Будущее здесь

Доброго времени суток, «Хабр»!

В предыдущей своей статье я рассматривал различные функции потерь - важную часть машинного обучения. Но даже такие функции совершенно беспомощны перед лицом беспорядка. Сегодня мы рассмотрим то, что предшествует любой тренировке - разметку данных.

Как и в предыдущей статье, приведу простенькое сравнение. Если модель - ученик, то разметка данных своего рода учебник, по которому она занимается. При этом создание такого учебника часто оказывается трудоемким, медленным и дорогостоящим этапом всего цикла ML-проекта.

Принимайте стратегические удобное положение, ну а я начинаю свое повествование.

Недавно я был на интересной лекции по созданию моделей личности с помощью сверхбольших промптов для LLM в библиотеке им. Фёдорова от лектория «Футурчай». Концепции, прозвучавшие на ней, оказались настолько интересными, что я решил познакомить с ними Хабр.

Команда AI for Devs подготовила перевод большого эссе об ИИ и экономике будущего. Автор разбирает, почему рост возможностей моделей сам по себе не гарантирует процветание, как замещение труда может подорвать спрос и почему без циркуляции ценности экономика ИИ рискует зайти в тупик.

Хватит делать заметки, которые пылятся. Пора создать систему, которая действительно думает вместе с вами.

Я перепробовал все системы продуктивности. Базы данных Notion, которые превращались в цифровые кладбища. Доски Miro, которые выглядели впечатляюще, но никогда не помогали мне делать что-либо. Хаос Apple Notes. Всё по полной программе.

А потом что-то щёлкнуло. Я перестал пытаться создать лучшую систему заметок и начал строить кое-что другое: второй мозг, который действительно работает со мной.

Секрет? Сочетание локального, простого текстового формата Obsidian с возможностью Claude Code реально работать с вашими файлами. Не просто искать по ним. Не просто суммировать их. По-настоящему манипулировать, генерировать и улучшать их программно.

Вот система, которую я создал, и как вы можете построить свою.

В данной статье я распишу основные идеи книги Макса Тегмарка. Прошло всего 7 лет и многие идеи изложенные в ней становятся все ближе к реальности. Для некоторых труднопереводимых и конвенциональных для индустрии терминов оставил оригинальные названия в скобках.

Разработчики, занимающиеся стартапами, иногда сталкиваются с проблемами типизации своей разработки. Им зачастую самим хочется понять, что же именно они ваяют? Особенно эта проблема становится актуальной, если проект, так или иначе, подразумевает организацию взаимодействия больших масс людей. Возникает соблазн типизировать стартап как разновидность социальной сети в этом случае. Но это категорически делать нельзя! Во-первых, потому что инвестиции на социальные сети никто никогда не выделит. Ибо глупо конкурировать с FaceBook или "Одноклассниками". А во-вторых, потому что существующие популярные социальные сети дискредитировали себя как класс продуктов. Низведя все богатство социальных взаимодействий до уровня лайков/дизлайков и сетевой ругани. Однако социологическое определение социальной сети на порядки превосходит тот функционал, которым обладают популярные социальные сети. Потому не оскудеет поток инноваторов, которые мыслят стартапами в области социального взаимодействия. Вот для них данная статья.

Привет, это новый выпуск «Нейро-дайджеста» — коротких и полезных обзоров ключевых событий в мире искусственного интеллекта и технологий. 

Неделя выдалась насыщенной: OpenAI запустили ChatGPT Health для проверки здоровья, Anthropic релизнули Cowork — аналог Claude Code для непрограммистов, новые инструменты от Qwen и Higgsfield, а цены на оперативу вырастут ещё на 70%. 

Всё самое важное — в одном месте. Поехали!

По результатам голосования публикуются исходники устройства, а именно:

Корпус:
1. 3D-модели деталей и сборки корпуса в редактируемом формате SolidWorks 2019.
2. 3D-модели деталей корпуса для 3D-печати в формате *.STL и проект в Creality с правильной ориентацией деталей при печати.

Код:
1. Исходники под Arduino IDE в формате *.ino.
2. Скомпилированные бинарники под ESP32C3 в формате *.bin.

Всё доступно на Github, файл Readme с инструкцией по сборке прилагается.

— Лень читать Readme, как это быстро собрать с помощью нейронки?

95% корпоративных пилотов по внедрению LLM проваливаются. При этом фрилансеры и инди-специалисты показывают кратный рост эффективности с теми же инструментами.

Проблема не в технологии — проблема в том, что старые методы внедрения инноваций здесь не работают. Компания не может внедрить LLM сверху, а сотрудники не хотят внедрять снизу.

Почему так и что с этим делать?

В предыдущей статье "Почему нейросети не заменят прикладных специалистов: простая логика против вероятностных подходов" рассматривались общие вопросы поиска решений управляемого данными. Эта информационная технология, основанная на простой логике, позволяет оперативно вести диалог с пользователем, используя накопленные в процессе поиска решения данные. Для того чтобы это работало - требуется фрагментировать знания предметной области в виде функций с заданными областями допустимых значений входящих в них параметров.

В данной статье рассматривается вопрос о представлении предметных знаний в виде общедоступных документов, позволяющих интерпретировать их, как вышеозначенные функции и затем использовать в качестве компонентов базы знаний.

Всё нижеследующее, хорошо всем известно, но в контексте поиска управляемого данными обретает новый смысл и функциональность.

ПРИМЕЧАНИЕ. В качестве примера выбрана реальная задача из медицинской практики связанная с назначением антирабической помощи. Антирабическая помощь необходима для исключения заболевания бешенством после контакта с домашним или диким животным. Бешенство смертельно опасное заболевание. От правильности врачебных назначений зависит жизнь обратившегося за медицинской помощью. Имеется инструкция, регламентирующая действия по оказанию антирабической помощи, которая и является первоисточником базы знаний. Несмотря, на кажущуюся простоту выбор лечения (профилактики) требует чёткого анализа ситуации и учёта многих факторов. Экспертная система в диалоге управляемом данными не позволит ничего пропустить и предложит безошибочное решение.

2026 год. Нейросети окончательно прописались в арсенале маркетолога. Где‑то между таск‑трекером и бесконечными созвонами они заняли своё место и, кажется, уходить не собираются. Сегодня ИИ помогает придумывать заголовки, писать посты, собирать рассылки, генерировать картинки для сторис и даже анализировать, почему прошлая рекламная кампания провалилась.

Всего пару лет назад всё выглядело иначе. Мы с любопытством тестировали первые генераторы текста и получали что‑то в духе «Наш инновационный продукт является лидером рынка благодаря синергии качества и доступности». Это было забавно. Это было непригодно для работы. Мы посмеивались и возвращались к привычному — писать всё руками, согласовывать неделями, переделывать по десять раз.

А потом что‑то изменилось. Алгоритмы научились подстраиваться под аудиторию. Нейросети начали рисовать визуал, который не стыдно ставить в ленту. Создавать видео, которые набирают просмотры. В какой‑то момент мы перестали удивляться и начали просто использовать.

Маркетинг изменился. Контент, на который раньше уходили часы, теперь создаётся за минуты. Это не фантастика, это новая реальность. И те, кто её принял, уже чувствуют разницу.

Но есть одна проблема. Инструментов стало слишком много.

Каждый день появляются новые сервисы. Каждый обещает революцию. Каждый называет себя «лучшим решением для бизнеса». Лендинги пестрят словами «автоматизация», «эффективность», «рост продаж». Разобраться во всём этом — задача, на котор��ю нужен отдельный рабочий день. Которого, конечно, нет.

Мы решили сэкономить вам время. Протестировали несколько нейросетей, которые позиционируют себя как помощники для маркетологов. Отсеяли те, что красиво выглядят на презентациях, но разочаровывают в работе. Оставили семь сервисов, которые действительно закрывают задачи. Генерация текстов, создание визуала, работа с видео, автоматизация рутины — здесь есть решения для разных этапов воронки.

У большинства сервисов из нашего списка есть платные тарифы. Но сегодня мы сосредоточимся на том, что можно попробовать бесплатно. Потому что прежде чем платить, хочется понять, стоит ли оно того.

Приятного чтения!

AI-driven — это не «без человека». Инженер необходим. Просто LLM становится основным инструментом. Смена парадигмы инструментов - не сингулярность.
Не будет волшебных палочек. Не будет AGI, который всё сделает за вас (ну в ближайшей реальности). Но будет инструмент, который уже сейчас необходим для освоения - потому что это основной инструмент уже наступившего будущего.

Нейросети помогают решать множество повседневных задач. Однако идея, сначала "развалить" всё и токенезировать, а затем пытаться сложить из фрагментов целое - с точки зрения математики выглядит, конечно, красиво, но с точки зрения простой логики идея спорная.

Это статья о том, что такое инженерное мышление и, как правильная формализация предметных знаний способствует реализации экспертных систем с применением простой логики.

Недавно мне попался любопытный нарратив: живой писатель выделяет куда больше углерода в атмосферу, чем ИИ-аг��нт, пишущий текст того же объёма. Следовательно, неплохо было бы заменить живого писателя на неживого. Или всё же пока не стоит? Давайте разберемся.

Думаю, мне пора составить и свой регламент экологичного использования ИИ, чтобы не усугублять зависимость. Вот первая редакция.

Команда AI for Devs подготовила перевод статьи о том, почему ИИ-агенты — самый важный элемент экосистемы ИИ прямо сейчас. Главная мысль: именно агенты способны выполнять полезную работу без участия человека, а значит — радикально изменить рынок интеллектуального труда и саму структуру экономики.

Технологии искусственного интеллекта резко расширяют горизонты наших возможностей. Хотим мы того или нет, но применение больших языковых моделей скоро до неузнаваемости изменит все области человеческой деятельности. Нейромузыканты уже захватывают топы музыкальных чартов, а нейрохудожники пишут картины, выигрывающие награды на конкурсах искусства. Совсем скоро нейрописатели будут создавать целые литературные вселенные, по сложности превосходящие "Войну и Мир" Толстого, а нейрорежиссёры снимать по ним фильмы.

За последние шесть лет я опубликовал на Хабре порядка пятидесяти философских эссе на разные темы - о мире идей и математической вселенной, о сознании, об этике, о буддизме, о пространстве и времени и о многом другом. Моя подготовка к каждому эссе включает в себя чтение книг, работу с источниками, знакомство со всеми позициями по определённому вопросу, знакомство с критикой этих позиций, знакомство с историей развития философской мысли в области этого вопроса и многое другое. Сейчас, в годы бурного развития больших языковых моделей, я решил воспользоваться технологиями, чтобы автоматизировать часть этого процесса и сделать свой первый шаг в область нейрофилософии. И вот, что у меня получилось...

Команда AI for Devs подготовила перевод статьи о том, как на самом деле устроены AI-агенты для программирования. Автор шаг за шагом показывает, что за Claude Code не стоит магия: это последовательный агентный цикл, инструменты, контроль разрешений и работа с контекстом.

Доброго времени суток, «Хабр»!

Представьте, что вы играете в дартс. Сначала ваши дротики разлетаются по всей мишени, но с каждой попыткой вы постепенно приближаетесь к заветному центру. Человек интуитивно понимает, что нужно скорректировать бросок: сильнее, выше, левее или правее. Примерно так же работает и алгоритм машинного обучения. Только вместо интуиции там есть функция потерь.

Сегодня поговорим об этой функции, попробуем в ней разобраться и понять, как же алгоритм понимает, что он ошибся. Принимайте стратегически удобное положение, ну а я приступаю к своему повествованию.

Независимо от того, принесет ли будущее ренессанс программирования или мир, где код пишется сам собой, всегда будет спрос на инженеров, которые мыслят целостно, постоянно учатся и направляют технологии на решение реальных проблем. Лучший способ предсказать будущее — активно его проектировать.