Распространенные ошибки при создании приложений с генеративным ИИ
Поскольку мы все еще только осваиваем создание приложений с использованием базовых моделей, ошибки вполне нормальны. Это краткая заметка с примерами некоторых из наиболее распространенных ошибок, которые я видел как в публичных кейсах, так и в своем личном опыте.Эти ошибки являются распространенными, поэтому, если вы работали над каким-либо продуктом, связанным с ИИ, вы, вероятно, уже сталкивались с ними.1. Использовать генеративный ИИ там, где он не нужен
PGPro TechDay 2026 в Москве: экосистема Postgres, релиз Enterprise 18 и новая аналитическая платформа
27 января в Москве состоится PGPro TechDay 2026 — продуктовая конференция от лидера рынка российских СУБД, компании Postgres Professional.
ClickHouse приобрела разработчика ИИ-решений Langfuse
Американский стартап с российскими корнями ClickHouse приобрёл разработчика ИИ-решений Langfuse, чтобы создать лучшую версию платформы для LLM-инженерии.
Как правильно «готовить» RAG: рецепт умного ассистента для вашего отдела
Уверены, что вы уже слышали об этой технологии, но сегодня поговорим о ней с практической точки зрения. В этой статье наша Команда AI дает советы тем, кто еще не погружен в технические детали — рассказывает о сложностях, которые могут возникать при работе с этой технологией и о том, как их избегать. Зачем вам нужен RAG?
Как JOIN изменил наш подход к инфраструктуре данных в NAVER
Авторы:Youngjin Kim, руководитель команды, NAVER; Moweon Lee, инженер по данным, NAVERNAVER основана в 1999 году, является материнской компанией мессенджера LINE, пятой по величине поисковой системой в мире, крупнейшим поиском и порталом в Южной Корее и интернет‑компанией с наибольшей капитализацией в стране.
Каким будет энтерпрайз-СУБД в эпоху ИИ
Мы долго жили в парадигме «каждой задаче — свой инструмент».: для документов — Mongo, для аналитики — ClickHouse или Greenplum, для транзакций — старый добрый Postgres. Но опыт последних лет, особенно жесткий краш-тест российской отрасли, показывает: эта концепция трещит по швам. Рынок, наигравшись в специализацию, совершает диалектический виток и возвращается к идее суперуниверсальной СУБД.
Как я пытался создать «конструктор налоговых проверок» для повышения эффективности работы ФНС
Для начала - немного контекста. Я не программист и не разработчик. Последние 12 лет я проработал в Федеральной налоговой службе. Начинал с низов, занимался выездными и камеральными проверками (проводил лично и курировал). Два месяца назад я уволился, завел свой телеграм-канал и теперь работаю в налоговом консалтинге.Эта статья - история о том, как я попытался решить огромную проблему государственной системы с помощью домашнего ноутбука и нейросетей. О том, как я переоценил свои силы, недооценил масштаб задачи, но все-таки попробовал создать инструмент, который мог бы изменить работу инспектора.
Почему внедрение LLM в АИС «Налог-3» неизбежно — и что это изменит в налоговом контроле
После моей статьи про АИС «Налог-3» (как одну из самых мощных государственных IT-систем России) в комментариях больше всего спорили не про масштабы данных и вопроса, «видит ли ФНС всё». Основной скепсис вызвал мой тезис о необходимости внедрения больших языковых моделей (LLM) в работу налоговых органов. Основной аргумент в противовес моей позиции звучал так: «Зачем там нужен Искусственный Интеллект? Всё формализовано, достаточно жестких алгоритмов и грамотных шаблонов. Экспертная система справится сама, не надо усложнять».
АИС «Налог-3»: почему это одна из самых мощных государственных IT-систем России
ПредисловиеЗа последнее десятилетие Федеральная налоговая служба (ФНС) совершила фундаментальный переход от традиционной модели администрирования к подходу, основанному на анализе больших баз данных.Если вы соприкасались с налоговой системой - проходили проверки, бывали на комиссиях в инспекциях, общались с налоговыми органами, то вы слышали про АИС «Налог-3», одну из самых масштабных государственных IT-платформ в России.
