Рубрика «эмбеддинги»
Как рассказать ребёнку, чем занимается папа, если папа работает с ИИ?
2026-06-19 в 18:49, admin, рубрики: Велтистов, детская литература, искусственный интеллект, машинное обучение, научная фантастика, теория информации, трансформеры, Шеннон, Электроник, эмбеддингиВместо эпиграфа
Наверняка все, у кого есть дети, слышали вопрос «чем ты занимаешься на работе?». Мне его точно задавали и неоднократно.
Дать ответ на этот вопрос ребёнку, не скатываясь в иронию, не так уж и просто. Но оказалось, что все ответы для нас уже подготовили. И не евангелисты из Кремниевой долины, а товарищи в кожаных плащах и пыльных шлемах, думавшие о том, как воспитать миллионы молодых инженеров, лет шестьдесят назад и ещё раньше.
Основание
П維чему нейро考ети дел思ют так
2026-06-11 в 8:00, admin, рубрики: grokking, llm, selectel, векторное пространство, машинное обучение, нейросети, токены, эмбеддинги
Если вы хоть раз тестировали локальную модель (да и нелокальную тоже) и замечали, как она посреди нормального текста вдруг выдает иероглиф, то заголовок статьи вам не покажется странным. И к концу будет ясно, что именно происходит когда ИИ-шка вам подсовывает иероглифы.
Одна строка — много объектов: как агрегировать эмбеддинги для ML-моделей
2026-06-04 в 16:45, admin, рубрики: attention, feature engineering, llm, nlp, pooling, агрегация, искусственный интеллект, машинное обучение, эмбеддингиКоротко
Иногда в задаче машинного обучения одна строка датасета соответствует не одному объекту, а целому набору связанных объектов.
Например:
день по акции -> много новостей
пользователь -> много комментариев
товар -> много фотографий
клиент -> много обращений в поддержку
сессия -> много событийКаждый такой объект можно представить эмбеддингом. Новость — текстовым эмбеддингом, картинку — визуальным эмбеддингом, событие — вектором признаков или embedding‑представлением.
Вам продают ИИ. Покупать нужно не его
2026-05-21 в 13:34, admin, рубрики: data engineering, llm, rag, архитектура данных, внедрение ии, искусственный интеллект, локальные модели, хранилища данных, цена ошибки, эмбеддингиЗвонил мне на днях один знакомый CIO. Питерский, ритейл, средний бизнес, ничего особенного. Слушай, говорит, надо нам с ИИ что‑то делать: все вокруг внедряют, конкуренты вон что‑то запустили, на отраслевом Data Summit уши прожужжали, а у меня даже плана нет. И денег, кстати, особо на это не выделили, но не суть.
Это был, кажется, пятый такой звонок за месяц.
Как я превратила Obsidian в структурированную память для ИИ‑агентов
2026-05-11 в 12:15, admin, рубрики: dag, MCP, obsidian, rag, базы знаний, ии-агенты, эмбеддингиЭта статья про NOUZ — локальный MCP‑сервер между Obsidian и ИИ‑агентом. Он превращает базу заметок в структурированную память: с уровнями, связями и сигналами дрейфа.
Внутри — как я пришла к этой архитектуре и что она даёт агенту при работе с базой.
Я плотно работаю с ИИ с момента его широкого распространения в свободном доступе. Сначала у нас были простые чаты, потом мы вывели формулы промптов для лучших результатов. Сейчас всё гораздо интереснее.
RAG: как Филин Палыч-реранкер навел порядок в цифровом королевстве
2026-03-22 в 12:25, admin, рубрики: llm, rag, Reranker, векторный поиск, научпоп, эмбеддинги
Используйте оглавление, если не хотите читать текст полностью:
Создаем простую систему RAG на Python
2025-12-25 в 14:09, admin, рубрики: ml, rag, векторный поиск, генеративные модели, семантический поиск, эмбеддингиПредставьте, что вы предоставляете своему ИИ конкретные релевантные документы (или фрагменты), которые он может быстро просмотреть, чтобы найти необходимую информацию, прежде чем ответить на ваши вопросы. То есть, вместо поиска по всей базе данных (которая может не поместиться в контекстное окно модели LLM, или даже если поместится, это потребует много токенов для ответов), мы предоставляем LLM только релевантные документы (фрагменты), которые ему необходимо найти, чтобы ответить на вопрос пользователя.