ИИ-агенты сейчас в своей прайм-эре. Они ищут информацию, бронируют билеты, пишут код, генерируют презентации и пишут стратегии. Как для личного использования, так и в бизнесе: более 62% компаний уже используют агентов и экспериментируют с ними.

Но даже команды, которые напрямую разрабатывают такие решения, регулярно сталкиваются с задачами, где агент работает нестабильно или не дает нужного результата. Потому что надежность всей системы определяется не только качеством модели, но и всей архитектурой.

В этой статье разберусь, какие задачи ИИ-агенты пока не закрывают и где все-таки обозначить реальные границы их возможностей.

Привет, Хабр! Я — Владимир Килязов, эксперт по машинному обучению в Cloud.ru. Последние несколько лет я активно помогаю бизнесу и технарям работать с LLM в своих задачах без космических бюджетов.

Помните времена, когда для обучения языковой модели новым трюкам, ее обязательно «доводили» на специальных датасетах? Теперь есть и другие варианты. Вместо классического дообучения можно использовать RAG и промт-инженерию, и это будет быстрее и дешевле. Получается, fine-tuning больше не нужен? Про это и порассуждаем тут в статье.

30 ноября — 1 декабря в Нижнем Новгороде прошел OpenVINO хакатон. Участникам предлагалось создать прототип продуктового решения с использованием Intel OpenVINO toolkit. Организаторами был предложен список примерных тем, на которые можно было ориентироваться при выборе задачи, но финальное решение оставалось за командами. Кроме этого, поощрялось использование моделей, которые не входят в продукт.

В статье расскажем про то, как мы создавали свой прототип продукта, с которым в итоге заняли первое место.