LLM уже работают в компаниях. Как организовать единое семантическое ядро предприятия?
О таксономии, онтологии и регламенте использования общего предметного языка в корпоративных ИИ-инструментах. В прошлой статье я писал о том, что в концепции 1С:ERP 2026
Что не вошло в концепцию прикладного решения «1С:ERP Управление предприятием» 2026 года от УЦ №1 фирмы «1С»
Как мы остановились на процессном подходе — и почему предметный слой пришлось вынести отдельноУ концепций есть неприятное свойство: в финальную версию попадает не всё, что хотелось.Когда в 2025 году мы работали над концепцией прикладного решения «1С:ERP Управление предприятием», а в 2026 году она была вынесена в учебный курс УЦ №1 фирмы «1С», у нас довольно быстро возникла простая развилка.Можно объяснять ERP через подсистемы, документы и кнопки. Это привычно, понятно, методически безопасно.
Почему код, который генерирует ваш AI-ассистент, выглядит одинаково плохо, и как это исправить за 30 секунд
🔍 Проблема не в моделиGPT-codex, Claude 4.8, Gemini 3.5 flash: все они умеют писать хороший код. Но по умолчанию ни один из них не знает ваших стандартов. 🤷♂️Что получает модель без системного промпта:Никаких ограничений на архитектуру 🏗️Никаких предпочтений по тестированию 🧪Никаких правил по визуальному качеству 🎨Никаких требований к безопасности 🔒Результат предсказуем. Компонент работает. Стили: дефолтный Tailwind. Тесты не написаны. any везде, где TypeScript сопротивлялся. Магические числа без объяснений. 😅
Cognichip привлекла $60 млн на ИИ для проектирования чипов
Стартап Cognichip, который разрабатывает ИИ-систему для помощи инженерам при проектировании микросхем, привлёк $60 млн
Понятия способ, случай, действие и его свобода, причина, измерение, предположение и его верность, игра, поведение и ум
Радченко Андрей Леонидович, примеры https://goo.su/dF5r
Опыт ВкусВилла: как мы подстраивали графики под пики внимания
Всем привет, меня зовут Рома, я работаю во ВкусВилле, руковожу портфелем ИИ-проектов. Пишу про продукты и управление проектами у себя на канале: https://t.me/gde_value
Обзор проблем и решений в ризонинговых LLM. Часть 3
В первой части мы рассмотрели ключевые проблемы логического рассуждения в LLM и показали, в чём именно модели ошибаются.Во второй части узнали, какие существуют методы решения LLM логических задач, а также посмотрели на их сильные и слабые стороны. В этой – мы обсудим, как модели иногда идут вразрез с собственной логикой и что эксперты предпринимают, чтобы это исправить.ЛОГИЧЕСКАЯ СОГЛАСОВАННОСТЬ
Обзор проблем и решений в ризонинговых LLM. Часть 2
В первой части мы рассмотрели ключевые проблемы логического рассуждения в LLM и показали, в чём именно модели ошибаются.В этой – мы обсудим методы, с помощью которых LLM решают логические задачи, включая внешние решатели, подсказки и обучение на логических примерах, а также их сильные и слабые стороны.Логическое решение вопросовДля проверки того, как LLM решают логические задачи, мы создали разные тестовые наборы
Обзор проблем и решений в ризонинговых LLM. Часть 1
Как-то раз мы со студентами-переводчиками по ИТ задались вопросом: А реально ли LLM «думает»? Или она просто, подобно школьнику, подгоняет объяснения под ответ в конце учебника, не имея ни малейшего понятия, ни о том, правилен ли этот ответ или логичны ли ее рассуждения? Поиски ответов на этот вопрос привели нас к статье-исследованию "Empowering LLMs with Logical Reasoning: A Comprehensive Survey", адаптированный перевод которой мы и предоставляем вашему вниманию. Над переводом мы работали вместе с коллегой – Губановой Екатериной.
