Искусственный интеллект

В этом пошаговом руководстве вы узнаете о последних способах использования агентного ИИ и о том, как уже сегодня воспользоваться агентной оркестрацией с Camunda.

Привет, чемпионы! Сегодня хочу разобрать на реальном примере, как иногда самые неочевидные идеи те, что в момент презентации заставляют тимлидов молча поправлять очки, а менеджеров ёрзать на стуле могут не просто выстрелить, а полностью перевернуть продукт. Это история не про гениальный прорыв, а скорее про настойчивость, готовность к экспериментам и немного удачи. Всё началось с того, что мы упёрлись в классический потолок роста в, казалось бы, совершенно непримечательной нише мобильном приложении для поиска и записи в автосервисы.

У нас был стандартный, почти шаблонный продукт: каталог услуг со средними по рынку ценами, модуль онлайн записи, карта с геолокацией мастерских, даже отзывы и рейтинги. Всё как у людей. Но проблема была в том, что мы были как все. А в условиях, когда на каждом углу есть аналоги, конкуренция идёт не за функционал, а за доверие и внимание пользователя. Люди заходили, смотрели прайс, звонили в пару мест и уходили. Удержание было низким, монетизация ещё ниже. Нужен был крючок. Не просто ещё одна кнопка в интерфейсе, а что то, что давало бы мгновенную, осязаемую пользу и решало реальную боль.

И вот на одной из планерок, где мы в очередной раз ломали голову над тем, как увеличить конверсию, я бросила: «А что, если сделать так, чтобы пользователь мог просто сфоткать свою проблему потёкшее масло, скрипящие тормоза, вмятину на бампере а мы ему примерно назовём поломку и прикинем, во сколько это выльется?». В комнате повисла тишина. Послышалось что то вроде «нейросеть?», «а обучающая выборка?», «а точность?», «юридические риски». Но решили взяться, так как я была уверена в бомбовом результате. И понеслась.

На Хабре уже немало публикаций о больших моделях, но они часто крутятся вокруг всем известных брендов. В рабочей практике хочется не только «вау-эффекта», но и конкретных инструментов: чтобы быстро написать технический текст, собрать иллюстрации к статье, подготовить видео-тизер или разжевать алгоритм. Поэтому в подборке — сочетание Telegram-ботов и веб-сервисов с упором на русскоязычные сценарии, удобный старт и адекватные лимиты.

👋 Привет, Хабр!

Сегодня хочу поделиться своим опытом работы с локальными LLM (Large Language Models). Это что-то вроде GitHub Copilot, только без подписки, оффлайн и с контролем над своими данными.

Мое понимание LLM с точки зрения пользователя очень простое: есть сетка с весами (обученные параметры), токенизатор и декодер (преобразователи текста во входные и выходные токены), и трансформер (слои внимания), который перерабатывает входные токены и шаг за шагом предсказывает новые.

Я пробовал разные Модели (GPT, Gemini, Deepseek, Grok) — все они, на мой взгляд, работают примерно одинаково. На один и тот же запрос они дают очень похожие, а иногда и идентичные ответы. Это ожидаемо, ведь все современные LLM построены на одной и той же архитектуре — трансформерах.

Это значит, что у всех реализаций есть общий шаблон поведения, отражающий их природу. В этой публикации я опишу наиболее важные, с моей точки зрения, характеристики Моделей, на которых я строю своё с ними общение.

Искусственный интеллект (ИИ) призван помогать человеку выполнять самые разные задачи, особенно рутинные и однотипные. А в бизнесе таких полно, значит, автоматизировать рабочие операции и делегировать их ИИ сам Бог велел. На рынке регулярно появляются новые решения как специализированные, так и универсальные. Казалось бы, здорово — экономия времени и ресурсов, повышение качества работы. Но ИИ вовсе не так умен, как многие могут подумать. В этой статье я предлагаю обсудить, в каких сферах от «текущего ИИ» есть польза, а в каких — нет, а также поговорить о тех деформациях и проблемах, которые создает новая технология для бизнеса. Материал — попытка объективно взглянуть на нейросети и предназначен больше для руководителей, нежели технических специалистов.

Не тот, кем кажется

Сам вопрос «Где уместно применять ИИ?» возникает потому, что люди ожидают от искусственного интеллекта именно интеллекта. Люди его очеловечивают, наделяют антропоморфными качествами. На самом же деле искусственный интеллект не умеет рассуждать, самостоятельно в чем-то разбираться, проявлять инициативу. Современный генеративный ИИ лишь предугадывает наиболее вероятные следующие события (слово, ноту, пиксель), а это — чисто математический процесс.

Я был удивлен, но даже люди, обучающиеся цифровизации, нередко считают ИИ самостоятельным. Например, некоторые предлагают поручить GenAI управление производственным станком в надежде, что машина сама разберется в чертежах. Нет, я не спорю, не исключено, что антропоморфных роботов люди будут считать полноценными членами семьи — подобное давно можно найти в художественной литературе и кинематографе. Возможно, это и произойдет, но точно не в ближайший год-два. Пока же у генеративного ИИ — множество ограничений. Но упаковать его в продукт и использовать во благо бизнеса, впрочем, можно.

Наша компания BotHub представила новое приложение для электронных таблиц Google Sheets, которое позволяет запускать нейросети из ячеек электронных таблиц. Да‑да, без необходимости переключаться между программами или теряться во вкладках браузера! Просто берёте нужные данные — и... всё остальное делает ИИ. Красота, правда?

Я думаю (и, признаюсь, надеюсь), что статья перед вами — это что‑то вроде микса всеядного гайда и вдохновляющего мануала. Для всех, кто хоть раз открывал таблицу (а таких немало), это должно стать открытием.

Приготовьтесь к диалогу с ячейками — самому странному разговору в вашей жизни.

Привет, меня зовут Виталий. Автор телеграмм канала «Детектив данных» про смену профессии и мой вкат в «аналитику» после 30 лет. И да, я уже наверное года полтора использую помощь нейросети при написании кода на Питоне.

Следствие установило, что для получения качественного ответа часто приходится потратить довольно много времени на описание таблицы, где какой тип данных, примеры, формат, количество nan значений, диапазон дат и прочие нюансы.

Будто при допросе вместо описания преступника, следователь внимательно изучает все родинки у допрашиваемого лица. И у адвоката.

В качестве жертвы у нас рабочее время, которое можно потратить на описание задачи.

В какой то момент я подумал, а почему бы не сделать универсальную функцию которая будет собирать эту информацию за меня, и сразу писать какой нибудь универсальный промт, потому что, до кучи мне и его лень писать.

В общем вашему вниманию предлагаю эту функцию. Всё что нужно, это вставить код в ячейку, и в следующей команде указать ваш датафрейм. Принт выведет вам готовый промт с описанием вашей таблицы, расскажет тип данных каждого столбца, покажет примеры значений, диапазоны и количество пропусков, а заодно проверит датафрейм на дубликаты.

В этой статье я рассмотрю пример в котором будут использоваться LLM для выполнения задач модерации в Telegram.

И в отличии от классического ML, LLM не нужно переобучать, достаточно просто изменить промпт. Это делает LLM идеальным инструментом для интеллектуальной модерации.

Искусственный интеллект — феномен последних лет, будоражащий умы ученых, предпринимателей и простых пользователей. Сегодня эта технология больше не сюжет фантастического романа, а реальность, стремительно меняющая облик привычных нам сфер жизни. От медицины и финансов до транспорта и развлечений — ИИ проникает повсюду, превращаясь в основной драйвер прогресса XXI века.

Вместе с экспертом СИГМЫ разбираемся, что происходило на российском и глобальном рынках ИИ в 2024 г. и чего ожидать в 2025 году.

HR проходит цифровую трансформацию. По данным Gartner, с июня 2023 года  по январь 2024 года число HR-отделов, планирующих внедрить ИИ, увеличилось вдвое. А исследования «Юнион» и «Зарплата.ру» показали, что 75 % респондентов согласны на первичное собеседование с чат-ботом.

Это логично, ведь современный ИИ закрывает ряд HR-задач: от первичных собеседований до прогнозирования увольнений.  

Привет! В очередной раз с вами Катя Косова, аналитик из Cloud.ru и у меня есть guilty pleasure: циферки и когнитивные науки. Поскольку выйти в интернет и не наткнуться на новости про AI (и про то, что он скоро отнимет у всех работу) просто невозможно, а AI-агенты внедряются повсеместно, давайте расскажу, какие когнитивные искажения, по моим наблюдениям, чаще всего встречаются у LLM. Ведь слабые стороны конкурента или потенциального сотрудника надо знать наперед.

В статье рассмотрим примеры искажений, которые свойственны и естественному, и исключительно искусственному интеллекту, также покажу как формулировать запросы к LLM, чтобы выдача была более точной. В этот раз постараюсь сильно не душнить, разбирая исследования, сосредоточимся больше на практике. 

Nebius - формально молодая компания с головным офисом в Нидерландах, работающая на стыке облачных технологий, вычислительной инфраструктуры и задач ИИ.

Интерес к ней объясняется рядом причин. Во-первых, это наследие бывшего Yandex N.V., возникшее после разделения активов Яндекса: компания переориентировалась на предоставление мощностей для обучения и запуска ИИ-моделей, став независимой от российского бизнеса. Во-вторых, Nebius позиционирует себя как поставщик полного стека вычислений для разработчиков ИИ: от доступа к графическим ускорителям до средств развертывания, тем самым переходя от универсальных подходов к специализированной AI-инфраструктуре.

И самое главное - Nebius почти на 10% обогнала Яндекс по рыночной капитализации после сделки с Microsoft, достигнув стоимости $22,8 млрд к утру 10 сентября.

Нейросети уже пишут тексты, генерируют картинки и даже снимают рекламу. Компании вкладываются в технологии, мечтая о «волшебной кнопке», которая заменит команду креативщиков. Но реальность сложнее: ИИ то помогает брендам выстрелить, то оставляет их в дураках.

В этой статье — живые примеры. Мы посмотрим, где алгоритмы стали крутым решением, а где доверие к ним стоило сотен миллионов долларов и репутации.

Служба поддержки – ключевой инструмент удержания клиентов и укрепления лояльности бренда. Она решает проблемы клиента и стоит на страже репутации бизнеса. Но ее сила – не в суперспособностях отдельных операторов, а в качестве базы знаний компании. 

Обычно об ИТ в промышленности думают так: отчёты в 1С, легаси и никакой свободы действий. А если и есть цифровизация, то внедряют её только для того, чтобы выполнить KPI. Но если по-настоящему погрузиться в задачи разработчиков в промышленности, то станет ясно: здесь работают над сложными интересными кейсами, которые влияют на работу заводов и упрощают работу инженерам. 

И вот в нашем ИТ-кластере — Цифровом СИБУРе — мы задумались, как показать, что продукты наших разработчиков влияют на огромный промышленный комплекс. Тогда мы решили вместе с Хабром рассказать, какие технологии и решения мы создаём и как это помогает двигать промышленность вперёд.

Обычная научная статья ― это десятки страниц текста, сложные графики и ссылка на репозиторий где-то в глубине интернетов. Часто кажется, что в этот мир допускаются только те, кто готов неделями разбираться с чужим кодом и настраивать окружение через танцы с бубном. А что если бы статья могла сама «оживать» и превращаться в настоящего ИИ-ассистента, с которым можно разговаривать на обычном языке и сразу запускать любые её методы?

В свежем исследовании авторы предлагают именно это: новый инструмент, который берет научную работу и делает из неё агента-напарника. Теперь из пассивного PDF получается активный собеседник — он объясняет, считает, строит графики и даже сам проверяет свои результаты. Звучит как будущее, которое только что стало чуть ближе.

Команда Python for Devs подготовила перевод статьи Элa Свейгарта о неудачных экспериментах с vibe coding. Все говорят, что ИИ уже умеет писать приложения, но стоит чуть отклониться от привычных сценариев — и всё идёт наперекосяк. Картофельная Африка вместо карты, пинбол, превращающийся в пинг-понг, и счёты с отрицательными числами — автор собрал коллекцию своих провалов с vibe coding.

Команда AI for Devs подготовила перевод статьи о том, почему Retrieval-Augmented Generation (RAG) чаще всего эффективнее дообучения моделей. Vector, Graph и Agentic RAG помогают ИИ работать точнее, быстрее адаптироваться и учитывать реальный контекст — будь то кодовая база, документация или API. Дообучение же остаётся дорогим и негибким инструментом.

Каждый руководитель в сфере технологий знает это ощущение. Заходишь в зал для совещаний, где собраны недовольные руководители отделов, и у всех — истории о системах, которые не взаимодействуют друг с другом, о данных, застрявших в изолированных хранилищах, и о процессах, требующих ручного вмешательства на каждом этапе. Обещания цифровой трансформации кажутся всё более недостижимыми, когда организация функционирует скорее как набор изолированных островков, чем как связанное целое.

Эта проблема уже не просто вопрос технологий. Это ключевая бизнес-задача, которая обходится организациям в миллионы потерянной производительности, упущенных возможностей и конкурентных потерь. Исследования McKinsey показывают, что 90 процентов компаний сейчас реализуют проекты цифровой трансформации, но большинство сталкиваются с фундаментальной проблемой — обеспечить эффективное взаимодействие своих систем.

Жестокая ирония заключается в том, что отдельные приложения стали мощнее и сложнее, а само предприятие в целом стало более фрагментированным. Каждая новая система обещает решение конкретной задачи, но в итоге все они вместе создают сеть сложности, которая может задушить операционную эффективность.

Однако выход есть. Платформы оркестрации перестают быть просто удобными инструментами для управления процессами и становятся основным приложением, от которого зависит, будет ли предприятие процветать или выживать.