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!
Почему мультиагентные системы плохо работают на малых данных
Мультиагентные системы - главный тренд в AI-разработке. AutoGPT, CrewAI, LangGraph, Microsoft AutoGen обещают армию специализированных агентов, которые вместе решат любую задачу.Сделал систему на 5 агентов, а потом передумал и сделал на одного.История о том, что иногда с ИИ надо упрощать, а не усложнять.Что делалСервис для автоматической генерации дашбордов из данных. Пользователь загружает файл (CSV, Excel, JSON, PDF), AI анализирует данные и создаёт интерактивный дашборд с графиками. Бесплатный, без регистрации.За пару недель работы:153 дашборда сгенерировано93 уникальных пользователяСреди них крупные FMCG-сети
Augmented LQR: расширяем пространство состояний, чтобы убрать статическую ошибку (Часть 2)
Это вторая, завершающая часть опубликованной ранее на Хабре статьи про MIMO LQR/LQG регуляторы.В первой части мы:Синтезировали линейно квадратичный регулятор (LQR) для управления связанными параметрами — температурой и давлением в автоклаве.Реализовали линейно квадратичный оценщик (LQE) в виде линейного дискретного фильтра Калмана рекурсивного типа для очистки процессных и измерительных гауссовских шумов.Базируясь на принципе разделения
Под капотом IT-конференции: подготовка, спикеры и неочевидные вопросы из зала
В начале декабря прошла шестая большая IT-конференция — ЮMoneyDay, на которой эксперты ЮMoney делились, как устроен финтех под капотом. К событию подключилось более 1000 слушателей. В этой статье мы подводим итоги конференции и рассказываем об её обратной стороне: зачем спикерам без опыта нужен бизнес-тренер, как выступать после дыхательной практики и почему стресс — тоже тема для IT-доклада.
Новогодний подарок: Как я прикрутил LLM к scratch и порадовал ребёнка
Как известно, под новый год случаются чудеса, и этот год не стал исключением. Мне удалось прикрутить LLM в визуальный язык программирования Scratch, чем и обрадовал ребенка. А началось всё в один прекрасный день, когда мой сын - школьник осваивал n8n и ваял телеграм бота. Разговорившись, мы вспомнили, что его увлечение программированием началось со Scratch. И его фраза, что было бы здорово, если бы в scratch была бы встроена иишечка, можно столько прикольных игр сделать, стала отправной точкой для данного проекта. Рассказываю и показываю, как мы реализовали эту безумную идею.
Тренды в ИТ: 2026
Тренды в ИТ — это не про красивые слова и не про вечные «угрозы» о том, что нас вот-вот заменит ИИ и пора срочно выбирать другую профессию.Тренды — это про то, как изменится работа с архитектурой и безопасностью в ближайшие годы, как трансформируются подходы к разработке и само мышление инженеров.тМы попросили экспертов ГК «Юзтех» поделиться своим взглядом на ИТ-тренды 2026 года.3… 2… 1 — поехали. Ждём горячее обсуждение в комментариях.
Метрики для задач NLP. Часть 1. Классификация, NER, Кластеризация
Всем привет! Меня зовут Максим. Я NLP‑инженер в red_mad_robot и автор Telegram‑канала Максим Максимов // IT, AI. В этой серии статей я расскажу о метриках популярных задач Natural Language Processing (NLP). Первая часть будет посвящена подходам для оценки моделей в решении задач классификации, NER и кластеризации. Рассказ будет сопровождаться визуализацией, примерами и кодом на Python.СодержаниеВведениеКлассификацияNERКластеризация
Вайбкодинг: Почему полностью автономные ИИ‑агенты для кода — путь в никуда
Это третья часть моей мини‑саги про вайбкодинг, LLM и здравый смысл в разработке. В первой статье я уже рассказывал, как по совету ИИ едва не снёс себе БД, а во второй — разбирался, страшен ли этот самый вайбкодинг или это просто инерция мышления перед лицом прогресса.Сегодня я хочу поговорить о «священном граале» текущего AI-хайпа — полной автономности кодинг-агентов. О том, почему вера в то, что нейросеть «сама всё напишет, пока я пью кофе», — это опасное заблуждение, которое лишь усиливает скепсис профильного сообщества.
Классы в Python: от основ ООП до продвинутых концепций
Python часто начинают осваивать с простых скриптов и функций. Пока задачи простые, этого достаточно. Но когда в коде появляются сущности, например, пользователи, книги или машины, взаимодействие с ними строится по другим принципам. Для этого в Python используют классы. С их помощью описывают, какие данные есть у таких сущностей (объектов) и что с ними можно делать. Это и есть объектно-ориентированный подход — программа строится вокруг объектов и их взаимодействия.
