Как мы на хакатоне создавали ИИ-сервис для световых перформансов, а модель вместо «ЦСКА» рисовала «Арсенал»
Всем привет! Меня зовут Юрий, я участник и победитель хакатона по вайб-кодингу
Как обучить тысячи сотрудников работе с ИИ за полтора года
66% руководителей подразделений в «Ростелекоме» используют нейросети в работе команд. В компании появилось более 40 внутренних ИИ-менторов, и их число продолжает расти. Работе с ИИ обучилось более 6000 сотрудников – это около 78% целевой аудитории. Как получили такие результаты – расскажем в статье.
От диплома до продакшена: … Часть 7: Инфра, MLOps и уроки масштабирования
От диплома до продакшена: Как я создавал архитектуру ИИ-проекта для… Часть 7: Инфраструктура, MLOps и уроки масштабированияАвтор: Алексей Бобрешов, руководитель отдела искусственного интеллекта Категория: Искусственный интеллект, MLOps, управление проектами, масштабирование Время чтения: 13–16 минутЭто седьмая, заключительная часть серии. Для контекста по безопасности рекомендую Часть 6.Введение: почему модель — это ещё не продукт
Чем больше автономии у агента, тем хуже: разбор истории про 81% принятых AI-пул-реквестов
В блоге CNCF вышел текст Энди Андерсона, мейнтейнера KubeStellar Console. Он почти в одиночку с помощью двух кодинг-агентов в параллельных сессиях терминала собрал дашборд для управления мультикластерами Kubernetes и довёл принятие пул-реквестов до 81%. Цифра вынесена в заголовок, и именно поэтому я хочу поговорить про всё кроме неё.Потому что 81% — это приманка. А интересна там механика, которая к этой цифре привела. И ещё интереснее проблемы, которые автор честно проговаривает.
Расспросила дизайнеров из бигтеха, как изменилась их работа за год — часть 2: границы и переоценённый хайп
В первой части
Тайная слабость нейросетей: почему большие контекстные окна не работают
Привет, Хабр! Меня зовут Михаил Сальников, я независимый исследователь в области искусственного интеллекта, автор бенчмарка AI Independence Bench и эксперимента с автономным ИИ, известным как Aria. Я почти каждый день читаю статьи в arxiv.org на эту тему и временами натыкаюсь на очень интересные результаты от других исследователей. Решил, что стоит начать делиться с хабровчанами самыми примечательными из них (а если бы я продолжил писать только про свои работы, статьи выходили бы раз в пару месяцев 🙂)
Hermes Agent — агент, который обучается с вами, Дам попробовать
Начнем с основ. Современные ИИ-агенты кардинально отличаются от классических чат-ботов. Если обычный бот просто реагирует на текстовые запросы, то агент способен самостоятельно ставить цели, планировать последовательность действий, работать с файлами, браузером, API и выполнять сложные многоэтапные задачи.Такие агенты чаще всего разворачивают на сервере или в контейнере, где у них есть доступ к необходимому окружению, и интегрируют в привычные пользователям мессенджеры: Telegram, WhatsApp, Discord, iMessage и другие. Именно это сочетание - "личный помощник, живущий в твоих любимых приложениях" - сейчас и задаёт тренд.
Языковые модели без лишних слов
Представляем новинку, которая уже получила высокие оценки от экспертов мирового уровня. Книга Андрея Буркова «Языковые модели без лишних слов: Практика на PyTorch
TUN3D: трехмерное понимание сцен по видео с вашего телефона
Привет, Хабр! Меня зовут Максим Колодяжный, и я занимаюсь исследованиями на стыке 3D‑детекции и реконструкции сцен в команде «Пространственный интеллект» AIRI. Представьте: вы сняли на обычный смартфон несколько видео комнаты «с руки», загрузили их в софт, а на выходе получили не только 3D‑коробки вокруг всех стульев/столов/кроватей, но и точную 3D‑модель стен, пола и потолка. При этом система не просит у вас данные с датчика глубины (LiDAR) и даже не требует точных данных о положении камеры в каждый момент времени. Звучит как магия, не так ли? Однако, именно эту задачу и решает
