Баги, баги, баги... Как же их много... Немудрено и фобию заиметь. И ведь никогда не знаешь, чем обернётся очередная ошибка в коде. Страх перед неизвестным, желание держать всё под контролем — закономерные спутники магического мышления. Но подождите, какие ещё магические ритуалы в 21 веке? Тем более у программистов...

Популярность языковых моделей, в частности ChatGPT, растет в геометрической прогрессии, но многие из нас все еще сталкивается с определенными ограничениями, такими как устаревшая информация, которые OpenAI пока что не смогла преодолеть.

Но задумывались вы над тем, чтобы задавать вопросы непосредственно из своих документов, хранящихся в облаке? Сохраните своё время, которое уходило бы на поиски и ручной мониторинг сайтов, и задействуйте автоматизацию при работе с PDF-документами. Если вас занимает такая перспектива, эта статья окажется для вас ценным ресурсом.

Мы можем избежать риска недостоверных данных в ChatGPT, внедрив работу модели через RAG. В нашем материале мы подробно объясним, как создать чат-бота для взаимодействия с документами из вашего хранилища с помощью LangChain.

Приступим (:

В 1920-х годах произошли два события, которые проложили путь к нашему современному пониманию Вселенной. С теоретической стороны подоспел вывод о том, что если ваша Вселенная подчиняется законам Общей теории относительности и в среднем равномерно заполнена материей и энергией, то она не может быть статичной и стабильной, а должна либо расширяться, либо сжиматься. С наблюдательной стороны мы начали находить галактики за пределами Млечного Пути и быстро установили, что (в среднем) чем дальше от нас они находятся, тем быстрее удаляются.

Просто соединив теорию и наблюдения, мы получили представление о расширяющейся Вселенной, которое с тех пор остаётся с нами. Наша стандартная космологическая модель - включающая Большой взрыв, космическую инфляцию, формирование космической структуры, тёмную материю и тёмную энергию - построена на базовом фундаменте представления о расширяющейся Вселенной.

Но является ли расширяющаяся Вселенная абсолютной необходимостью, или есть способ обойти её? В новой интересной работе, которая недавно получила широкую огласку, физик-теоретик Лукас Ломбризер утверждает, что расширяющуюся Вселенную можно "убрать", манипулируя уравнениями общей теории относительности. По его сценарию, наблюдаемое космическое расширение окажется всего лишь миражом. Но соответствует ли это уже известным нам научным данным? Давайте разберёмся.

Java-дайджест за последнюю неделю (3 ноября):

• Spring, Jakarta, Web

• IDE и редакторы

• Тестирование

• Статьи и подкасты

• Обзор статей на Хабре

Готовы показать свои знания в IT? Примите участие в IT-кроссворде Selectel, выиграйте 10 000 рублей на аренду серверов и эксклюзивный мерч Selectel.

Искусственный интеллект и машинное обучение становятся все более востребованными в современном мире. Многие компании и стартапы активно внедряют технологии искусственного интеллекта для решения бизнес-задач и оптимизации процессов.

Одним из ключевых инструментов для реализации нейро-сетевых архитектур и алгоритмов глубокого обучения является язык программирования Python. Благодаря наличию мощных библиотек, таких как TensorFlow и Keras, создание и обучение нейронных сетей на Python стало достаточно простым.

TensorFlow - это библиотека для машинного обучения, разработанная компанией Google. Она позволяет определять, тренировать и запускать нейронные сети различных архитектур. Keras - библиотека глубокого обучения высокого уровня, может использовать TensorFlow в качестве бэкенда. Keras упрощает создание моделей нейросетей благодаря удобному API.

Цель этой статьи - познакомить читателей с основными принципами глубокого обучения, а также возможностями библиотек TensorFlow и Keras для создания и обучения нейронных сетей на Python. Мы рассмотрим базовые концепции, этапы обучения моделей, а также практические кейсы использования TensorFlow и Keras для решения задач классификации, распознавания и анализа данных.

Изучив эту статью, читатели получат представление о том, как при помощи Python и рассматриваемых библиотек можно создавать эффективные модели искусственного интеллекта.

Здравствуйте, дорогие хабровчане, недавно столкнулся с проблемой, связанной с написанием алгоритма из названия в turboprolog2.0, более того я не нашел нигде готовой реализации в трехмерном пространстве на нормальных языках программирования.

В этой статье я попытался придать систематический вид основным видам тестирования, которые я нашел в различных источниках. Идея для этой статьи зародилась у меня, когда я обнаружил, что в интернете существует множество разнообразных классификаций, и многие отличаются друг от друга. Вначале я начал это исследование для себя, но затем решил поделиться результатами со всеми, надеясь, что оно пригодится другим, как и мне.

ВорОны и вОроны (известные под общим названием врановые) привлекают внимание людей благодаря своему интеллекту: они демонстрируют разные трюки, имитируют речь или устраивают «похороны». Благодаря результатам нового исследования наше представление об их возможностях продолжает расширяться: учёные из Тюбингенского университета впервые обнаружили, что вороны могут оперировать статистикой. Эти результаты могут помочь учёным лучше понять эволюцию интеллекта (а нам, возможно, лучше понять, что происходит у нас в голове).

Вороны, численность которых превышает 27 млн особей, практически повсеместно распространены на территории Северной Америки и Евразии. Их громкое «карканье» трудно не заметить, причём тон этих криков меняется в зависимости от того, что птицы хотят сообщить. Как и другие хищные птицы, вороны обладают большим для своего размера мозгом и особенно выраженным передним мозгом, который у человека связан со статистическим и аналитическим мышлением. Благодаря этим качествам орнитологи и специалисты по поведению животных обнаружили у ворон различные «интеллектуальные» действия, например, использование веток в качестве инструментов для извлечения жуков из коры деревьев. Некоторые специалисты даже классифицировали ворон как обладающих интеллектом, равным уровню 7-летнего ребёнка.

Введение

После прочтения этой статьи вы будете обладать знаниями для создания своего собственного статического анализатора для C# кода, благодаря ему вы сможете найти потенциальные ошибки и уязвимости в исходном коде своих и не только проектов. Заинтригованы? Что ж, давайте начнём.

История берет начало с выпуска бета версии ML.Net, желания попробовать машинное обучение и большие данные в деле под знакомой платформой. Мысль о точке приложения новоиспечённого инструмента анализа витала в воздухе, а если точнее, то переходила из одной головы в другую в форме чат-ботов говорилок в телеграме.

Хотелось сделать не просто ещё одну реализацию, а что-то иное. В результате выбор пал на стикеры. С одной стороны, более примитивный и первобытный способ общения, с другой – меньшая вероятность бредогенерации, т.к. картинка оставляет больше простора для додумывания смыслов.