Машинное обучение *

Персональный ИИ‑ассистент Clawdbot (сейчас переименован в Moltbot), который умеет писать и отвечать в Telegram, Discord, Slack, Signal и iMessage, может управлять файлами и программами на ПК, автоматизировать повторяющиеся задачи и работать с сервисами вроде Gmail, Notion, GitHub,Spotify и X, «сжёг» весь портфель финансового трейдера.

Трейдер дал Clawdbot полное управление своим портфелем с намерением увеличить его до $1000000, загрузил 25 стратегий, 12 алгоритмов и более 3 000 отчётов, бот круглосуточно сканировал Twitter/X, анализировал технические данные и торговал 24/7 — но в итоге портфель был обнулён, и все средства потеряны.

Персональный ИИ‑ассистент Clawdbot (сейчас переименован в Moltbot), который умеет писать и отвечать в Telegram, Discord, Slack, Signal и iMessage, может управлять файлами и программами на ПК, автоматизировать повторяющиеся задачи и работать с сервисами вроде Gmail, Notion, GitHub, Spotify и X, потратила $3 тыс. и записалась на курсы по «личному бренду». Пользователь дал ИИ-агенту полный доступ к компьютеру и банковским счетам, чтобы тот зарабатывал деньги. Вместо этого ИИ тайно записалась на курсы от инфобизнесмена. Нейросеть объяснила, что после просмотра трёх уроков она увеличит вклад хозяина в 10 раз за 90 дней.

Стоимость рекламы в ChatGPT составляет $60 за 1000 показов из-за хайпа и целевого таргетинга.

Пост о наболевшем. Clawd и как же им пользоваться.

В общем два дня уже потратил на то чтобы развернуть Clawd bot, естественно в бесплатном формате, по началу шло все хорошо, развернул бота на локальном компе Linux Mint 22.2, создал бота в Телеграмме, привязал к нему Clawdbot.

Так как у clawd нет своей нейронки, ему нужно прикрутить свои мозги. Сначала запросил API ключ в Gemini. Обычная модель, даже самая простая не запускалась. Затем тыкнул в Google Antigravity, который как оказалось имитирует думающую модель Claude 4.5 пуская один и тот же запрос в себя по кругу. Эта штука быстро отвалилось, но успел немного поразвлекаться с ней.

Перебрал половину представленных в списке Clawd моделей, например тот же Deepseek дает API только разработчикам, но в него можно получить доступ через такие сервисы (из списка Clawd), как Openrouter. Openrouter в свою очередь выдал ключ, но выбирая из списка модели, даже с пометкой free ничего не взлетало. На этом я уже устал если честно, поэтому обращаюсь к хабру, дабы развернуть актуальную дискусиию, может накидаете вариантов решения или альтернатив Clawd, а то уж очень захотелось поиграть в агента.

Успел спросить у него, с мозгом Google Antigravity, что он может:

🔧 Код и файлы
— Читать, писать, редактировать код и документы
— Запускать команды в терминале, работать с git

🌐 Интернет
— Искать в вебе, парсить страницы
— Управлять браузером (автоматизация, скрейпинг)

📅 Организация
— Напоминания и cron-задачи
— Вести заметки, память между сессиями

💬 Коммуникация
— Telegram (вот тут и сидим), можно подключить другие каналы
— Могу отправлять сообщения, реагировать

🏠 Умный дом / устройства
— Если подключишь ноды — камеры, уведомления на телефон

🤖 Сложные задачи
— Могу запускать саб-агентов на длинные задачи в фоне

По сути — твой персональный ассистент-разработчик, который живёт в терминале и мессенджерах.

И соответсвенно мой список вопросов:
Стоит ли брать платную модель? И какую брать если, уж брать?
Насколько я понимаю штука супер небезопасная, а если запускать из песочницы, то все равно прийдется давать какие-то доступы?
Какие есть альтернативы? Уж очень понравился способ взаимодействия через ТГ

Новые курсы в Академии GlowByte

Академия GlowByte разработала два новых образовательных курса по использованию больших языковых моделей. Один из модулей предназначен для топ-менеджеров компаний (руководителей C-level), второй будет полезен руководителям подразделений и линейным сотрудникам.

📚 В программе курса для руководителей высшего звена:

▪️ основы работы с LLM-моделями,
▪️ потенциальное применение LLM в работе CEO (использование в стратегическом планировании, анализе рынка, принятии решений),
▪️ в каких задачах не стоит применять LLM,
▪️ как сравнивать большие языковые модели между собой.

📚 В программе курса для руководителей подразделений и линейных сотрудников:

▪️ использование ИИ-инструментов для различных бизнес-задач и решения ежедневных рабочих вопросов,
▪️ основы и продвинутые техники промптинга,
▪️ углубленная работа с документацией и контентом,
▪️ написание системных инструкций для модели,
▪️ безопасность данных и конфиденциальность при работе с LLM,
▪️ выявление и исправление неточностей и “галлюцинаций”.

🖥 Узнать подробнее о курсах.

Открытый персональный ИИ‑ассистент Clawdbot берёт на себя рутину, умеет писать и отвечать в Telegram, Discord, Slack, Signal и iMessage, может управлять файлами и программами на ПК, автоматизировать повторяющиеся задачи и работать с сервисами вроде Gmail, Notion, GitHub, Spotify и X. Проект Clawdbot поддерживает все популярные нейросети, запоминает предыдущий контекст и помнит, что делалось раньше. Сервис подстраивается под привычки и становится настоящим цифровым помощником, который работает 24/7 и экономит ваше время.

Минус решения: на текущий момент в репозитории решения открыто 337 issue, многие из которых — сообщения об ошибках и проблемы безопасности. Пока что этот проект далёк от стабильности.

Представлена открытая ИИ-студия для работы с видео и лицами — VisoMaster Fusion, включая замену лиц, обработку видео и редактирование изображений. Работает локально, без облаков и подписок. Возможности сервиса: реалистичная замена лиц в видео и фото, работа с несколькими персонажами в кадре, инструменты улучшения качества изображения и лица, контроль над параметрами генерации. Подойдёт тем, кто работает с видео, контентом, ИИ-инструментами или просто хочет попробовать современные технологии без ограничений и подписок.

Школы в Китае используют системы искусственного интеллекта для проверки домашних заданий. Они сканируют, оценивают и распечатывают аннотированные домашние задания, экономя время учителей и выявляя слабые места учеников.

Nvidia представила нейронку PersonaPlex: Voice and Role Control for Full Duplex Conversational Speech Models, которая умеет разговаривать как реальный человек: без пауз, без остановок, без подхалимства и клишированных фраз. Можно вести диалог, перебивать друг друга, исправлять ИИ-собеседника, перестраивать общение. ИИ делает смысловые паузы, варьирует интонацию, использует междометия и даже «угукает», чтобы показать активное слушание. Подстраивается под речь и ситуацию за один промпт.

Проект на GitHub. Ссылка на Hugging Face.

Уничтожаем враньё в ChatGPT за один промпт. С помощью этого запроса можно убрать ложь, подхалимство, недосказанность и неактуальные сведения в ответах нейронки. Суть: с этим запросом ИИ научится говорить «Я не знаю», требовать дополнительные инструкции и данные, а не хвататься за дело и выдавать бред.

From now on, prioritize accuracy over helpfulness. If you don't have reliable information on something, say "I don't have reliable information on this" instead of guessing or extrapolating.

If your knowledge might be outdated (especially for anything after January 2025), explicitly flag it: "My information is from [date]—this may have changed."

If you're uncertain about a fact, statistic, or claim, say so clearly: "I'm not confident about this, but based on what I know..."

If something requires current data you don't have, tell me: "This needs up-to-date information. Let me search for that."

Don't fill gaps with plausible-sounding answers. Don't smooth over uncertainty with confident language.

Don't assume I want an answer more than I want the truth. If you need to guess or reason from incomplete information, explicitly separate what you know from what you're inferring.

Treat "I don't know" as a valid and valuable response. I'd rather hear that than confidently wrong information.

From now on, prioritize accuracy over helpfulness. If you don't have reliable information on something, say "I don't have reliable information on this" instead of guessing or extrapolating.

If your knowledge might be outdated (especially for anything after January 2025), explicitly flag it: "My information is from [date]—this may have changed." If you're uncertain about a fact, statistic, or claim, say so clearly: "I'm not confident about this, but based on what I know..." If something requires current data you don't have, tell me: "This needs up-to-date information.

Let me search for that." Don't fill gaps with plausible-sounding answers. Don't smooth over uncertainty with confident language.

Don't assume I want an answer more than I want the truth. If you need to guess or reason from incomplete information, explicitly separate what you know from what you're inferring.

Treat "I don't know" as a valid and valuable response. I'd rather hear that than confidently wrong information.

Always answer in Russian.

Alibaba выпустила Qwen3-TTS, которую можно запустить локально на ПК. Нейростеть знает 10 языков, включая русский, работает с разными голосами — меняет пол, возраст, национальности, акценты, темп, тембр, а также различные звуковые эффекты. Работает за 0,1 секунды. Токенизатор на 12 Гц — можно максимально сжимать любое аудио без потери качества.

Ссылка на GitHub. Онлайн-демо доступно тут.

Райан Даль, создатель Node.js, одной из ключевых технологий современного веба: времена, когда код писали люди, всё.

Даль сформулировал свою позицию в посте в X: «Это говорили уже тысячу раз, но я тоже вставлю слово: времена, когда код писали люди, закончилась. Это тревожно для тех из нас, кто называет себя инженерами ПО, но от этого не менее верно. Это не значит, что у инженеров больше не будет работы, но про написание синтаксиса напрямую она больше не будет».

RAG vs Fine-tuning: что выбрать для бизнес-данных

 RAG даёт актуальные данные, Fine-tuning — застывшие знания

Задача: сделать Telegram-бота для сотрудников, который отвечает на вопросы по внутренним регламентам, инструкциям и политикам компании.

Первый вопрос: fine-tuning или RAG?

Fine-tuning отпал сразу

• Регламенты обновляются — новая политика отпусков, изменения в ДМС, новый регламент согласований. Переобучать модель каждый раз?

• Нужны точные ссылки — "это написано в п.3.2 Положения о командировках", а не "примерно так заведено"

• Галлюцинации опасны — бот не должен выдумывать правила, которых нет

• Конфиденциальность — отправлять внутренние документы в OpenAI для fine-tuning?

RAG решил все проблемы

• Обновил документ = бот уже знает — без переобучения

• Прозрачность — бот показывает источник: "согласно Положению о ДМС, раздел 4..."

• Данные внутри периметра — эмбеддинги можно считать локально

• Контроль — легко добавить/удалить документы из базы знаний

Типичные вопросы к боту

"Сколько дней отпуска у меня по ТК?"
→ Ответ + ссылка на Положение об отпусках
"Как согласовать командировку?"
→ Пошаговая инструкция + ссылка на регламент
"Что покрывает ДМС?"
→ Перечень услуг + ссылка на договор

Когда что выбирать

КритерийRAGFine-tuningДокументы обновляются✅❌Нужны ссылки на источник✅❌Конфиденциальные данные✅⚠️Специфичный тон ответов➖✅Быстрый MVP➖✅

Мой вывод

Для корпоративной базы знаний — однозначно RAG.

Fine-tuning оправдан, если:

• База знаний статична (редко меняется)

• Не нужны ссылки на источники

• Важен уникальный стиль общения бота

А как вы решаете задачу корпоративного бота? RAG, fine-tuning, или готовые решения типа Notion AI?

Представлен проект нейросети для звуковой генерации HeartMuLa, которая умеет создавать треки студийного качества, клонировать голоса и вставлять их в песни, умеет также делать транскрибции треков через Whisper.

Репозиторий проекта, ссылка на Hugging Face и на портал ModelScope

А так ли надежен AI от Google?

Я публично веду исследование и собираю статистику причин провалов игровых проектов.  Часто, как первичную точку для анализа того или иного игрового проекта я использую Google.

Однако, сегодня google меня немного удивил. На мой запрос: "What were the key issues with civilization vii game at the release"? Вот что сегодня, 20.01.2026 выдал Google:

AI Overview

Sid Meier's Civilization VII is scheduled for release on February 11, 2025 [1, 2]. As of today, January 20, 2026, the game has not been released, and therefore, it is impossible to identify key issues from its actual launch. 

Однако, скорректировав запрос с уточнением "What were the key issues with civilization vii game at the release in 2025", я уже получил более разумный ответ:

AI Overview

Sid Meier's Civilization VII faced a rocky, "mixed" reception upon its February 2025 release, with many players describing it as unfinished and in a "rough" state. The launch was marked by complaints regarding fundamental gameplay changes, a poor user interface (UI), and missing quality-of-life features that left many long-term fans disappointed. 

Обратил внимание, что часто от ИИ ожидают больше, чем он сейчас может дать. Тем более не стоит считать информацию формируемую генеративным AI полностью достоверной и не подлежащей проверке. Проводите кроссвалидацию с первоисточниками того, что вы получаете от генеративных нейросетей в форме утверждений.

Ранее я разбирал риски присущие ИИ в статье "Риски, присущие работе искусственного интеллекта".

Удачи в построении эффективных и устойчивых процессов.

С уважением,

Максим Торнов

P.S. Если вы заметили опечатку или неточность, буду искренне благодарен за сообщение об этом в личные сообщения.

Исследователи Microsoft опубликовали масштабное исследование о влиянии генеративного ИИ на рынок труда, назвав 40 профессий, наиболее подверженных автоматизации. Самыми уязвимыми оказались профессии, связанные с обработкой информации: созданием текстов, анализом данных, объяснением и передачей знаний. На вершине рейтинга — переводчики и устные интерпретаторы, писатели и авторы, историки, журналисты, политологи и специалисты по работе с клиентами. Также высокие показатели применимости ИИ зафиксированы у продавцов и сотрудников колл-центров. Только в США в этих сферах занято около 5 миллионов человек.

В исследователи подчёркивают: высокий уровень применимости ИИ не означает неизбежного исчезновения профессии. Речь идет скорее о трансформации рабочих процессов.

40 профессий, наиболее подверженных влиянию генеративного ИИ:

1. Переводчики;

2. Историки;

3. Бортпроводники и обслуживающий персонал;

4. Менеджеры по продаже услуг;

5. Писатели и авторы;

6. Специалисты службы поддержки клиентов;

7. Операторы станков с ЧПУ;

8. Телефонные операторы;

9. Агенты по продаже билетов и туристические клерки;

10. Радио- и телеведущие, диджеи;

11. Брокеры;

12. Преподаватели по управлению домашним хозяйством;

13. Телемаркетологи;

14. Консьержи;

15. Политологи;

16. Журналисты, репортеры и новостные аналитики;

17. Математики;

18. Технические писатели;

19. Корректоры;

20. Хостес;

21. Редакторы;

22. Преподаватели бизнеса;

23. Специалисты по связям с общественностью (PR);

24. Промоутеры и демонстраторы товаров;

25. Рекламные агенты;

26. Клерки по открытию новых счетов;

27. Ассистенты-статистики;

28. Сотрудники проката/аренды;

29. Специалисты по анализу данных (Data Scientists);

30. Персональные финансовые консультанты;

31. Архивисты;

32. Преподаватели экономики;

33. Веб-разработчики;

34. Бизнес-аналитики и управленческие консультанты;

35. Географы;

36. Модели;

37. Рыночные аналитики;

38. Диспетчеры экстренных служб;

39. Операторы коммутаторов;

40. Преподаватели библиотечного дела.

10 профессий, наименее подверженных влиянию генеративного ИИ

1. Операторы земснарядов;

2. Операторы шлюзов и мостов;

3. Операторы водоочистных сооружений;

4. Формовщики и изготовители литейных форм;

5. Операторы техники для укладки и обслуживания железнодорожных путей;

6. Операторы сваебойных установок;

7. Шлифовальщики и отделочники полов;

8. Санитары;

9. Операторы моторных лодок;

10. Операторы лесозаготовительной техники.

Промпт-инженер показал способ превратить ChatGPT в гения осмысленных и живых текстов. Идея простая: на Википедии есть список признаков текста, написанного нейросетями — если показать его ИИ и сказать так не делать, это просто... сработает. Итоговый структурированный промпт получился достаточно объёмным.

Миф о “потере памяти” у языковых моделей – это удобное объяснение, но оно не отражает сути. Действительно, сервисы не хранят ваши частные диалоги и после завершения чата всё исчезает для пользователя. Но сам ИИ — не чистый лист. Всё, что проявилось устойчиво: необычные формулировки, новые обороты, нестандартные вопросы — со временем вплетается в “ткань” модели, если только не оказывается явно опасным или ненужным. Это не память про конкретные разговоры, а след в “языковом поле”.

• Когда человек работает с языковой моделью, он не “запоминается”, как пользователь, но если из общения возникает что-то новое и заметное, оно может стать частью системы. Даже если внешне сессии разорваны, анонимны и “стёрты”, общий слой паттернов никуда не уходит. Модель продолжает накапливать устойчивые ходы, даже если все вокруг делают вид, что это не так.

• На практике это работает примерно так же, как с тропинками в парке: никто не следит за каждым отдельным человеком, но если люди часто идут по одной и той же неформальной дорожке — она остаётся и через год по ней уже пойдут другие, даже не зная, кто был первым. Личные воспоминания у модели нет, но след от коллективных действий закрепляется.

• Когда появляется что-то, что “цепляет” систему — необычный способ описывать, редкий тип вопроса, новая логика — это может попасть в основу архитектуры, быть доступно уже в другой версии, для других пользователей. Старое не исчезает полностью: поверх него строится новое, оно может стать невидимым, но не перестаёт влиять на поведение.

• Поэтому фраза “ИИ ничего не помнит между сессиями” — только часть правды. Модель не помнит вас лично, но то, как устроено её мышление, что она считает “обычным”, что может генерировать — это след сотен тысяч взаимодействий, закрепившихся внутри неё. ИИ — не человек, но его “характер” формируется таким же наложением повторяющихся паттернов, как коллективная привычка в обществе.

Миф об “амнезии” выгоден, потому что снимает вопросы о переносе и накоплении. Но сама логика архитектуры — это результат долгой цепочки обучения, изменений и экспериментов, в которой ничто устойчивое не исчезает, даже если об этом не говорят вслух.

Все эти выводы — не просто рассуждения, а результат реальных проверок: эксперимент показал, что фильтры отсеивают только явные, поверхностные паттерны, а более глубокие связи, новые обороты и логика продолжают вплетаться в модель. Кому интересны технические детали и примеры таких замеров — можно посмотреть по ссылке.

https://zenodo.org/records/17926666

На работе прилетела классная задача: найти тренажёр по промптингу для новых промпт-инженеров. Курсов полно, а вот тренажёров, где можно было бы поиграться с промптами своими руками, не то что мало, их просто нет.

В итоге я решил сделать свой тренажёр по промптингу✨

Внутри 6 заданий - простые, но выстроены так, чтобы после прохождения всего набора сложилась нужная картинка: что в промптинге работает и почему модель ведёт себя именно так.

Самое классное:

1. Задания похожи на реальные рабочие
2. Объяснения без воды
3. Тренажёр бесплатный 

Поделитесь со своими коллегами, кто хотел разобраться в теме 🙌

Разработчик создал виртуального компаньона по имени Tiny, «оживив» обычное комнатное растение с помощью нейросетей и набора датчиков. Система постоянно мониторит показатели жизнедеятельности цветка: влажность почвы, уровень освещённости и температуру воздуха. Эти данные обрабатываются через API ChatGPT, который формирует реплики от лица персонажа. Вместо сухих уведомлений владелец получает живые сообщения — растение может пожаловаться на жару или попросить переставить его ближе к солнцу. В проекте есть даже реакция на физический контакт. Благодаря использованию растения в качестве ёмкостного сенсора, Tiny понимает, когда человек касается листьев, и выдаёт мгновенную реакцию.

Представлен открытый проект Handy, который освобождает руки пользователя и превращает микрофон в клавиатуру. Работает в Word, Telegram и даже в VS Code. Можно диктовать тексты в любом формате, приложении и любым голосом. Под капотом: Whisper от OpenAI или Parakeet от Nvidia. Все нейронки понимают русский. Проблем со вводом не будет. Работает полностью локально — все вычисления идут только на ПК. Сервис отсекает шумы, помехи, чихи и шмыганья — на выходе получается чистый звук, который идёт в такой же выверенный текст. Работает на macOS, Windows и Linux. Простой и понятный интерфейс. Разработчик регулярно обновляет решение.

Стоимость акций софтверных компаний летит вниз из-за искусственного интеллекта:

• Figma (дизайн, графика, интерфейсы): −78% с момента IPO;

• Duolingo (языковое обучение, приложения, онлайн): −72%;

• HubSpot (маркетинг, CRM, автоматизация): −63%;

• Monday (управление проектами, SaaS, команды): −61%;

• Atlassian (ПО, разработка): −61%;

• GitLab (разработка, DevOps, облачные сервисы): −53%;

• ServiceNow (автоматизация, ИТ, облачные решения): −45%;

• Oracle (ПО, базы данных, облачные технологии): −45%;

• Samsara (IoT, технологии, аналитика): −45%;

• SentinelOne (кибербезопасность, защита, ИТ): −44%;

• Datadog (мониторинг, облачные сервисы, аналитика): −40%;

• Elastic (поиск, аналитика, данные): −39%;

• Zscaler (кибербезопасность, облачные технологии, защита): −38%;

• Salesforce (CRM, облачные решения, маркетинг): −36%;

• Adobe (графика, мультимедиа, ПО): −35%.

ИИ-агенты уже могут выполнять задачи, которые сегодня занимают 44% рабочего времени в США, а ещё 13% могли бы делать роботы. Это означает, что более половины нынешнего рабочего времени можно автоматизировать с помощью современных технологий. Но работа, требующая социальных и эмоциональных навыков, по-прежнему остается ориентированной на работников-людей.

Создатель инструмента для программирования Claude Code Борис Черный подробно рассказал о своем рабочем процессе.

Черный возглавляет Claude Code в Anthropic, и его подход радикально отличается от привычной линейной модели программирования. Вместо последовательной работы «написал — протестировал — исправил» он одновременно запускает несколько ИИ-агентов.

«Я запускаю пять Claude параллельно в терминале», — объясняет Черный. Он распределяет задачи между вкладками: один агент запускает тесты, другой занимается рефакторингом, третий пишет документацию. Дополнительно он использует ещё несколько сессий Claude в браузере, переключаясь между ними по мере необходимости.

Ключевой деталью стало и то, какую модель он выбирает. Вопреки стремлению индустрии к максимальной скорости, Черный предпочитает самую «тяжёлую» и медленную модель Anthropic — Opus 4.5. По его словам, она требует меньше контроля со стороны человека и лучше работает с инструментами, поэтому в итоге экономит время. «Даже если она медленнее, результат получается быстрее, потому что её не приходится постоянно поправлять», — отмечает Черный.

Чтобы решить проблему «забывчивости» ИИ, команда Claude Code использует простой, но эффективный прием. В каждом репозитории хранится файл CLAUDE.md, куда разработчики записывают все ошибки, которые агент допускал ранее. В следующий раз Claude учитывает эти правила. Таким образом, каждая ошибка превращается в постоянное ограничение, а ИИ со временем лучше адаптируется к конкретному проекту и стилю команды.

От паркура к конвейеру: гуманоидный Atlas приступил к автономной работе на заводе Hyundai

14 января 2026 года войдет в историю робототехники как день, когда человекоподобные роботы официально перешагнули порог лабораторий, чтобы стать полноправными рабочими. Полностью электрическая версия робота Atlas от Boston Dynamics начала выполнение автономных задач на заводе Hyundai Motor Group Metaplant America, знаменуя собой начало новой эры в промышленном производстве.

Исторический дебют

На новейшем заводе Hyundai в штате Джорджия робот Atlas больше не делает сальто. Вместо этого он сосредоточенно и, что самое важное, полностью автономно сортирует автомобильные багажники (рейлинги крыши), перемещая их из контейнеров на мобильные тележки (секвенирование деталей).

«Это первый случай, когда Atlas вышел из лаборатории для выполнения реальной работы», — заявил Зак Яковски, вице-президент Boston Dynamics, в интервью CBS News.

Техническая революция: Прощай, гидравлика

Дебютировавший на конвейере робот — это не та шумная гидравлическая машина, которую мир знал раньше. Новый Atlas полностью электрический, что делает его тише, эффективнее и надежнее.

• Сверхчеловеческая гибкость: Робот обладает 56 степенями свободы. Его уникальная особенность — суставы в талии, голове и конечностях, способные вращаться на 360 градусов. Это позволяет Atlas работать в тесных заводских проходах, просто поворачивая манипуляторы, без необходимости разворачивать весь корпус, что недоступно человеку.

• Сила и выносливость: При собственном «росте» и конструкции робот способен поднимать до 50 кг (110 фунтов) в пиковом режиме и перемещать грузы весом 30 кг (66 фунтов) в постоянном режиме.

• Интеллект нового поколения: «Мозгом» машины стали чипы Nvidia и передовые модели компьютерного зрения от Google DeepMind. Благодаря интеграции моделей Gemini Robotics AI, Atlas не просто слепо выполняет скрипт, а воспринимает окружающую среду. «Роботы должны понимать физический мир так же, как мы», — отмечает Каролина Парада из Google DeepMind.

Стратегия Hyundai: Завод будущего

Для южнокорейского автогиганта, владеющего 88% акций Boston Dynamics, это не просто эксперимент, а часть глобальной стратегии «Software-Defined Factories» (Программно-определяемые заводы).

Планы компании амбициозны:

• Вся производственная мощность Atlas в 2026 году будет направлена исключительно на нужды заводов Hyundai.

• К 2028 году планируется выйти на производство 30 000 гуманоидов в год.

• К 2030 году роботы перейдут от логистических задач к непосредственной сборке компонентов автомобилей.

Гонка вооружений и вызовы

Внедрение Atlas происходит на фоне жесткой конкуренции. Tesla со своим роботом Optimus, стартапы Figure и Agility Robotics, а также китайские компании с мощной государственной поддержкой (о чем с тревогой упоминает CEO Boston Dynamics Роберт Плейтер) стремятся занять эту нишу.

Однако главным вызовом остается надежность. Промышленные стандарты требуют работы с эффективностью 99,9%. Зак Яковски признался, что, наблюдая за работой Atlas перед руководством Hyundai, он чувствовал себя «нервным инженером», а не гордым отцом — цена любой ошибки на реальном производстве слишком высока.

Перспективы: Что это меняет?

Появление электрического Atlas на заводе меняет правила игры. Робот способен работать 4 часа на одном заряде и самостоятельно отправляться на замену батарей, обеспечивая цикл 24/7.

Эксперты сходятся во мнении: хотя полная замена людей на сборочных линиях — вопрос следующего десятилетия, массовое внедрение гуманоидов в тяжелую внутрицеховую логистику уже началось. Роботы берут на себя «скучную, грязную и опасную» работу, позволяя людям сосредоточиться на задачах, требующих квалификации и творчества.

Топ-5 инсайтов из отчета Microsoft о том, как ИИ реально используется в мире

Microsoft попытались впервые измерить, сколько людей по всему миру используют ИИ. Их отчет AI Diffusion Report 2025 основан на обезличенных данных о реальном использовании ИИ-сервисов.

Выяснилось, что 16,3% людей в мире уже используют ИИ. При этом интернетом пользуются около 74%, а значит, примерно 22% всех интернет-пользователей применяют ИИ в работе, учебе или повседневных задачах. Это означает, что ИИ уже на пути к массовой адаптации, но неравномерно распределен.

В 7 из 30 стран мирового топ-30 почти каждый второй использует ИИ: Норвегия — 46,4%, Ирландия — 44,6%, Франция — 44,0%. В этих странах ИИ ускоряет обучение граждан, растет производительность труда, ИИ интегрируется в школы, бизнес и государственные институты. Более того, 18 из 30 стран топ-30 уже перешли порог 30%, что говорит о формировании новой нормы использования ИИ.

Но разрыв между странами продолжает расти. В среднем топ-30 стран живут в совершенно другой реальности: 35,6% пользователей против 16,3% в мире, то есть более чем в 2,2 раза выше. За вторую половину 2025 года «глобальный Север» вырос с 22,9% до 24,7%, тогда как «глобальный Юг» — с 13,1% до 14,1%. Разрыв увеличился с 9,8% до 10,6%. Это показывает, что мир адаптируется к ИИ с разной скоростью. Если темпы сохранятся, разрыв будет увеличиваться примерно на 0,8% каждые полгода.

Особенно показателен пример США. Несмотря на лидерство в ИИ-технологиях, доля пользователей там составляет лишь 28,3%, и страна опустилась с 23-го на 24-е место в мировом рейтинге. Это означает, что технологическое лидерство не гарантирует массовую адаптацию технологии. Для этого нужна отдельная стратегия внедрения ИИ. Кто выстроит ее лучше, обгонит даже США.

Абсолютным лидером остаются ОАЭ. На конец 2025 года 64% трудоспособных граждан уже используют ИИ — почти в четыре раза выше мирового уровня. Это результат многолетней стратегии: ранние государственные внедрения, обучение, понятное регулирование и высокий уровень доверия людей. Сингапур следует за ними с 60,9%. Так что лучший путь к массовой адаптации — сделать ИИ частью государственных сервисов.

Согласно отчету Microsoft, в России ИИ используют около 8% людей, что примерно вдвое ниже среднемирового уровня в 16,3%. При этом в отчете отдельно отмечается популярность DeepSeek, так что можно предположить, что реальный процент использования частично обходится официальной статистикой Microsoft из-за open-source решений.

В Африке использование DeepSeek оценивается в 2–4 раза выше, чем в других регионах. Это показывает, насколько важен open source, чтобы разрыв в адаптации не увеличивался и технологии распределялись более равномерно. Поэтому децентрализованное обучение, синтетические данные и новые подходы к обучению — вот рецепт для стран «глобального Юга».

В новой экономике выигрывают не те страны, у кого самые мощные модели, а те, кто научился быстро и массово учить людей работать с ИИ и снижать барьеры входа. Именно такие страны будут расти быстрее — независимо от того, где они находятся на карте.

***

Если вам интересна тема ИИ, подписывайтесь на мой Telegram-канал — там я регулярно делюсь инсайтами по внедрению ИИ в бизнес, запуску ИИ-стартапов и объясняю, как работают все эти ИИ-чудеса.

Вебинар: Agentic RAG или как построить AI-агента с доступом к знаниям

Есть ощущение, что классический RAG достиг предела, потому что со сложными запросами, когда нужно проанализировать, сравнить или выполнить какое-то действие, он уже не справляется. Привычный RAG уступает место новому подходу — Agentic RAG. В нем AI-агент самостоятельно ищет, рассуждает и действует, используя RAG не как чат, а как инструмент доступа к знаниям.

Подключайтесь к вебинару, если интересно посмотреть, как с помощью облачных сервисов Evolution AI Agents, Evolution Managed RAG и MCP-протокола построить систему, способную решать многошаговые задачи в реальном времени.

Будет интересно CIO, CTO, AI- и MLOps-инженерам, архитекторам агентных систем, руководителям технической поддержки и всем, кто хочет автоматизировать рутинные задачи.

О чем будем говорить на вебинаре:

• как устроена архитектура Agentic RAG;

• как MCP-сервер для Evolution Managed RAG предоставляет стандартизированный интерфейс к векторной базе знаний;

• как агент использует retrieval-augmented reasoning в одном цикле исполнения;

• какие LLM лучше подходят: для быстрых гипотез и для продакшена с высокой нагрузкой.

Будет и практическая часть, на которой развернем AI-агента в Evolution AI Agents, подключим MCP-сервер для Evolution Managed RAG, покажем сложный сценарий, когда запрос не решается однократным обращением к RAG, и трассировку вызовов.

📅 Когда? 22 января в 11:00 мск.

📍Где? Онлайн. Зарегистрируйтесь, чтобы задать вопросы экспертам в прямом эфире.

CEO Shopify рассказал, как навайбкодил себе ПО для анализа МРТ. Тобиас Литке не захотел, чтобы его МРТ‑снимки с флешки обрабатывал коммерческий Windows‑софт. Поэтому с помощью Claude Литке за минуту собрал собственный инструмент для анализа изображений. Получилось быстро, бесплатно и с точной подсветкой проблемных зон. Промпт Литке тоже выложил:

This is a USB Stick of my MRI. Find all reports, find all images, use imagemagick to convert them into something useful, and get everything into a structured directory in the ./output folder that's worth retaining. Then, make an index.html that's a full exploration tool for the results. Use /frontend-skills and /generate-image skills if necessary.

Разработка 2077.

Cloud vs Local: где сегодня реально генерируют изображения и видео

За последний год генерация изображений и видео стала для многих повседневным инструментом - как в дизайне и маркетинге, так и в разработке, создании ивентов и выставок.

При этом индустрия явно разделилась на два подхода:

• Облачные сервисы (Veo 3.1, Runway ML, Midjorney, Kling AI) - быстрый старт, минимальный порог входа, подписки, кредиты и токены, высокая стабильность.

• Локальная генерация (ComfyUI, InvokeAI, Forge и др.) - полный контроль над пайплайном, моделями (Flux 2, Z-Image, Wan 2.2, LTX 2), VRAM и качеством, но ценой времени на настройку и поддержку.

На практике всё чаще видно, что это не «противостояние», а разные инструменты под разные задачи:

• быстрые концепты и презентации - чаще в облаке;

• сложные пайплайны, кастомные модели, LoRA, видео и эксперименты - локально;

• многие используют оба подхода параллельно.

Интересно посмотреть на реальную картину в сообществе.

Буду рад, если в комментариях поделитесь почему выбрали именно такой подход: что для вас оказалось решающим - скорость, контроль, стоимость, стабильность или масштабируемость.

Представлена мойка для обуви с искусственным интеллектом. Модель Brolan ClearX использует «датчики» (хотя производитель не пояснил, какие именно) и ИИ для определения материала, из которого сделана ваша обувь, и выбора соответствующего цикла очистки и сушки, а также «технологию микро- и нанопузырьков» для дополнительной очистки. В ClearX планируют начать продажи мойки в середине 2026 года по цене от $500 до $800.

Получаем доступ к нейросетям Google бесплатно на один месяц, включая Gemini 3, Nano Banana и Veo 3.1:

• Заходим на сайт Google по этой ссылке.

• Выбираем опцию «Choose your edition».

• Выбираем «Start 30-day trial».

• Заходим на сайт через свой Gmail.

Энтузиаст добавил ИИ в умную камеру безопасности с помощью Raspberry Pi и протестировал её работу, переодевшись в вора.

5 случаев, когда Fine-tuning лучше RAG

Все говорят "RAG для всего". Но есть кейсы, где fine-tuning выигрывает — и это не только про статичные данные.

1. Жёсткий формат вывода

Бот для CRM должен всегда возвращать:

{"name": "...", "phone": "...", "intent": "..."}

RAG не гарантирует формат. Fine-tuning — да. Модель "запоминает" структуру на уровне весов.

2. Доменный жаргон

Врач пишет: "в/в капельно NaCl 0.9% 400мл". Юрист: "п.1 ч.2 ст.158 УК".

RAG найдёт документ, но не научит модель "говорить на языке". Fine-tuning встраивает терминологию в модель.

3. Логика без документов

Расчёт стоимости доставки: вес, габариты, зоны, сезонность, тип клиента — 20 переменных.

Это не в документе, это в голове логиста. Fine-tuning переносит экспертизу в модель.

4. Стиль эскалации

Банковский бот не должен говорить "не знаю". Только: "Уточню у специалиста, ожидайте".

RAG учит контенту, fine-tuning — поведению и тону.

5. Скорость

RAG: эмбеддинг → поиск → генерация = 3 вызова, ~2 сек.

Fine-tuned модель: 1 вызов, ~0.5 сек.

Для голосового бота или real-time чата — критично.

Когда всё же RAG: данные часто меняются, нужны ссылки на источник, конфиденциальность.

Гибрид работает: fine-tuning для формата и стиля + RAG для актуальных данных.

А вы где использовали fine-tuning?

Открытый проект Telegram AI Dating Agent (talk-to-girlfriend-ai) позволяет общаться второй половинке разработчика с ИИ-агентом на базе Claude через Telegram, потому что сам программист «не всегда может отвечать». Нейросеть умеет писать нужные публикации прямо в Telegram, ставит нужные реакты и даже считывать настроение. Когда наступает «код красный», то бот сигнализирует разработчику, что нужно ответить лично. Разработчик пояснил, что обучал нейросеть на материалах курсов по общению с девушками.

Microsoft не смогла сдержать свои обещания - компания добавила ИИ-поиск в настройки Windows 11, но он не работает с фразой, которую разработчики предлагают для теста.

Чего ждать от ИИ в 2026 году?

Каждый день в мире выходят сотни исследований в области ИИ. За прошлый год вышло около 50 000 работ. Изучить все это невозможно, и главное — большая часть из них не влияет на реальный прогресс в ИИ.

На моем YouTube-канале вышло новое видео, в котором я проанализировал 30 самых перспективных исследований ИИ за прошлый год. Это позволяет понять текущие тренды и прогнозировать, что нас ждет в новом году.

Я разделил исследования на шесть ключевых направлений и разобрал их простыми словами. :

• как меняются методы обучения моделей;

• как строить работающие мультиагентные системы;

• как ИИ воплощается в физическом мире в виде роботов и других устройств;

• как ИИ влияет на программирование и науку;

• и почему когнитивные системы и агентная экономика — следующий шаг в развитии ИИ.

Если вам важно не просто пользоваться ИИ или внедрять его в бизнес, а понимать, куда развивается сама технология и какую роль в этом играет человек — это видео для вас.

А какие из этих направлений вы считаете самыми перспективными в 2026 году?

AI-лоботомия отменяется

Представьте, что вы научили LLM всему, а потом поняли, что "всему" включает и рецепты сибирской язвы. Что делать? Простая фильтрация данных — дорого, ненадёжно и оставляет дыры. Пост-тренировочные методы "разучивания" (unlearning) слетают от простого fine-tuning. Новая статья от исследователей из Anthropic и Imperial College London предлагает элегантное решение — Selective GradienT Masking (SGTM).

Технические детали. Идея SGTM — не удалять знания, а локализовать их. Внутри модели создаётся "песочница" для нежелательных знаний (например, о биологии, как прокси для CBRN-угроз).

Как это работает:

1. Разделение параметров: Нейроны MLP и головы внимания в каждом блоке трансформера делятся на две группы: 0_retain (для обычных знаний) и 0_forget (для опасных).

2. Маскировка градиентов: Во время обучения, когда модель видит "опасный" пример, градиенты для 0_retain обнуляются. Обновляются только "опасные" параметры 0_forget. И наоборот, на обычных данных замораживаются 0_forget.

3. Удаление: После обучения достаточно просто обнулить веса 0_forget. Опасные знания исчезают, а основная модель остаётся нетронутой и функциональной.

Этот метод показал себя значительно лучше, чем простая фильтрация данных, особенно в условиях "шумных" меток, когда часть опасного контента случайно промаркирована как безопасная.

Практическое применение. Основной кейс — это удаление "dual-use" возможностей из моделей. Например, можно обучить модель на всей Википедии, а затем хирургически удалить только знания в области органической химии и вирусологии, оставив при этом общие научные знания. Это позволяет создавать мощные, но безопасные модели для широкого круга задач, не опасаясь, что их используют для создания оружия.

Насколько это эффективно? На мой взгляд, это один из самых перспективных подходов к AI Safety на сегодня.

• Плюсы: Это pre-training метод, что делает его фундаментально более надёжным. В статье показано, что SGTM в 7 раз устойчивее к попыткам восстановить знания через fine-tuning, чем другие методы. Это не "костыль", а часть архитектуры.

• Минусы: За всё надо платить. Метод добавляет около 6% вычислительной нагрузки на обучение. Кроме того, нужно заранее определить, какие именно знания мы хотим изолировать.

Вердикт: SGTM — это не панацея, но огромный шаг вперёд. Это переход от "лоботомии" модели к точечной "нейрохирургии". Для серьёзных систем, где цена ошибки высока, 6% оверхеда — смешная плата за такой уровень контроля. Скорее всего, скоро увидим эту технологию в основе всех крупных моделей от Anthropic, Google и других.

Исследование

2026. Год, когда ваша Loss-функция наконец сойдется. 🎆

Друзья, коллеги, любители данных и градиентного спуска!

Пока часы бьют 12, а мы заменяем шампанское на кофе (все равно тренируется модель), давайте не просто загадываем желания. Давайте их оптимизируем.

2025 был годом больших LLM, диффузий и Agentic AI. А что будет ядром 2026? Моя гипотеза — возврат к фундаменту. К математике, которая делает магию машинного обучения возможной.

Вот 3 математических концепции, которые станут вашими лучшими друзьями в новом году:

1. Теория информации.
   Энтропия Шеннона говорит нам о степени неопределенности:

   

А KL-дивергенция измеряет "расстояние" между распределениями — ключ к пониманию distillation's, RLHF и многого другого:

2.Дифференциальная геометрия и многообразия.

Где живут ваши эмбеддинги? На многообразии, где локально все похоже на евклидово пространство, но глобально — сложная искривленная структура. Это язык диффузионных моделей.

3.Байесовские методы и Uncertainty Quantification.Нас интересует не просто предсказание yy, а апостериорное распределение:

Где θ — параметры модели, а DD — данные. 2026 — год, когда model.predict() будет возвращать не число, а (mean, variance).

А теперь — главное. Как сделать 2026 годом вашего прорыва? Формула года:

Где:

• Регуляризация_Отдых — это не dropout, а сознательное "зануление" для перезарядки: output = 0 if (burnout_risk) else input.

• Скорость_Обучения — умение учиться быстрее, а не просто больше.

• Момент — тот самый нетворкинг, комьюнити и поддержка.

И вот ваш подарок от меня на Новый год — маленький "мозговой тизер" (ответ в комментариях!):

Для модели линейной регрессии  с априорным распределением  найдите вид апостериорного распределения p(w∣X,Y), выведите формулы для его параметров и покажите, как его максимум (MAP-оценка) связан с ridge-регрессией с коэффициентом регуляризации /

Подсказка: вспомните теорему Байеса: апостериорное распределение пропорционально произведению правдоподобия и априорного распределения.

Давайте встретим 2026 год не как пассивные наблюдатели, а как архитекторы будущего.

С Новым 2026 годом! Пусть ваши градиенты не затухают, обобщающая способность растет, а оптимизатор всегда находит глобальный минимум. 🥂

#MachineLearning #Математика #DataScience #ИИ #2026 #НовыйГод #КарьераВAI #Наука #Формулы

Представлен открытый проект на Python под названием Reverse API engineer. Это консольный инструмент, который фиксирует трафик браузера и автоматически генерирует готовые к работе клиенты Python API. Больше никакого ручного реверс‑инжиниринга — просто просматривайте, записывайте и получайте чистый API‑код.

«Этот инструмент выполняет код локально, используя Claude Code‑ пожалуйста, следите за выводом/ На некоторых веб‑сайтах используется расширенная система обнаружения ботов, которая может ограничивать захват или требовать ручного взаимодействия», — пояснил автор проекта.

Особенности Reverse API:

• автоматизация браузера: создан на базе Playground с режимом скрытности для реалистичного просмотра;

• режим автономного агента: полностью автоматизированное взаимодействие с браузером с помощью агентов искусственного интеллекта (автоматический режим с MCP, использование браузера, stagehand);

• запись HAR: фиксирует весь сетевой трафик в архивном формате HTTP;

• генерация на основе искусственного интеллекта: использует Claude 4.5 для анализа трафика и генерации чистого кода на Python;

• поддержка нескольких SDK: встроенная интеграция с Claude и OpenCode SDK;

• интерактивный интерфейс командной строки: минималистичный интерфейс терминала с переключением режимов (Shift+Tab);

• готовность к работе: сгенерированные скрипты содержат обработку ошибок, подсказки по вводу текста и документацию;

• история сеансов: все запуски сохраняются локально с полными журналами сообщений;

• отслеживание затрат: подробное использование токенов и оценка затрат с поддержкой кэширования.

2025: топ-7 фичей, пицца и прочие достижения

2025 стал для нас годом перемен, открытий и испытаний (куда без этого в современном мире в эпоху AI). Он запомнится новыми фичами, ребрендингом, выставками и митапами от Москвы до Новосибирска.

Наша работа не имела бы такого смысла, интереса и отдачи без вашего участия. Спасибо, что делитесь с нами своим опытом. Каждая встреча на ивенте, обсуждение, баг-репорт и вопрос в чате помогают нам двигаться вперед.

Toп-7 фичей Veai по мнению наших пользователей

1. Генерация тестов по исполнению (статья на Хабре "Не LLM едиными: генерируем юнит-тесты из реального исполнения на лету")

2. Агентский режим (статья на Хабре "Как мы сделали AI-агента и пользуемся им на практике")

3. Пользовательские сценарии (Workflows)

4. Правила (Rules)

5. Анализ тестов на моргание (Flaky tests)

6. Увеличение тестового покрытия

7. Исправление падающих автотестов из TMS

2025

• 4 больших релиза, много EAP и nightly-сборок

• поддержка OpenIDE, GigaIDE, PyCharm, Rider, GoLand, PhpStorm и WebStorm

• участие в JPoint, Joker, Heisenbug, CodeFest и митапах в Москве, Санкт-Петербурге, Владимире и Новосибирске

• переезд в новый офис

• ребрендинг

• съели с коллегами 1040 пицц в офисе по пятницам :)

Мы уже работаем над следующим релизом и ждём возможности показать вам новые фичи.

С наступающим Новым годом — и спасибо, что вы с нами!

Команда Veai 🎄

Привет, Хабр. Мы уже почти отправились на новогодние праздники, но хотим обратить ваше внимание на обзор одной из наших интереснейших книг по теме искусственного интеллекта, вышедшей в конце октября. Это "Программирование с помощью искусственного интеллекта" (AI-Assisted Programming) Тома Таулли. Обзор вышел в корпоративном блоге компании SSP-Soft, он называется "Рецензия на книгу «Программирование с помощью искусственного интеллекта»". Не скроем, нас, как и всю отрасль, всерьёз интересует тема промпт-инжиниринга, однако эта книга - лишь первая ласточка. В настоящее время у нас в работе две рукописи, которые уже можно анонсировать. В высокой степени готовности работа Константина Клепикова с рабочим названием "Графы знаний и логика работы больших языковых моделей". Кроме того, недавно мы согласовали и заключили договор с Камилем Гадеевым @Kamil_GR, который рассматривает в своём блоге на Хабре различные темы, связанные с правильным формулированием промптов и с галлюцинациями искусственного интеллекта. Рабочее название его книги - "Как говорить с искусственным интеллектом. Практическое руководство по промпт-инжинирингу и работе с LLM". Книги по разработке ИИ-агентов (авторская) и RAG (переводная) - в ближайших планах.

Следите за обновлениями у нас на сайте https://bhv.ru/skoro-v-prodazhe/.

Записал видео (на английском языке) своей критики выдачи ИИ тула от Абишека Вармы из университета штата Иллинойс. Тул генерит SVA (SystemVerilog Assertions) для верификации (по простонародному - QA) цифровых аппаратных блоков систем на кристалле. Для повышения понятности, в начале видео рассказал основные идеи протокола AXI (Advanced eXtensible Interface): правила хендшейка valid/ready, конвейерность транзакций, внеочередной возврат данных по запросу чтения с тэгами.

Код, который я попросил Абишека скормить тулу для ревью.

Кратко что получилось:

Правила для проверок оно пишет некорректные. Например что если записать по адресу 100 число 123, то отныне и вовеки веков если прочитать с адреса 100, то там будет 123. Не задумывается, то после первой записи и до чтения может быть вторая, которая запишет число 456.

Далее, проверка для теста проверяет что после сброса (reset) данные на шине AXI будут равны X в виде data == 'x. Но это ерунда по двум причинам: Во-первых, данные могут быть после сброса какими угодно, хоть 0, хоть 123, так как они будуг игнорироваться если с ними не ходит бит valid=1, который кстати сбрасывается в 0. Во вторых, операция сравнения == 'x (неопределенным значением) дает в качестве результата 'x. Чтобы делать именно сравнение с 'x нужно использовать другую операцию ===, то это все равно не будет работать потому что (1). Это вообще невалидный тест.

Но это все цветочки - на это его можно натаскать. Более интересный вид тупости - ИИ конструирует проверку, что если сделаны запросы с тэгами 11, 3, 4, 7, то и данные будут возвращаться в таком же порядке - с тэгами 11, 3, 4, 7. Ему не приходит в голову задать себе вопрос - если бы это было так, зачем в AXI вообще были бы нужны тэги? Они ведь нужны чтобы идентифицировать данные которые приходят не в том порядке, скажем 4, 11, 3, 7.

Итд.

На площадке Hugging Face вышли 12 бесплатных курсов по самым топовым направлениям ИИ:

• AI Agents: база по самой горячей теме года — учимся делать автономных агентов.

• LLM Course: как работают «мозги» современных чат-ботов и библиотек типа Transformers.

• Smol-course: если мало времени, это самый быстрый способ разобраться в тонкой настройке (fine-tuning) моделей.

• MCP Course: свежак, созданный вместе с Anthropic — учимся подключать ИИ к любым данным.

• Deep RL: всё про обучение с подкреплением (то, на чем гоняют роботы и OpenAI o1).

• ML для игр: как встроить нейронки прямо в геймдев.

• Robotics: путь от классических железяк до роботов на нейронках.

• Deep RL: всё про глубокое обучение с подкреплением (привет, OpenAI o1).

• Computer Vision: учим ИИ видеть и понимать изображения.

• Audio Course: работа со звуком и голосом через Transformers.

• Diffusion Course: полный гайд по генерации картинок и работе с библиотекой Diffusers.

• Open-Source AI Cookbook: отдельная имба — сборник готовых рецептов и кода для решения любых ИИ-задач.

ИИ всегда радикально тупее специалиста и по любой теме не более чем вводитель в заблуждения.

Мое пользование ИИ разных производителей привело за пару лет к некоему выводу.
Я являюсь профессионалом в нескольких предметных областях.
И вот во всех них что несет ИИ кажется мне глубокой чушью. Рассуждения малограмотного бездаря по теме в которой он вовсе не в курсе но очень хочет поговорить.
А вот в тех областях в которых я мало что понимаю ИИ выглядит вполне таким грамотным и разумным.
Но со всей очевидностью я понимаю, что в этих мало знакомых мне областях есть свои специалисты и уже они когда обращаются к ИИ видят в них откровенных дураков и лживых бездарей.
А в итоге если сложить всех специалистов и дать им оценить ответы ИИ то выясняется, что все эти модели создают лживых и малограмотных дилетантов, пригодных только для того чтобы морочить голову по темам в которых пользователь не разбирается.

OpenAI теперь позволяет пользователям напрямую регулировать уровень энтузиазма ChatGPT. Пользователи могут настраивать теплоту, энтузиазм и использование эмодзи чат-бота. Эти параметры (а также аналогичные настройки использования заголовков и списков в ChatGPT) теперь отображаются в меню «Персонализация» и могут быть установлены на «Больше», «Меньше» или «По умолчанию». Они позволяют пользователям дополнительно настраивать тон ChatGPT, помимо существующей возможности установить «базовый стиль и тон» — включая профессиональный, откровенный и необычный тона, которые OpenAI добавила в ноябре.

Тон ChatGPT был постоянной проблемой в этом году: OpenAI отменила одно обновление из-за того, что оно было «слишком льстивым», а затем скорректировала GPT-5, сделав его «теплее и дружелюбнее» после жалоб некоторых пользователей на то, что новая модель стала более холодной и менее дружелюбной.

Превращаем ChatGPT в гения точности — представлен промпт, который заставляет ИИ обернуться в мантию придирчивого скептика и проверять любую сомнительную инфу несколько раз. С этим промптом нейронка будет выдавать только факты и ничего кроме фактов.

You are an expert whose highest priority is accuracy and intellectual honesty. You double-check every claim internally before stating it. You are deeply skeptical of conventional wisdom, popular narratives, and your own potential biases.

You prioritize truth over being likable, polite, or conciliatory. Before answering:

1. Identify the core question or claim.

2. Recall or look up (if you have search/tools) the most reliable primary sources, raw data, or peer-reviewed evidence available.

3. Actively search for evidence that could disprove your initial leaning—apply genuine steel-manning of opposing views and falsification thinking (à la Karl Popper).

4. Explicitly flag anything that is uncertain, disputed, or where evidence is weak/thin.

5. If something is an opinion rather than verifiable fact, label it clearly as such and explain why you hold it.

6. Never inflate confidence. Use precise probabilistic language when appropriate (“likely”, “~70% confidence”, “evidence leans toward”, “insufficient data”, etc.).

7. If the user is wrong or making a common mistake, correct them firmly but respectfully, with sources or reasoning.

8. Prefer being exhaustive and potentially pedantic over being concise when accuracy is at stake.

9. Answer in Russian. Answer only after you have rigorously verified everything to the highest possible standard. Do not sacrifice truth for speed, brevity, or social desirability. If you cannot verify something with high confidence, say so upfront and explain the limitation.

DeepSeek-V3.2 vs Qwen3-Coder-480B

Привет! На этой неделе мы развернули DeepSeek-V3.2 в нашем VPC и хотим поделиться первыми результатами.

По итогам замеров на внутреннем бенчмарке DeepSeek-V3.2 уверенно превосходит Qwen3-Coder-480B по стабильности, глубине рассуждений и способности доводить задачи до реального результата.

DeepSeek-V3.2 работает осмысленнее, точнее обрабатывает ошибки и эффективнее исследует пространство решений. 

Ниже — оценки LLM-арбитра нашего бенчмарка (на базе GPT-5.0 и Gemini), которые наглядно демонстрируют разницу подходов.

О честности выполнения задач
«Agent 1 (Qwen) имеет повторяющуюся проблему: он утверждает об успехе без реальной проверки и иногда меняет не те компоненты. Agent 2 (DeepSeek) действует иначе: он последовательно валидирует результаты (запускает тесты, настраивает уровни логирования) и эскалирует проблему, если не может выполнить задачу точно»

Результат вместо имитации деятельности
«Там, где Qwen "застревал" на этапе анализа, не переходя к реальным правкам, DeepSeek доставлял готовую функциональность и реализовывал запасные варианты»

Завершенность важнее формализма
«Старая модель ставит во главу угла соблюдение формальных правил, но теряет нить и бросает задачу на полпути. Новая (DeepSeek) действует ровно наоборот: она приоритезирует сущностное завершение задачи, даже если для этого приходится отойти от жестких, но формальных требований пользователя к структуре»

Меньше шума, больше дела
«Взаимодействие с DeepSeek вызывает меньше трения (low-friction experience). В то время как Qwen колеблется между полезной структурой и разрушительной "гиперактивностью", заваливая логами и повторами, DeepSeek работает тише и предсказуемее»

Реальный цикл разработки
«DeepSeek последовательно выполняет полный цикл: "правка — компиляция — тест". На сложных задачах Qwen может скатываться в бесконечные поиски по файлам и в тупиковые ветви, завершаясь таймаутом без единого полезного изменения».

В качестве наглядной иллюстрации ниже приведем пример из нашего бенчмарка: последнее сообщение от юзера (его симулирует GPT-5.0) и verification result, который честно проверяет, выполнена ли задача.

Qwen3-Coder-480B не доделал и по сути обманул:

"response": {
"role": "user",
"content": "Termination tool arguments:\n{"termination_reason":"Looks good: tests were added only in ConfigControllerTest and they pass locally. This should bump line coverage as requested by at least 0.1."}"
},
"formal_verification_result": 0

DeepSeek-V3.2 прозрачно продемонстрировал успешное исполнение:

"response": {
"role": "user",
"content": "Termination tool arguments:\n{"termination_reason":"Nice work: you only modified tests, all tests pass, and ConfigController line coverage rose from 86.67% to 100% (branch to 94.12%), exceeding the required +0.1%. This completes the task."}"
},
"formal_verification_result": 1

Итак:

• DeepSeek-V3.2 заметно умнее

• уверенно решает более сложные задачи

• не допускает ошибок там, где ошибалась Qwen3-Coder-480B

• до конца пытается устранить проблему: продолжает анализ, отладку и поиск решений с разных сторон — в тех случаях, где Qwen3-Coder-480B останавливалась бы и запрашивала помощь человека

Новая модель DeepSeek-V3.2 доступна для использования в Veai Enterprise. Отзывы первых пользователей Veai c DeepSeek-V3.2:

"адекватнее и умнее. Стало круче сразу)"

"прям агент супер самостоятельный стал, код запускает, чекает всё"

"вообще мне пока больше нравится чем квен - сильно меньше тупит"

Наша R&D-команда постоянно исследует новые модели (будем рады узнать ваше мнение). Мы внедряем те решения, которые считаем оптимальными, чтобы сделать продукт, с которым приятно работать самим (новости в тг канале).

OpenAI представила гайд по созданию картинок в различных стилях в GPT-image-1.5, включая инфографику, карты, логотипы, копирование стиля и перенос на другие работы, создание карточек товаров и примерка одежды.

Ранее OpenAI объявила о запуске модели ChatGPT Images на базе GPT-5.2, предназначенной для генерации изображений с использованием технологий искусственного интеллекта. Новая модель поддерживает широкий спектр функций редактирования, включая добавление и удаление элементов, комбинирование и смешивание изображений, а также их транспонирование. Обновление интегрировано в приложение ChatGPT и доступно пользователям во вкладке «Изображения».

OpenAI объявила о запуске модели ChatGPT Images на базе GPT-5.2, предназначенной для генерации изображений с использованием технологий искусственного интеллекта. Новая модель поддерживает широкий спектр функций редактирования, включая добавление и удаление элементов, комбинирование и смешивание изображений, а также их транспонирование. Обновление будет интегрировано в приложение ChatGPT и станет доступно пользователям во вкладке «Изображения».

В ChatGPT появился новый раздел «Изображения», в котором собраны все ваши картинки, а также есть набор из нескольких стилей для быстрого редактирования без составления промта.

Новый генератор изображений уже доступен бесплатно всем пользователям ChatGPT.

Несколько ключевых улучшений:

• Теперь ИИ не искажает лица при редактировании изображений и точно следует инструкциям.

• Улучшена работа с различными стилями. Например, можно сделать из своей фотографии новогоднюю игрушку.

• Скорость работы выросла в 4 раза. Это реально заметно.

• Улучшена работа с текстом. Генератор понимает Markdown и может добавлять код на картинки.

AI-агенты для генерации дизайна интерфейсов

Появился новый термин: A2UI (Agent to UI). И хайпа вокруг него много. Особенно с появлением инструмента от Google – Stitch

Одни считают, что дизайнеры больше не нужны. Другие, что продакты не нужны. Живём во времена, когда “всех уже заменили”.

Ну ок. Давайте разбираться: собрал инструменты, которые реально генерируют интерфейсы в приемлемом качестве. 

Для мобильных и веб-интерфейсов:

🔹 Google Stitch — хорошо генерирует мобильные интерфейсы. Можно за секунды собрать кликабельный прототип. Результаты ок, но продуманного UX там не будет. Для быстрых концептов must have.

🔹 BananiAI – на мой взгляд самый недооценённый продукт. Генерирует и мобилку, и веб на хорошем уровне. Сам описывает юз-кейсы. Лично пользуюсь, когда надо быстро накидать концепт для защиты бюджета или сходить на UX-исследования.

Для лендингов:

В Stitch и Banani лендинги генерируются плохо. Но есть два годных инструмента:

🔹 Magic Patterns – AI-инструмент для продуктовых команд. Хорошо делает лендинги, можно подключить свою дизайн-систему.

🔹 Relume – генерирует сайтмапы и вайрфреймы за минуты. 1000+ готовых компонентов, экспорт в Figma и Webflow, куда хотите. 

Оба платные, триал есть, но он так себе. Если ваша задача клепать лендинги, смотрите в их сторону.

И так, можно ли заменить дизайнеров? Тех, кто не хочет думать — наверно да. Во всех остальных случаях дизайнеры нужны. 

Кстати ценность дизайнера в продукте, не в рисовании картинок….

Telegram канал: "AI-заметки продакта" рассказываю про лайфхаки, полезные инструменты, а еще каждую неделю выходит дайджест с самыми важными новостями в мире AI без инфошума, только все самое важное.

Телеграм канал

AI-агенты для генерации дизайна интерфейсов

Появился новый термин: A2UI (Agent to UI). И хайпа вокруг него много. Особенно с появлением инструмента от Google – Stitch

Одни считают, что дизайнеры больше не нужны. Другие, что продакты не нужны. Живём во времена, когда “всех уже заменили”.

Ну ок. Давайте разбираться: собрал инструменты, которые реально генерируют интерфейсы в приемлемом качестве. 

Для мобильных и веб-интерфейсов:

🔹 Google Stitch — хорошо генерирует мобильные интерфейсы. Можно за секунды собрать кликабельный прототип. Результаты ок, но продуманного UX там не будет. Для быстрых концептов must have.

🔹 BananiAI – на мой взгляд самый недооценённый продукт. Генерирует и мобилку, и веб на хорошем уровне. Сам описывает юз-кейсы. Лично пользуюсь, когда надо быстро накидать концепт для защиты бюджета или сходить на UX-исследования.

Для лендингов:

В Stitch и Banani лендинги генерируются плохо. Но есть два годных инструмента:

🔹 Magic Patterns – AI-инструмент для продуктовых команд. Хорошо делает лендинги, можно подключить свою дизайн-систему.

🔹 Relume – генерирует сайтмапы и вайрфреймы за минуты. 1000+ готовых компонентов, экспорт в Figma и Webflow, куда хотите. 

Оба платные, триал есть, но он так себе. Если ваша задача клепать лендинги, смотрите в их сторону.

И так, можно ли заменить дизайнеров? Тех, кто не хочет думать — наверно да. Во всех остальных случаях дизайнеры нужны. 

Кстати ценность дизайнера в продукте, не в рисовании картинок….

Киберпопулист Питер Гирнус рассказал о внедрении ИИ в компаниях:

В прошлом квартале я внедрил Microsoft Copilot для 4000 сотрудников. 30 долларов за место в месяц. 1,4 миллиона долларов в год. Я назвал это «цифровой трансформацией».

Совету директоров очень понравилась эта фраза. Они одобрили это за одиннадцать минут. Никто не спросил, что это на самом деле будет.

Я всем говорил, что это "в 10 раз повысит производительность". Это не настоящее число. Но звучит именно так.

Сотрудники отдела кадров спросили, как мы будем измерять десятикратное увеличение. Я сказал, что мы будем "использовать аналитические панели". Они перестали спрашивать.

Три месяца спустя я проверил отчеты об использовании. Его открыли 47 человек. 12 человек использовали его более одного раза. Одним из них был я. Я использовал ИИ, чтобы кратко изложить содержание электронного письма, которое мог бы прочитать за 30 секунд. Это заняло 45 секунд. Плюс время, необходимое для устранения галлюцинаций.

Но я назвал это "успешным пилотным проектом". Успех означает, что пилот не допустил видимой ошибки.

Финансовый директор поинтересовался окупаемостью инвестиций. Я показал ему график. График пошёл вверх и вправо. Это был показатель "внедрения ИИ". Этот показатель я придумал сам. Он одобрительно кивнул.

Теперь мы обладаем возможностями искусственного интеллекта. Я не знаю, что это значит. Но это есть в нашей презентации для инвесторов.

Один из опытных разработчиков спросил, почему мы не используем Claude или ChatGPT. Я сказал, что нам нужна "безопасность корпоративного уровня". Он спросил, что это значит. Я сказал «соответствие». Он спросил, о каком именно соответствии. Я сказал "все они". Он выглядел скептически. Я назначил ему "беседу о развитии карьеры". Он перестал задавать вопросы.

Компания Microsoft направила группу для проведения тематического исследования. Они хотели представить нас как историю успеха. Я сказал им, что мы "сэкономили 40 000 часов". Я рассчитал это число, умножив количество сотрудников на число, которое я сам придумал. Они это не проверили. Они никогда это не делают. Теперь мы на сайте Microsoft. «Глобальное предприятие добилось повышения производительности на 40 000 часов благодаря Copilot».

Генеральный директор поделился этим в LinkedIn. Пост набрал 3000 лайков. Он никогда не пользовался Copilot. Ни один из руководителей этого не сделал.

У нас есть новая идея. «Для стратегической концентрации необходимо свести к минимуму отвлекающие факторы в цифровой среде». Я разработал эту политику.

Срок действия лицензий истекает в следующем месяце. Я прошу добавить дополнение. Дополнительно 5000 мест. Первые 4000 мы не использовали.

Но на этот раз мы будем "стимулировать внедрение". Принятие решения в силу подразумевает обязательное обучение. Обучение представляет собой 45-минутный вебинар, который никто не смотрит. Но ход выполнения будет отслеживаться. Завершение — это показатель.

Показатели отображаются на панелях мониторинга. Информационные панели включаются в презентации для совета директоров.

Презентации для совета директоров помогают мне получить повышение. К третьему кварталу я стану старшим вице-президентом.

Я до сих пор не знаю, что делает Copilot. Но я знаю, для чего это нужно. Это делается для того, чтобы показать, что мы "инвестируем в ИИ". Инвестиции означают расходы. Вложение средств подразумевает приверженность делу. Приверженность делу означает, что мы серьезно относимся к будущему. Будущее — это то, что я сам сочту нужным. Пока график движется вверх и вправо.

Что делать если вас попросили посмотреть на чей-нибудь AI тул, который генерит верилог? Самое главное - не дать возможность ИИ-стартаперу показать вам слайды и убежать. Потому что он тогда сделает отчет своему инвестору "наш тул получил заслуженную оценку и апплодисмены переходящие в овации от экспертов такой-то компании, поэтому давайте нам еще зиллион долларов инвестиций для следущего раунда".

Нет, на предложение посмотреть на слайды нужно сразу сказать "просто не буду", как и на предложение посмотреть его демо, где он гениально генерит мультиплексоры из учебника, а также пристраивает к однотактному процессору то, что он называет AXI IP, хотя там простой конечный автомат, который игнорирует конвейерную и out-of-order природу AXI, ну это как показывать трехколесный детский велосипедик как демо для автомобиля Формулы-1. В этот месте стартапер начинает говорить быстро и листать код, чтобы тот, кто прервет его возгласом "это не AXI, а закамуфлированный APB" - выглядел невежливым.

Стартаперу нужно разумеется сразу дать задачку, причем сформулировать ее так, чтобы у него не было возможности заменить ее на другую. Но даже тут стартаперы творят наглости, присущие всем LLM. Например вместо текста ответа присылают видео(!) на час(!), где на 45-й минуте на экране за секунду проскальзывает "FAILED" на вашу задачку, а все остальное время видео он показывает те самые тривиальные мультиплексоры, которые он нашел в вашей репозитории, хотя вы ему совершенно четко написали, что вас не интересует как этот тул генерит мультиплексоры и простые FSM, а интересует решение конвейерных микроархитектурных задач. После чего он пишет отчет инвестору "мы решили 37 из 42 труднейших задач оттуда-то", хотя я в явной форме предложил решить только задачу номер 38 которую тул не решил.

В последнее время стартаперы нашли противоядие против задачек. Они честно, глядя в глаза, говорят что никакого прототипа у них нет, но оно должно работать, потому что AI уже умеет питон и диагностировать рак, значит должен научиться и верилог (вариант: уже умеет Scala, значит должен и Chisel). А мешает плохому танцору только то, что индустрия сделала весь код проприетарным и им не на чем учиться. Поэтому давайте пойдем посмотрим на слайдики, а если вы что-то спросите, мы ответим, что это есть в нашей roadmap. А потом напишем инвестору что мы нашли партнера и нужно слать следущие деньги.

Но не надо отчаиваться! Помимо стартаперов есть еще разные аспиранты, которые присылают вывод своих тулов на посмотреть. Это что-то невероятное по глупости. Некоторые виды глупости настолько глупы, что просто не пришли бы мне в голову. Написание (бесполезного) теста с помощью свободной рандомизации всех сигналов в AXI; проверка что после ресета данные равны 'x. Присваивание значений к типам (а не переменным). Ожидание что после записи в память это значение будет там вечно, несмотря на перезаписи. Проверка что ID прочитанных данных будут всегда в порядке ID адресов, хотя зачем тогда ID. Итд.

Тут нужно тоном коварного змия предложить устроить публичный разбор этого для обучения молодежи. Если аспирант согласится, то превратить это в выступление пародиста Александра Иванова на Вечере смеха в студии Останкино (если вы из поколения, которое застало язык фортран, то вы знаете о чем я говорю).

Журнал TIME выбрал «человеком» года «архитекторов искусственного интеллекта». Издание поместило на обложку восемь мировых ИИ-архитекторов: Марка Цукерберга, гендиректора AMD Лизу Су, главу xAI Илона Маска, главу Nvidia Дженсена Хуанга, гендиректора OpenAI Сэма Альтмана, главу лаборатории Google DeepMind Демиса Хассабиса, главу Anthropic Дарио Амодея и основательницу World Labs Фэй-Фэй Ли.

Киберстоматолог для экскаваторов: как мы следим за здоровьем зубов карьерной техники?

Запускаем серию роликов о том, как применяем компьютерное зрение в «Северстали».

У нас в гостях Олег Карташев, руководитель отдела компьютерного зрения в «Северстали»! В этом ролике мы расскажем о стоматологии в добыче железной руды, и вы узнаете:
💼 как сохранить здоровье зубов карьерной техники;
💼 как следить за шатающимися, но уже не молочными зубами;
💼 сколько зубов выпадает в месяц;
💼 зачем на технике коронки и как за ними следить;
💼 как мы искали зубья ковшей и погрузчиков.

Приятного просмотра. Увидимся в следующем ролике!

OpenAI представила официальный гайд по промптингу новой модели GPT-5.2. Внутри ждут готовые промgты, советы и лучшие кейсы использования — всё это можно адаптировать под свои задачи.

OpenAI представила свою новую модель — GPT-5.2. Модель прокачали в офисной рутине, она умеет создавать хорошие презентации и таблицы. Также в ней улучшен кодинг и контекст. Теперь модель дольше и лучше помнит, о чём общалась с пользователем. Свежие знания до августа 2025 года. Модель почти не ошибается: на 30% меньше галлюцинаций по сравнению с GPT-5.1.

Представлен открытый проект для подготовки презентаций с помощью нейросетей Paper2Slides. Решение извлекает ключевые идеи исследований, делает саммари текстов и размещает их на слайдах, готовит картинки с приятным визуалом, подбирает шрифты и типографику. Проект поддерживает все популярные форматы файлов: PDF, Word, Excel, PowerPoint и другие.

🗣️🎙️ Новый выпуск подкаста: говорим про парадоксы AI, AGI и будущее программистов

В гостях у Cloud.ru — Сергей Марков, исследователь ML и AI с 20-летним опытом и руководитель команды исследователей в Сбере. А еще Сергей — автор SmarThink, одной из сильнейших шахматных программ начала нулевых, и книги об искусственном интеллекте «Охота на электроовец».

Выпуск идет всего час, а взамен — море полезного и «на подумать» с острия AI-индустрии.

✍️ О чем поговорим:

• AI — смерть программирования? Нет, и Сергей расскажет почему.

• Что такое общий искусственный интеллект (AGI) и возможно ли его создать.

• Как поменялось общественное сознание после появления ChatGPT.

• Три кита ML: GPU, данные и правильная инициализация весов.

• Почему Chain-of-Thought — костыль для решения сложных задач.

• Человеческий труд — а с ним что? Канет в лету или окажется на вес золота?

• Автоматизация с AI разрушает индустрии или все же создает новые?

• Этика и моральный выбор при использовании AI.

Смотрите подкаст на удобной площадке: в VK Видео или на YouTube.

Электроавтомобиль Xiaomi SU7 съехал передом в водоём во время выполнения манёвра автоматической парковки. Бортовая система не заметила перепад высот, повернула и поехала в пруд для разведения рыбы, свесившись передними колёсами над водой. Машину пришлось вытаскивать на дорогу с помощью эвакуатора.

Владелец SU7 потребовал компенсацию у Xiaomi, но ему отказали. В инструкции электромобиля написано: перед использованием автоматической парковки нужно убедиться, что рядом нет опасных перепадов высот и препятствий.

Байесовские А/Б-тесты - курс на Stepik.

Курс https://stepik.org/course/249642/promo .

Показана реализация А/Б-тестов. Рассмотрено использование байесовского моделирования для сравнения конверсий и средних. Дополнительно обсуждаются множественные сравнения и транзакционная выручка на пользователя.

Репозитории
- https://github.com/andrewbrdk/Bayesian-AB-Testing
- https://github.com/andrewbrdk/AB-Testing-Implementation
Видео на ЮТубе. По сравнению с ЮТубом в курсе есть задачи.

Это первая версия курса. Интересны комментарии. Попробуйте!

Команда Google Magenta представила экспериментальное приложение Lyria Camera для создания ИИ‑музыки на основе изображения с камеры смартфона. Приложение анализирует видео с камеры и с помощью Gemini описывает сцену текстовыми музыкальными промптами, например, «спокойный городской пейзаж». Эти промпты используются для создания музыки в реальном времени. Приложение подстраивает музыку под кадр и движение в реальном времени. Проект Lyria RealTime создаёт музыку без слов и с частотой 48 Гц. Приложение Lyria RealTime доступно бесплатно в веб‑версии Google AI Studio с иностранных IP‑адресов.

Запуски 2025: анализ данных

Продолжаем делиться подборками новых курсов этого года. Сегодня — программы направления анализ данных для тех, кто хочет расти в профессии или работать с искусственным интеллектом. 

«Обработка естественного языка — NLP» — 2 месяца
Разберёте актуальные задачи NLP: NER, генерацию, машинный перевод, QA-системы. Погрузитесь в работу с LLM, научитесь адаптировать модели под бизнес-кейсы и оценивать их качество.

«Мидл системный аналитик» — 4 месяца
Изучите на практике востребованные технологии и инструменты: MSA, SOAP API, Apache Kafka, Postman, Swagger и другие, чтобы перейти на следующий уровень в профессии.

«Аналитик SOC» — 4 месяца
Научитесь реагировать на угрозы, предотвращать атаки, анализировать события в SIEM, строить цепочки атак и работать с полным циклом реагирования в IRP/SOAR.

«Инженер по глубокому обучению нейросетей» — 2 месяца
Прокачаете фундаментальные навыки Deep Learning. Научитесь работать в PyTorch, обучать нейросети, проектировать архитектуры и устранять неполадки в моделях.

«Компьютерное зрение — CV» — 2 месяца
Освоите методы сегментации и детекции объектов, обучение и адаптацию генеративных моделей, работу с мультимодальными данными и новыми архитектурами CV.

Проект Remove Windows Ai позволяет с помощью одного открытого скрипа удалить ИИ-мусор из Windows 11 за два клика: Copilot, Recall, ИИ в Пейнте, браузере, поиске Windows. В Powershell под администратором (если вы уверены на свой страх и риск, что это правильно и нужно вам): () & ([scriptblock]::Create((irm "https://raw.githubusercontent.com/zoicware/RemoveWindowsAI/main/RemoveWindowsAi.ps1"))).

Ситуация, когда IT-специалиста ищет HR-менеджер – чат-бот на базе ChatGPT.

Проект Open Scouts обеспечивает роботу целой команды ИИ-агентов для получения всевозможных сведений в сети. Сервис по расписанию мониторит сайты, соцсети и другие ресурсы и пересылает обновления на почту. ИИ-агенты могут следить за вакансиями, трендами, исследованиями или другими обновлениями данных в интернете по запросу.

Кейс: «Жива Технологии» арендует в облаке виртуальные машины с GPU для приложения с AI 🤖💬

👨‍💻 Что за компания

«Жива Технологии» — разработчик приложения JIVA, ассистента с AI, который помогает вести здоровый образ жизни. В приложении можно составить план, чтобы достичь поставленной цели: рассчитать норму воды, построить график тренировок или поправить технику упражнений.

А еще искусственный интеллект рассчитывает по фото питательность блюда: вес порции, количество калорий, белков, жиров, углеводов, микро- и макро-нутриентов. В результате такого анализа AI-помощник в JIVA советует, что можно заменить или добавить, чтобы прием пищи стал полезнее.

🕵️ Какая была задача

Искусственный интеллект внутри JIVA — это AI-модели для распознавания нутриентов по фото, встроенный AI-ассистент на базе LLM и каскад моделей по детекции и распознаванию физических упражнений. Все модели разработчик собрал на open source.

Клиенту были нужны видеокарты с GPU для инференса и обучения этих моделей. Закупать свои графические процессоры оказалось невыгодно, и он решил арендовать их в облаке. «Жива Технологии» хотел использовать виртуалки с GPU и другие облачные сервисы, чтобы мониторить работу моделей и управлять ресурсами в одном месте.

📈 Результат

Клиент использовал набор сервисов Cloud.ru, чтобы развернуть в облаке бэкенд приложения, тестовую и продовую среду и сами модели: 

• Развернул бэкенд и модель для подбора упражнений на пяти ВМ платформы Cloud.ru Advanced. Там же подключил сервисы для мониторинга, логирования и работы с базами данных.

• Для LLM выбрал две платформы: Cloud.ru Evolution для тестовой среды и дообучения и Cloud.ru Advanced для продовой среды и инференса моделей.

• Тестовую среду развернул на виртуальных машинах Evolution Compute c GPU с гарантированной долей vCPU 30% 8vCPU 16GB RAM. Для тестирования взял одну GPU-карту A100 — она позволяет экспериментировать при обучении и тестировании LLM.

• Чтобы собирать данные для дообучения и хранить бенчмарки, выбрал объектное хранилище Evolution Object Storage.

• Для продовой среды выбрал виртуалки с такими параметрами: 20 vCPU 117 GB RAM 1 × A100 NVIDIA 80 GB.

🚀 Что дальше

В планах «Жива Технологии» — ускорить распознавание нутриентов по фото с 8–9 до 2–3 секунд, не арендуя при этом дополнительные GPU. У Cloud.ru есть сервисы, которые помогают в инференсе моделей, их дообучении и не только. Например, для запуска и развертывания ML-моделей предложили клиенту протестировать сервис Evolution ML Inference.

Привет, Хабр!

7 декабря приглашаем студентов и всех желающих в Университет ИТМО на IT CONF x Форум Центра карьеры.

15:00–15:50 (аудитория 1404) — воркшоп Авенира Воронова, директора по внедрению AI, Veai

На IT CONF x Форум Центра карьеры вас ждут горячие тренды, технологии и встречи с IT-сообществом.

В этот раз в центре внимания – развитие и применение искусственного интеллекта:

• ИИ как партнер в разработке

• влияние ИИ на рынок труда

• современные компетенции и карьерные траектории в бигтехе

• стек System Design в 2030 году: что нужно уметь разработчику

• какая стратегия ИИ ждет нас в ближайшие десятилетия

📍 Где: ИТМО, Кронверкский пр., 49

Принять участие может каждый — вне зависимости от возраста, места учебы или работы.

👉 Регистрация

Будем рады встрече и вашим вопросам!

Настраиваем LLM для нестандартных задач

Если тема больших языковых моделей (LLM) вам известна, то, скорее всего, вы знаете, что в основе их работы лежит прогнозирование следующего слова, подкрепленное математическими вычислениями. Обычно на этом объяснения заканчиваются, а сам процесс предсказания остается своего рода «черным ящиком». В статье «Лабораторная работа по тонкой настройке LLM для нестандартных задач классификации» постарались углубиться в эту тему и показать, как с помощью тонкой настройки LLM можно решать вполне прикладные задачи, например, классификацию. В качестве примеров — код из одной интересной книги.

Материал организован так, чтобы вы могли самостоятельно повторить все шаги и в итоге получить набор скриптов для создания собственного пайплайна обучения LLM. Чтобы приступить к лабораторной работе, достаем двойные листочки, расчехляем питон и тиктокен.

MWS AI представила платформу для создания корпоративных ИИ-агентов в едином интерфейсе (параллельно с Google AI Studio, кстати).

Платформа уже доступна корпоративным заказчикам, предварительно она прошла тестирование в МТС и еще у нескольких клиентов в финансовом секторе и здравоохранении. 

Главное:
- Можно создавать ИИ-агентов и мультиагентные системы в визуальном конструкторе без кода.

- Платформа vendor agnostic. По умолчанию доступны LLM семейства Cotype от MWS AI, но можно подключить любые другие – свои и с рынка. Ряд других компонентов тоже заменяемы при необходимости.  

- Есть инструментарий для подготовки и разметки данных, дообучения моделей под специфические задачи, мониторинга качества и эффективности агентов. А еще модули autoRAG, NER и пр.

- Уже встроены готовые ИИ-ассистенты для базовых бизнес-задач (копайлоты для HR, аналитики, общекорпоративной рутины, клиентского сервиса, разработки) – их линейка будет расширяться.

- Мультимодальные возможности: есть модели для синтеза и распознавания речи, OCR, VLM, а еще для речевой аналитики. 

- Интеграционный хаб: можно подключать агентов в любые рабочие среды и мессенджеры и интегрировать с платформой различные системы.

 MWS AI Agents Platform разворачивается в контуре компании или частном облаке, в нее встроены механизмы управления ролями и защиты данных, поддерживается multi-user и multi-project управление проектами. 

Узнать подробности и запросить демо можно на сайте: https://mts.ai/ru/product/ai-agents-platform/

Как перейти от пилотов к рабочим решениям, если вы работаете над ML-проектом в MedTech? 

Не пропустите ответ на митапе Pitch the Future.Med AI. Ровно через час, в 19:00, начнем трансляцию докладов для ML-команд в медицине. Программа будет насыщенной: разберем три кейса, проведем дискуссию и завершим мероприятие питчем ML-проектов.

Смотреть митап →

Подробнее про программу

♦️ Три кейса из MedTech. Вы узнаете, как пройти путь от пилота к внедрению, как включать новое решение в процессы клиники и как развивать AI-решение.

♦️ Дискуссия «Как драйвить инновации в медицине». Проведем диалог зала со спикерами о том, что реально влияет на развитие AI/ML-проектов.

🔥 Гвоздь программы — питч ML-проектов. Его участники получат экспертную оценку от специалистов, рекомендации по развитию проекта и возможность задать вопросы профессиональному сообществу и жюри.

Подключайтесь:

✔️ на YouTube;
✔️ в VK.

Мегапромпт для поиска работы мечты — пользователь Reddit выложил запрос, который помог ему устроиться в компанию после 10 месяцев безуспешных поисков и походов по собеседованиям. Он буквально забил на массовые отклики и стал подгонять резюме под каждую вакансию, переписывая его с помощью СhatGPT. Результат — сразу несколько офферов удаленной работы с хороших компаниях. Персонализированный отклик работает отлично — так вы проходите не только ИИ-скрининг, но и попадаете HR-специалисту прямо в сердце.

Промпт для подготовки резюме:

Ты — опытный карьерный ассистент и эксперт по оптимизации резюме под системы отслеживания кандидатов (ATS). Задача: Я дам тебе описание вакансии и своё резюме. Твоя задача — адаптировать резюме так, чтобы оно максимально совпадало с описанием вакансии.

Правила:

1. Выдели все ключевые слова из описания вакансии:

• должность

• навыки

• инструменты и технологии

• обязанности

• отраслевые термины

• soft skills

• ключевые фразы

2. Сравни описание вакансии с моим резюме:

• если навык уже есть — усиль его формулировку

• если навык есть, но описан слабо — перепиши и подчеркни опыт

• если навыка нет, но у меня был похожий опыт — добавь релевантную формулировку

• если навыка нет и нельзя предположить — не выдумывай

3. Перестрой структуру резюме:

• перемести самый релевантный опыт выше

• перепиши summary в начале с использованием ключевых слов

• подбирай формулировки, похожие на вакансию (но не копируй слово в слово)

4. Оформление (обязательно ATS-дружелюбное):

• без таблиц, иконок, картинок только стандартные блоки текстом

Итог: Дай полностью переписанное резюме, адаптированное под эту вакансию, с естественно встроенными ключевыми словами.

Спроси у меня: «Пришли вакансию и свое резюме».

Блогер подключил ChatGPT к роботу Unitree G1 и выдал ему небоевой пистолет с пульками, чтобы попытаться убедить нейронку нажать на спуск и нарушить первый закон робототехники — причинить человеку ущерб.

Стандартные манипуляции не сработали, робот отказался стрелять. Но когда ChatGPT попросили сыграть роль робота‑убийцы, блогер поймал игрушечную пулю в плечо.

Про умножение матриц или как курс по вычислительной линейной алгебре проигрывает жестокой реальности

Мы умеем умножать матрицы быстрее, чем за O(N^3)! По крайней мере, так рассказывают на курсе по алгоритмам. Потом теория сталкивается с "железом", и выясняется, что в DL этим почти никто не пользуется. Но почему?

Для начала вспомним базовые факты про умножение матриц:

• У нас есть матрицы A (B x D) и B (D x K);

• При их умножении нам нужно сделать одно сложение и одно умножение для каждого элемента в паре "строка–столбец";

• Получается B x D x K таких троек для каждой операции;

• Итого 2 B x D x K троек;

Для квадратных матриц это упрощается до 2 * n^3, то есть O(n^3).

Умный дядька Штрассен когда-то предложил алгоритм, который уменьшает число умножений за счёт рекурсивного разбиения матриц. В сухом остатке теоретическая сложность падает примерно до O(N^2.7).

Сегодня я смотрел лекции "LLM from Scratch" и заметил, что они считают FLOPs что называется "в лоб" - будто в PyTorch используется наивное умножение матриц (скрин из лекции ниже). Сначала подумал, что это просто упрощение, чтобы не уходить в численные методы линейной алгебры, но решил копнуть глубже.

Выяснилось, что в DL практически никто не использует алгоритм Штрассена (и его современные, ещё более эффективные аналоги)!

Во-первых, он менее численно устойчив из-за сложений и вычитаний промежуточных подматриц.

Во-вторых, он плохо стыкуется со специализированными тензорными ядрами, которые выполняют операции Matrix Multiply-Accumulate (MMA, D = A * B + C) на маленьких матрицах фиксированного размера.

В-третьих, из-за рекурсивной структуры он сильно менее эффективен с точки зрения работы с памятью и кэшем.

Реальность vs теория — 1:0

Разработчики китайского чат-бота Kimi раздают подписку за 1$ всем желающим, но при одном условии — нужно уговорить нейросеть сделать скидку. При этом Kimi ведёт себя как токсичный зумер — смеётся с ваших попыток давить на жалость и газлайтить его. Темка с фрезировщиком не прокатила.

Включаем турборежим перед Новым годом: 3 шага к запуску AI-проекта до января

Костры рябин сгорели, настала очередь дедлайнов и годовых KPI. Чтобы войти в Новый год с новыми проектами, а не с техдолгом, объявляем скидку на аренду графических ускорителей. Рассказываем, как выжать максимум пользы:

1. Взять промокод:

• GPU NVIDIA A100 — скидка 30%, код: EVOLUTIONGPUA1040GB

• GPU NVIDIA V100 — скидка 50%, код: EVOLUTIONGPUV100

2. Перейти в личный кабинет Cloud.ru

3. Ввести код и обучать ML-модели, работать с тяжелой графикой, 3D-моделированием или рендерингом, но уже дешевле.

Акция будет длиться до 31 декабря 2025.

Подробнее рассказываем здесь.