llm.
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.
Контекстная инженерия для слабой локальной модели: как мы делаем среднюю модель надёжной
Принято думать, что качество ИИ-агента упирается в размер модели. Но когда модель работает локально, в закрытом контуре и на ограниченном железе, брать «побольше» особо некуда. И оказывается, что главный рычаг не модель, а контекст: что вы ей показываете, в каком порядке и как фильтруете. Причём «контекст» здесь — это сборка под то, кто спрашивает, откуда и о чём, плюс честный порог релевантности и продуманный порядок секций. На сильной облачной модели небрежный контекст прощается запасом по reasoning; на средней локальной — нет. Об этом и статья.Почему на локальной модели контекст важнее самой модели
Почему вы не видите, что на самом деле происходит между моделью и MCP-сервером
Недавно Claude уверенно пересказал мне большой документ, хотя прочитал только его начало.Я подключил mcp-server-fetch
Как мы создали внутреннего ИИ-помощника на базе RAG и перестали искать ответы по корпоративной Wiki
Компании со временем накапливают тысячи страниц документации, и найти нужную информацию становится всё сложнее. Обычный поиск перестаёт справляться, сотрудники тратят время на навигацию по Wiki и повторяют одни и те же вопросы коллегам.Как решили эту проблему: когда большие языковые модели стали рабочим инструментом, мы объединили корпоративные знания с возможностями LLM. Так появился Юджин — AI-ассистент, который понимает смысл запроса, а не просто ищет совпадения по словам.
Как я устал писать парсер под каждый прайс и сделал из этого библиотеку
С чего всё началосьУ нас на проекте была до боли знакомая многим картина: десятки источников прайсингов, и каждый — в своём формате. Один вендор присылает CSV с разделителем ;, другой — выгрузку из Excel, третий дёргает наш вебхук JSON-ом. Данные по сути одни и те же — аэропорт, марка топлива, цена, дата, — но:колонка цены называется то PRICE, то into-plane, то USD/gallon, то Цена (EUR/л);единицы разные: у одного литры, у другого галлоны, у третьего цена в центах;даты — 2026-01-15, 15/02/2026, 01.02.2026, как повезёт;аэропорт — то IATA-код, то ICAO, то «JFK / John F Kennedy» одной строкой;
Harness Bench: как оценить агентский harness и выбрать связку с моделью
Привет! Я Андрей Иванов, NLP-исследователь в R&D-лаборатории red_mad_robot.
AI‑агенты в проде: 6 архитектурных ошибок, из‑за которых они не доживают до запуска
Всем привет, меня зовут Сергей Прощаев, и в этой статье я расскажу про шесть архитектурных ошибок, из‑за которых AI‑агенты прекрасно ведут себя на демо и разваливаются в продакшене. Я Tech Lead и руководитель направления Java | Kotlin разработки в FinTech & E‑commerce и преподаю на курсах разработки и архитектуры в ОТУС.За последний год на архитектурных ревью и собеседованиях я увидел не один десяток «

