AgTech без хайпа: как мы строим систему, которая доводит агронома от симптома на поле до решения
Автор: Олег Линьков, Webformula (webformula-agro.ru)Агросектор — одна из самых недооценённых ниш для прикладного AgTech. Здесь нет хайпа вокруг LLM на каждом шагу, зато есть жёсткие ограничения, которые делают задачу интересной с инженерной точки зрения: сезонность с точностью до недель, географическая распределённость, аудитория с низкой толерантностью к нерелевантному шуму и предметная область, где ошибка в данных стоит реального урожая.
Как вайбкодинг довел меня до депрессии, а потом привел к вайб‑инжинирингу
Начнём с того, что по‑настоящему «вайблю» я где‑то с ноября 25 года. До этого моё общение с LLM строилось на периодической копипасте из ChatGPT, DeepSeek, Gemini и обратно. Рука наловчилась, и я в целом не замечала, сколько времени это всё‑таки сжирает. Казалось бы, лишнее действие.Не сказать, что я злоупотребляла общением, но когда ты только начинаешь по‑настоящему кодить, ты очень уверен в себе и думаешь, что всё и всегда делаешь правильно. А как только начинаешь реально понимать процессы, приходишь к выводу, что вообще ничего не знаешь.
VK запускает нейропоиск Discovery AI — ИИ будет искать контент и генерировать ответы внутри сервисов компании
VK внедряет в свои продукты нейропоиск Discovery AI — функцию поиска и генерации ответов на базе собственной большой языковой модели, рекомендательной системы и поисковых технологий компании. На первом этапе обновление появится в VK Видео, Медиапроектах Mail и «Дзене», рассказали «Хабру» в компании.
Конец арендованного интеллекта
Представьте себе биологический вид, который не отрастил собственную префронтальную кору из-за недостатка доступных ресурсов и начал арендовать разумность у более крупного и агрессивного хищника. На короткой дистанции это триумф: нулевой расход калорий на поддержание нейронных связей, блестящее решение рутинных задач и почти бесплатное доминирование в своей экологической нише. Зачем тратить ресурсы на развитие собственного мозга, если можно просто отправлять запросы в чужой? Минус в том, что однажды хищник проголодается, и тогда он вас съест.
Делюсь опытом: ИИ-агент на Claude без LangChain и RAG — разбор архитектуры и развилок
Зачем я это пишуЗапустил недавно прод-агента на Claude — небольшой, для бытовой задачи у знакомой. По дороге понял несколько вещей, которые сначала казались мне очевидными «после интернета», а потом, когда сел и проверил на реальной задаче, начали играть иначе. Хочется поделиться разбором — может, кому-то сэкономит неделю-другую на тех же развилках.Сразу честно: я не «академический» разработчик. До последнего года писал на Python в основном чтобы прочитать чужой скрипт и подправить отступ. То, что вы увидите в коде ниже — собирал руками, лезя в документацию по каждому слою. Поэтому это не «гайд от эксперта», а скорее
Студенты-медики массово выпускают сомнительные исследования с помощью популярного инструмента
Критики считают, что TriNetX позволяет слишком легко анализировать электронные медицинские карты, из-за чего неопытные исследователи быстро публикуют плохо проработанные статьи.
65 бесплатных уроков июля: от LLM и RAG до Kubernetes, Go и QA
В июле пройдут 65 бесплатных демо-уроков по основным IT-направлениям: от разработки, архитектуры и инфраструктуры до ML, тестирования, аналитики и управления. В программе много тем, которые сейчас регулярно всплывают в рабочих обсуждениях: LLM-приложения, RAG, AI-агенты, Kubernetes, Go, Java, C++, QA-метрики, сети ЦОД и безопасность LLM-систем.Уроки ведут преподаватели курсов OTUS — практикующие специалисты, которые разбирают инструменты и подходы на прикладных задачах. Это удобный способ свериться с тем, что происходит в индустрии, задать вопросы экспертам и посмотреть, как устроено обучение на конкретном направлении.
Совет требует ИИ, а данные не готовы. Как ESM даёт фундамент, который не провалит пилот
В прошлой статье мы обсудили, почему ИИ-инициативы в компаниях, даже с большими деньгами и ресурсами, просто проваливаются. Коротко говоря, если у ИИ нет качественных данных, проект скорее всего обречён — по данным Gartner, 60% ИИ-проектов не доходят до продакшена из-за неготовности данных и процессов. В этот раз поищем решение: как собрать все заявки в одном месте и научить модель делать то, что вам нужно — уничтожать рутину.
