Selectel, Data Sapience и GlowByte начинают сотрудничество по внедрению ИИ-агентов и корпоративных ИИ-систем
Selectel, Data Sapience и GlowByte объявили о партнерстве на конференции MLечный путь
Selectel запускает публичную версию каталога готовых моделей на базе AI-платформы
В прошлом году мы объявили
«Я ща его ударю». Полтора года собирала жалобы на нейросети от нытиков и классифицировала
Дело было так. Я года полтора-два сижу в профильных телеграм-чатах про всякие эйяй – там разрабы, копирайтеры, редакторы, вайбкодеры и вайбкуколдеры (это кто смотрит, как другие вайбкодят, а у самого руки не доходят). Народ там не на трибуне выступает, скорее говорит, что на сердце, так что читать чистый кайф. Особенно, как они ссорятся с нейронками и потом в чат на них жалуются. И одни и те же жалобы у самых разных людей на разные модели.
ИИ научили определять активность руки пользователя смартфона по касаниям и свайпам
Исследователи из университетов Аалто и Лейпцига разработали модель, которая помогает оценить физические усилия, затрачиваемые на касания и свайпы экрана смартфона.
Selectel запустил бесплатный курс по работе с ML-моделями
Привет, Хабр! Если вы планируете начать работу с ML-моделями, рекомендуем пройти бесплатный мини-курс Академии Selectel
Больше моделей, больше возможностей: зачем мы вводим подписки в Kodacode
Больше полугода Kodacode был доступен всем желающим абсолютно бесплатно. За это время мы выпустили множество релизов для VS Code, сделали первого в России CLI-агента и, наконец, зарелизили Kodacode для IntelliJ-based IDE. Кроме наших собственных моделей, без ограничений*, были доступны и SOTA-модели как западные (Gemini), так и восточные (GLM, MiniMax, Qwen...).
Посимвольная нейросетевая модель для автоматической акцентуации русского языка
Привет Хабр, решил поделиться небольшой моделью для расстановки ударений, которую обучил на датасете, из более 400 книг художественной прозы с лицензией MIT. О чём речьРазрабатывая систему синтеза речи на базе Silero TTS, столкнулся с проблемой: минимальные ошибки в расстановке ударений всего два процента из 100 приводят к ошибкам в каждом из 5-6 предложений. Для аудиокниг это критично, так процесс "выслушивания" и правки книги на 10000 предожений потребует не менее 10 часов ручного времени.Сделал свою модель с фокусом на точность в хужожественных книгах. Получилось 99.7% на валидационном датасете. Упаковал в pip-пакет
Как построить идеальную «песочницу» для ML-моделей
Привет, Хабр! Я Даниил Салман, техлид по контейнеризации. Эта статья написана по мотивам моего доклада для конференции DevOops. Разберёмся, как сделать такую ML-«песочницу», где Data Scientist пишет код, а всё остальное (установка драйверов, выделение ресурсов, деплой и тренировка модели, сбор метрик) уже настроено на бэкенде. Написали максимально просто и доступно, чтобы понять смог даже человек с минимальным погружением в тему. Идеи из этой статьи можно применять в любой инфраструктуре — важно лишь понимать основы: как работает k8s-кластер, Docker и python-фреймворки. Итак, поехали!
