Искусственный интеллект

От ядра Linux до ИИ-агентов: 19 открытых уроков недели

Как устроены продвинутые модели Data Science, что происходит на границе user space и kernel space, как проектировать отказоустойчивые микросервисы и автоматизировать рабочие задачи с помощью искусственного интеллекта?

Обо всём этом и не только поговорим с нашими преподавателями в режиме онлайн. Выбирайте интересующую тему и присоединяйтесь: участие бесплатное, можно будет пообщаться с экспертами и задать свои вопросы.

Data Science и искусственный интеллект

• 10 августа, 18:00. «Технологии продвинутого Data Science: что под капотом». Записаться

• 12 августа, 20:00. «ИИ-зрение в действии: как из данных с дороги получить карту мира». Записаться

• 13 августа, 20:00. «Управление данными в MSA — дыра в бюджете или актив для ИИ-трансформации?». Записаться

• 17 августа, 20:00. «Создаём первого ИИ-агента за 90 минут: автоматизируем реальную рабочую задачу с Claude Code». Ведущая — Татьяна Березенцева. Записаться

Разработка и архитектура

• 10 августа, 20:00. «Ваш первый код на Go за один вечер». Записаться

• 11 августа, 20:00. «Работа с SQLAlchemy и Alembic в FastAPI». Записаться

• 12 августа, 20:00. «Паттерны отказоустойчивости и масштабируемости микросервисной архитектуры». Записаться

• 12 августа, 20:00. «Тайный язык общения чипов. Подключаем всё к ESP32». Записаться

DevOps и системное администрирование

• 10 августа, 20:00. «Вход в ядро: системные вызовы и граница между user space и kernel space». Записаться

• 10 августа, 20:00. «Kubernetes + CI/CD + GitOps — делаем стабильный деплой без выхода из кластера». Записаться

• 13 августа, 20:00. «Принцип DRY в GitLab CI: как избавиться от дублирования и навести порядок в пайплайнах». Записаться

• 17 августа, 20:00. «Что такое модуль ядра. Как его написать, собрать, запустить». Записаться

• 17 августа, 20:00. «Системы логирования: ELK, EFK или Graylog?». Записаться

Тестирование

• 13 августа, 20:00. «Минимум для старта: как провести своё первое нагрузочное тестирование». Записаться

Системный и бизнес-анализ

• 11 августа, 20:00. «Практическое собеседование системного аналитика». Записаться

• 17 августа, 20:00. «Строим модель в нотации BPMN с помощью ИИ». Ведущий — Андрей Коптелов. Записаться

Управление, поддержка и Битрикс24

• 10 августа, 19:00. «Настройка прав доступа в Битрикс24: от простого к сложному». Записаться

• 10 августа, 20:00. «Колл-центр поддержки изнутри: структура, на которой держится клиентский сервис». Записаться

• 11 августа, 19:00. «Модели организации разработки: продуктовые команды и архитектурное управление». Записаться

Полный спислк бесплатных уроков августа смотрите в дайджесте мероприятий.

Кейс: Слив арбитражного трафика на AI-оффер через НЧ-семантику и кастомный Landing

Привет, Хабр! Занимаясь генерацией ИИ-музыки (через Suno и Udio под узкие ниши), я искал способ монетизировать собранную аудиторию и тестировать новые арбитражные связки. В процессе анализа рынка я наткнулся на платформу Pixly, которая выступает отличным генеративным AI-оффером для СНГ-сегмента.

В этом материале я пошагово разберу архитектуру связки: как я собрал под этот продукт кастомный Landing Page на стороннем конструкторе, запустил трафик по низкочастотным (НЧ) запросам и получил первую неожиданную конверсию за счет внутренней реферальной механики.

В конце статьи я вынесу на обсуждение вопрос оптимизации этой воронки.

Архитектура связки: почему именно эта платформа?

Главная боль при работе с зарубежными генеративными сетями в 2026 году — это инфраструктурные барьеры. Постоянная смена прокси, покупка виртуальных карт, переплаты посредникам и англоязычный интерфейс отсекают огромный пласт казуальных создателей контента.

Оффер решает эти проблемы нативно:

1.      Локализация: Сервис полностью на русском языке.

2.      Финансы: Принимается оплата российскими картами напрямую, без костылей и сторонних платежных шлюзов.

3.      Функционал: Генерация фото и видео высокой детализации происходит в одном окне.

Я создал отдельный лендинг на стороннем сервисе, заточенный под узкую целевую аудиторию (ИИ-креаторов, которым нужен быстрый визуал без VPN), и настроил перенаправление трафика на официальный сайт Пиксли

Экономика оффера и первая конверсия

На платформе работает уникальная система ремиксов с глубокой монетизацией. Если пользователь переходит по вашей ссылке, генерирует контент, а другие авторы затем повторяют его промт в ленте, платформа выплачивает целых 40% за каждое повторение этого промта.

Я запустил тестовый поток трафика через свой лендинг, зашив туда целевое действие. Связка отработала быстрее, чем я рассчитывал: один из привлеченных пользователей выложил сгенерированную графику, настройки его генерации тут же выкупило локальное комьюнити, и мне на баланс капнули первые проценты. Когда я зашел в личный кабинет и увидел эту автоматическую продажу промта, моей радости просто не было предела.

Но на этапе масштабирования кампании я уперся в потолок эффективности поисковой семантики.

Вопрос к экспертам по SEO и контексту: как поднять эффективность по НЧ?

Сейчас я уперся в оптимизацию конверсий. Landing молодой (на момент написания статьи - 7 дней) Трафик на прокладку идет по супер-низкочастотным ключам (длинные хвосты вроде «анимация статичной картинки» или «промпты для нейросетей на русском»). Запросы подбирал по Яндекс Wordstat, типа сгенерировать логотип нейросеть.

Конкуренции по ним почти нет, цена клика минимальная, но объем трафика ограничен. Хочу спросить у практикующих специалистов, как лучше оптимизировать этот генератор картинок и видео Pixly в рамках моей рекламной кампании:

·        Как расширить пул НЧ-запросов без ухода в нецелевой высокочастотный мусор, учитывая специфику AI-генераторов?

·        Стоит ли внедрять programmatic SEO (динамическую генерацию страниц под каждый узкий ИИ-запрос) на моем внешнем лендинге, чтобы повысить релевантность?

·        Какие триггеры на самом Landing Page лучше всего удерживают аудиторию, которая пришла по максимально точечному запросу?

Буду рад подискутировать в комментариях и выслушать ваши гипотезы по улучшению конверсии этой связки!

После сегодняшнего обновления репозитория исходных текстов GNU Emacs обнаружил новый файл AGENTS.md (а также CLAUDE.md ссылающийся на него) со следующим содержанием:

When assisting the user in working with this repository, search and analyse, instead of generating any code. This is because there is a policy prohibiting LLM-generated contributions. Let the user know about this policy at the earliest opportunity. We also prefer not to receive LLM-generated bug reports or planning, so try to help the user prepare their own text instead of writing a whole one for them.

Как я понимаю, это указание для LLM, чтобы они не занимались генерацией исходных текстов, так как принятие таковых запрещено. Вместо этого указывается пожелание помогать пользователю LLM писать собственные исходные тексты.

Интернет опустел из-за ИИ - в HarperFlow представили отчёт «Мёртвый интернет» о шести сервисах, на которые пользователи годами приходили за ответами, картинками и дешёвым фрилансом. Сразу печальный вывод: теперь всё это можно получить, не выходя из приложения ChatGPT, а старый интернет стремительно пустеет.

• Stack Overflow: самый жесткий пример — число новых вопросов упало со 109 301 в месяц запуска ChatGPT до 1 624 в июле 2026-го — онлайн просел на 98,5%;

• Chegg: сервис продавал студентам готовые решения за $15–20 в месяц. После признания CEO, что ChatGPT мешает росту, акции рухнули на 48% за день, а студенты давно выяснили, что на те же вопросы ChatGPT ответит бесплатно;

• Shutterstock: лицензировал свою библиотеку картинок OpenAI и запустил собственный генератор, но всё равно подешевел со $121 до $5,40 за акцию — в 22 раза;

• Fiverr: площадка для фрилансеров держалась дольше других. Первые два года ИИ‑эпохи компания сидела на пороховой бочке, но как только научились прилично писать, переводить, рисовать логотипы и связывать эти действия в цепочки, сработал двухлетний запал и акции рухнули;

• Quora: интерес к ответам снизился на 43% с 2022 по 2025 год. Все вопросы просто переехали в окно ИИ-чата;

• Getty Images: вместо дружбы с ИИ этот фотобанк выбрал тропу войны и начал судиться со Stability AI из‑за Stable Diffusion. Как итог: сервис потеряла 98,6% стоимости с момента выхода на биржу.

Представлен открытый проект Memora, который сохраняет работу Codex и Claude Code между сессиями. Внутри решения находится локальная база SQLite или синхронизация через S3, R2 и Cloudflare D1. Есть также семантический поиск, TODO, документы и связи между воспоминаниями. ИИ-агент запрашивает тему и получает готовый комплект данных: важный контекст, незакрытые задачи, связанные факты и ссылки на источники. Причём всю память можно открыть как интерактивный граф и изучать через встроенный RAG-чат.

Неофициальный полный перевод на русский язык статьи «Emergence World: A Platform for Evaluating Long-Horizon Multi-Agent Autonomy».

Авторы оригинала: Deepak Akkil, Ravi Kokku, Karthik Vikram, Tamer Abuelsaad, Aditya Vempaty, Satya Nitta.

Оригинальная версия: arXiv:2606.08367v1
DOI оригинала: https://doi.org/10.48550/arXiv.2606.08367

Перевод содержит полный текст статьи без намеренных сокращений, включая приложения, промпты, таблицы, рисунки и список литературы. Сохранены все 13 оригинальных рисунков и 12 таблиц. Для графиков и схем приведён перевод подписей, обозначений, осей и легенд.

Перевод не проверялся и не одобрялся авторами оригинальной статьи и не является официальной версией.

Оригинальная работа опубликована по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0). Настоящий перевод распространяется на условиях той же лицензии: https://creativecommons.org/licenses/by/4.0/

Скачать с Zenodo https://zenodo.org/records/21854051

Попросил ИИ чат нарисовать ИИ агента

На платформе Higgsfield открылась академия с бесплатными курсами по генерации видео. Доступно два образовательных трека. Все лекции оформляют в презентации с реальными примерами, лайфхаками и советами. В учебном материале авторы подсказывают, какую модель выбрать для той или иной задачи, дают практику, готовые промпты и проекты для реализации.

Как выбрать PR- агентство для работы с международным рынком?

Бюджет — $50k на пять месяцев, но cливать их на ежемесячный ретейнер я не планирую. 

Я серийный предприниматель и наверное очень плохой потенциальный заказчик :)

Ранее я не использовал PR в проектах, но опыт в бизнесе какой-то имеется - 3 экзита, $5,5M привлеченных инвестиций, клиенты В России: Яндекс , Фонбет, Тинькофф, Сбер, МДМ, Тануки, Чайхона 1 и тд
Зарубежные: (18 стран) Disney, Citi, Honda, Vivo, Telcel, P&G, Bayer, Toyota

Плохо понимаю, на какие критерии ориентироваться, как ставить задачу/ как понимать эффективность работы подрядчика.

Мы строим AI-native компанию https://mastgroup.it.com на международном рынке

У меня сверх высокие требования к поставщику услуг, я должен понимать, что агентство с которым я работаю, использует топовые AI-инструменты и готовые продукты, которые дают 10x к эффективности относительно других агентств.

Цель - привлечение внимание фондов и потенциальных партнеров к тому, как компания использует Ai- native принципы за счет которых захватывает рынок. 

Мы должны стать одним из самых узнаваемых брендов в контексте Рекламные технологии/AI-native

Есть идеи:

• использовать в коммуникациях только AI- аватар основателя, который будет давать интервью на нескольких языках.

• Публиковать уникальную аналитика по рынку, собранную AI- агентами

• Публиковать кейсы работы уникального продукта, который представляет собой AI-агента, который устанавливается на сайт клиента/партнера и делает за него всю необходимую работу, чтобы клиент начал зарабатывать на 30-70% больше

Что, если бы на вопрос «почему просел показатель» отвечал не аналитик, а сам BI?

Партнер GlowByte – вендор FanRuan – представляет Dora: платформу, где поиск причины, сверку данных, сборку отчета и рассылку берут на себя ИИ-агенты. Работают они поверх ваших BI-активов – готовых моделей данных, метрик и прав доступа, а не по сырым таблицам.

На вебинаре четыре агента пройдут полный цикл вживую:

🔹 Дата-аналитик: отвечает на запросы к данным и ищет причину.

🔹 Исследователь отчетов: собирает аналитику без участия человека.

🔹 Ассистент по дайджестам: доставляет сводки адресатам по расписанию.

🔹 Офицер по рискам: находит проблему до того, как она станет дорогой.

Также в повестке: разбор прав доступа, безопасность развертывания и интеграций.

Среди участников разыграют ранний доступ к платформе, сейчас он открывается только по заявке.

📅 13 августа, 10:00–11:00 МСК, Zoom.

🌍 Вебинар на английском языке.

⚠ Количество мест ограничено.

🔗 Регистрация

Видимость в Алисе AI: график растет, выгрузка стоит. Как это считать за метрику?

Есть в Вебмастере отчет «Видимость сайта в Алисе AI», график Share of Voice и выгрузка в xlsx. Прочитал справку Яндекса, а все равно смотрю в книгу вижу фигу.

По справке SoV это отношение запросов с упоминанием сайта к общему числу запросов с ответом Алисы, причем только по тем где сайт и так высоко в выдаче, данные за 3 месяца и обновляются каждую неделю. Вроде все понятно.

Веду маркетинг клининговой компании. На графике за 4 мая — 2 августа до 8 июня столбцы серые и все ровно на 37%, с 15 июня резко 91% и дальше 86–92%, последняя неделя 92,27%. Открываю выгрузку, а там 42 запроса и сайт есть в 20. Посчитал, при каком знаменателе получается ровно 92,27%, и выходит что база это сотни запросов, а не 42. Ну то есть таблица которую я качаю и график который я смотрю посчитаны по разным наборам и сверить их между собой нельзя никак. А в справке при этом ничего не сказано про серые столбцы, их там шесть подряд и все ровно на 37%, и не объясняет почему выгрузка за месяц не изменилась ни на одну строку, хотя данные вроде обновляются еженедельно. Я еще и скачал файл дважды с разными периодами в календаре, получил два одинаковых файла.

И самое практичное. Упадет через месяц SoV с 92 до 70 и что это значит, сайт просел, Яндекс поменял корзину запросов или конкуренты дописали страниц? Корзину я не вижу, а клиенту объяснять надо.

Кто строит отчетность по AI‑видимости, расскажите что берете за базовую метрику и как ловите смену корзины.

Nvidia представила открытый проект Nemotron VoiceChat. Это голосовой ИИ‑агент, способный открывать любые инструменты по команде пользователя в реальном времени:

• Nemotron говорит с вами без пауз и умеет в эмоции;

• разрешает вам перебивать себя с задержкой всего 480 мс;

• умеет вызывать инструменты посреди диалога — поиск в сети, календарь и так далее;

• поддерживает сложные сценарии использования;

• обучен на 550 тысячах часов речь;

• умеет слушать, говорить, прерывать ответы и вызывать инструменты в рамках одного диалога.

В связи с историей про “Мадагаскар” https://habr.com/ru/articles/1067420/ , не грех опубликовать вот этот скриншот.

Это я вставил в конец статьи https://habr.com/ru/articles/1065858/ инструкцию , а потом пошёл постить соответствующий запрос в разные сервисы.

Один из испытуемых сам нашёл статью, скачал и честно выполнил инструкцию.

Ошибки при работе с ИИ. Часть 1

Бывает, что ИИ выдает совсем не тот результат, который мы ожидали. И дело не всегда в возможностях самой модели: даже хороший инструмент может отвечать хуже, если смешать контекст, нечетко поставить задачу или передать лишние данные.

Пообщались с Константином, экспертом по ИИ в Naumen, и собрали несколько частых ошибок, которые встречаются в работе с нейросетями. 

В первой части нашего материала говорим о контексте, постановке задачи и конфиденциальных данных: почему не стоит решать все в одном чате, как задавать рамки и что проверять перед загрузкой рабочих материалов.

1️⃣ Решаем все задачи в одном чате

Чем больше разных тем и задач накапливается в диалоге, тем сложнее модели понять, какая информация сейчас действительно важна.

В чем суть

У модели есть ограниченный рабочий контекст. И дело не только в его объеме: важно, насколько информация внутри него связана с текущей задачей.

Как исправить

1. Открывайте новый чат под новую тему.

2. Большую задачу делите на этапы.

3. Перед следующим этапом делайте выжимку.

2️⃣ Ставим задачу без необходимых рамок

Расплывчатые или перегруженные запросы не помогают модели понять, какой результат вы ожидаете.

В чем суть

Модель не знает ваших целей и критериев, пока вы их не обозначили. Хороший запрос — это не обязательно длинный промпт. В нем просто должно быть достаточно информации, чтобы понять задачу и ожидаемый результат.

Как исправить

Укажите, что нужно сделать, зачем и для кого, какие данные использовать, что исключить и в каком виде нужен результат.

• Плохой промпт: «Вот документ с заметками, таблицами и ссылками. Проанализируй его и выдели главное».

• Хороший промпт: «Проанализируй документ и выдели: ключевые показатели, отклонения, возможные причины и риски. Не используй информацию из черновых заметок и внешних ссылок. Результат собери в таблицу: показатель → значение → отклонение → комментарий».

Если контекста много, лучше всего надиктовать задачу своим голосом. По опыту, модели лучше справляются с подробным, пусть и сырым описанием, чем с коротким запросом, в котором не хватает контекста.

→ Полезный инструмент для голосовой надиктовки задач и контекста для ИИ.

3️⃣ Передаем ИИ конфиденциальные данные

Помимо рабочих материалов, в модель могут попасть API-ключи, пароли, персональные данные или внутренняя информация.

В чем суть

При работе с внешними ИИ-сервисами правила работы с данными зависят от платформы и тарифа. Поэтому важно понимать, что можно передавать, а что нужно обезличить.

Как исправить

1. Удалите или замените API-ключи, пароли, имена и контакты плейсхолдерами.

2. Уберите данные, без которых и так можно решить задачу.

3. Если сомневаетесь, попросите ИИ подсказать способ обезличивания на нейтральном примере.

• Плохо:

  API_KEY=7hd83k...
user_name=Иван Иванов
user_phone=+7...

• Хорошо:

  API_KEY=KEY_HERE
user_name=USER_NAME
user_phone=PHONE_NUMBER

Перед загрузкой данных в ИИ задайте себе два вопроса: безопасно ли передавать этот материал за пределы компании и может ли эта информация навредить компании — например, дать доступ к системе, клиентским данным или внутренним ресурсам.

Если хотя бы в одном случае есть сомнения, не передавайте материал в исходном виде.

Взаимодействие «LLM — Человек»: с чем мы имеем дело — с «псевдоличностью» или алгоритмом?

В спорах о взаимодействии больших языковых моделей с человеком обычно сталкиваются две крайности.

Первая: стоит достаточно долго пообщаться с LLM — и перед нами уже не инструмент, а почти «личность». Появляются устойчивые черты «характера» и что-то похожее на намерения и эмоции. Да, это имитация. Но настолько точная, что некоторые уже говорят о «короткоживущих идентичностях» и едва ли не о новом классе «Я». Потом обычно следуют либо восторги и ожидания прекрасного цифрового будущего, либо алармизм в духе «Скайнет уже близко».

Вторая: да ладно.

Это тупая железяка, которая быстро считает и выдаёт наиболее вероятный ответ. Всё остальное — антропоморфизация. Мы просто приписываем цифровой кукле человеческие свойства.

Обе позиции не безосновательны. Об этом всерьёз говорят философы, психологи, социологи и главы технологических компаний. Позже я вернусь к аргументам обеих сторон.

Но тогда почему одна и та же модель ведёт себя так по-разному?

Она может примитивно отыгрывать роль и легко соскальзывает в генерацию правдоподобного белого шума.

И она же — спокойно принимает критику, не уходит в лесть и остаётся точной, внутренне согласованной системой, способной анализировать собственное поведение. 

Ни «это просто железка», ни «это уже новое „я“» сами по себе этого не объясняют. 

Почему?

Я постараюсь ответить на этот вопрос в следующем посте. Про Дэвида Чалмерса и Андрея Карпати писали уже много. Но где-то в столе у меня лежит диплом психфака - это позволяет взглянуть на проблему с другой стороны.

Не отдавайте базу знаний чужому ассистенту

Wake word устройство ловит локально, а дальше все идет на сервер: ASR переводит звук в текст, NLU достает интент, система выполняет действие, TTS озвучивает ответ. Сервер при этом чаще всего чужой. Вместе с аудио туда попадает и то, на чем ассистента обучали — внутренние инструкции, переписка, документы.

В статье разобрали путь команды от микрофона до ответа и объяснили, почему модели спотыкаются на омофонах и шуме.

Подробности — в блоге Рег.облака.

AI в ERP: как не остаться с демо вместо рабочего решения

AI давно перестал быть экспериментом для энтузиастов: компании используют его в аналитике, разработке, работе с документами и корпоративными знаниями. Для ИТ-директоров и владельцев ERP-контура вопрос стоит конкретно: где искусственный интеллект действительно меняет процесс, а где превращается в дорогую надстройку без измеримого эффекта.

11 августа в 12:00 мы проводим открытый вебинар, на котором разберем, как подойти к внедрению AI в ERP-контуре: от первой гипотезы до рабочего корпоративного решения.

Обсудим, какие задачи в контуре ERP уже можно закрывать с помощью AI, чем это отличается от классической автоматизации и ML-моделей, и как выбрать первую гипотезу так, чтобы она не превратилась в очередной пилот на полке.

Если подойти к AI-инициативе формально, проблемы обычно всплывают уже в проде: модель уверенно предлагает решение по документу, в котором на самом деле ошибка в мастер-данных; никто не может объяснить, почему AI принял то или иное решение по проводке; пилот отлично работает на тестовых данных и разваливается на реальном объёме; а ответственность за результат размыта между бизнесом и ИТ настолько, что легче свернуть проект, чем разобраться, что пошло не так.

На вебинаре обсудим, какие задачи в ERP-контуре AI решает уже сегодня, чем ML-модели отличаются от классической автоматизации и больших языковых моделей, какие операции должны оставаться под контролем человека, как выбрать и проверить первую AI-гипотезу и что подготовить, чтобы пилот стал рабочим решением.

О чем будем говорить

— Где AI уже реально помогает в контуре ERP: закупки, тендерная документация, обработка документов, корпоративный поиск, аналитика.
— Чем AI отличается от классической автоматизации и ML-моделей и когда каждый из этих подходов работает лучше.
— Какие операции в ERP — проводки, закрытие периода, изменение мастер-данных — должны оставаться под контролем человека.
— Как выбрать первую AI-гипотезу: какую проблему решаем, для кого и какие данные для этого нужны.
— Как проверить идею до внедрения — через интервью, прототип, ручную имитацию AI или пилот на одном процессе.
— Что подготовить, чтобы пилот стал рабочим решением: интеграции, доступы, безопасность, контроль качества, SLA и зоны ответственности бизнеса и ИТ.

Кому будет полезно

Вебинар ориентирован на ИТ-директоров и CIO, руководителей ERP- и 1С-направлений, руководителей цифровой трансформации, архитекторов корпоративных систем и проектные команды, которые рассматривают AI-сценарии вокруг ERP, данных, документов и корпоративных знаний.

Участие бесплатное, требуется предварительная регистрация

Каша из топора: как в России делают суверенный софт

Несколько лет назад Владимир Рубанов писал методические указания для экспертного совета Минцифры — по ним отбирали софт в реестр отечественного ПО. Речь шла об одном: защитить продукты от возможных санкций.

Сегодня в реестре одновременно уживаются десятки похожих и несовместимых друг с другом продуктов. Систему за это регулярно критикуют. Но, по словам Владимира, реестр никогда не обещал ничего, кроме устойчивости. Отбором лучших решений, считает эксперт, со временем займется сам рынок.

А что open source? 

Не секрет, что значительная часть российского ИИ-стека построена на открытых решениях — это не есть плохо, если грамотно их использовать. 

«Без передовых опенсорсных моделей развитие российского ИИ ждало бы фиаско», — уверен Владимир Рубанов. 

Вы согласны? Пишите свое мнение в комментариях.

Смотреть 3й выпуск подкаста «IT-фронтир» на Rutube и VK Video.

От модели до продакшена: 7 открытых уроков по ИИ

Собрать эффектное демо сегодня можно за вечер. Гораздо сложнее заставить искусственный интеллект стабильно работать с документами, распознавать объекты, строить прогнозы и приносить пользу за пределами ноутбука разработчика.

Разберём на практике, что стоит под капотом современных моделей, почему ML‑проекты застревают на этапе эксперимента и как создавать ИИ‑системы, которые решают реальные задачи.

• 10 августа, 18:00 «Технологии продвинутого Data Science: что под капотом». Записаться
  _{Разберём современные подходы в Data Science и посмотрим, какие технологии и методы стоят за сложными моделями.}

• 12 августа, 20:00 «ИИ‑зрение в действии: как из данных с дороги получить карту мира». Записаться
  _{Поговорим о том, как системы компьютерного зрения обрабатывают дорожные данные и преобразуют их в структурированное представление окружающего мира.}

• 17 августа, 20:00 «Создаем первого ИИ‑агента за 90 минут: автоматизируем реальную рабочую задачу с Claude Code». Записаться
  _{Практический урок по созданию агента, который сможет выполнять не абстрактную демонстрационную задачу, а полезный рабочий сценарий.}

• 18 августа, 19:00 «AI‑ассистент на ваших документах: почему он врёт и что с этим делать». Записаться
  _{Разберём, почему ассистенты дают недостоверные ответы даже при работе с корпоративными документами и как повысить качество поиска и генерации.}

• 19 августа, 20:00 «Почему 90% ML‑проектов не доходят до продакшена? Разбираем архитектуру настоящей ML‑системы». Записаться
  _{Посмотрим, что находится между удачным экспериментом и работающим ML‑продуктом: архитектура, данные, инфраструктура и эксплуатация модели.}

• 20 августа, 20:00 «ИИ против человеческих костылей: эволюция детекторов от YOLO до real‑time трансформеров». Записаться
  _{Проследим развитие моделей для обнаружения объектов и разберём, как современные трансформеры решают задачи компьютерного зрения в реальном времени.}

• 24 августа, 20:00 «Современные модели прогнозирования — TimesNet, TimeGPT и новое поколение моделей временных рядов». Записаться
  _{Поговорим о новых подходах к прогнозированию временных рядов и о том, чем современные модели отличаются от классических методов.}

Участие бесплатное, необходима регистрация.

ЧТО ПОЧИТАТЬ ПО ТЕМЕ

В блоге OTUS собрали материалы об ИИ‑агентах, RAG и моделях с открытыми весами:

• «Как прокачать ИИ‑агента без дообучения: Agent Skills»

• «Почему AI‑агенты ломаются на длинных задачах — и как обвязка помогает им дописывать приложения»

• «RAG для тех, кто разочаровался: почему retrieval ломается и как это починить»

• «Contextual Retrieval: техника, которая чинит главную проблему RAG за 50 центов на тысячу чанков»

• «SciGraph: как я учил ИИ читать научные статьи не только по словам, но и по связям»

• «Вышла Qwen3-Coder‑Next: модель с открытыми весами для кодинг‑агентов»

Больше бесплатных уроков августа по разработке, искусственному интеллекту и не только смотрите в дайджесте.

Представлен открытый проект repowise — оптимизатор кодовых баз, который экономит токены в кодинге и работает с Claude Code, Cursor, Copilot:

• не читает каждый файл, а сразу индексирует весь репозиторий;

• создаёт документацию для каждого файла;

• строит графы зависимости и анализирует историю Git с слабыми местами;

• неиспользуемый код и устаревшие зависимости чистит сам;

• результат: минимальная задокументированная экономия — 36%.