Как я за год с помощью ИИ-ассистента создал мобильное приложение замены человека на 3D‑аватара
Привет, Хабр! Меня зовут Владислав. По образованию и профессии я строитель — после получения диплома пошёл работать инженером на стройку, где и работаю по сей день (стаж более 12 лет). Я никогда не работал в IT и не писал код, но меня всегда тянуло к технологиям. Всё началось с идеи, которая преследовала меня несколько лет:Научить камеру телефона видеть человека и менять его на 3D‑персонажа.
А давайте пустим ИИ в промышленную сеть
Привет, Хабр! Меня зовут Андрей Бирюков. Я — независимый эксперт в области ИТ и ИБ, преподаю в учебных центрах и пишу статьи и книги. Не устаю повторять почти в каждой статье, связанной с применением искусственного интеллекта, что он сейчас есть везде. Однако, практика показывает, что большинство крупных и средних компаний не готовы использовать публичные xGPT (и правильно делают!), а вместо этого стараются размещать нейросети в своей инфраструктуре. Это делается из соображений безопасности, доступности и надежности.В промышленных сетях все еще интересней.
Когда быстрый чип ждет данные: где России искать место в гонке ИИ‑ускорителей
Когда говорят об аппаратном обеспечении для искусственного интеллекта, разговор обычно быстро сводится к GPU. У кого больше ускорителей, современнее техпроцесс и выше показатели в FLOPS, тот и должен выигрывать технологическую гонку.
Как я учил модель прогнозировать погоду по одной метеостанции — и почему она сначала выучила все наизусть
Это история про пет-проект, который я делал ради трёх вещей одновременно: прогноз приземной температуры на неделю вперёд из данных одной метеостанции, честные интервалы неопределённости вместо голой точки, и работа на железе уровня Raspberry Pi без всякого GPU. По дороге я несколько раз ошибся, один раз откатил целый эксперимент, и в итоге понял про свою же модель больше, чем когда её проектировал.
4.6-битные сети: от теории к практике. Причём здесь HardTanh?
Уже прошло два года с тех пор, как мы предложили схему 4.6-битного квантования и рассказали про нее, в том числе и на Хабре: раз и два. Вспомним, что при 4.6-битном квантовании веса и входы слоя принимают такие целые значения, что их попарные произведения помещаются в знаковый 8-битный тип данных. Такая схема позволила нам вычислять нейронные сети на процессорах мобильных устройств быстрее, чем в 8-битном формате, и точнее, чем в 4-битном, потому что уровней квантования больше.
Google представила Coralboard — одноплатник для разработки Edge AI и встраиваемых приложений на базе нейросетей
Google в партнёрстве с Synaptics представила Coralboard — одноплатник для разработки приложений, которые работают локально на устройствах (Edge AI). Устройство ориентировано на быстрое прототипирование AI-сценариев машинного зрения, обработки звука, мультимодальных интерфейсов и запуска компактных генеративных моделей.
LFM2.5-VL-450M: структурированный визуальный интеллект
Выпущена модель LFM2.5-VL-450M. Это обновленная версия LFM2-VL-450M, в которую добавили функции заземления, улучшенное следование инструкциям и поддержку вызова функций. Модель преобразует видеопоток в структурированные данные в реальном времени на локальных устройствах.
Как я перестал писать код для микроконтроллеров вручную и подружил ESP32C6 с AI (Опыт создания платформы)
Главная страница платформы AIoT ИнноваторПривет, Хабр! Меня зовут Александр Воробьев. За моими плечами разработка более 100 электронных устройств
