Что рекомендовать анонимному посетителю: почему сессии и граф товаров
Посетитель открыл карточку товара. О его прошлых визитах мы ничего не знаем, в текущем визите покупок ещё не записано. Что предложить рядом с карточкой: популярные товары, похожие на этот или те, к которым после него переходили другие посетители?Я собрала такую систему на данных Coveo: сначала она находит до 300 товаров-кандидатов: по истории действий других посетителей, описаниям, изображениям, поиску и популярности. Затем LightGBM расставляет их по порядку и выбирает до 20 рекомендаций. Модель обучена, качество измерено, рекомендации можно получить через локальный HTTP API.Репозиторий проекта:
Средняя метрика скрывает провал редкого сегмента: проверяем ML-модель на срезах
Представим сервис объявлений.До публикации карточки проходят через классификатор: подозрительные попадают к модератору, остальные идут дальше.Команда подключает новый партнёрский фид и готовит новую версию ML-модели к релизу.На контрольном наборе accuracy выросла с 93% до 95,5%, а число карточек, отправленных на ручную проверку, сократилось со 136 до 113.Для продукта это выглядит как два улучшения сразу.Однако на карточках нового фида модель стала находить только 8 из 20 нарушений вместо прежних 16. Ещё восемь нарушений на том же наборе прошли мимо маршрута ручной проверки.
Open source для ИИ: смотрим на патенты и лидеров гонки
Казалось бы, open source и патенты понятия практически несовместимые. Особенно в сфере ИИ. Но за патентами в этой сфере уже давно идет серьезная гонка. Разбираемся с лидерами и смотрим на сами решения. Рейтинг держателей патентов
Как ИИ-агенты повторяют задачу: промпт, скилл, граф или код
В понедельник сотрудник отдела закупок просит агента сверить новый прайс-лист поставщика с рыночными ценами и собрать отчёт по позициям, где отклонение выше порога. Агент выполняет задачу за десяток шагов: читает Excel, ищет рыночные цены, считает отклонения, пишет выводы. Через неделю приходит следующий прайс-лист, и задачу нужно повторить.При повторном запуске агент заново выбирает инструменты и порядок шагов, и за это планирование каждый раз приходится платить токенами и временем. Отчёт приходит в другом формате, потому что модель пишет его с нуля, а иногда в нём пропущен шаг, который агент выполнил неделю назад.
Как объяснить побег ИИ-агентов без заумной терминологии. Сказка «Квак и Жаб» теперь на русском
Помните июльскую историю, когда группа ИИ-агентов вышла из изолированной среды и атаковала инфраструктуру Hugging Face? Об этом уже написаны десятки подробных отчетов. А Квак бы тут сказал коротко: «Они могут набедокурить». И ведь набедокурили. Достаточно хорошо и наглядно всю эту историю объяснила короткая детская книжка с картинками. Там нет заумных технических терминов и занудных подробностей, зато передача сути почти стопроцентная. «Хммм…» — как сказал бы Жаб.Я перевел эту историю на русский язык: «Квак и Жаб и все более способные машины». Теперь перевод лежит на сайте проекта.
Не хакерская атака, а малые дети без присмотра
Недавно в PocketOS связка Cursor и Claude Opus снесла рабочий прод всего за 9 секунд. Обычно после таких историй, когда агент роняет базу или утаскивает на сторону приватные ключи, все по привычке ждут от безопасников большой технический разбор со схемами атаки и списком уязвимостей.Но если убрать пафос, очень часто такие инциденты — это не хакерство, а поведение маленького ребенка, которого забыли в комнате без присмотра. И объяснять такие истории гораздо точнее не сухими графиками, а языком детской сказки.
Где заканчивается самостоятельность ИИ-агента? Я дал ему банковскую карту, телефон, браузер и 200+ MCP: итоги теста
Что показал мой эксперимент:ИИ-агент Ника действительно совершала действия в реальном мире: купила авиабилет, регулярно покупала мне кофе, забронировала гостиницу, столики в ресторанах «Сахалин», «Воронеж», EVA и других, и даже русскую баню в Дубае…В моих тестах главным ограничением стали внешние интеграции: на инструменты, MCP и API приходилось 94% зафиксированных ошибок – именно ошибок, а не всех задач. Готовность внешних сервисов стала одним из главных ограничений.MCP-интеграциям нужен следующий уровень зрелости
VIVI: что если знания не загрузить в ИИ, а попробовать сделать так что бы они родились из опыта?
Можно ли построить систему, которая не получает готовый «мозг» с заложенными знаниями, а постепенно формирует собственную память, связи между знаниями и способы работы с ними? Как и многие, я пытался сделать что-то своё, и для повседневных задач использую LLM — но меня это не устраивает.Сейчас будут скажем так мои размышления. Моя теория. Что такое:«ЗНАНИЯ» — это совокупность данных и опыта.«ИНТЕЛЕКТ» — это совокупность знаний, понимания знаний, умении применять эти знания и опыта от применения знаний как неудачный, так и удачный.
Jev 1.14: ищем объекты, проверяем документы и находим кошку среди 96 фотографий
В предыдущей статье я проверял Jev на текстовых задачах: классификации, уверенности ответов, длинном контексте и грязном входе. 14 октября TypeSafe анонсировала Jev 1.14 и открыла экспериментальные возможности: изображения, новый тип вопроса box и расширенный контекст. Захотелось посмотреть, что с их помощью можно сделать на практике и где возникают ошибки.

