Машинное обучение. - страница 83

AI Challenge: ĸаĸ МАИ вместе с ПСБ создают мост между теорией и праĸтиĸой в области исĸусственного интеллеĸта

Привет, ĸоллеги, студенты, выпусĸниĸи!В аĸадемичесĸой среде часто можно услышать вопрос: «Где мои алгоритмы и модели смогут решать реальные, а не учебные задачи?».Когда ПСБ предложил МАИ провести хаĸатон по AI, сразу стало понятно — это именно та возможность, ĸоторую ждут студенты и исследователи.В МАИ можно получить фундаментальные знания по ML и DS. Но настоящий прорыв происходит тогда, ĸогда эти знания встречаются с реальными промышленными вызовами. Именно поэтому мы проводим AI Challenge: Banking.Когда: 27-29 ноябряПочему это важно для МАИ и ПСБ?

продолжить чтение

Сказ о том, как сделать самый большой флот автономных грузовиков в России с нуля…

продолжить чтение

Дайджест препринтов научных статей в области Информатики

Подборка свежих научных публикаций в области Информатики из библиотеки препринтов arxiv.org.Публикуется с обязательным указанием ссылок на первоисточники. 2511.01872 Learned Cost Model for Placement on Reconfigurable Dataflow Hardware. Etash Guha, Tianxiao Jiang, Andrew Deng, Jian Zhang, Muthu Annamalai Хьюристические модели стоимости для размещения и маршрутизации (PnR) в реconfigurable dataflow архитектурах страдают от неточности, высокой трудоемкости разработки и слабой адаптивности к изменениям компилятора.

продолжить чтение

Какой Ai-шник нынче нужон?! – Исследование ИИ рынка труда РФ

Последние полгода ловлю море статей о том, как направление AI будто бы стремительно растёт, специалистов нужно огромное количество, и платят много и без лишних вопросов. Долго думал, как можно проверить все эти заявления не через абстрактные «экспертные мнения», а на реальных и доступных каждому данных.В итоге словил простую эврику: «Почему бы просто не залезть на HH и не посмотреть, кого действительно ищут и в каком количестве?»Спустя пару недель сбора и разметки данных я готов показать небольшое исследование отечественного рынка вакансий, связанного с искусственным интеллектом.

продолжить чтение

Пример реализации агентного RAG’а

Надеюсь, все знают что такое RAG :) Для тех, кто не знает: это такая система, которая позволяет искать информацию и отвечать на вопросы по внутренней документации.Архитектура RAG может быть как очень простой, так и весьма замысловатой. В самом простом виде она состоит из следующих компонентов:Векторное хранилище — хранит документы в виде чанков - небольших фрагментов текста.Ретривер — механизм поиска. Получает на вход искомую строку и ищет в векторном хранилище похожие на нее чанки (по косинусному сходству).

продолжить чтение

ИИ Google DeepMind приблизил ученых к разгадке вековой загадки газов и жидкостей

продолжить чтение

GPU Intel Arc на Raspberry Pi и non-x86 платформах — запуск, настройка и анализ производительности

Intel Arc Pi GPU B580 AI Llama.cpp LLM.

продолжить чтение

Современные OCR для сложных документов: сравниваем 6 open-source моделей на реальном кошмаре инженера

Привет, Хабр! Каждый, кто хоть раз пытался вытащить данные из скана акта или старого отчета, знает эту боль. Классические OCR-инструменты, вроде старого доброго Apache Tika, отлично справляются с простым печатным текстом, но пасуют перед реальными вызовами: таблицами со сложной вёрсткой, рукописными пометками, мелким курсивом и разными шрифтами в одном документе.Чтобы не быть голословными, давайте посмотрим на типичный «сложный» документ и что с ним делает Tika.

продолжить чтение

Как универсальный ИИ-агент учится жить в открытом мире

продолжить чтение

Собираем простейшую RAG-систему на PHP с фреймворком Neuron AI за вечер

RAG (Retrieval-Augmented Generation или генерация, дополненная поиском) - это метод искусственного интеллекта, сочетающий генеративную большую языковую модель (LLM) с внешней базой знаний для создания более точных, контекстно-зависимых и актуальных ответов. Принцип его работы заключается в том, что сначала извлекается релевантная информация из набора документов или источников данных, а затем эта информация передается в LLM для формирования окончательного ответа. Этот процесс позволяет модели выдавать более точные ответы, менее подверженные “галлюцинациям”, и ее можно обновлять без дорогостоящего переобучения.

продолжить чтение

Rambler's Top100