ИИ как инструмент для создания реальных объектов: от генерации картинки к 3D-печатной игрушке
Недавно в Марий Эл состоялась премьера балета «Снегурочка», где визуальные декорации были созданы с помощью ИИ: художник подготовил эскизы, а нейросети оживили их в динамичные проекции. Это показывает, как ИИ выходит за пределы цифрового контента и применяется для физических опытов — от сценических элементов до осязаемых объектов. Вдохновившись таким подходом, я решил протестировать полный цикл создания 3D-игрушки: от текстовой идеи до пластиковой фигурки жирафа. Но с акцентом на практичность — минимизируя ручной труд за счет ИИ, учитывая распространенные ошибки и глобальные тенденции.
КУРТ ФОН ФРИШ спрашивает, годятся ли роботы с ИИ в пищу?
"Перед вами результат моего небольшого литературного эксперимента: я взял отрывок из одной известной классической книги, написанной почти век назад, и адаптировал описанное собрание акционеров под реалии 2026 года, наложив на современные технологии искусственного интеллекта, роботов и ИИ-агентов, а также на актуальные события — от взрывного роста ИИ в экономике до этических дебатов.Прошу вас — читайте с открытым умом, без предвзятости, и, возможно, увидите в этом зеркало нашего времени."...КУРТ ФОН ФРИШ спрашивает, годятся ли роботы с ИИ в пищу.
Machine Unlearning. Часть 1: Почему моделям нужно уметь забывать
Большие языковые модели (LLM) сегодня умеют невероятно много — от генерации текста до сложного анализа данных. Но что происходит, если часть информации, на которой они обучались, нужно удалить? Просто убрать лишние данные и переобучить модель может быть слишком накладно и дорого.Всем привет! Меня зовут Вадим, я Data Scientist в компании Raft. В этой статье я расскажу о достаточно новом направлении машинного разучивания (Machine Unlearning), которое позволяет моделям "забывать" ненужные знания без полного их переобучения.
ML на Мосбирже — почему мой грааль не работает?
Время после нового года решил провести с пользой и окунуться в машинное обучение. Заняться Machine Learning — и посмотреть получится что‑то или нет с российским рынком акций на Московской бирже.Моей целью было построить такую систему, которая будет учиться на истории и в перспективе торговать лучше чем случайное блуждание 50/50. Но из‑за комиссий и спреда подобные блуждания изначально отрицательны — чтобы выйти в плюс надо как минимум покрывать комиссии.Если говорить о результатах очень кратко, то технически всё работает, но вот финансовый результат на грани безубыточности.
Мы боялись за джунов, но всё будет иначе или по-другому, а может, вообще не так, как думали
Весь 2024 и 2025 года индустрия спорила, заменит ли ИИ джунов, сколько людей лишатся работы. Фокусировались на генерации кода, автотестах и рефакторинге. Но к началу 2026 года стало очевидно: искусственный интеллект влияет не на отдельные задачи компании, а на то, как все части компании работают вместе. В этой ситуации уязвимыми стали те, кто раньше думал, что они в безопасности, — менеджмент.Символичной точкой в этой дискуссии стали результаты масштабного исследования MIT Initiative on the Digital Economy за 2025 год: компании, перешедшие на модель «алгоритмического аудита», выявили избыточность до 25% штатных позиций
Гибридная нейросимвольная архитектура для превращения вероятностных ответов LLM в детерминированный код
Брошюра системы CADDR CAD компании LMIЧтобы понять, что я строю, нужно отмотать время назад. В 70-х и 80-х в мире ИИ шла гражданская война.
Типология мышления в аналитической культуре больших языковых моделей (Часть_1)
Миронов В.О., Кальченко С.Н.
300 дней с AI-агентами: от руководителя к Full Cycle Engineer
Примерно так я себя ощущал на протяжении всего этого годаПоследние 7 лет я руководил командами разработки, но не то что не писал кода — я его даже не читал. В 2025 году я снова вернулся к самостоятельной разработке. И даже могу называть себя Full Cycle Engineer
Делай Bench: мой опыт слепого human-eval бенчмарка нейросетей для юристов
Привет и с Новым годом, Хабр! Меня зовут Екатерина, я практикующий юрист, исследую эффективное применение нейросетей в юридических задачах. В декабре ушедшего года я провела необычный для себя и российского LegalTech-рынка эксперимент: с помощью одиннадцати коллег-оценщиков организовала небольшоенезависимое слепое сравнение пяти нейросетевых сервисов. В этой публикации хочу рассказать о вызовах human-eval бенчмарка в домене, где зачастую нет единственно правильных ответов, интересных выводах исследования, полученной мной обратной связи и дальнейших планах.Юристы и бенчмарки LLM
