Искусственный интеллект

Привет, меня зовут Дмитрий Бугаев, я продакт-менеджер CRM в Битрикс24.  

Мы активно внедряем в свои продукты AI, для того, чтобы пользователи могли работать быстрее, оперативно получали новую информацию, сократили рутинные действия. В CRM мы уже задействовали AI-ассистента для речевой аналитики и заполнения полей сделок из расшифровок звонков. А недавно добавили еще одно  — «Повторные продажи с AI». Здесь искусственный интеллект находит в CRM клиентов, готовых к новым покупкам, и автоматически создает для них сделки. 

Но для того, чтобы наш AI-ассистент CoPilot  смог правильно оценить завершенные сделки и понять готовность клиента к повторной покупке, нужно дать ему понятные, структурированные данные. Тогда он сможет не только правильно найти потенциальных покупателей, но и сформирует четкие персональные рекомендации для менеджера — что предложить клиенту и как лучше выстроить разговор.

Это значит, что прежде чем подключать Повторные продажи, необходимо привести в порядок CRM. 

В этой статье расскажу о том, как помочь AI сориентироваться в CRM и какие действия для этого нужно предпринять. 

ИИ становится потребителем информации наряду с сотрудниками компании, менеджерами отдела продаж, контакт-центра и тд.

Привет, хабровчане! Если вы в теме IT, AI и глобального бизнеса, то знаете: Китай - это не просто фабрика мира, а лаборатория будущего. А GDTE (Global Digital Trade Expo) - единственная национальная международная выставка цифровой торговли в Поднебесной, где собираются 1000+ компаний из 100+ стран, тысячи профильных байеров и инвестиции на сотни миллиардов юаней. В 2025-м (25–29 сентября, Hangzhou Grand Convention and Exhibition Center) она бьёт рекорды: 45 проектов на 64,87 млрд юаней ($9,1 млрд) в AI, умном производстве и логистике.

Нас - команду энтузиастов AI-решений для бизнеса - пригласили как партнёров в экосистеме БРИКС. Миссия? Показать, как наши нейросети меняют бизнес, укрепить связи с Китаем. Мы не просто гуляли по стендам: общались с министрами, охотились за клиентами и впитывали тренды, которые через год-два взорвут ваш стек. Делимся нашим личным отчётом по дням - с фото, плюс разбором: что взять для вашего проекта.

Поиск — одна из ключевых функций в 2ГИС. Он помогает миллионам пользователей каждый день находить нужные места в городе. Долгое время мы опирались на классические методы: морфологию, справочник организаций, геопозицию и популярность объектов. Это позволяло покрывать множество сценариев, но со временем стало понятно — этого недостаточно.

Пользователи хотят искать так, как думают: по настроению, по смыслу, или вообще без слов — по фотографии блюда или интерьера. Мы решили переосмыслить подход к поиску. В этой статье рассказываем, как мы решали три задачи:

1. как понять атмосферу заведения и добавили новый атрибут «вайб-фильтры»;

2. как находить похожие места по изображениям и сделали поиск по фото.

3. как дать пользователю возможность искать «по смыслу» и реализовали ИИ-поиск. 

Большие языковые модели (LLM) умеют только одно — предсказывать текст. Но за простым ответом AI-чата скрывается целая архитектура: фронтенд, бэкенд, память, векторные представления, инструменты (tooling) для работы с внешними сервисами и новый протокол MCP для стандартизации их использования. В статье простыми словами объясняю, как всё это складывается в единый механизм: от «чата» до «агента».

Последние поколения LLM умеют долго рассуждать. И вот недавно исследователи решили взглянуть на этот процесс иначе — как на развернутую историю, где каждая мысль занимает свое место в последовательности эпизодов. Оказывается, у логики моделей есть неожиданные параллели с тем, как задачи решают люди: сначала читают, потом анализируют, строят план, пробуют варианты, а иногда теряются и возвращаются на пару шагов назад. Какой путь проходит ИИ, пока ищет ответ, и насколько этот путь похож на человеческий? Новая работа с аккуратной разметкой и яркими визуализациями открывает этот скрытый внутренний театр рассуждений.

В этой статье будет приведено описание AI-агента. Подробно рассмотрим основные его компоненты, а также реализуем их на языке Python.

Вижу много высказываний на тему, что Claude Code хорош, но очень дорог. И это правда. С платой за API деньги улетают с пугающей скоростью. А с подпиской быстро упираешься в ограничения. При этом есть модели вполне сравнимого качества, но в разы (если не на порядок) дешевле.

Небольшой рассказ о том, как я начал делать инструмент для локального перевода текстов и файлов, с чего началось, и куда пришло.

Тема использования нейросетей в разных областях (в том числе и для перевода) часто обсуждалась на хабре - и я тоже решил поделиться своим велосипедом. В данный момент уже есть базовый функционал и некоторые планы на его расширение.

Код открыт, ссылка на репозиторий будет, ссылки на телеграм-канал не будет. В качестве компенсации за отсутствие ссылки на телеграм будут результаты небольшого исследования, какая LLM модель подходит лучше всего для перевода художественного текста с английского на русский - с замерами времени, качества переводов, а также с текстами полученных переводов.

Изображение на обложке - веб-интерфейс страницы перевода в созданном приложении.

Со школы вы можете знать, что в катушке провода, ток не может нарастать мгновенно. Она обладает индуктивностью, и ток в ней нарастает постепенно. Но в продаже есть очень много маломощных блоков питания, в которых используется схема flyback. По русски это схема называется обратно-ходовой преобразователь. В ней есть трансформатор с двумя катушками. В первой катушке плавно нарастает ток, что накачивает сердечник трансформатора энергией. И потом, когда сердечник трансформатора запасет энергию в своем магнитном поле, ток в первой катушке разрывают. В этом момент, ток такой же величины, появляется во второй катушке. И самое главное, ток в катушке появляется практически сразу. А в школе учат, что ток в катушке нарастать может только плавно.

И вот я решил проверить DeepSeek на его мышление. Будет ли он отвечать на вопрос по учебникам или будет использовать свои знания о принципах работы источников питания на обратно-ходовых преобразователях. Далее привожу мою переписку с DeepSeek:

МОЙ ВОПРОС: может ли ток в катушке нарастать мгновенно

Хм, вопрос о мгновенном нарастании тока в катушке. Это классическая тема из электромагнетизма, связанная с явлением самоиндукции. Нужно объяснить просто, но с физической сутью.

Пользователь, вероятно, изучает основы электродинамики или столкнулся с практической проблемой в электронике. Важно подчеркнуть роль индуктивности и закона коммутации.

Можно начать с прямого ответа "нет", затем разобрать физическую причину — правило Ленца и ЭДС самоиндукции. Хорошо бы добавить формулу для наглядности, но без углубления в высшую математику.

Привет, Хабр! IEEE Spectrum опубликовал ежегодный рейтинг языков программирования за 2025 год. Там много всего интересного, на что стоит обратить внимание. Давайте разберемся, как формируется этот список, какие языки пока что удерживают лидерство, кто теряет позиции и почему, а также как ИИ все (ну или почти все) меняет. Поехали!

Что с точки зрения CV-инженера, в основном обучающего модели компьютерного зрения, было интересно на конференции Я Железо 2025?

В последнее время идут баталии между сторонниками vibe-кодинга (использование ИИ инструментов без понимания в коде) и сторонниками классического программирования. В зависимости от того к группе менеджеров или программистов относятся первые, их мотивация отличается, но она по сути про одно - менеджерам кажется, что наконец у них появился священный грааль с помощью которого они избавятся от зависимости в "зажравшихся" программистах, на любой проект можно будет посадить несколько человек с улицы. Главное, чтобы могли уметь писать или хотя бы голосом в микрофон излагать связанно мысли.

В мире ИИ часто ищут нестандартные пути, пытаясь оптимизировать стоимость вычислений.

Одна из таких идей — использование массива потребительских устройств, например смартфонов, для замены дорогостоящих серверных ускорителей. На первый взгляд, арифметика кажется убедительной: сложил мощности — и получил аналог.

Но так ли это на практике? В этой статье мы детально разберем, почему прямое сравнение пиковой производительности в TFLOPS вводит в заблуждение и какие ключевые факторы — от архитектурных особенностей до инфраструктурных издержек — делают альтернативу неподходящей.

Моя бабушка работала в физкабинете, и в детстве, особенно зимой, меня частенько заводили на электрофорез, в периоды простуды. Лежишь на кушетке, читаешь книгу, а кожу пощипывает током. Но что будет, если снарядить это оборудование камерой и прикрутить к нему нейросеть? Как говорят ученые, получится неплохой регенератор!

Большинство мультиагентных систем устроены довольно просто: у каждого своя роль, сценарий расписан заранее, и кажется, что всё работает. Но стоит выйти за границы прототипов — и выясняется, что этот подход трещит по швам. Хаос реального мира не прощает жестких шаблонов. Где найти исполнителя под специфичную задачу, если агентов — сотни, а сеть нестабильна? 

Исследователи предлагают новую идею: пусть агенты не делят между собой роли, а находят друг друга по навыкам, причём делают это на лету. Внутри такой “живой федерации” команды собираются динамично — как будто поле задачи само притягивает тех, кто лучше всего с ней справится. Как это работает и почему оказывается намного эффективнее привычных ансамблей — разбираемся на примере архитектуры Federation of Agents.

Я писал о медицине 2050 года (и тогда видел в её будущем засилье ИИ и роботов, воспринимая это как неизбежность — и скорее со знаком «минус». Однако размышление на эту тему приводит к выводу, что в реальных условиях нашей страны пациенты, напротив, выиграют от трансформации человеческой медицины в медицину машинную.

В третьей части курса по созданию ИИ‑агентов совершаем революционный скачок: превращаем умных болтунов в настоящих цифровых исполнителей с «руками».

Учим агентов самостоятельно работать с файлами, базами данных, API и внешними системами. Больше никаких просьб «пришлите мне файл» — агенты сами найдут данные, проанализируют их и создадут отчёт.

Осваиваем три мощных паттерна: ручные графы с инструментами для максимального контроля, ReAct‑агентов для простоты использования и мультиагентные системы, где каждый агент — эксперт в своей области.

От простых файловых операций до комплексных систем с оркестратором, которые автоматически исследуют темы в интернете, структурируют данные и создают профессиональные отчёты.

Плюс разбираем Model Context Protocol (MCP) — универсальный стандарт для подключения любых инструментов.

Международная команда ученых совершила прорыв в области распределенного машинного обучения, разработав новые алгоритмы, значительно повышающие эффективность обучения моделей в федеративных сетях. Исследование, проведенное учеными из Университета имени Короля Абдуллы ( Саудовская Аравия), Московского физико-технического института (МФТИ), Университета Мила и Монреальского университета (Mila, Канада), Университета имени Мухаммеда бен Зайда по искусственному интеллекту (MBZUAI, ОАЭ) и Принстонского университета (США), представляет собой значительный шаг вперед в решении проблемы высокой вычислительной сложности обучения больших моделей в распределенных системах. Результаты опубликованы в материалах конференции NeurIPS 2024.

Всем привет! Меня зовут Ирина, я NLP-инженер в red_mad_robot, занимаюсь научными исследованиями интерпретируемости LLM и анализом механизмов внутренних вычислений моделей, чтобы применять полученные результаты на практике. Например, сегодня хочу рассказать, как мы подошли к решению задачи детекции галлюцинаций LLM в RAG системах со стороны исследования графов размышлений модели — с помощью интересного фреймворка от Anthropic.

В статье поговорим, как использовать cross-layer transcoders и атрибуционные графы для детекции галлюцинаций в RAG системах. Рассмотрим пример реализации детектора на графах для анализа модели Qwen2.5-7B и практические примеры использования. Спойлер: на простой реализации получили точность детекции 85% на тестовом датасете.

Как вы думаете, может ли нейросеть не просто писать код, а придумать игру с нуля — чтобы герои прыгали, анимации радовали, а всё это реально хотелось попробовать самому? Оказалось, для ИИ с этим не всё так просто. Одно дело — решить алгоритмическую задачку. Совсем другое — создать что-то, что приятно выглядит и не разбивается при первом запуске. Недавно исследователи придумали способ честно сравнивать, какой ИИ справляется с этой задачей лучше: они собрали целый полигон игровых примеров, где важна не только работа кода, но и то, что появляется на экране. Получилось не просто сравнение — а взгляд на настоящее и будущее генерации игр силами нейросетей.