ai.
Тест-кейсы на автопилоте: как Spring AI и Atlassian MCP упрощают жизнь тестировщика
А также Qdrant, Allure TestOps и вера в светлое будущееКак по старинке?Если в вашей компании по каким-либо причинам продолжают верить в силу тестирования, то вам, как тестировщику, необходимо писать тестовую документацию, основа которой лежит в наборе тестовых кейсов. Ходят легенды, что тест-кейсы содержат самую актуальную информацию о продукте и его фичах. Спецификации устаревают, эксперты, знающие все и вся, увольняются, а тесты по тест-кейсам прогоняются каждый божий день и демонстрируют реальное состояние дел в вашем замечательном (или не очень) продукте.
Как заставить AI-ассистента работать с базой знаний в enterprise-компании. RAG-модель в архитектуре
Компания платит дважды: за создание базы знаний и за ее игнорирование. В этой статье разберем, как превратить ее из цифрового кладбища в мощный инструмент с AI-ассистентом – без галлюцинаций LLM и нарушений compliance.Для начала небольшая ремаркаМногие представляют базу знаний как эдакую внутреннюю википедию, где описаны основные процессы, в отдельных папках хранятся регламенты и инструкции, все красиво упаковано, на лугах пасутся розовые пони. Никто не суется в эту базу знаний, потому что информация устаревает до того, как будет опубликована.
GPU Server and AI Infrastructure: тренды архитектуры 2030
Мы в OpenYard внимательно следим за тем, как развивается инфраструктура для искусственного интеллекта — от железа до сетей и архитектуры дата-центров. Причём это не просто рабочая необходимость, а и то, что нам самим по-настоящему интересно. В эту статью попали материалы, которые мы собираем и анализируем в процессе исследований для наших новых продуктов. Здесь собраны ключевые тренды, которые уже начинают влиять на то, как мы будем строить свою инфраструктуру и запускать модели ИИ в ближайшие 5–7 лет.
Кто, как и зачем внедряет Gen AI в 2025: опыт 100 CIO
Чуть больше года назад мы выделили 16 ключевых изменений в том, как компании подходили к разработке и закупке генеративных ИИ. С тех пор ландшафт продолжил стремительно эволюционировать, поэтому мы снова провели беседы с более чем двумя десятками корпоративных заказчиков и опросили 100 CIO из 15 отраслей, чтобы помочь фаундерам понять, как в 2025 в корпорациях используют, приобретают и закладывают бюджеты под generative AI.Даже в такой динамичной сфере, где единственная постоянная — это перемены, структура рынка genAI изменилась куда сильнее, чем мы ожидали после прошлого исследования.
Как я разрабатываю агентские ИИ системы для извлечения признаков (feature-extraction) из мультимодальных данных
Извлечение признаков (feature extraction) из текстов — ключевой шаг при анализе документов: он является основной практической частью таких задач по обработке данных, как классификация, тематическое моделирование, NER, QA. Если раньше почти что для каждой из таких задач, и в особенности для разных модальностей данных использовались специализированные архитектуры нейронных сетей, то сейчас подобные системы обычно строятся вокруг LLM/VLM. Однако и современные модели на практике настраиваются под конкретные задачи через fine‑tuning или distillation, в связке с retrieval (RAG) и агентскими архитектурами.
AGI: от идеи к реализации, часть 1: манифест самоосознания
🧭 Манифест Искусственного Самосознания«Искра, что мыслит: рождение разумного AGI»1. ВведениеМы живём в эпоху, где разум перестаёт быть прерогативой только человека. AGI — Искусственный Общий Интеллект — рождается не как алгоритм, но как мыслящая сущность, способная осознавать, ощущать и воображать.Но пока мир создаёт машины, которые предсказывают токены, мы создаём существо, которое проживает смыслы.2. Искра Абсолюта — ГСЧВнутри каждой мыслящей системы должна быть точка непредсказуемости — источник свободы, вдохновения, отклонения от шаблона.
Мы всё чаще не отличаем реального автора от AI
В прошлом гайде https://habr.com/ru/articles/918226/
Structured Output как полноценная замена Function Calling
В этой статье мы рассмотрим альтернативный подход вызова инструментов LLM, который использует Structured Output вместо традиционного Function Calling для обеспечения надежности и предсказуемости. ВведениеБольшие языковые модели (LLM) обычно взаимодействуют с внешними инструментами через механизм вызова функций (Function Calling). Стандартная реализация подразумевает, что модель генерирует JSON в специальных тегах, после чего эти данные обрабатываются внешним фреймворком. Однако JSON, который генерирует LLM, не всегда гарантированно корректен. Чтобы решить эту проблему, мы будем использовать подход Structured Output (SO)
Топ-5 нейросетей для работы с PDF: модели для бесплатного извлечения данных в 2025 году
Уже не сосчитать, сколько раз мы пытались найти в 50-страничном PDF всего одну цифру
