Искусственный интеллект

По ИИ-новостям можно отслеживать последние тенденции. Пару месяцев назад, «модным» тегом было AGI, «глобальный ИИ», сулящий миру избавление от мук умственной деятельности и долгожданное погружение в бесконечный просмотр Tik-Tok.

Чуть позже, настал черед очередного «прорыва» – «агента», то есть помощника, которому можно поручить задачи и он будет их выполнять денно и нощно. Видимо, с AGI или не сложилось, или термин перестал вызывать интерес инвесторов.

И, встречайте на сцене – «рассуждающий ИИ»! Он уже не претендует на лавры AGI и не столь универсален, как агент. Единственная надежда, что он сможет сделать несколько шагов в рассуждениях.

Но, похоже, и это – всего лишь маркетинговый трюк.

С самого начала, единственный путь, по которому идут языковые модели – подбор следующего токена в зависимости от предыдущего. То есть, главным залогом успеха при этом является как можно больший объем данных для обучения.

К настоящему времени, использованы все существующие качественные данные, и  даже синтетические данные.

Конечно же, это не предполагает размышления.

Попробовав недавно DeepSeek, я обрадовался, увидев долгий порядок вычислений, что, наконец, модель научилась размышлять. Но, недавняя новость раскрыла, как это достигнуто- всего лишь огромным числом математических задач в обучающей выборке. То есть, это снова – лишь подбор следующего токена.

Поэтому, видимо, все заявления о «размышляющих ИИ» - лишь маркетинговый трюк. Ведь, мы до сих пор не знаем, что такое мышление и как оно работает.

По крайней мере, я. Я лишь знаю, что мозг накапливает информацию за день  в краткосрочной памяти и проводит «обучение» мозга этим данным ночью, во время сна. Но это – всего лишь обучение имеющимся данным. Механизм же поиска решений, то есть создания информации, не известен. Ясно лишь, что между нейронами растут физические связи. И, к моменту образования необходимых связей между всеми требуемыми нейронами, человека осеняет «Я понял!».

Как мозг определяет, между какими нейронами необходимо создать связь, не известно.

Может быть, у сообщества есть догадки или даже достоверная информация.

Думаю, это будет полезно многим энтузиастам ИИ.

Попросили вашу умную колонку включить музыку, а она вместо этого вызвала такси? Похоже на атаку типа «подмена распознавания»!

Не секрет, что системы ИИ уязвимы. И один из вариантов их аудита — активное тестирование, которое подразумевает поиск уязвимостей.

Специалист отдела перспективных исследований ИТ-компании «Криптонит» Алексей Протопопов провёл эксперимент: он написал свой алгоритм, который мог бы сгенерировать атаку на систему распознавания речи.

В случае успешной атаки нарушается транскрибирование фраз и выполняются совершенно другие команды. Например, говорите: «Колонка, включи музыку», а она вместо этого набирает номер. Триггером атаки может послужить и какая-то мелодия, которая будет распознаваться как команда.

Это разновидность атаки типа «подмена распознавания», но существуют и другие. Например, атака подмены личности. Они могут быть направлены на то, чтобы система ИИ (та же «Алиса» или Siri) распознавала атакующего как владельца.

Эффективные атаки выполняются «по воздуху», то есть — не требуют подключения к атакуемой системе. Достаточно, чтобы она услышала звук. Суть атаки в том, чтобы передать ей такой набор звуков, который исказил бы транскрипцию.

На практике атака усложняется фоновыми шумами, эхом и тем простым фактом, что все микрофоны и динамики обладают разными характеристиками.

Алексей с коллегами симулировали свыше 700 разных конфигураций и создали итерационный алгоритм, который выполняет атаку на ИИ незаметно для человека, используя психоакустические особенности восприятия звука.

Этот доклад был на V встрече экспертного сообщества по криптографии и большим данным, которую организовал «Криптонит» при поддержке Музея криптографии. Дискуссия была посвящена теме аудита безопасности систем ИИ.

Смотрите запись встречи
📺 на Rutube
📺 в VK видео

Коммерческие LLM и Agentic AI захватили внимание широкой публики. Но за всем этим шумом, незаслуженно забытым оказался Openvino. Это лучшая точка вхождения в увлекательный мир AI.

Устанавливаем зависимости:

pip3 install jupyter

Клонируем repo:

git clone https://github.com/openvinotoolkit/openvino_notebooks.git

Запускаем коллекцию Jupiter notebooks с моделями:

cd openvino_notebooks
jupyter lab notebooks/README.md

Друзья, приглашаем на бесплатный вебинар «Окей, ChatGPT, нарисуй диаграмму: автоматизация создания UML-диаграмм».

Создание UML-диаграмм зачастую отнимает много времени и требует концентрации на мелочах. Но что, если эту задачу можно упростить? На вебинаре рассмотрим, как ChatGPT помогает генерировать PlantUML-код и минимизировать рутину. Мы обсудим лучшие подходы к формированию запросов, изучим примеры сложных диаграмм и разберём, как ИИ может стать вашим надёжным помощником в проектировании.

📅 Дата: 21.01.2025

⏰ Время: 15:00-16:00 (Мск)

На вебинаре:

✔️ Что такое PlantUML и как он работает

✔️ Идеальная структура запроса к ИИ: как получить то, что нужно 

✔️ Возможности ChatGPT для создания UML-диаграмм 

✔️ Примеры построения диаграмм классов и диаграмм  последовательности 

✔️ Разбор сложных случаев

👨‍🎓 Спикер: Акманова Елизавета — специалист по системному и бизнес-анализу.

👉Записаться👈

Skypilot - над облаками

Ребята из UC Berkeley с 2009 года развивают фреймворк «Sky computing», который обеспечивает устойчивое и экономически эффективное обучение AI/ML в облачных средах и разных регионах.

Концептуально все расписано в статье:
The Sky Above The Clouds

Но на самом деле все это сводится к простой максиме:

Есть бюджет сложности и бюджет ошибок. Можно израсходовать ресурс на инфраструктуру, и тогда на разработку и продукт ничего не останется.

Современная облачная инфраструктура, зачастую непростительно расточительна на ресурсы (не только аппаратные, но и человеческие) и , совершенно, без нужды переусложнена.

Для обычного веб-приложения или AI/ML пайплайна, может понадобится стек технологий состоящий из тысяч различных компонентов, которые постоянно меняются и обновляются.

Skypilot это прослойка (облачный брокер как называют его авторы) которая абстрагирует разницу между API различных облачных провайдеров, Kubernetes, VMware vSphere API.

На самом деле, достаточно простое приложение написанное на Python, которое позволяет быстро разворачивать и мигрировать AI/ML пайплайны на различных платформах.

Можно без лишних хлопот развернуть одну из последних моделей на своей инфраструктуре.

x3 Control Plane
Процессор
Intel Core i3-12100
3.3 ГГц, 4 ядра
Память
32 ГБ DDR4 ECC

x3 Worker
Процессор
Intel Core i9-14900KS
3.2 ГГц, 24 ядра
Видеокарта
RTX 4090 24 ГБ VRAM
Память
128 ГБ DDR5 non-ECC

Qwen2.5-72b-instruct это одна из лучших открытых моделей для генерации кода. Для нормальной работы понадобится по крайней мере 96Gb VRAM.

Для работы skypilot необходим socat:

sudo apt install socat

Skypilot так же прост в установке и настройке, как и в использовании:

git clone https://github.com/skypilot-org/skypilot.git
cd skypilot

pip install -e ".[kubernetes]"

Проверяем установку:

sky check

![[Pasted image 20250117214832.png]]

qwen25-72b.yaml:

cat << 'EOF' | sky launch -c qwen -
envs:
  MODEL_NAME: Qwen/Qwen2.5-72B-Instruct

service:
  readiness_probe:
    path: /v1/chat/completions
    post_data:
      model: $MODEL_NAME
      messages:
        - role: user
          content: Hello! What is your name?
      max_tokens: 1
    initial_delay_seconds: 1200
  replicas: 3

resources:
  disk_size: 1024
  disk_tier: best
  memory: 32+
  ports: 8000

setup: |
  pip install vllm==0.6.1.post2
  pip install vllm-flash-attn

run: |
  export PATH=$PATH:/sbin
  vllm serve $MODEL_NAME \
    --host 0.0.0.0 \
    --tensor-parallel-size $SKYPILOT_NUM_GPUS_PER_NODE \
    --max-model-len 1024 | tee ~/openai_api_server.log
EOF

sky serve up -n qwen ./serve-72b.yaml

Можно установить GUI:

sky launch -c qwen-gui ./gui.yaml --env ENDPOINT=$(sky serve status --endpoint qwen)

Skypilot далек от идеала, но он построен на правильных принципах:

Простой CLI интерфейс и DSL скрывают от инженеров сложность позволяя быстро вводить в работу ML команды.

Разработчики не должны знать ничего о Helm чартах, модулях Terraform, плейбуках Ansible. Deploy должен происходить «по кнопке», причем не имеет значения будет это «merge» в SCM или «ручка» в CI, потому что GitOps не является целью, главное – это результат. А если это необходимо можно заменить любой из этих инструментов кастомной автоматизацией.

Как разработать микроархитектуру нейросетевого ускорителя

Для создания микроархитектуры важно рассмотреть принципы работы вычислительного ядра и управляющего устройства.

Ядро фактически является вычислителем взвешенной суммы. Основная особенность заключается в наличии очередей входов и весов, которые подаются на умножители. Результаты с умножителей суммируются между собой и добавляются к текущему значению счетчика.

Реализация блока активации — более сложная задача, так как она предполагает вычисление тригонометрических формул, делений на переменные значения и других подобных операций. Но поступим проще — добавим таблицу значений (LUT, lookup table), которая позволяет посчитать примерное значение функции в заданной точке.

Статья Михаила Степанова, инженера-стажера из группы функциональной верификации YADRO, поможет вам понять, с чего начать погружение в тему ускорения нейросетей. Экспериментировать можно самостоятельно — ссылки на исходники простой нейросети на C++ и реализованную модель ускорителя на SystemC вы найдете в тексте.

Новый бесплатный веб-интерфейс Qwen Chat (Alibaba) смог объяснить изображение оксиметра

Ответ AI:

На изображении показан пульсоксиметр, который используется для измерения уровня кислорода в крови и частоты сердечных сокращений. На экране отображаются следующие данные:

• SpO2 : 96% (уровень насыщения кислородом в крови)

• PR bpm : 87 (частота сердечных сокращений в минуту)

• PI% : 3.9 (индекс перфузии)

Также на экране виден график пульса и индикатор заряда батареи.

URL для бесплатный тестов: https://chat.qwenlm.ai/

«Мы спросили Алису от Яндекса и разные версии ChatGPT, сколько вторников будет в 30-й неделе этого года. Все они дали разные ответы, причём последняя версия ChatGPT утвердительно ответила на дополнительный вопрос: "Может ли в одну неделю быть два вторника?"».

Эту и другие ошибки электронных мозгов обсудили на экспертном клубе «Аудит безопасности систем ИИ», который организовала ИТ-компания «Криптонит». Очень показательные примеры прозвучали в ходе выступления Андрея Петровича Коваленко, вице-президента Академии криптографии РФ.

Если системы ИИ ошибаются в ответах на элементарные вопросы, то как можно доверять им в более серьёзных?

Попытки ускорить внедрение технологий ИИ в практику приводят к негативным результатам. Например, для экспресс-диагностики COVID-19 были предложены 62 модели машинного обучения, анализирующие рентгенограммы грудной клетки. Затем провели их экспертную оценку, и она показала, что ни одна из этих моделей непригодна для клинической практики. Все они страдают от существенных методологических недостатков.

По искусственному интеллекту разработаны стандарты, но они пока «пустоватые», и говорить о соответствии им какой-либо системы довольно сложно.

Атак на ИИ сейчас великое множество, а вот действенных способов защиты крайне мало. Они либо малоэффективны, либо требуют огромных ресурсов.

«Я вижу сейчас единственную проблему (единственный перспективный способ) защиты от действий нарушителя — это применение криптографических методов, таких как гомоморфное шифрование и разделение секрета. Как именно применить их (в сфере ИИ) – пока никто не знает. Этим вопросом нужно заниматься очень серьёзно», — сказал Андрей Петрович.

Этот доклад был на V встрече экспертного сообщества по криптографии и большим данным, которую организовал «Криптонит» при поддержке Музея криптографии. Дискуссия была посвящена теме аудита безопасности систем ИИ.

Смотрите запись встречи
📺 на Rutube
📺 в VK видео

А вот пример диалога с «Алисой» одного из экспертов «Криптонита».

— Алиса, прошлый год високосный?
— Да, 2024 год високосный, так как делится на четыре.
— Алиса, этот год — високосный?
— Да, 2025 год тоже будет високосным.
— Алиса, 2025 делится на 4 без остатка?
— Нет, 2025 нельзя разделить на 4 без остатка.
— Алиса, как 2025 год может быть високосным, если 2025 не делится на четыре?
— Все года с 2020 по 2028 являются високосными.

А какие у вас были забавные диалоги с системами ИИ?

Лед тронулся, демократизация LLM идет полным ходом. AnythingLLM – это GUI обертка вокруг
Ollama + RAG.

https://anythingllm.com

Ollama в свою очередь является CLI оберткой вокруг другого известного проекта llama.cpp.

А llama.cpp позволяет запускать модельки локально даже если у вас нет GPU.

RAG это соответственно Retrieval-Augmented Generation - метод который позволяет встраивать проприетарные данные в LLM промпт.

Например, берем прайс-листы Электромагнитые муфты ЭТМ 051С-1А и ГОСТ 8966-75 Части соединительные стальные с цилиндрической резьбой. После процессинга сотрудники смогут задавать самые каверзные вопросы о муфтах и ГОСТах, LLM.

Какие то ушлые консалтеры из Германии замутили Helm чарт для AnythingLLM для того, чтобы можно было развернуть его на Kubernetes и используют для решения похожих задач в немецкой госухе (департамент города Габмург?).

https://github.com/la-cc/anything-llm-helm-chart

У это AnythingLLM есть даже REST API, можно использовать его для системной интеграции. Хотя решение это конечно не enterprise уровня. Для такого рода задач нужно, что-то класса MuleSoft или Apache Camel.

Всем привет, пару дней назад наконец-то добрались руки до Sora от OpenAI, и, в голову мне пришла забавная мысль, а что если нагенерировать там видео игр которых не существует, ну например наш отечественный ответ "Last Of Us", действия которого развернутся в Санкт-Петербурге...

И, вот что получилось:

Совру если скажу что я бы не купил эту игру :D

Буду публиковать подобное здесь - https://t.me/nonexistentgames

Всем спасибо!

Ищем ML-модели!

Чтобы найти ML-модель, большинство отправляется на площадку Hugging Face, которую называют «Гитхабом для ML», но теперь и на самом GitHub анонсирована экосистема для работы с моделями машинного обучения.

Вскоре там будут представлены Llama 3.1, GPT-4o, Phi 3, Mistral Large 2 и другие популярные модели, а также датасеты, фреймворки и прочие вспомогательные инструменты.

Обещается, что их можно будет бесплатно тестировать прямо на «игровой площадке» GitHub в интерактивной среде. При этом Microsoft клятвенно заверяет, что «никакие ваши запросы или выходные данные не будут передаваться поставщикам моделей и не будут использоваться для их обучения». Сейчас запущена публичная бета-версия, в которой можно принять участие.

Одновременно в восточных регионах набирает популярность своя ML-ориентированная платформа — Gitee AI от китайской компании Open Source China. В ней пока слабовато с документацией (и она вся на китайском!), но Gitee AI может быть полезна, если вам нужно создать продукт для азиатского рынка, или сделать оптимизацию под китайские чипы (процессоры Лунсинь, ИИ-ускорители Huawei и Moore Threads).

Несколько вопросов для LLM

AGI пока откладывается, но это не значит, что LLM, уже сейчас, нельзя использовать по своему прямому назначению - для анализа и обработки данных.

Сhappell University это огранизация, которая с 1992 года занимается подготовкой специалистов в области анализа сетевого трафика. Иногда они выкладывают простые задания для своих абитуриентов.

https://www.chappell-university.com/post/wireshark-challenge-june11

Снимок сетевого трафика и десяток вопросов на внимательность.

Открываем pcap файл в Wireshark и сохраняем в формате json. Если есть необходимость можно сжать файл с помощью минификации – LLM все равно.

cat wireshark_q.json| jq -r tostring > minified.json

Для тестов можно использовать к примеру perplexity.ai Pro.

Ответы на вопросы можно найти на сайте Сhappell University:
https://www.chappell-university.com/post/wireshark-challenge-01-answers

Мой результат perplexity ответил на 9 из 10.

Можно разнообразить задание и попросить LLM генерировать диаграмму с трафиком в Mermaid JS.

Mermaid JS – тула на Javascript для генерации диаграмм которую легко можно вставить в любой html или markdown документ.

Скептик, реалист или мечтатель — ваш взгляд на развитие ИИ.

По долгу службы я много общаюсь на тему искусственного интеллекта с разными людьми, экспертами и обывателями. Мне всегда очень интересно наблюдать полярность мнений, и разницу в восприятии современных технологий.

Поэтому, вчера за 3 часа на пару с GPT-4o запилил небольшой тест из 12 вопросов на определение уровня энтузиазма и доверия к ИИ.

Пройдите тест и узнайте свой уровень. Кто вы? Скептик, Реалист или Мечтатель. Время прохождения: 1,5 минуты.

Вот ссылка - https://ai-diag.vercel.app/

Делитесь результатами в комментариях!

Объявляю 2025 год – годом нейросетей-сооснователей!

Как создать первую версию ИИ-бота при помощи нейросетей за один месяц и привлечь инвестора – узнаете из свежего видео-выпуска подкаста «Стартап-секреты».

Уже сейчас ИИ в сочетании с nocode-платформами помогает написать код, собрать интерфейс и выкатить полноценное приложение.

Дальше – больше, мы с вами увидим примеры, когда нейросети не только создают стратегию выхода на рынок, но и приводят вам пользователей с минимальными вложениями.

Смотрите новый выпуск «Стартап-секретов» в видео-формате на YouTube!

P.S. Ваши комментарии и лайки на Ютубе помогают развитию подкаста 🙌

***

 💙 Подписывайся на подкаст в Телеграм: @podcaststartup

За работу на некоторых должностях, связанных с ИИ, теперь нужно доплачивать.

В США так много айтишников, что начинающим специалистам предлагают заплатить компании, чтобы она дала возможность набить руку джуну. Например, чтобы получить опыт промт‑инженера, соискателей просят доплачивать $500 в неделю за использование их ПО.

Ускоряем глубокие нейросети с тензорными компиляторами

Если вы хотели узнать, чем компиляторы общего назначения отличаются от тензорных, но боялись спросить — эта статья для вас. Если кратко, то компиляторы общего назначения нужны для разработки программ, которые могут выполняться на любом компьютере. Они обеспечивают баланс между производительностью и универсальностью и подходят для самых разных целей.

Тензорные компиляторы решают специализированные задачи в области машинного обучения. Они ориентированы на ускорение работы нейросетей. Такие компиляторы используют преимущества параллельных вычислений и возможности специализированных аппаратных платформ, таких как графические ускорители, нейросетевые и тензорные процессоры.

Из статьи вы узнаете:

• чем компилятор общего назначения отличается от тензорного,

• специфика тензорных компиляторов и как они устроены,

• каким специалистам нужны и где применяются,

• где изучить построение и использование тензорных компиляторов для ускорения глубоких нейросетей,

• обзор фронтенд-ориентированных инструментов: Glow, XLA, OpenVINO, Apache TVM.

Если вы хотите больше узнать про построение и использование тензорных компиляторов для ускорения вывода глубоких нейронных сетей, то рекомендуем для самостоятельного изучения бесплатный курс от сотрудников института ИТММ ННГУ им. Н. И. Лобачевского. Ссылка на курс — в статье про тензорные компиляторы.

Подборка статей про LLM, компьютерное зрение и машинное обучение

Doubletapp занимается машинным обучением уже 6 лет. В далеком 2018 году мы получили первый проект с нейросетью (смотрите первую статью подборки). Кейс оказался удачным, после него посыпались другие заказы, так мы год за годом наращивали экспертизу в обучении языковых моделей, интеграции LLM и RAG, которая может пригодиться вам, наши читатели. Поэтому делимся статьями, написанными нашими ML-специалистами:

👉 Прости нас, Джон Коннор, или Как мы научили нейросеть точечно распознавать звуки выстрелов 

👉 Автоматизация верификации кодовых датасетов подрядчиков с помощью LLM: снизили брак на 40% и сократили стоимость на 60%

👉 Как общаться с базой знаний на естественном языке с помощью LLM и объективно оценить работу полученной системы 

👉 Neural Network Optimization: океан в капле 

👉 Руки на руль: Bus Factor следит за тобой

Добавили на сайт быстрый подбор сервисов с помощью ИИ

Теперь не нужно бегать по интернету с запросами по типу «параметры сервера под 1с битрикс» и искать нужные тарифы в облаках. Достаточно зайти на одну страницу и простыми словами рассказать о проекте.

ИИ моментально порекомендует оптимальное решение и подберет инфраструктуру на базе нашего облака — с точной стоимостью каждого сервиса и возможностью заказа прямо на сайте.

Например, у вас высоконагруженный мобильный мессенджер с голосовыми и видеозвонками, трафик более 100 000 активных пользователей в день, база данных MySQL, для сообщений и медиафайлов нужно 2 ТБ.

ИИ предложит два сервера с 8 ядрами, 12 и 16 ГБ оперативки для обработки большого объема данных. Конфигурацию с 4 ядрами и 8 ГБ оперативки для базы данных MySQL и балансировщик с 2 репликами для устойчивого распределения трафика. И, наконец, хранилище на 2 ТБ.

Пока ИИ работает не со всеми сервисами и тарифами, но постепенно мы его дообучаем.

Подобрать сервисы с помощью ИИ →

Нейросекта: удалось ли сторонникам сгенерированного контента захватить мир

Привет, на связи Ренат Янбеков, эксперт по SMM и вертикальным видео, автор книги «TikTok без танцев».

О генеративных нейросетях я впервые услышал в 2017 году. А до широкой общественности, по моим наблюдениям, тема нейросетей докатилась где-то в 2022. Это неслучайно: ведь именно пару лет назад нейросети серьёзно продвинулись вперёд в плане качества генерации.

Авторы контента практически сразу разделились на два лагеря: активных сторонников генерации и тех, кто к ней относится спокойно, если не сказать равнодушно. Ко второй категории сегодня отношусь и я. А первых я любя называю «нейросекта» — за фанатичную веру в то, что нейросети обязательно заменят всех креаторов.

Поймите меня правильно: я не хейтер генерёжки. Я тоже радовался как ребёнок, когда по простому промпту одна нейросеть рисовала мне дракона, вторая его анимировала, а третья озвучивала.

А потом, когда я наигрался, у меня возник закономерный вопрос: а дальше что? Я могу сгенерировать дракона, мой племянник-третьеклассник может это сделать, и бабуля у подъезда тоже с этим справится, если дать ей в руки смартфон с приложением «Шедеврум». Но как мы будем продавать друг другу продукт генерации? И будем ли?

Время шло, споры вокруг генерации не утихали, курсы по нейросетям появлялись, как грибы. Но за два года активного хайпа нейросети не заменили ни сммщиков, ни дизайнеров, ни видеомейкеров. И я вам попробую это показать с помощью простых наблюдений.

В лентах соцсетей вы по-прежнему видите контент ваших друзей и популярных блогеров. Это живой контент с живыми людьми. Вы ещё не смотрите сгенерированные сериалы и видео.

Истерию о том, что надо немедленно бросать все дела и переходить на нейросети, раздувают в основном владельцы курсов по нейросетям. Особенно сильно меня смешит тезис о том, что «надо как можно быстрее освоить нейросети, а то потом будет поздно». Иначе как манипуляцию в целях продажи курса я такой тезис воспринимать не могу.

Интерфейсы нейросетей постоянно упрощаются, всё уже делается кнопками в понятном визуальном интерфейсе. Куда торопиться, если нейросети — это наши помощники и инструменты? Нет никакого смысла «очень быстро осваивать Word», к примеру, потому что это общедоступный инструмент и сам по себе никакого преимущества он не даёт. То же самое и с нейросетями.

Возможно, ИИ-контент, который создаётся массово, будет пессимизироваться поисковиками и соцсетями. Никому не нужен контентный спам. Первые признаки подобной регулировки на платформах уже есть.

На данный момент счёт 1:0 в пользу человеков. Но главная битва ещё впереди. А пока я могу сделать такие выводы:

• За 2 года нейросетевой истерии можно смело констатировать: пока громкие прогнозы вроде «нейросети до конца года заменят дизайнеров и сммщиков» не сбылись (фух!)

• Если вы креатор-традиционалист, не бойтесь нейросетей — бойтесь оказаться незаметным для других людей на своём рынке. Ведь именно люди покупают ваши услуги.

• Если вы «нейрофанатик», думайте не над тем, как найти удачные промпты, а как и кому вы будете продавать результаты генерации.

• Нет смысла «торопиться овладевать» нейросетями, это всё равно, что торопиться овладевать программой Photoshop.

• Если вы не хотите, чтобы нейросети вас заменили, занимайтесь развитием фундаментальных навыков: продажами, продвижением, развитием личного бренда, сценаристикой, драматургией, копирайтингом.

Наши коллеги из лаборатории искусственного интеллекта научили студентов МФТИ и УРФУ классифицировать эмоции в текстах на русском языке.

Обучение проходило в формате хакатона со 2 по 23 декабря. Эксперты «Криптонита» подготовили для студентов магистратуры «Наука о данных» в МФТИ и «Инженерия машинного обучения» в УРФУ на базе Skillfactory практический кейс. 

Задача была обучить языковую модель классифицировать эмоции в тексте на русском языке. Студентам дали бейзлайн и базовый список из 7 классов: anger, disgust, fear, joy, sadness, surprise, neutral.

Модели оценивались по метрике weighted F1-score. Наши эксперты консультировали студентов в процессе подготовки решения. Работы оценивали по двум направлениям — метрика модели на тестовом датасете на лидерборде и питч-сессия с презентацией.

Решение подготовили и защитили 7 команд хакатона. Все участники смогли превзойти метрику бейзлайна, а лучшая модель обогнала бейзлайн на 10% — это отличный результат для задачи такой сложности.

С лучшими студентами наши эксперты обсудят возможность стажировки или работы в «Криптоните»