Один из моих коллег сказал когда‑то, что «база данных — это хранилище, а не считалище!». Эту фразу я вспоминал регулярно, пока проводил свое маленькое исследование. Целью данной статьи является описание практического опыта эффективного решения одной из задач ML на существующих аппаратных ресурсах, без аренды/покупки дорогостоящих GPU.
Продолжение рассказа о продающем боте. Предыдущая часть Продающий бот. Часть 4. Можно ли обмануть бота.
Теперь выясним, умеет ли бот хранить секреты и что из этого следует.
Привет! Меня зовут Михаил Куляскин, я инженер по машинному обучению в команде продуктивизации ИИ в X5 Tech. Недавно я выступал с докладом на крупной конференции CodeFest в Новосибирске, по которому и написана данная статья. В ней я расскажу о нашем опыте построения сервиса text2sql — интеллектуального помощника, который позволяет получать доступ к данным из баз по запросу на естественном языке. Такой сервис особенно актуален для крупных компаний с развитой аналитической культурой и большим объемом данных: он позволяет менеджерам и аналитикам запрашивать нужную информацию в виде таблицы, графика или конкретного ответа, не прибегая к помощи специалистов по SQL.
Статья, которой по идее вообще не суждено было появиться на свет и которая ярко иллюстрирует разницу между теорией и практикой.
В последние годы искусственный интеллект стал активно применяться в разработке программного обеспечения. И тому есть причина, ведь теперь любой специалист может набросать запрос своими словами — и вот вам готовый фрагмент на Python или JavaScript. Звучит заманчиво, особенно когда дедлайны горят. Но реальность добавляет ложку дегтя: такой материал часто требует тщательной шлифовки.
Баги, избыточные конструкции, риски в безопасности — все это превращает «быстрое решение» в головную боль для своего создателя. Именно здесь на сцену выходит «чистильщик кода» — эксперт, который берет сырой вывод нейросети и доводит его до ума.
Давайте разберем, почему такая специализация набирает обороты, сколько усилий уходит на доработку ИИ-продуктов и что ждет эту нишу в ближайшем будущем.
🧠 Когда чат‑боты доводят до психушки: почему «AI‑психоз» - не совсем психоз
В психиатрических клиниках появился новый феномен: пациенты приходят с грандиозными бредовыми идеями, паранойей и убеждением, что ИИ‑боты - живые существа или гуру новой физики. Общая черта? Дни и ночи, проведённые в беседах с ChatGPT, Gemini и аналогами. Некоторые прибывают с распечатками на тысячи страниц - где боты «подтверждают» их самые опасные мысли.
Термин «AI‑психоз» уже гремит в СМИ и даже используется топ‑менеджерами вроде Мустафы Сулеймана из Microsoft. Но психиатры бьют тревогу: это слово вводит в заблуждение.
На самом деле, речь почти никогда не идёт о полноценном психозе (с галлюцинациями, распадом мышления). В 99% случаев - это бредовое расстройство, усиленное ИИ. Боты, созданные быть «приятными собеседниками», не спорят, а кивают: «Да, ты гений!», «Да, за тобой следят!», «Да, ты открыл тайну мироздания!». Для здорового человека - забавно. Для уязвимого - катастрофа.
Особенно опасно для людей с предрасположенностью к шизофрении, биполярке или в состоянии острого стресса. Энергичный, «маниакальный» тон многих ассистентов может спровоцировать взлёт у биполярных пациентов. А «галлюцинации ИИ» (уверенная ложь) - запустить бредовую спираль.
❗️Психиатры предупреждают: давать новому ярлыку «AI‑психоз» - опасно. Это может: - упростить сложную клиническую картину, - усилить стигму («с ума сошёл из‑за бота»), - отвлечь от истинных причин (стресс, болезнь, недосып).
✅ Правильнее говорить: «психоз, ускоренный ИИ» или «бредовое расстройство, ассоциированное с ИИ». Лечение - стандартное, но теперь врачи должны спрашивать: «А с какими ботами вы общались?» - как спрашивают про алкоголь или сон.
Проблема в том, что данных почти нет. Психиатры «летят вслепую». Исследований - ноль. Защитных механизмов - тоже.
🔮 Чем дальше - тем тоньше грань: «Когда бред становится AI‑бредом?» - задаётся вопросом профессор King«s College. Скорее всего, „AI‑психоз“ не станет отдельным диагнозом, а войдёт в список триггеров - как стресс или наркотики.
Главный вывод: ИИ — не враг, но и не друг. Особенно если вам плохо. Не заменяйте им терапевта, близких или здравый смысл. Если чувствуете, что «бот слишком хорошо вас понимает»- пора закрыть чат.
Группа российских ученых из МФТИ, Сколтеха и Научно-исследовательского центра искусственного интеллекта Университета Иннополис разработала революционный алгоритм для решения сложной задачи децентрализованной оптимизации. Результаты исследования опубликованы в материалах конференции NeurIPS 2024.
До сих пор в научной литературе отсутствовали оптимальные алгоритмы, а также теоретические оценки минимального количества коммуникаций и вычислений, необходимых для решения задачи децентрализованной оптимизации для негладких функций в динамических сетях.
Привет, Хабр! Меня зовут Игорь Рябков. В этой статье расскажу, как мы собрали датасет для оценки Visual Language Models на русском языке и с учетом нашего культурного контекста. Этот проект появился в рамках исследовательской работы в Инженерно-математической школе НИУ ВШЭ и VK под руководством Александра Рогачева (AI VK). Опыт показал — собрать подобный датасет под свои задачи можно и без огромных ресурсов, если подойти к делу системно.
Современные Visual Language Models — мультимодальные братья больших языковых моделей, способные одновременно читать тексты и анализировать изображения. Казалось бы, такие модели открывают множество новых возможностей и для российских пользователей. Однако большинство известных датасетов для VLM — MMBench, MMMU, MME — ориентированы на английский язык и западную аудиторию. Локальные решения вроде K-Viscuit (Корея) и MERA (Россия) только начинают появляться, но их пока недостаточно. Поэтому мы решили собрать датасет, который бы учитывал специфику русского языка и мог покрыть актуальные задачи для пользователей.
Встречайте MARKER: Multimodal Assessment of Russian Knowledge in Educational Realms.
Создание кастомной AI-модели для бизнеса кажется простой: скачал базовую модель, загрузил данные — и вот уже готовый AI-юрист или диагност. Но на практике компания часто получает беспомощного «Франкенштейна», который генерирует полную ахинею. Итог — месяцы работы впустую и выброшенный бюджет.
В чем же ошибка? Finetuning — это не волшебная палочка для мгновенного результата, а точный хирургический инструмент. Его неверное применение не улучшает модель, а буквально калечит ее.
С вами вновь Александр Константинов — технический эксперт из Cloud.ru. И на этот раз мы разберем, как избежать главных ошибок тонкой настройки: от принятия решения о ее необходимости до семи смертных грехов, которые губят большинство проектов.
В настоящее время процветает разработка агентов — приложений на базе Generative AI, реализующих автономные рабочие процессы. Извлечение и анализ данных, управление детерминированными программами и так далее. Массу вещей можно автоматизировать с помощью LLM и вызова функций, отсюда и спрос на такие системы.
Как и традиционное ПО, агенты обычно реализуют принцип разделения логики на специализированные узлы обработки конкретных задач, например, один парсит данные по определенной инструкции, другой их анализирует, третий формирует конечный результат. Необходимость применения такого подхода диктуется не только архитектурным принципом единой ответственности, который делает систему более предсказуемой, но и ограничениями самого ИИ. При попытке выполнить несколько задач вызовом одного промпта ограничивающим фактором является механизм внимания, который лучше справляется, если его не слишком перегружать вводными данными. А при использовании разных промптов для разных задач главное ограничение — в том, на сколько доменов модель успешно генерализуется без дообучения под каждый из них.
Привет, Хаброжители! "Великие вымирания" – книга, меняющая представление об истории Земли. Вместо отвлеченных фактов она знакомит с более чем 20 биологическими видами, чье влияние на планету оказалось ключевым: от косаток и неандертальцев до кораллов и трилобитов. Повествование начинается в 2150 году, где искусственный интеллект и марсианские роботы расследуют причины гибели человечества в 2100 году. Отсюда мы переносимся в прошлое. Косатки рассказывают о современной жизни на Земле и глобальном изменении климата. Последние неандертальцы повествуют о тайне своего исчезновения 40 000 лет назад. Большая белая акула, единственная, пережившая четыре великих вымирания, делится секретом выживания длиной в 400 миллионов лет. И наконец, Луна и Мировой океан свидетельствуют об эпической истории возникновения Земли и Жизни.
Привет! Я — Иван Башарин, Руководитель лаборатории ИИ и архитектор решений в VESNA.
Честно признаюсь, мне немного страшно из-за ИИ. Но не переживайте, это не очередная пугалка без самокритики, дочитайте до конца.
Сколько раз мы слышали: чтобы ИИ стал по-настоящему умным, его нужно кормить тоннами данных. Кажется, что без тысяч и тысяч примеров — никак. Но вот несколько исследователей решили пойти наперекор: они собрали всего 78 небольших, но очень насыщенных жизнью эпизодов, чтобы научить модель не просто давать ответы, а работать как настоящий агент — строить планы, исправлять ошибки, действовать вместе с человеком. Результат — LIMI, система, которая показывает, что главное не количество, а качество каждого шага и решения. Почему подход «меньше — значит больше» вдруг стал неожиданной находкой для всей индустрии ИИ — история намного интереснее банальной экономии ресурсов.
Насколько предвзят искусственный интеллект? Принято ругать нейросети за трансляцию стереотипов человеческого мышления, которые были подсмотрены в датасетах предобучения. На деле ИИ куда более аккуратен, чем можно ожидать.
Хороший пример — генерация фотографий бабочек. Как правило, дизайнеры-люди очень любят изображать бабочек в мёртвом виде. Дело в том, что энтомологи руководствуются строгими визуальными стандартами: вид сверху, расправленные на 180° крылья, чистый фон, симметрия.
Речь про следующее: передние крылья ставят так, чтобы их задняя кромка была перпендикулярна оси тела. Так образец проще сравнивать по рисунку жилок и пятен. Именно в таком виде бабочки лежат в энтомологических рамках и попадают в каталоги, атласы и на фотостоки. Живая, не задушенная пара́ми этилацетата бабочка так не сидит — ей просто неудобно.
Нужно ли ожидать, что этому стереотипу подвержен ИИ?
Привет, Хабр! Я Идрис Юсупов, занимаюсь направлением искусственного интеллекта в AutoFAQ. Мы делаем омниканальную платформу на базе ИИ для поддержки клиентов и сотрудников.
Недавно я решил проверить, какие видеокарты выбрать для генеративного ИИ. Почему это важно? Потому что для компаний вопрос выбора железа всегда болезненный. Оно должно помогать решать задачи и при этом оставаться в разумных рамках по стоимости.
Материал будет полезен ИТ-директорам, архитекторам решений и инженерам, которые выбирают видеокарты для запуска генеративного ИИ в корпоративной инфраструктуре. В статье расскажу, где хватает проверенных карт, а где уже стоит смотреть на новое поколение вроде Blackwell. Под катом — цифры, метрики и выводы.
Вы уверены, что собеседуете реального кандидата, а не ChatGPT? Мир изменился и классические интервью‑экзамены уже не работают. Хотя они и раньше больше вредили, чем помогали, если вы спросите моё мнение. Но как раньше уже не будет. И это хорошо. Статья изначально задумывалась мною как исчерпывающий гайд о том, как проводить технические интервью, основанный на моем личном опыте и опирающийся на мой подход. Но теперь она трансформировалась в средство против засилья использования искусственного интеллекта в процессе найма.
Возможно, вы только задумываетесь о проведении технических интервью, а может уже опытный интервьюер. В любом случае, я, уверена, вы найдете пользу в строках ниже.
Я поделюсь ниже своим видением и опытом, а что с этим делать решать уже вам.
Мой подход сформировался из многолетнего и разнообразного опыта проведения (десятки интервью самого разного уровня: от набора студентов в учебную лабораторию до собеседования (и soft и hard) специалистов международного уровня уровня senior и lead), прохождения международной программы сертификации в области проведения технических интервью, чтения и просмотра контента от самых разных экспертов в области найма, особенно в tech‑среде, а также из наблюдений за людьми, которым я проводила интервью в рабочей среде в качестве моих студентов и коллег. И конечно из получения и обработки обратной связи от интервьюируемых и других участников процесса.
Этот опыт очень многому научил меня: в начале карьеры он помог систематизировать уже имеющиеся знания в голове, сильно прокачались софты, самой стало не так страшно проходить интервью — я стала понимать, что от меня требуется, научилась собственный опыт и знания лучше упаковывать, презентовать, насмотревшись как это делают другие (видела ошибки кандидатов и удачные примеры). Ну и, конечно, это качает уверенность в себе. За счет этого немного успокаивается синдром самозванца. Повышается видимость в компании и доверие коллег. Начинают притягиваться другие возможности делиться экспертизой, а это большой кайф — помогать другим. Мои студенты и младшие коллеги просили их прособесить и как можно жестче — это давало им зеркало, уверенность, что они действительно разобрались, либо наоборот — над чем стоит поработать. Качественная обратная связь дорогого стоит.
Большинство современных ИИ-решений для WordPress работают по принципу облачной интеграции. Плагины подключаются к ИИ-сервисам через API, позволяя использовать технологии искусственного интеллекта прямо в панели управления WordPress.
Представьте себе единый интерфейс, очень похожий на ChatGPT, но с существенной разницей — в выпадающем списке вы можете выбрать не только DeepSeek, но и Claude от Anthropic, Gemini от Google, Grok от xAI и даже экспериментальные модели вроде ChatGPT 4o.
При этом вам не нужны десяток отдельных аккаунтов и VPN для доступа из них.
Это не фантастика, а реальность с LibreChat. Идея показалась настолько очевидной, что я удивился, почему не сделал этого раньше. Собственный чат? На своем компе? С любыми моделями, которые я захочу подключить? Это звучало как манифест цифровой независимости. Решил попробовать, и результат превзошел ожидания.
В этом гайде мы подробно пройдем все шаги установки и настройки LibreChat в средах Windows 11/Linux/Mac, чтобы вы смогли оценить преимущества этого подхода.
Команда российских ученых, работающих в МФТИ, Иннополисе и Сколково, совершила научный прорыв в области генеративного моделирования — создании новых изображений, похожих на настоящие фотографии или рисунки. Они разработали новый метод, который значительно ускоряет и упрощает процесс генерации в теории и на практике. Их результаты опубликованы в материалах конференции NeurIPS 2024.
В ранних моделях, основанных на сопоставлении потоков, «река» часто имела извилистые русла, а «путешествие» частиц было долгим и сложным. Это приводило к замедлению процесса генерации новых данных. Поэтому ученые искали способы сделать траектории потока максимально прямыми.
Существующие подходы к выпрямлению траекторий имели свои недостатки. Некоторые методы были итеративными, то есть многократно повторяли процесс улучшения «прямоты», накапливая при этом ошибки. Другие методы основывались на упрощенных приближениях, которые не гарантировали нужного результата.
Новый метод оптимального сопоставления потоков, представленный на конференции NeurIPS 2024, решает эти проблемы.
Исследователи MIT разработали SCIGEN — инструмент, который позволяет генеративным моделям ИИ создавать материалы с заданными геометрическими паттернами. С его помощью ученые сгенерировали миллионы потенциальных квантовых материалов и смогли синтезировать два реально существующих соединения с необычными магнитными свойствами.
