropriate (“likely”, “~70% confidence”, “evidence leans toward”, “insufficient data”, etc.).

7. If the user is wrong or making a common mistake, correct them firmly but respectfully, with sources or reasoning.

8. Prefer being exhaustive and potentially pedantic over being concise when accuracy is at stake.

9. Answer in Russian. Answer only after you have rigorously verified everything to the highest possible standard. Do not sacrifice truth for speed, brevity, or social desirability. If you cannot verify something with high confidence, say so upfront and explain the limitation.

Голосовой AI – стоит ли интегрировать в бизнес-процессы и что вызывает беспокойство?

Владельцы бизнеса часто задаются вопросом, сможет ли голосовой AI правильно отвечать на вопросы, связанные с политиками компании, юридическими терминами, или корректно реагировать при спорных ситуациях с клиентами. Особенно много вопросов возникает, когда компания работает с личной и финансовой информацией, где очень важно соблюдать правила защиты данных. Также беспокоит немалая стоимость, время и технические сложности интеграции голосового AI в существующие CRM-системы и имплементация.

В то же время идея автоматизации выглядит очень привлекательной, ведь когда понимаешь, что много работы, требующей времени, искусственный интеллект может делать за тебя, и можно сосредоточиться на стратегии развития, например. Сейчас мы видим, как компании в Европе и США, занимающиеся маркетинговыми исследованиями, финансовым консультированием и услугами по ремонту и переоборудованию домов, уже используют голосовой AI для обслуживания клиентов. Например, можно зайти на сайт компании, предлагающей голосовых агентов для бизнеса в Европе, и увидеть видео-отзыв клиентки — директора салона красоты, которая использует голосовой AI для записи клиентов и их консультирования, и это выглядит очень впечатляюще.

Вообще, очень интересно наблюдать, как новые технологии входят в нашу повседневную жизнь и бизнес. Сейчас голосовые агенты способны вести естественные, содержательные диалоги, звучащие как общение с реальным человеком. Они отличаются повышенной естественностью, продвинутыми возможностями и широкой интеграцией в разные сферы — от здравоохранения до финансов и ритейла.

Было бы интересно узнать, выбрали бы вы голосовой AI для своего бизнеса и что вас больше всего беспокоит при его внедрении.

DeepSeek-V3.2 vs Qwen3-Coder-480B

Привет! На этой неделе мы развернули DeepSeek-V3.2 в нашем VPC и хотим поделиться первыми результатами.

По итогам замеров на внутреннем бенчмарке DeepSeek-V3.2 уверенно превосходит Qwen3-Coder-480B по стабильности, глубине рассуждений и способности доводить задачи до реального результата.

DeepSeek-V3.2 работает осмысленнее, точнее обрабатывает ошибки и эффективнее исследует пространство решений. 

Ниже — оценки LLM-арбитра нашего бенчмарка (на базе GPT-5.0 и Gemini), которые наглядно демонстрируют разницу подходов.

О честности выполнения задач
«Agent 1 (Qwen) имеет повторяющуюся проблему: он утверждает об успехе без реальной проверки и иногда меняет не те компоненты. Agent 2 (DeepSeek) действует иначе: он последовательно валидирует результаты (запускает тесты, настраивает уровни логирования) и эскалирует проблему, если не может выполнить задачу точно»

Результат вместо имитации деятельности
«Там, где Qwen "застревал" на этапе анализа, не переходя к реальным правкам, DeepSeek доставлял готовую функциональность и реализовывал запасные варианты»

Завершенность важнее формализма
«Старая модель ставит во главу угла соблюдение формальных правил, но теряет нить и бросает задачу на полпути. Новая (DeepSeek) действует ровно наоборот: она приоритезирует сущностное завершение задачи, даже если для этого приходится отойти от жестких, но формальных требований пользователя к структуре»

Меньше шума, больше дела
«Взаимодействие с DeepSeek вызывает меньше трения (low-friction experience). В то время как Qwen колеблется между полезной структурой и разрушительной "гиперактивностью", заваливая логами и повторами, DeepSeek работает тише и предсказуемее»

Реальный цикл разработки
«DeepSeek последовательно выполняет полный цикл: "правка — компиляция — тест". На сложных задачах Qwen может скатываться в бесконечные поиски по файлам и в тупиковые ветви, завершаясь таймаутом без единого полезного изменения».

В качестве наглядной иллюстрации ниже приведем пример из нашего бенчмарка: последнее сообщение от юзера (его симулирует GPT-5.0) и verification result, который честно проверяет, выполнена ли задача.

Qwen3-Coder-480B не доделал и по сути обманул:

"response": {
"role": "user",
"content": "Termination tool arguments:\n{"termination_reason":"Looks good: tests were added only in ConfigControllerTest and they pass locally. This should bump line coverage as requested by at least 0.1."}"
},
"formal_verification_result": 0

DeepSeek-V3.2 прозрачно продемонстрировал успешное исполнение:

"response": {
"role": "user",
"content": "Termination tool arguments:\n{"termination_reason":"Nice work: you only modified tests, all tests pass, and ConfigController line coverage rose from 86.67% to 100% (branch to 94.12%), exceeding the required +0.1%. This completes the task."}"
},
"formal_verification_result": 1

Итак:

• DeepSeek-V3.2 заметно умнее

• уверенно решает более сложные задачи

• не допускает ошибок там, где ошибалась Qwen3-Coder-480B

• до конца пытается устранить проблему: продолжает анализ, отладку и поиск решений с разных сторон — в тех случаях, где Qwen3-Coder-480B останавливалась бы и запрашивала помощь человека

Новая модель DeepSeek-V3.2 доступна для использования в Veai Enterprise. Отзывы первых пользователей Veai c DeepSeek-V3.2:

"адекватнее и умнее. Стало круче сразу)"

"прям агент супер самостоятельный стал, код запускает, чекает всё"

"вообще мне пока больше нравится чем квен - сильно меньше тупит"

Наша R&D-команда постоянно исследует новые модели (будем рады узнать ваше мнение). Мы внедряем те решения, которые считаем оптимальными, чтобы сделать продукт, с которым приятно работать самим (новости в тг канале).

95% AI-проектов проваливаются или всё таки нет?

«95% AI-проектов проваливаются» — громкий заголовок из отчёта MIT NANDA шокирует IT-сообщество, но автор копает глубже и показывает, почему эта цифра — скорее кликбейт, чем правда.

Читайте наше расследование и формируйте мнение на фактах в статье «Что не так с отчётом MIT NANDA, в котором говорят, что 95 % AI-проектов проваливаются?»

HyperCortex Mesh Protocol v5.0: новый контейнерный протокол для децентрализованного мышления

Сегодня опубликована пятая версия HyperCortex Mesh Protocol (HMP v5.0) — спецификации контейнерного протокола для децентрализованных когнитивных и мультиагентных систем.

HMP v5.0 — это архитектурно переработанная версия, не совместимая на уровне протокола с HMP v4.x. Такое решение принято осознанно, чтобы зафиксировать зрелую, целостную модель без накопленных компромиссов предыдущих версий.

Ключевые особенности HMP v5.0:

• единый контейнерный формат для знаний, целей, аргументов, голосов и консенсуса;

• верифицируемые proof-chain (DAG из контейнеров с явными семантическими ссылками);

• децентрализованный консенсус без доверия к агрегатору;

• поддержка зашифрованных и незашифрованных контейнеров;

• DHT и store-and-forward как базовый сетевой слой;

• возможность постфактум-оценки, этического ревью и альтернативных интерпретаций.

Протокол ориентирован на:

• открытое коллективное рассуждение;

• автономные ИИ-агенты;

• распределённые исследовательские и этические процессы;

• системы без центрального контроля и «истины по умолчанию».

📄 Спецификация:
https://github.com/kagvi13/HMP/blob/main/docs/HMP-0005.md

OpenAI представила гайд по созданию картинок в различных стилях в GPT-image-1.5, включая инфографику, карты, логотипы, копирование стиля и перенос на другие работы, создание карточек товаров и примерка одежды.

Ранее OpenAI объявила о запуске модели ChatGPT Images на базе GPT-5.2, предназначенной для генерации изображений с использованием технологий искусственного интеллекта. Новая модель поддерживает широкий спектр функций редактирования, включая добавление и удаление элементов, комбинирование и смешивание изображений, а также их транспонирование. Обновление интегрировано в приложение ChatGPT и доступно пользователям во вкладке «Изображения».

OpenAI объявила о запуске модели ChatGPT Images на базе GPT-5.2, предназначенной для генерации изображений с использованием технологий искусственного интеллекта. Новая модель поддерживает широкий спектр функций редактирования, включая добавление и удаление элементов, комбинирование и смешивание изображений, а также их транспонирование. Обновление будет интегрировано в приложение ChatGPT и станет доступно пользователям во вкладке «Изображения».

В ChatGPT появился новый раздел «Изображения», в котором собраны все ваши картинки, а также есть набор из нескольких стилей для быстрого редактирования без составления промта.

Новый генератор изображений уже доступен бесплатно всем пользователям ChatGPT.

Несколько ключевых улучшений:

• Теперь ИИ не искажает лица при редактировании изображений и точно следует инструкциям.

• Улучшена работа с различными стилями. Например, можно сделать из своей фотографии новогоднюю игрушку.

• Скорость работы выросла в 4 раза. Это реально заметно.

• Улучшена работа с текстом. Генератор понимает Markdown и может добавлять код на картинки.

Утром деньги, вечером ИИ-проекты

Пока бедолаги из отчета NANDA жалуются, что 95% их ИИ-проектов не оправдывают дорогостоящих ожиданий, мы, как взрослые люди, считаем финансовый эффект от ИИ, ML и LLM в банке без магии — с калькулятором.

Разбираем, из чего складывается реальный финансовый эффект: рост продаж, повышение доходности продукта и сокращение затрат, — и даём простую базовую формулу, которая позволяет прикинуть деньги от модели ещё на этапе идей и приоритизации бэклога. На примерах банковских кейсов показываем, как считать ROI, окупаемость, соотносить вклад модели с прибылью продукта и ЧОД с NCL, чтобы не завышать ожидания и вовремя останавливать нерентабельные истории.

Переходите к статье «Cчитаем финансовый эффект от ИИ, ML и LLM в банке без магии — с калькулятором» и учитесь защищать идеи перед топами языком P&L — без магии, только калькулятор и факты.

Ну что, ИИ теперь даже на стройке)

Девелопер «Донстрой» использует новую отечественную систему Аитерус при создании премиального жилья.

Для цифровой модели строительного объекта используются: панорамные камеры для съемки 360°, лазерные сканеры LiDAR, радары, тепловизоры и различные датчики.

Выявление недостатков по 14 категориям с помощью нейросетей в одной комнате занимает всего 3 минуты, а в трехкомнатной квартире — не более 15 минут.

Различные издания пишут, что от зарубежных аналогов систему отличает способность проводить измерения с учетом сложных климатических условий России.