В прошлом примере я рассказал о том, как можно использовать YDB в качестве векторной базы знаний. Сегодня расскажу про то, как использовать Yandex Embedder.
Но сначала несколько слов о том, почему Embedder — это очень важно.
Вчера закончил читать «Четвертую промышленную революцию» Клауса Шваба. Автор — достаточно известная фигура, в течение многих лет был председателем Всемирного экономического форума в Давосе*, то есть, того небезызвестного элитарного клуба, который многие считают теневым мировым правительством, и являющегося почти синонимом понятия «глобалисты».
Книгу условно можно разделить на две части. В первой Шваб анализирует тенденции развития общества и технологий, которые условно и обозначает термином, вынесенным в заглавие книги. А вторая часть состоит из прогнозов на ближайшие 10 лет, сделанных на основе экспертного опроса членов клуба, то есть самых влиятельных людей планеты.
Мне показался интересным тот факт, что, будучи написана в 2016 году, эта работа содержала прогнозы на 2025 год, то есть на настоящий период, и я решил посмотреть, что из данных прогнозов сбылось, а что нет. К своему большому удивлению, я обнаружил, что подавляющая часть предсказаний не исполнилась, либо исполнилась в малой степени.
— Например, 79% респондентов ожидали, что к 2025 году 10 процентов автомобилей в США будет управляться беспилотными системами. По факту — автопилоты контролируют статистически ничтожную долю рынка вождения, по большому счету так и не выйдя из этапа тестирования.
— Или же 82% опрошенных считали, что имплантируемые технологии («чипирование» и подобное) в 2025 году поступят в свободное обращение. По настоящему моменту — они не то чтобы не поступили в обращение, но и пока толком не разработаны.
Самые интересные новости финансов и технологий в России и мире за неделю: Deloitte потеряли полмиллиона баксов из-за глюков AI в отчете, секреты гипнотизирования нейросетей от Anthropic, новые рекорды для золота, в ЕС запретили веганские бургеры, взлом Asahi и Discord, а также доказательство инсайдер-трейдинга в Polymarket.
В статье Camunda показывает, как классическая оркестрация процессов и агентный ИИ наконец сходятся: агенты могут принимать решения, действовать автономно, учиться на прошлых кейсах — и при этом оставаться под управлением BPMN и корпоративных правил. Если вам интересно, как сделать ИИ-агентов частью серьёзных бизнес-процессов, а не игрушкой из лаборатории — этот обзор стоит прочитать.
Привет, чемпионы! Давайте начистоту. Вы уже перепробовали все: и промпты в кавычках, и уговоры на английском, и даже шептали запросы своему GPU. Результат? Очередная вывеска с текстом, напоминающим древние руны, переведенные через пять языков. Знакомо? Это наша общая, фундаментальная боль, и сегодня мы не будем ее заливать кофеином и надеждой. Мы возьмем ее, положим на операционный стол и проведем полную анатомическую диссекцию.
Представьте, что библиотеки можно устанавливать / настраивать и удалять (на любом языке и в любом фреймворке) так же легко, как любое приложение или игру на телефоне или компьютере?
Эта статья о том, как мы можем это сделать.
Или другими словами, framework Agentic Executables (далее - "AE") рассматривают библиотеки как исполняемые программы со структурированными, понятными для AI агента инструкциями. Вместо того чтобы полагаться на документацию написанную для людей, AI-агенты следуют стандартизированным .md файлам для автономной установки, настройки, интеграции, обновления и удаления библиотек.
Я решил разделить статью на несколько частей:
С нуля создаем Node.js-сервис для GitHub, который использует LLM (OpenRouter) для построчного код-ревью Pull Request. Разберем: верификацию вебхуков, борьбу с непредсказуемостью LLM и превращение хаоса в отказоустойчивый инструмент.
Привет, Хабр! На связи снова Максим Михайлов и моя серия статей про внедрение AI в клиентскую поддержку Cloud.ru.
В прошлой статье я рассказывал, как мы начали осваивать AI в бою — генеративные подсказки, которые помогают инженерам поддержки готовить ответы, и инструмент, который делает эти ответы дружелюбнее. Но это был только разогрев. Сегодня покажу нашу систему AI-агентов, которые дружно работают внутри технической поддержки Cloud.ru и самостоятельно обрабатывают больше 20% обращений.
Обычно качество ИИ улучшают двумя путями — дообучая веса или сокращая промты, чтобы всё работало быстрее и дешевле. Со временем короткие шаблоны теряют смысл, а длинные инструкции превращаются в кашу из выжимок.
Оказывается, сила ИИ-приложений кроется не в размере модели, а в том, как “живёт” и развивается их контекст. В роли суперспособности выступает динамичный плейбук — он не боится становиться длиннее, обновляется маленькими шажками и сохраняет тонкие доменные знания. Модель сама учится отбирать, что ей важно, а не просто сжимать всё в краткие подсказки.
В этом разборе — как инженерия контекста помогает ИИ думать гибче и как этот подход работает на практике.
Организация рабочего пространства, будь что реального, что виртуального было всегда вопросом индивидуальным. Безусловно, порой есть best practictes: убрать всё лишнее с рабочего стола; отключить уведомления, иметь своё выделенное рабочее место. Вспоминаются сразу нон-фикшн литература о менеджменте пространства, психологии определённых ритуалов и атрибутов. Эта тема будто бы была актуальна всегда, и она настолько же исследована, насколько и индивидуальна: кто-то не может начать свой день, не погладив попугая на рабочем столе. Кто-то не может читать почту, пока не проведёт чайную церемонию, поливая телефон, мышку, колонку и прочее. Когда-то достаточно было просто стола и перфоратора, а сейчас сложно представить человека, работающего за компом без кресла - комбайна, которое затрагивает все частички твоей души в каждый конкретный момент; с механической клавиатурой, Дб нажатия клавиш которая должна быть всегда в пределах 55-60; диагональю монитора, чтобы он вмещал 2 любимые IDE, 1.5 любимых браузеров, 5 чатов с LLM, рабочий мессенджер (1 инстанст по каждой из работ). В каждой IDE 10 открытых pop-up’ов, 2 сплита на каждый буфер, 4 открытых таблиц, 7 активных докер exec bash процессов, 20 рабочих localhost вкладок и более 50 важных, но до сих пор не прочитанных; на каждое действие автокомплит + подсказка от агента + ai-powered copy/paste’ом c ai-powered буфером обмена с blazing fast и thread save обёрткой. Упс, не та тема уже; Общаясь с людьми, понимаешь, что всё чаще идёт сдвиг опциональных инструментов в первостепенные, и это то, о чем будет эта статья. Она не о хейте изобилия инструментария, она для рефлексии и инвентаризации того, что у вас уже есть.
Сначала был звонок. «Здравствуйте, мне нужно перевести документ с английского на русский. Только он не совсем обычный». Разберемся, подумал я. А вечером увидел на почте это.
Большие языковые модели (LLM) уже умеют писать код, анализировать данные и даже проектировать архитектуру. Но большинство пользователей по-прежнему работают с ними неправильно — перегружают контекст, теряют важную информацию и удивляются «галлюцинациям» модели.
В статье — практический разбор того, как устроено контекстное окно и почему именно контекстная инженерия становится новым навыком разработчиков. Разберём типичные ошибки, правила оптимизации, принципы управления памятью LLM и реальные стратегии, которые используют команды, работающие с Claude, ChatGPT и GitHub Copilot.
После прочтения вы поймёте, как добиться стабильных и точных ответов от модели, тратить меньше токенов и управлять контекстом так, как это делают инженеры ведущих AI-компаний.
Или как объяснить менеджменту, почему лучше перестать пушить внедрение ИИ в разработку.
Ниже я разбираю основные проблемы и приземляю их на реальные исследования.
Михаил Сухарев
Идеальное и материальное
Предупреждение: эта статья не имеет никакого отношения к религиозным вопросам; в ней рассматриваются только процессы в материальных системах. Бог же может быть нематериальным духом, принимать различные материальные облики, может создавать материальные объекты и миры или уничтожать их по своей воле.
Основной вопрос философии изучался много десятилетий всеми советскими студентами. Тема об этом вопросе основывалось на статье Фридриха Энгельса «Людвиг Фейербах и конец классической немецкой философии», название которой тоже навсегда врезалось им в память.[1]
Энгельс писал: «Великий основной вопрос всей, в особенности новейшей, философии есть вопрос об отношении мышления к бытию. Уже с того весьма отдаленного времени, когда люди, еще не имея никакого понятия о строении своего тела и не умея объяснить сновидений, пришли к тому представлению, что их мышление и ощущения есть деятельность не их тела, а какой-то особой души, обитающей в этом теле и покидающей его при смерти, — уже с этого времени они должны были задумываться об отношении этой души к внешнему миру. … Вопрос об отношении мышления к бытию, о том, что является первичным: дух или природа, - этот вопрос, игравший, впрочем, большую роль и в средневековой схоластике, вопреки церкви принял более острую форму: создан ли мир богом или он существует от века?»
Вопрос, действительно, непростой.
Мышление – это главное, что выделяет человека (на самом деле общество как холическую систему из людей и артефактов) из остального мира, на чем основана его власть над реальностью. Но важная часть мышления – это извлечение знания из природы; а знание тоже нематериально. Знание ищет законы природы и устройство вещей, но эти законы и эти формы существуют в природе независимо от людей и существовали до них. Иначе мы их не открываем, а выдумываем. Как вы полагаете, инопланетяне откроют те же законы, что и мы, или какие-то другие? Однако «диамат» (диаматом я буду называть ту демагогическую версию диалектического материализма, которой обучали в СССР) считал, что идеальное существует только в мозге, не имея смелости развивать хотя бы то, что было опубликовано в «Философских тетрадях» Ленина.
Привет, Хабр! Возможно, вы знаете меня по дайджестам проекта far2l, но сегодня хочу поделиться кое-чем другим. Это небольшая и очень полезная утилита и формат файлов для неё, которые родились из моей повседневной работы с AI-ассистентами (в том числе в процессе работы над тем же фаром). Штука получилась настолько удобной, что я решил поделиться ей с сообществом. Поехали!
Знание классики - база любых собеседований на все грейды в DS!
Этот материал не рассчитан на изучение тем с нуля. Это чеклист и тренажёр, по которому стоит пройтись перед техническим интервью по классическому ML. Кратко, по делу, с акцентом на то, что действительно спрашивают.
В этой части разберем:
Деревья и ансамбли, метрические модели, кластеризацию
кластеризацию
Представьте, что каждая обученная языковая модель — это жёсткий диск, на котором записаны все данные её обучения, но в сжатом и зашифрованном виде. Традиционное взаимодействие с моделью — это как чтение отдельных файлов через не всегда предсказуемый интерфейс.
А теперь представьте, что у вас появился инструмент, который позволяет провести дефрагментацию и декомпрессию этого диска, извлекая данные обратно в чистом, структурированном виде. Над созданием такого инструмента — LLM-deflate — автор и работал последнее время.
ИИ уже хорошо решает сложные задачи, но когда доходит до реальных соревнований и живых проектов, вдруг выясняется — старые подходы к проверке его способностей не работают так гладко, как хотелось бы. Бенчмарки, по которым модели тренируются и друг с другом сравниваются, порой буквально застревают в прошлом: их сложно обновлять, они слишком формальные… а ведь задачи мира куда разнообразнее, чем любые придуманное вручную соревнование.
Но недавно появился неожиданный подход: зачем вручную собирать одни и те же стандартизированные тесты, когда сами наборы данных способны становиться свежими полигонами для ИИ? В исследовании MLE-Smith команда обучила агентов автоматически строить новые, реалистичные задачи прямо на потоке настоящих данных — без участия человека, но с сохранением структуры и смысла.
Почему это важно? Потому что такого рода «фабрики» могут радикально поменять, как мы оцениваем ИИ, и дать ему куда более честное, разнообразное поле для прокачки. В этой статье — как работает эта система, с какими трудностями она сталкивается и почему именно автоматизация бенчмарков может стать следующим шагом для всего ИИ‑сообщества.
Часть 1. «Цифровая пена» всё сильнее затягивает
С одной стороны за несколько сотен лет принципиально не изменилась логика производства продукта: оборудование и рабочие на основании технологических карт/рецептур перерабатывают сырье и материалы в полуфабрикаты и готовую продукцию, передавая результат своей работы дальше по участкам до склада готовой продукции для отгрузки покупателям, при этом собственники ожидают максимальной отдачи от инвестиций.
С другой стороны, начиная с 30-х годов прошлого века, изменения в производственных системах, развитие компьютеров и аналитики, а также миллиарды долларов, вброшенные в консалтинг, породили вокруг бесконечное количество информации, моделей, систем, программных продуктов. Часто начинает казаться, что современные руководители, просто тонут в этой «цифровой пене», не всегда понимая, как соединить «теплое» с «белым», например, внедрение ERP, желание повысить скорость выпуска и сделать завод более рентабельным, а также развивать «мягкие навыки» (soft skills). И вокруг армия консультантов: «Вам нужно внедрить Бережливое производство», «У вас нет нормального управленческого учета», «Вам срочно нужно ERP», «Зачем тратить большие бюджеты, давайте всё сделаем в экселе» и так далее
В России ситуация осложнилась тем, что в 90-е годы была уничтожена советская научная школа управления производством и в течение 20 лет мы утратили собственные наработки и системно не взяли чужие, за исключением лидеров отраслей. В итоге сегодня видим засилье литературы из серии «Богатый папа — бедный папа» или «Коучинг — наше всё», а также разные курсы МВА, где руководителей и собственников бизнеса учат в основном лучшим практикам финтеха и ИТ.
Sora 2 — это не просто апгрейд, а фактически новая архитектура. Если в первой версии модель использовала трансформер, натренированный на коротких клипах, то теперь это мультислойная диффузионная сеть, способная “понимать” время, движение и контекст в одной последовательности.
