Сервис SOFROS AI-ML на практике: реальные кейсы и экономический эффект от нормализации данных
ВведениеВ предыдущих статьях цикла мы разобрались, почему нормативно-справочная информация (НСИ) неизбежно деградирует, как устроен сервис SOFROS AI/ML, какие модели работают «под капотом» и как они встраиваются в 1С:MDM. Мы показали методологию, архитектуру и интерфейсы.Но у вас мог остаться главный вопрос: а что с результатами? Сколько времени и денег это экономит? Какие реальные задачи решает? Можно ли измерить эффект в цифрах?
Как я построил ML‑пайплайн для поиска подозрительных транзакций и почему одной классификации оказалось мало
С ростом числа финансовых операций аналитикам всё сложнее вручную разбирать срабатывания систем финмониторинга — а большинство из них ложные.Привет! Меня зовут Максим Коцюба, я старший инженер по данным с опытом в финсекторе — ВТБ и Сбер, выпускник онлайн‑магистратуры «Инженерия данных
ИИ делает нас производительнее. Чем мы за это платим?
Эта статья - не ответ на всем известные и многократно озвученные вопросы.Данная статья - это субъективная попытка систематизировать понимание цены использования ИИ в современном мире.Здесь, скорее будет больше вопросов, на которые я (как и Вы наверно) ищу ответы...Я уверен, что каждый из вас так или иначе сегодня в своей работе использует LLM модели. Я тоже.
NN vs фракталы: может ли нейросеть выучить красивые математические функции?
В процессе прохождения курса от MIT про нейросети наткнулась на интересную тему, представленную одним из лекторов. Он задался вопросом: «А может ли нейросеть выучить функцию Вейерштрасса (непрерывная функция на вещественной прямой, не имеющая производной ни в одной точке)?». Я решила проверить это на практике. Мною было принято решение не останавливаться на фракталах, а поискать другие функции, обладающие интересными для математика свойствами: лестница Кантора, функция Римана (Томаэ) и др. В данной статье представлена только функция Вейерштрасса.
Как мы сделали бота‑консультанта: нейросети и машинное обучение
Одно из важнейших направлений нашего бизнеса — разработка программ для автоматизации бизнес‑процессов, управления и учёта предприятий и организаций. А одна из наших главных обязанностей перед пользователями наших продуктов — предоставлять им техподдержку, отвечать на вопросы — как использовать наши продукты для различных бизнес‑процессов и в соответствии с текущим законодательством и нормативами. Для этого у нас есть сервис с базой знаний, называется ИТС
AI-ML в действии: как сервис Sofros AI-ML помогает компаниям из разных отраслей повышать качество НСИ
ВведениеКоротко о главном из предыдущих статейSOFROS AI/ML и 1С:MDM: архитектура совместного использованияОбщие настройки расширения и настройки моделейСоздание экземпляров моделейДобавление обучающих примеровКейсы практического использования моделей
VIVI: попытка вырастить когнитивный интеллект, а не обучить его
Большинство современных ИИ-систем получают знания «готовыми». Их учат на огромных корпусах, а потом донастраивают. Результат впечатляет, но внутри почти всегда лежит одна и та же идея: интеллект — это следствие заранее вычисленных весов и статистики.Я пошёл другим путём.Цель проекта VIVI — создать систему, которая развивается подобно живому существу. Не хранит заранее готовые знания. Не опирается на огромную предобученную языковую модель. Интеллект должен возникать постепенно — из накопления опыта, формирования памяти, самоорганизации знаний, появления понятий и внутренней модели мира.
Как работают текстовые ИИ-вотермарки и как их обходить
Наверное уже многие знают, что в силу недавно вступивших в ЕС законов, регулирующих использование ИИ, провайдеры LLM обязаны помечать ИИ-сгенерированные тексты. Та же Claude недавно обновила справочную информацию о работе своей помечалки сгенерированного ИИ контента, в том числе и текста. Но в подробности его работы почему-то вдаваться не стала, как и размещать в публичном доступе средства добавления и обнаружения этих самых вотермарок.
