Привет, Хабр! Меня зовут Владимир и в последнее время я занимаюсь разработкой агентов на LangGraph. Отладка LangGraph-агента - это отдельная боль: когда граф начинает жить своей жизнью, а LLM уходит в бесконечные циклы, понять, что случилось, становится сложно. В этой статье я покажу, как связать LangGraph с LangFuse для трассировки и покажу как управлять промптами как кодом (версионирование и миграция).

Самые трендовые события и полезные материалы по искусственному интеллекту за неделю. Без нудных технических релизов. Кратко.

В статье даны формальные определения понятиям задача, способ, случай, действие и его свобода, причина, измерение, предположение и его верность, игра, поведение и ум, а также еще около 80. Предлагается основанный на исконно русских словах новый язык теории вероятностей, теории игр, теории алгоритмов, математической статистики, философии. Указаны недостатки существующей терминологии.

Нейрофизиология долгое время развивалась в рамках представления о мозге как о системе передачи сигналов. Нейрон в такой модели рассматривался как элемент электрической цепи, а нервная система — как сложная сеть проводников, по которым распространяются импульсы. Подобная картина хорошо соответствовала открытиям XIX–XX веков, когда были описаны потенциалы действия, синаптическая передача и основные принципы нейронной связи. Однако по мере накопления экспериментальных данных стало очевидно, что эта модель не объясняет многих особенностей реальной мозговой активности. Исследования последних десятилетий показывают, что нервная система обладает собственной динамикой, способной генерировать сложные формы активности даже при отсутствии внешних стимулов. Это постепенно приводит к пересмотру классических представлений о работе мозга и формированию более сложной системной картины нейронных процессов.

Всем привет! Делюсь итогом двухмесячной работы - релизом рейтинга юридического рассуждения больших языковых моделей Lexometrica Ground Truth.

Изначально цель была сугубо практической: требовалось выбрать лучшие модели для LegalTech-проекта "неШемяка!". Но в процессе пришлось столкнуться с фундаментальной проблемой индустрии оценки ИИ - открытые тесты дают сильно искаженную картину. Финальные результаты спроектированного стресс-теста оказались сколь ожидаемыми, столь же и неожиданными.

В этой статье описал, как архитектурно выстроен бенчмарк, как велась борьба с test-set leakage, почему написан кастомный пайплайн и какие глобальные и локальные нейросети на самом деле умеют legal reasoning.

Всем привет.

Речь пойдет о методике ETL-процесса. Очень мало информации об этой важной области работы с данными. Я много раз видел на проектах, что в командах нет общего не то что фреймворка, а даже методики по загрузке данных. Либо есть, но у каждого разработчика своя. И те, что есть, не универсальны и не учитывают некоторые реперные точки. Иногда даже журнал загрузок не ведется. Созрела идея создать, перенести свою методику в питон код и поделиться. Начнем.

Когда мы создаем ETL- процессы основные требования: идемпотентность, обработка ошибок, целостность данных, инкрементальность, производительность, мониторинг, происхождение данных, и т.д. Может еще что, но и этого достаточно.

Основные понятийные объекты в тексте: tech_query_id, tech_batch_id. tech_query_id – является штампом момента запуска pipeline, вручную или автоматически, не важно. Если запустили загрузку для терабайт данных, то и штамп будет всего один для этой конкретной загрузки. Штамп tech_query_id проставляется в каждой строке в самих таблицах с данными цели и в журнале. А так же проставляется tech_batch_id, который является обычным номером пакета. Понятно зачем пакеты.., если данных миллионы, мы их бьем по пакетам. Номер пакета для каждого query_id  начинается с единицы. Эта комбинация является ключом в таблицах с данными для трассировки происхождения и ключом в таблице журнала загрузок для фиксации метаданных, дельтапоинта и любой полезной информации в json поле.

Купил я как-то контроллер для xbox 360, проводной, но не оригинальный. Очень уж мне понравилось, что в Windows 10 он определяется как родной, и в тех же старых GTA он определяется по умолчанию. Но было одно НО! Стики - шлак, просто полный. Движения рывками, характеристика рваная.

Перед вами третья и последняя часть моей статьи про конференцию алготрейдеров в Москве. Часть 1 была про инфраструктуру, а часть 2 про практическое применение ИИ.

Третья часть будет о последствиях. Перед вами будут четыре доклада на одну тему:

* неэффективности,
* уязвимости,
* масштабирование систем.

А ещё в статье интересная торговая идея с дисбалансом внутри синтетического инструмента — целой корзины акций Мосбиржи.

Статья посвящена концепции создания и эволюции кастомизированных ИИ-агентов, определяемых как «виртуальные аватары» (ВА) человека. ВА позиционируются как постоянно обучающиеся модели, «прикреплённые» к конкретным людям и способные выполнять умственную работу, принимать рутинные решения и действовать, исходя из индивидуальных предпочтений, интересов и установок своего владельца.

Средства искусственного интеллекта (ИИ) как фундамента следующего технологического уклада развиваются с неудержимой силой и стремительно входят в нашу повседневную жизнь. Становится всё более очевидным, что скоро наступит время, когда любую, в том числе заранее не объявленную, исполнительскую производственную задачу такие средства выполнят не хуже человека. А сопряжение этих средств с роботами, способными передвигаться по заранее не заданной сложной поверхности и выполнять заранее не заданные тонкие технологические манипуляции, даст возможность полностью ликвидировать и физический труд человека.

Что же тогда останется самому человеку? Производственная деятельность, где нужна персональная юридическая ответственность человека-специалиста? Участие в социальном целеполагании? Заведомо человеческое творчество и заведомо человеческая эмпатическая коммуникация? Формулирование и передача новым поколениям ключевых ценностей общества? То есть всё то, что нельзя переложить на искусственные субъекты мышления и деятельности? Ниже поразмышляем над этими и другими интересными вопросами...

Небольшая инструкция для всех, кто работает в Unreal Engine и пишет на C++ или иных языках + компилирует файлы для Андроид.

Product Radar — здесь каждую неделю публикуются лучшие онлайн-сервисы и железки от русскоязычных команд. Это площадка, где энтузиасты из мира технологий делятся своими идеями, обсуждают и создают вместе новые продукты, чтобы делать жизнь людей лучше.

Разрабатываю AI-агента персональной аналитики для себя вместе с Claude Code. Любопытной инженерной задачей оказалась архитектура памяти. Как сделать, чтобы агент помнил не только последний разговор, но и паттерны, накопленные за месяцы? В этой статье описана архитектура, рабочие решения и грабли, на которые я наступила.

Эта статья не о том, что Puppeteer плохой инструмент. Puppeteer — отличный. И грамотный TLS-фингерпринтинг вынесет большинство защит. Но есть класс задач, где даже идеальный сетевой стек не спасает — потому что детект давно приземлился на уровень поведения рендеринг-движка. Разберём, как Cloudflare и Akamai палят вас через WebGL и Canvas, и почему "чистый" код больше не работает.

Что общего между броском d20 и проверкой гипотезы? Между походом в таверну за информацией и сбором данных от заказчика? Оказывается, довольно много.

Хабр, привет! Меня зовут Вячеслав Демин, я больше пяти лет работаю в сфере Data Science. Сейчас я руководитель направления аналитики данных в Сбере и эксперт на курсе «Специалист по Data Science» в Яндекс Практикуме. Начинал с этого же курса в 2020 году, после чего работал в сфере страхования и нефтехимии. 

А ещё я Dungeon Master в «Подземельях и драконах». В этой статье я расскажу, чем моя любимая игра похожа на мою работу и чем она может полюбиться дата-сайентистам.

OpenAI недавно объявила о привлечении 110 миллиардов долларов. Тридцать — от SoftBank, тридцать — от Nvidia, пятьдесят — от Amazon. Это больше чем вдвое превышает прошлогодние 40 миллиардов — крупнейшую частную технологическую сделку в истории. Оценка компании взлетела до умопомрачительных 840 миллиардов. При этом, судя по всему, OpenAI урезала планы по расходам: инвесторам сообщили, что к 2030 году компания планирует потратить на вычислительные мощности «всего» около 600 миллиардов — это значительно меньше половины от ранее заявленных 1,4 триллиона.

Денег приходит больше, уходит — вроде бы — меньше. Это поворотный момент? Может ли это превратить OpenAI из чёрной дыры для капитала во что-то хотя бы отдалённо устойчивое?

Если коротко — нет. Совсем нет. 110 миллиардов даже не почувствуются. Сейчас объясню почему.

«Первый этап любого проекта — неправильно оценить сроки и бюджет проекта.»

История о разработке программы для «Честного знака» с традиционными ироничными сетованиями о том, почему даже простой проект не может быть без подводных камней.

Предыстория. Ну как ИИ-стартап, в общем-то обычный SaaS но с ключевыми задачками в бизнес-процессах для LLM. 

Задача основателю казалась простой. Нужно было построить систему, которая принимает пользовательский запрос, анализирует контекст пользователя, извлекает релевантные данные и формирует ответ.

На первом этапе архитектура ИИ-слоя выглядела очень просто и типично:

user request ⭢ RAG retrieval ⭢ LLM ⭢ answer

В прототипе все работало отлично. Но после запуска в реальном продукте начались первые проблемы. Именно тогда этот стартап и попал ко мне.

Привет, Хабр! Меня зовут Владимир и это вторая часть материала о трассировке LLM-агентов. В первой части мы настроили инфраструктуру: подняли LangFuse, организовали трассировку и научились управлять промптами как кодом. Если вы ещё не читали — рекомендую начать с неё.

В этой части перейдём от теории к практике: соберём агента, который пишет сказки. В графе будут задействованы инструменты, условные переходы и циклы обратной связи.

Привет всем, на связи снова Дарья Борисова, системный аналитик из ПСБ. Продолжаю развеивать мифы о REST API.  В первой статье цикла мы разобрали фундаментальные заблуждения о природе REST. Сегодня переходим к более прикладным, но не менее спорным вопросам — к мифам о реализации. Мы разберем тонкости работы с методами, поговорим о настоящем смысле «stateless» и выясним, правда ли, что новые технологии отправляют REST на покой. Погружаемся глубже.

Каждый раз, когда вы соединяете ноды в Blueprint и нажимаете Play, Unreal Engine запускает маленький процессор. У него свои инструкции, свой стек, своя защита от бесконечных циклов. Он написан в ~4000 строках C++ и живёт в одном файле. Через него проходит каждый Event Tick, каждый Event BeginPlay, каждый вызов Blueprint-функции.

Этот процессор - Blueprint VM (Virtual Machine). И сегодня мы разберём его по винтикам.