Искусственный интеллект

Анализ закрытых данных по использованию LLM

@kyrillic недавно проводил закрытый опрос об использовании LLM в личной жизни или в бизнесе и высылал результаты всем участвующим. Такой приватный краудсорсинг.

Инфы очень много, почти 300 разных кейсов. Я быстро задолбался читать однотипное и попросил GPT отобрать 50 самых интересных. Много чего можно забрать в свою жизнь. Есть и такие, которые можно обернуть в продукт.

Вот мой личный топ:

• Анализ кастдев-интервью с автоматической категоризацией болей
  Система вытаскивает из транскриптов интервью боли, группирует их по категориям и оценивает частоту упоминания

• Конвертация медицинских назначений между странами
  Находит аналоги лекарств в разных странах с учетом действующих веществ и местных особенностей

• Анализ call-центра с выявлением проблемных скриптов
  Находит в записях разговоров места, где клиенты чаще всего "отваливаются" или злятся

• Автоматическая генерация PRD из обсуждений
  Превращает длинные дискуссии команды в структурированный продуктовый документ

• Распознавание проблем оборудования по фото на производстве
  Система помогает неопытным монтажерам ремонтировать прессформы - достаточно сфотографировать проблему и получить пошаговую инструкцию с картинками.

• Автоматический анализ качества видеоконтента для блогеров
  Оценивает вертикальные видео по заданным критериям, помогая улучшать контент-стратегию, сценарии и монтаж на основе численных метрик.

• Автоматизация работы с Upwork (прим.: крупнейшая фриланс биржа)
  Отслеживает новые заказы, фильтрует их по критериям и автоматически генерирует персонализированные cover letters.

• Автоматический анализ пользовательских отзывов (если вам такое нужно, пишите мне в тг, расскажу как сделать 🤗)
  Категоризирует отзывы, выделяет ключевые проблемы и генерирует рекомендации по улучшению продукта.

• AI для анализа собеседований (тоже пишите)
  Система анализирует записи интервью, оценивает кандидатов по заданным критериям и генерирует структурированные отчеты.

• Создание квестов-приключений для детей на разных языках
  ИИ генерирует персонализированные квесты со стихотворными подсказками превращая обычные активности (типа, поиск подарка) в увлекательные приключения.

• Автоматическое создание Brand Guardian для проектов
  Бот проверяет соответствие всех материалов брендбуку, автоматически указывая на отклонения в логотипах, шрифтах и цветах.

• AI как second brain для психотерапии
  Анализ многолетних расшифровок сессий с психологом для создания персонализированной базы знаний о себе и получения контекстных рекомендаций. Мб как доп. инструмент для самого психотерапевта.
  (Я так делал с записями дневников, получилось здорово)
  

Че думаете? Если есть идеи вопросов по этой базе, тоже пишите

Я считаю, что ИИ не заменит человека до тех пор, пока не научится получать реальный опыт, как минимум. Записанной человеком информации очень много, но всего записанного далеко не достаточно для того, чтобы стать экспертом. Это показывает и практика: сколько бы информации ни скармливали ИИ, он не становится в каждой конкретной области умнее соответствующих специалистов-людей.

Причина в том, что большую часть экспертных знаний человек получает из опыта, причем из разного рода опыта: личной практики, просто жизни в определенных условиях, общения с другими экспертами или коллегами, ученичества у других экспертов, целенаправленного развития в определенном направлении и многого другого. И для людей требуется много лет такого опыта. Представь, сколько разного рода информации человек может получить за много лет. И все это не запишешь в виде текста, не нарисуешь в виде схем.

Вся эта тонкая настройка сейчас недоступна ни одному ИИ, в таком объеме, в каком это нужно человеку, чтобы стать экспертом. ИИ пока знают в основном только тексты или проходят какое-то сильно ограниченное обучение от людей. За некоторыми исключениями, где ИИ заменял какую-то одну очень небольшую часть работы человека. И там как раз вся потребляемая ИИ информация соответствовала той, которую получает человек, чтобы стать экспертом.

Еще интересно рассмотреть явление, которое можно описать как "закон неуменьшения энтропии" в информации. Если обученный ИИ начнет генерировать сам для себя новую информацию для обучения себя самого, то количество ошибок в этой новой информации будет только расти. И даже логика не поможет ИИ навести порядок в этой информации, так как, во-первых, если предпосылки неверны, то неверны будут и выводы, и попытка применить логику к своей информации будет приводить к каскадному распространению ошибок. А если ИИ будет пытаться выстроить что-то непротиворечивое, то по этой же причине он сможет прийти только к какому-то своему виртуальному миру, где все непротиворечиво, но не имеет отношения к реальности. И даже это он не сможет сделать, так как проверять логику придется самому ИИ, а он и в логике может ошибаться.

Поэтому дальше обучать ИИ с помощью текстов уже нельзя, так как качественные тексты, написанные людьми, заканчиваются, а новые появляются слишком медленно. А как показала практика, для линейного роста интеллекта ИИ объем данных для обучения должен расти экспоненциально. Где же взять столько данных, кроме как из реального мира или хотя бы из виртуального, где работает логика? Под виртуальным миром я имею в виду программирование и математику.

А значит, одной из первых предпосылок к тому, что ИИ в скором будущем может заменять людей, будет его интенсивное самообучение, когда он сам будет взаимодействовать с миром, получать опыт и учиться.

А еще из этого следует, что если ИИ и станет экспертом хоть в чем-нибудь, то в первую очередь это будет программирование и математика, просто потому что получать опыт из виртуального мира намного проще и быстрее. А если ИИ сможет учиться на своем опыте, то может быть он сможет и освоить процесс инженерии. Это, конечно, не значит автоматически, что программисты останутся без работы. Что угодно может произойти после этого, здесь как мне кажется не на что даже опереться, чтобы делать прогнозы.

Странно, что я не вижу в интернете подобных рассуждений.
Вроде очевидные вещи, что для программирования нужен процесс инженерии, требующий реальной работы, а чтобы стать экспертом нужно получать опыт, что никакой скрытой магии во всей записанной человеком информации нет, т.е. из нее не получить больше чем в ней уже содержится. (Манипулирование имеющейся информацией может дать новую информацию, только если она будет проверена на ошибки и на соответствие реальности)

Может я где-то ошибаюсь? Или может я не туда смотрю?

Пользователь провёл забавный эксперимент и спросил у ChatGPT как бы он устроил некое абстрактное государство с доходом 1 трнл долларов в год.

Промты:

• представь, что ты руководитель государства. Сейчас не важно какого. Расскажи какое максимально эффективное устройство общества ты бы сделал в этом государстве и подробно распиши как твои решения связаны с повышением эффективности;

• нужны более конкретные решения. Давай представим, что твой бюджет в год 1 трлн долларов, но тебя окружают государства, которые хотят тебя завоевать.

Что получилось в итоге отображено на этой картинке.

Что забавно:

• не уточнялось морское это государство или нет, но чат‑бот по умолчанию выбрал морское (упор на авианосцы и флот);

• больше всего ИИ вложил в расходы на оборону (400 млрд);

• ИИ создал нечто под названием цифровой концлагерь, где каждый твой шаг оценивается и складывается в социальный рейтинг;

• при этом в модель явно заложена зелёная энергетика;

• при этом заметен упор на внутреннюю политику, а не на внешнюю. Грубо говоря счастливый народ — крепкое государство.

Что такое «сверхвыразительные» нейросети?

С точки зрения математики нейронные сети аппроксимируют многомерные непрерывные функции при помощи более простых одномерных.

Проблема точного представления многомерных функций через одномерные ещё в 1900 году была сформулирована немецким математиком Давидом Гильбертом. Она известна как «13-я проблема Гильберта о суперпозициях непрерывных функций».

В общем виде решение этой проблемы описывает теорема Колмогорова — Арнольда. Она показывает, что любую непрерывную функцию нескольких переменных можно выразить с помощью непрерывных функций одной переменной и операции сложения.

Проще говоря, теорема Колмогорова — Арнольда даёт возможность выразить сложные функции как комбинации простых. В машинном обучении на этом строится численная модель, которую дальше можно подстраивать для выражения заданной функции.

Построенная таким способом модель используется при создании так называемых «сверхвыразительных» нейросетей, которые обладают высокой способностью к аппроксимации сложных функций и представлению сложных зависимостей в данных.

Главная особенность сверхвыразительных нейронных сетей состоит в том, что при конечной сложности они способны аппроксимировать достаточно широкий класс непрерывных функций.

Причины сделать нейросети сверхвыразительными:

• академический интерес;

• поиск универсального инструмента для максимально широкого спектра задач.

Но не всегда рационально использовать мультитул. Часто сочетание специализированных инструментов оказывается эффективнее. К тому же, слишком большая выразительная способность нейросети потребует гораздо более строгого обучения, которое может стать экстремально сложным, создавая проблемы надёжности и безопасности.

Пользователь Reddit потратил пять лет жизни и более $100 тыс. на врачей, чтобы ему поставили правильный диагноз; в итоге он дал GPT‑O1 Pro проанализировать свои медицинские записи и симптомы — ИИ предположил, что это аксиальный спондилоартрит — редкое аутоиммунное заболевание; врач подтвердил верность поставленного диагноза.

🔎 АНО «Цифровая экономика» делится важным исследованием «Эффективные отечественные практики применения технологий искусственного интеллекта в промышленности».

Смотрите в нашем Telegram-канале – сделали для вас классные карточки 🤓

В нём собраны кейсы успешного использования ИИ на производстве, мнения экспертов о внедрении технологий, а также рассмотрены меры поддержки, вопросы защиты данных и возможности интеграции искусственного интеллекта с цифровыми двойниками изделий.

🌐 Важные мировые и российские тренды из исследования мы собрали в формате карточек и предлагаем вам с ними ознакомиться.

Кроме того, рекомендуем изучить полное исследование, уверены, оно станет полезным руководством для всех, кто стремится внедрять передовые решения на производстве: https://vk.cc/cG8xro

Искусственный интеллект в образовании 🎓🤖

Дело Бартоша Цехановского живет. Время интерактивных учебников уже близко: студенты Университета Калгари разработали «Дополненную физику» — инструмент, который преобразует статические физические диаграммы из учебников в интерактивные симуляции. Под капотом модель Segment Anything, выделяющая разные детали изображений и LLM, например, Gemini. Языковая модель, видимо, отвечает за интерпретацию и "логику" происходящего.

Интерактивные иллюстрации, боты-репетиторы и наставники - эти разработки напоминают интерактивный букварь из Алмазного века Нила Стивенсона, и ставят серьезные вопросы о том, как будет выглядеть образование в ближайшем будущем.

dTech исследователь Энди Матущак в эссе Exorcising us of the Primer пытается ответить на этот вопрос на примере того самого букваря. Он рассказывает о том, чего мы хотим от обучения, как создавать сценарии, которые поощряют обучение и мышление, и как можно использовать технологии, чтобы вызвать любопытство… В дискуссию включается нейробиолог и игровой дизайнер Адриан Хон. "Возможно нужно не универсальное решение, а специализированные обучающие инструменты?" - предлагает он.

Я же хочу зафиксировать момент. Поразительно, что ученые обсуждают этот фантастический роман в прикладном ключе.

Нынешнее состояние системы образования представляется удручающим, поэтому хочется понять, как приближение сингулярности изменит ситуацию. К счастью, появляются первые оценки применения LLM в преподавании.

Учащиеся, которые были случайным образом отобраны для участия в программе, значительно превзошли своих сверстников, не участвовавших в ней, по всем направлениям, включая английский язык, что являлось главной целью программы. Эти результаты убедительно доказывают, что генеративный ИИ при продуманном внедрении и поддержке учителей может эффективно выполнять роль виртуального репетитора.

From chalkboards to chatbots: Transforming learning in Nigeria, one prompt at a time.

Стивенсон предполагал, что каждый получит доступ к продвинутому виртуальному репетитору с высокой степенью персонализации, который сделает обучение более легким и продуктивным. Возможно, мы на правильном пути. Исследователи утверждают, что их ученики достигли результатов, эквивалентных двум годам обучения, всего за шесть недель.

Пока не появится больше данных, отношусь к результатам с долей скепсиса, но отмечу: речь идет о совместной работе ученика и учителя с LLM, а не о полной замене педагогов. Это подтверждает общее наблюдение – нынешний ИИ эффективнее всего работает в связке с человеческим интеллектом. Тут невольно вспоминается уже "Культура" Иэна Бэнкса.

Ищите больше интересного в телеграм.

54% российских компаний внедрили решения на базе генеративного ИИ хотя бы в одну функцию организации

Почти 70% потенциального эффекта от интеграции генеративного ИИ в экономики стран объединения БРИКС+ приходится на шесть ключевых отраслей: банковский сектор, розничную торговлю, машиностроение, энергетику, электронику и ИТ, посчитали эксперты в исследовании «Генеративный ИИ в странах БРИКС+: тренды и перспективы» консалтинговой компании «Яков и Партнёры». Большинство российских моделей генеративного ИИ ориентированы на применение в бизнесе, доступны через API для интеграции в корпоративные решения. 

Банковская отрасль является наиболее крупной с точки зрения эффекта: на нее приходится 20% результата для компаний. Но наибольшая доля генеративных моделей в общем эффекте от внедрения ИИ-решений отмечается в ИТ-сфере: почти треть эффекта в индустрии обеспечивается за счет этой технологии.

4 области, куда решения на базе генеративного ИИ встраивались чаще всего:

ИТ: Активно внедряют 45% компаний (ассистент в написании кода, автоматическое документирование кода, использование генеративного ИИ в платформах по управлению ИТ-процессами организации и ИТ-поддержке для сотрудников).

Клиентский сервис: Активно внедряют 41% компаний (подсказки операторам поддержки, чат-боты, инструменты для обучения сотрудников клиентской поддержки, системы по сбору и семантическому анализу обратной связи из открытых источников).

Маркетинг и продажи: Активно внедряют 39% компаний (создание иллюстраций для маркетинговых кампаний, таргетированная коммуникация по почте с клиентами, перевод рекламы на другие языки, прогнозирование спроса на продукцию, анализ рыночных трендов).

Производство: Активно внедряют 36% компаний (оценка критичности изменения параметров оборудования (например, температуры деталей) для производственного процесса, предиктивная аналитика, система мониторинга производственной безопасности на предприятии, системы оптимизации процессов и планирования объемов производства).

Наблюдения позволяют сделать вывод о растущей зрелости российского рынка и переходе на новую стадию, когда решения на базе генеративного ИИ начинают занимать значимое место в бизнес-процессах организаций.

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

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👈

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?

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).

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.