Машинное обучение *

Привет, Хаброжители! Проектирование и развертывание системы машинного обучения — это сложный многоэтапный процесс, требующий разнообразных компетенций и участия специалистов разных ролей. Независимо от того, интегрируете ли вы ML в существующий проект или проектируете ML-систему с нуля, вам необходимо ориентироваться в огромных датасетах и потоках, определять требования к тестированию и развертыванию, а также учитывать сложности внедрения ML-моделей в продакшен.

Вы всё ещё верите в сказки про увольнения из-за искусственного интеллекта? Большинство менеджеров по найму честно сознались: это всего лишь удобная легенда для акционеров. Разбираем три сигнала, которые выдают правду, и навыки, которые сделают вас действительно незаменимыми.

История выглядит неизбежной. Свежие данные показывают шокирующую правду: 59% менеджеров по найму прямо признались, что списывают сокращения штата на искусственный интеллект только потому, что это звучит приятнее, чем честное признание финансовых проблем. Сейчас я покажу вам, как читать между строк этого нарратива и выстроить карьеру, которую никакими отговорками не объяснишь.

Знакомая ситуация? Вы профессионал своего дела, и в этом году хоть раз слышали в одной корпоративной рассылке слова «ИИ» и «оптимизация структуры». То самое чувство тревоги в животе. Или вот: соискатель блестяще проходит все этапы собеседования, отлично общается с командой за обедом - а потом неделями ловит гробовое молчание. Это гнетущее ощущение, что правила игры переписали, а вам забыли выдать новый учебник.

Заголовки сами пишутся: 59% компаний открыто признают, что сваливают увольнения на ИИ, потому что так проще.

Вот она, ключевая мысль. Но задумайтесь: а что, если самая разрушительная сила сейчас - это вовсе не технология, а история, которую о ней рассказывают?

Один ML-проект в проде вам или два другому? Внедрение машинного обучения в производственную среду остаётся одной из главных проблем индустрии. По статистике, 80% ML-проектов никогда не доходят до продакшена. Однако хитрые опсы и тут решили выделиться, и в результате появился MLOps — методология, которая поможет вам сократить путь от эксперимента до деплоя с месяцев до дней. В этой статье мы пройдёмся по верхам MLOps и посмотрим на фундаментальные принципы и конкретные инструменты.

Задача Text-to-Speech (TTS) она же задача синтеза речи - заключается в том, чтобы озвучить заранее подготовленный текст голосом спикера. Данная задача является одной из важных в системах взаимодействия человека и компьютера. Конечно, такая задача генерации речи встречается гораздо реже, чем, например, задача генерации или обработки текста, тем не менее, сферы ее применения со временем только увеличиваются в своих масштабах и становится все более востребованной.

Привет, Хабр, меня зовут Музафаров Данил, я работаю DS инженером в компании Raft и сегодня мы рассмотрим существующие Open Source модели и репозитории, которые решают задачи TTS для русского языка.

Привет! На связи команда Research & Insights Центра стратегии цифровых продуктов МТС. В прошлом году мы подготовили исследование мирового и российского рынка ИИ-агентов. Перед вами четвертая часть статьи об исследовании. В первой мы рассказали про интересные факты из него, во второй — про виды агентов, в третьей— про ситуацию в мире и России. А в этой раскроем детали будущего агентного ИИ: каким его видят исследователи и респонденты.

Если у вас мультиагентная система или сложный RAG, то с большой вероятностью вы используете жесткий роутинг или оркестрацию.

Например, в мультиагентной системе могут быть сложные разветвления и в каждой точке, в зависимости от результата предыдущего агента, нужно пойти налево (запустить ветку агентов A) или направо (запустить ветку агентов Б). Это жесткий роутинг.

Или приходит запрос от пользователя и нужно его классифицировать, вы отправляете его в LLM, получаете ответ, что запрос про A или про Б, и направляете к агенту RAG, который отвечает за область A или Б. Это оркестрация.

Всем привет! Меня зовут Катя Еникеева, я руковожу командой аналитики перевода в Яндексе. Мы занимаемся оценкой качества машинного перевода — моделей, которые работают в Яндекс Переводчике, Браузере, Поиске и во множестве других сервисов.

Качество перевода можно измерять по‑разному, но можно выделить два основных направления: экспертная разметка и автоматические метрики. В последние годы автометрики всё чаще строятся поверх LLM: фактически это отдельный пайплайн, который анализирует исходный текст и полученный перевод. Поэтому нас интересует не только способность моделей переводить, но и их умение анализировать качество перевода, что может быть заметно сложнее. 

Под катом вас ждёт обзор самых интересных решений, представленных на конференции EMNLP 2025.

Наша команда перевода приехала на EMNLP 2025 не только слушать, но и рассказывать о своей работе. В этом году у нас приняли две статьи: одну — в Findings основной конференции, вторую — на WMT. О них я тоже подробно расскажу.

Привет, Хабр! Меня зовут Никита Трофимов, я старший менеджер Цифрового консалтинга Т1. Мы провели исследование российского стартап-ландшафта и хотим поделиться тем, что нашли. Не столько самим инструментом (хотя о нём тоже расскажу), сколько конкретными данными и технологическими решениями, которые обнаружили в процессе.

В основе исследования — реальные финансовые и операционные данные российских компаний за 2024 год, собранные и проанализированные в единой методологической рамке. Такой подход позволяет не спорить о частных случаях, а смотреть на рынок целиком и выявлять устойчивые закономерности.

Человеческий фактор, который все упускают

Когда Дарио Амодеи, генеральный директор Anthropic, сказал, что нас отделяет всего 6-12 месяцев от ИИ-систем, способных делать всё, что делают программисты, мне пришлось остановиться.

Это не "в будущем". Это практически следующий год.

В то же время Anthropic представила тесты производительности своей новой модели Claude Opus 4.5, показывающие значительные улучшения в кодировании, рассуждении и обработке сложных задач. Цифры выглядят действительно впечатляюще.

И я начал задаваться вопросом: действительно ли эти тесты означают, что разработка программного обеспечения вот-вот будет полностью автоматизирована? Позвольте мне разобрать, что, на мой взгляд, на самом деле происходит.

Двуэнкодерные нейросети, контрастивное обучение, десять датасетов и late fusion. Как мы строили ML-систему ретривала, понимающую человеческий язык вместо фильтров

Написал прототип SemanticZip: сжатие текста в 14 раз за счет удаления «выводимой» информации. Теория информации, Колмогоровская сложность. В теории все работало...
Разбор полетов: почему нельзя сжимать смыслы и почему красивые метафоры проигрывают скучному RAG

Тестировать друг за другом видеокарты от NVIDIA надоедает, благо разница в последнем поколении только в мощностях процессоров семейства Blackwell, объеме памяти и ширине шины. А вот посмотреть, что предлагают конкуренты, а тем более громко называя это «ИИ», уже интересней. Мы проверили Radeon AI PRO R9700 с 32 Гб памяти на реальных задачах: LLM, генерация графики и видео, 3D-рендеринг, и сравнили с NVIDIA.

ИИ не забирает вашу работу.

Мы все читали заголовки и слышали этот нарратив. Компании заявляют, что ИИ позволил им уволить тысячи сотрудников. Чат-боты, как сообщается, уже заполняют все начальные позиции, затрудняя выпускникам поиск работы. Генеральные директора из мира технологий проповедуют, что ИИ революционизирует экономику, и вам нужно включиться в этот процесс или остаться позади. Но насколько всё это правда? Что на самом деле показывают данные? Что ж, если копнуть глубже искажённой пропаганды олигархии Больших Технологий, вы обнаружите, что этот нарратив - почти полная выдумка и не может быть дальше от истины. Возьмите недавний отчёт Oxford Economics (OE), который обнаружил, что компании «не заменяют работников ИИ в значительном масштабе», а вместо этого предполагает, что они используют нарратив об увольнениях из-за ИИ, чтобы прикрыть собственные недостатки.

Отчёт развенчивает эту отраслевую пропаганду в четырёх основных шагах. Давайте углубимся.

Нейросети так плотно вошли в жизнь практически каждого человека всего за какие-то 2-3 года. Однако далеко не все доступны напрямую российским пользователям. Однако наши разработчики не растерялись и создали полезные и многофункциональные боты с нейросетями в Telegram, а некоторые — еще и полноценные веб-агрегаторы, работа которых не зависит от Telegram.

В сегодняшней мини-подборке я не буду рассказывать обо всех Telegram-ботах, а расскажу про те, с которыми довелось работать и с которыми понравилось работать. Плюс к этому, в подборку я также включил ботов, которые развиваются, а не стоят на месте. Итак, начнем.

Привет! Это Данила Ляпин, наставник курса «Специалист по Data Science». Собрал подборку материалов по обработке естественного языка — она охватывает путь от базовых концепций NLP до трансформеров и BERT. Все материалы бесплатны и проверены на практике. Главное — двигаться последовательно, не пропускать основы и обязательно практиковаться на реальных задачах.

Последние недели все обсуждают агентов для компьютера: кто-то ставит опенсорсный Moltbot (бывший Clawdbot), кто-то ждет, когда работать в Claude Cowork станет дешевле, а кто-то хочет просто нажать кнопку и получить результат - без всяких серверов, портов и онбординга в терминале.

Я протестировала MiniMax Agent 2.0 на самом понятном кейсе: навести порядок в папках на компе, и делюсь тем, что получилось со всеми нюансами и со стоимостью, а так же своим мнением, что мне больше понравилось использовать.

Можно ли сделать кодового агента уровня Claude Code, но бесплатного и для локальных моделей? Мы разобрали архитектуру конкурентов, нашли слабые места и написали PocketCoder — CLI-ассистент с Agent Loop, XML-контекстом и памятью. Работает даже с qwen-7b, хотя и с приколами.

Современный мир переживает бум развития технологий искусственного интеллекта, помимо чат-ботов, сервисов генерации изображений и т.п. Искусственный интеллект (ИИ) применяется в беспилотных автомобилях, которые уже сейчас ездят по дорогам общего пользования. Это пример того, как ИИ управляет техническим средством, а именно, считывает данные с лидаров и видеокамер и т.п., анализирует их и формирует команды для задания направления и скорости движения автомобиля. На первый взгляд, это мало чем принципиально отличается от управления технологическим оборудованием на промышленных предприятиях. Почему же в современных АСУ ТП не применяют ИИ для формирования управляющих воздействий на исполнительные механизмы?

NVIDIA выпустила отчет о методе QAD, который позволяет квантовать LLM в 4 бита без потери качества на сложных задачах (математика, код). Разбираем, почему привычный QAT «ломает» модели после RLHF, как дистилляция через KL-дивергенцию решает эту проблему и почему метод работает даже на рандомных данных. Личный опыт попыток уместить 49B модель в железо и анализ нового подхода.

Вы знаете, что OpenAI сейчас переживает масштабную турбулентность. Драма в руководстве, хаос в совете директоров - полный набор. Но это не останавливает их от сброса абсолютных бомб.

OpenAI только что выпустила три крупных анонса одновременно. Первый может превратить ваш ИИ в личного врача. Второй может превратить вашего ассистента в сотрудника.

А третий?

Третий вариант потенциально может превратить всех в простых наблюдателей.

То, что вы сейчас узнаете об этом последнем анонсе, может заставить вас совершенно иначе взглянуть на вашу собственную работу.