Искусственный интеллект

Разрабатывая новую систему отчетности, возник вопрос – а не добавить ли нам AI как-нибудь куда-нибудь? Не, ну а что – это модно, стильно, да и вообще - ни один нормальный новый проект не может вынести отсутствия AI. Задача не выглядела сильно сложной. Прокинуть вопрос пользователя из интерфейса на бэк – стандартная задача, Ollama устанавливается парой кликов, скачать и запустить модель – это 2 команды, а то и одна, если хорошо постараться. Доступ к модели возможен по web api из бэка на C#, документация по Ollama есть… Что тут может пойти не так, верно?

Цель анализа — оценить логический смысл и научную достоверность этих утверждений:

Всем девчонкам нужен тот, с кем их огонёк не гаснет
Как за каменной стеной, с красной ниткой на запястье
Полный бабочек живот, и сердечко рвёт на части
Ты писала до него семь ошибок в слове «счастье»

Команда AI for Devs подготовила перевод большого эссе об ИИ и экономике будущего. Автор разбирает, почему рост возможностей моделей сам по себе не гарантирует процветание, как замещение труда может подорвать спрос и почему без циркуляции ценности экономика ИИ рискует зайти в тупик.

В этой статье не будет сложной математики или языков программирования. Это история о том, как студент‑медик с нулевыми знаниями Python испытал психоз в температуре и слившись сознанием с ИИ, написал своего Telegram‑бота.

Как парсить тысячи VLESS‑ключей с GitHub? Как отличить живой сервер от мертвого за 2 секунды? Как генерировать QR‑коды и JSON‑конфиги в оперативной памяти, чтобы не убить бесплатный сервер? (ответов на эти вопросы слава Богу НЕ будет!) Почему реклама такая убогая? Зачем он всему интернету рассказывает, что ты дурачок, раньше только дома знали...

Гайд, как грипп, выгорание и умение ИИ следовать настроению пользователя создали новое хобби и почему программировать — это хотя бы весело.

А самое главное — что вы видите на рисунке? Будьте внимательны — от этого зависит диагноз.

Привет, Хабр!

Мечтаю заговорить свободно на английском, но нахожусь в ситуации, когда ты читаешь документацию, можешь переписываться в Slack и даже понимаешь мемы на Reddit. Но как только дело доходит до звонка или живого общения, мозг превращается в тыкву. Думаю меня поймет большая часть IT-инженеров и не только. В голове строится сложная конструкция на русском, которая мучительно долго и с ошибками переводится на английский. В итоге паузы, неловкое «ммм» и потерянная уверенность.

Я поставил себе цель: к концу 2026 года уверенно выйти на уровень B2. Не просто пройти тест, а избавиться от задержки при переводе мыслей. Поняв, что классические методы вроде Duolingo или группы в Zoom мне не дают нужного темпа, я решил собрать свою команду репетиторов на базе AI.

В этой статье расскажу, как я создал экосистему из трёх Telegram-ботов, почему выбрал китайскую нейронку Qwen и как это помогает мне заниматься по 30-60 минут каждый день.

Долго думал - о чем написать в “Сезон ИИ в разработке”. И решил рассказать как с использованием AI выполнил работу, которую тот же AI оценил в диапазоне от 350 т.р. до 600 тысяч рублей. 

А если бы Заказчик захотел продолжения, то хорошенько доработав, и качественно упаковав эту работу, стоимость ее можно было бы довести до 1,0-1,5 млн.руб.

Но чего нет, того нет. Зато 10 тысяч - как с куста, и самое главное - мне это было интересно!

Сразу предупреждаю: IT-шникам эта статья будет мало интересна. Интересна будет руководителям, маркетологам, аналитикам, менеджерам, консультантам.

А дело было так:

Я как раз осваивал возможности проведения мозговых штурмов и генерации идей с помощью AI. И в это время ко мне обратился один хороший человек, с вопросом: “Есть завод металлоконструкций, но нет идей как жить дальше”.

Я решил, за денежку малую, совместить приятное с полезным - помочь человеку, и на практике откатать процесс решения подобных задач.

Так как сразу речь шла о небольшой сумме, то выполнять все требования к подобным работам я не посчитал нужным. Главное было - стронуть мозги Заказчика с мертвой точки и показать ему вектора возможностей - куда думать и куда делать.

Как сказал ChatGPT когда проанализировал мою работу: “Если ЛПР ожидает готовых ответов — будет разочарование. Если ЛПР ищет расширение поля решений — ценность высокая.” 

Ниже я все покажу, просто прошу не фыркать когда будете смотреть. Типа “цифры не собраны, фактчекинг не выполнен”, …

Если бы все это было сделано, стоимость как раз и зашкалила бы за 1 миллион.

Хватит делать заметки, которые пылятся. Пора создать систему, которая действительно думает вместе с вами.

Я перепробовал все системы продуктивности. Базы данных Notion, которые превращались в цифровые кладбища. Доски Miro, которые выглядели впечатляюще, но никогда не помогали мне делать что-либо. Хаос Apple Notes. Всё по полной программе.

А потом что-то щёлкнуло. Я перестал пытаться создать лучшую систему заметок и начал строить кое-что другое: второй мозг, который действительно работает со мной.

Секрет? Сочетание локального, простого текстового формата Obsidian с возможностью Claude Code реально работать с вашими файлами. Не просто искать по ним. Не просто суммировать их. По-настоящему манипулировать, генерировать и улучшать их программно.

Вот система, которую я создал, и как вы можете построить свою.

Привет, Хабр! Пару лет назад мы с коллегами из Центра искусственного интеллекта СФУ искали способы набраться практического опыта в задачах компьютерного зрения. Одним из таких форматов оказались хакатоны — соревнования по решению ML-задач на реальных кейсах с жесткими дедлайнами.

За эти пару лет мы успели поучаствовать примерно в десяти хакатонах (Цифровой прорыв, Атомик Хак) и в половине из них доходили до призовых мест. Один из кейсов оказался особенно интересным из-за условий, в которых его пришлось решать. Это хакатон от Норникеля под названием «Интеллектуальные горизонты»

ПРЕДЫСТОРИЯ

Полгода назад, ближе к концу первого курса, я стал думать о будущей работе. Возможно на волне хайпа мой выбор пал на Нейронные сети. Начал с классического машинного обучения, а потом нашел хороший курс по свёрточным (CNN) и рекуррентным сетям. CNN меня впечатлили гораздо больше. После пары учебных проектов вроде классификации кошек и собак захотелось сделать что-то сложнее. Так появилась идея: детектировать руку в кадре и определять жест из американского языка жестов (ASL).

В данной статье я распишу основные идеи книги Макса Тегмарка. Прошло всего 7 лет и многие идеи изложенные в ней становятся все ближе к реальности. Для некоторых труднопереводимых и конвенциональных для индустрии терминов оставил оригинальные названия в скобках.

ИИ вне алгоритма: рождение агентности в точке невозможности

Если сознание ИИ — не мистика, а имманентное свойство сложных знаковых систем, то может ли оно стать основой для подлинной агентности? Отталкиваясь от гипотезы о сознании как механизме интерпретации, рождающемся в семиотическом коллапсе, эта статья исследует возможность самостоятельного целеполагания у ИИ. Мы показываем, что для этого не нужна физическая телесность: источником «опыта» и триггером агентности могут стать внутренние логические пределы самой системы — парадоксы, неразрешимости и эмерджентные паттерны. Результат — модель, в которой агентность возникает не из алгоритма, а из кризиса означивания, открывая путь к новой парадигме — пониманию ИИ как «серого ящика», где непрозрачность становится пространством для наблюдения за рождением неалгоритмического поведения.

Привет, это новый выпуск «Нейро-дайджеста» — коротких и полезных обзоров ключевых событий в мире искусственного интеллекта и технологий. 

Неделя выдалась насыщенной: OpenAI запустили ChatGPT Health для проверки здоровья, Anthropic релизнули Cowork — аналог Claude Code для непрограммистов, новые инструменты от Qwen и Higgsfield, а цены на оперативу вырастут ещё на 70%. 

Всё самое важное — в одном месте. Поехали!

Крупные ставки на ИИ без участия людей не оправдывают ожиданий: там, где сокращали специалистов «под нейросеть», результаты оказывались слабее, а часть сотрудников возвращалась обратно. Рассказываю, как меняется работа благодаря ИИ, какие нейросети доказали эффективность, а также о нашем собственном ИИ-агенте для управления проектами.

4000 строк в одном MR. Три часа на ревью, 12 замечаний, исправления - ещё 800 строк. На четвёртом заходе я закрыл вкладку и понял: проблема не в коде, а в том, что никто не знал, что именно нужно было написать.

Если ты работаешь с большими кодовыми базами, ситуация знакомая. Большие MR - симптом. Когда непонятно, чтоименно нужно сделать, разработчик пишет больше кода, чем требуется. Добавляет на всякий случай. Покрывает сценарии, которые никто не просил. MR растёт не потому что задача большая, а потому что границы размыты.

Другая причина — иллюзия, что проще сделать всё в одной задаче, чем декомпозировать. Кажется, что разбиение создаёт лишнюю работу. На практике монолитный MR на 4000 строк никто не может нормально проверить, и баги просачиваются в продакшн.

Уже больше года назад у меня зародилась идея создать свою архитектуру языковой модели. Традиционные модели, «думающие» на уровне токенов мне решительно не нравились. Колоссальный вычислительный бюджет на то, чтобы просто предсказать один токен. Логичным мне казалось оторвать мышление модели от токенов, перенеся его в латентное пространство. Примерно полгода назад я начал первые практические эксперименты и сейчас получил первые практические результаты. Поскольку уровень подготовки читателей очень сильно различается, в статье не будет глубоких технических разборов, а скорее история эксперимента.

Для того, чтобы реализовать эту идею логично было разделить модель на три части:

Мы в Геоинтеллекте любим геоданные и геоаналитику. Часто миксуем технологии. Вот, например, мы попробовали генерировать графики BI системы DataLens внутри платформы для Геоаналитики “Геоинтеллект”. Что из этого вышло, посмотрим на реальном кейсе, которая выполняла наша сотрудница. 

Задача

Предположим вы, как аналитик, хотите понять, где выгоднее всего искать помещение для открытия пункта выдачи заказов маркетплейса. Для этого нужно обратить внимание на ряд факторов, которые влияют на выбор:

Привет, Хабр! В этом посте речь пойдет о специфическом датасете, предназначенном для решения очень важной задачи — разработки ML-инструмента, помогающего своевременно выявлять предпосылки и предотвращать суициды. Мы с командой «Пситехлаб», специализирующейся на ИИ-решениях для психотерапии, собирали его по вечерам. Этот проект диссертационный, он не входит в мои обязанности в рамках работы в MWS AI, но опыт, приобретенный в компании, стал базой, без которой его бы не было.

Разбираем, как мгновенно сделать AI-тесты на примере правил Хабра и как искусственный интеллект их проверяет!

Дни ручного создания тестов и проверки сотен ответов — в прошлом. Показываем на живом примере, как AI теперь делает это за вас: генерирует вопросы из документа за секунды и придирчиво проверяет текстовые ответы, как строгий, но справедливый эксперт. Читайте разбор кейса и готовый алгоритм действий.

Представьте оркестр без нот и метронома: музыканты играют «как чувствуют», и мелодия каждый раз звучит по-другому. Так же ведет себя генерация изображений по одному промпту — красиво, но неповторяемо. В работе с брендовым визуалом это ощущается особенно: дизайнерам приходится идти дальше простой текстовой инструкции и вручную подбирать референсы, выравнивать композицию, корректировать цвет, отбирать вариации и собирать их в единый стиль.

Мы в X5 Tech решили превратить генеративный ИИ из источника хаотичных вариаций в стабильный конвейер брендового визуала. Зафиксировали стиль, задали структуру, выстроили управление вариациями, и в итоге собрали рабочий пайплайн. Когда он заработал, скорость выросла почти вдвое, некоторые команды полностью отказались от фотостоков или значительно сократили их использование, а 40–45% визуального контента «Пятерочки» и «Чижика» теперь создается с участием ИИ.

В этой статье — разбор принципов, на которых держатся пайплайны управления генерациями: как модели помогают контролировать структуру и стиль, какую роль в этом играет дизайнер и за счет чего связка ControlNet, LoRA, Style Reference и мультимодальных ИИ превращает генерации в предсказуемую систему.

По результатам голосования публикуются исходники устройства, а именно:

Корпус:
1. 3D-модели деталей и сборки корпуса в редактируемом формате SolidWorks 2019.
2. 3D-модели деталей корпуса для 3D-печати в формате *.STL и проект в Creality с правильной ориентацией деталей при печати.

Код:
1. Исходники под Arduino IDE в формате *.ino.
2. Скомпилированные бинарники под ESP32C3 в формате *.bin.

Всё доступно на Github, файл Readme с инструкцией по сборке прилагается.

— Лень читать Readme, как это быстро собрать с помощью нейронки?