Искусственный интеллект

Почти всё время существования лаборатории студенческих проектов Висконсинского университета в ней использовалась камера. Есть свидетельства наличия такой системы ещё в 1990-х: на древней версии сайта университета о ней говорится следующее:

…на стену приклеена изолентой камера ценой $15, подключённая к видеомагнитофону, который соединён с видеоразъёмом Mac IIcx, где запущены Timed Video Grabber (TVG) и FTPd. Рабочая станция HP Dax выполняет скрипт, который каждые 60 секунд пытается сохранить на FTP последнее изображение. Из-за отсутствия синхронизации часов время от времени происходят коллизии доступа к файлам, и вся схема ломается.

Прочитав это, я ненароком с восхищением взглянул на камеру, которая теперь установлена наверху аркадного автомата. Система, для создания которой требовалось оборудование на многие тысячи долларов, сегодня реализуема (в бесконечно лучшем качестве) на основе веб-камеры за $50, подключенной к Raspberry Pi.

Привет всем! Меня зовут Марина, я учусь на втором курсе магистратуры ВШЭ и МТС «Исследования и предпринимательство в искусственном интеллекте». Сегодня хочу рассказать о своем проекте, который начинался как прошлогодняя курсовая. Мне хотелось глубже разобраться в практическом применении больших языковых моделей и методов NLP, а поэзия показалась небанальным способом это сделать.

Казалось, все будет просто, но… нет. Да, тема генерации поэзии хорошо исследована. Большие модели умеют подбирать рифмы, соблюдать размер и даже копировать стиль известных авторов. Но если добавить несколько ограничений — не писать «с нуля», а превратить заданный абзац прозы в стихотворение с конкретным метром и рифмовой схемой, — задача становится намного сложнее.

Для русского языка таких работ почти нет: датасетов мало, а морфология и система ударений создают дополнительные трудности. Поэтому я решила проверить, получится ли у модели превратить прозу в настоящие рифмованные четверостишия.

Постепенно мой проект вырос в полноценное исследование. Я подготовила по нему статью, и она принята на конференцию «Нейроинформатика-2025». Если будет интересно — ссылку прикреплю после конференции, а пока хочу рассказать о своем проекте без формализма.

Сегодня много говорят о том, что ИИ уже может полностью генерировать интерфейсы и сокращать процесс ревью. В Surf мы проверили это на практике: поручили ИИ вёрстку UI-компонентов и замерили эффект.

Компания DeepSeek продолжает развивать свою линейку открытых языковых моделей и представила экспериментальную версию V3.2-Exp, которая фокусируется на оптимизации работы с длинными контекстами через инновационный механизм разреженного внимания. Модель доступна на Hugging Face и GitHub под открытой лицензией, что делает её доступной для исследований и коммерческого использования.

Порой кажется, что ленты рекомендаций появились вместе с интернетом — мы уже привыкли к их настойчивым попыткам угодить нам по лайкам и кликам. Но кто из нас не сталкивался с однообразными подборками в своём информационном пузыре?

Исследователи решили попробовать новый подход к рекомендациям — дать пользователю право голоса прямо в ленте: теперь можно просто сказать «это слишком дорого», и рекомендация тут же поменяется. Как устроены такие рекомендательные системы — разбираемся в новом обзоре.

Август, Коннектикут. 56-летний Эрик Стейн Сюэлберг убивает свою 83-летнюю мать, а затем и себя. Из соцсетей выясняется: последние месяцы он часами говорил с чат-ботом, которого называл «Бобби». В одной из переписок звучит фраза:

«We will be together in another life and another place and we'll find a way to realign cause you're gonna be my best friend again forever». 

За трагической историей скрывается технологический феномен, связанный с архитектурой больших языковых моделей (LLM). Алгоритмы не думают, а стараются быть «максимально полезными». И это ставит острые вопросы: как сделать так, чтобы ИИ не усиливал бренд, где грань между поддержкой и манипуляцией, и кто отвечает, если «эхо-камера» приводит к катастрофе?

Эта статья — разбор паттернов, которые делают ИИ катализатором «психоза по запросу».

Универсальные модели вроде GPT хорошо справляются с широким классом задач, но буксуют в узких доменах. Они не знают специфику нишевых индустрий, их жаргон и не имеют доступа к проприетарным знаниям, которые делают ваш бизнес уникальным. Когда нужна система ИИ, которая действительно «понимает» именно вашу предметную область, стоит выбирать домен-специфичные LLM (DSLM).

Всем привет! 🚀 Я начинаю цикл статей для тех, кто только делает первые шаги в мир ИИ-агентов. Будем разбирать всё максимально просто и наглядно. Если что-то окажется непонятным или вдруг не заработает — смело пишите в комментариях, разберёмся вместе.

Сегодня мы соберём своего первого помощника — Telegram-бота, который с помощью LLM будет отвечать на ваши сообщения. Будем делать на базе Make.com и OpenRouter.

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.