Что такое машинное обучение и как оно вообще «учится»? Чем это отличается от обычного программирования с if, for и «всё работает, пока не трогаешь»? А где заканчиваются понятные алгоритмы и начинается чёрный ящик вроде ChatGPT?
Рубрика «ml» - 14
Как обучают ИИ: без формул, но с котами
2025-06-18 в 9:22, admin, рубрики: Generative Art, generative models, ml, self-supervised, генеративные модели, искусственный интеллект, научпоп, обучение нейронных сетей, парадигмы
Разбираемся с суффиксами квантования LLM: что на самом деле значат Q4_K_M, Q6_K и Q8_0
2025-06-16 в 17:15, admin, рубрики: AI, llm, llm-архитектура, llm-модели, llm-приложения, ml, ИИ, ИИ и машинное обучение, искусственный интеллект, квантование
Привет!
Читать полностью »
Провал роботизации Nike, и почему гуманоиды важны
2025-06-14 в 4:47, admin, рубрики: AI, elonmusk, ml, tesla, роботыТак доказывает их производитель.
Как устроены LLM-агенты: архитектура, планирование и инструменты
2025-06-12 в 8:07, admin, рубрики: AI, LangChain, llm, ml, Ollama, selectel, агенты, большие языковые модели, машинное обучение
Всем привет! С вами Кирилл Филипенко, сисадмин из Selectel, и сегодня мы погрузимся в тему LLM-агентов. Сейчас об этих самых «агентах» кричат буквально из каждого утюга, поэтому пришло время наконец-то разобраться, что это такое, как они работают и с чем их, собственно, едят. Прыгайте под кат, будет интересно!Читать полностью »
Никто не читает старые статьи… базу, так сказать, основу…
2025-06-11 в 13:40, admin, рубрики: ml, наука, разбор, статьиМного авторов так или иначе рассказывают о статьях в ML-сообществе, но большинство из них популярны, потому что являются хорошими опытными специалистами, а значит в своё время прошли все базовые статьи и могут себе позволить рассказывать только о новинках в сообществе. Что же делать молодым специалистам, которые действительно хотят разобраться, но ещё не читали ту самую базу?.. так сказать, основу...
Для себя и, надеюсь, кого-то ещё, я предлагаю эти три разбора, на мой взгляд, основополагающих статей мира ML. Приятного прочтения.
Обнаружение новых небесных объектов с помощью ML: стартап СТРАЖ для астрономов
2025-06-11 в 9:00, admin, рубрики: ml, астрономия, магистратура, машинное обучение. нейросети, новые звезды, облачная инфраструктура, облачные технологии, студенческий стартап«Страж» — это первая в России ML-система для обнаружения и классификации переменных звезд на базе сразу нескольких разнотипных нейросетей. Она уже на этапе прототипа способна анализировать данные обсерваторий с точностью до 98% и скоростью в 5 раз выше ручной обработки.
Работая с огромными массивами данных, «Страж» упрощает и ускоряет обработку снимков звездного неба, на которых могло притаиться потенциальное открытие. Проект реализован при технологической поддержке облачной платформы Yandex Cloud.
Benchmark — разрушитель LLM’ок, или Как мы собрали свой мультиязычный SWE-Bench
2025-06-07 в 11:17, admin, рубрики: AI, bench, benchmark, dataset, DS, ml, ML4se, SWE, разметка данныхВ статье представлено многоязычное расширение SWE-Bench от команды Doubletapp — бенчмарка для оценки больших языковых моделей (LLM) на реальных задачах программной инженерии, на различных языках программирования и кодовых базах индустрии. О процессе сбора SWE-Bench мы уже рассказывали в отдельной статьеЧитать полностью »
Continuous Thought Machine: как Sakana AI научила модель думать тиками
2025-06-06 в 16:44, admin, рубрики: AI, architecture, CIFAR-10, ctm, LSTM, ml, NLM, sakana, sakanaai
Аналитический центр red_mad_robot продолжает следить за архитектурными прорывами в мире AI. В этот раз — экспериментальная модель от команды Sakana AIЧитать полностью »
От depth map* до нейросети: практический опыт создания аппаратного решения по измерению товаров на складе
2025-05-30 в 12:32, admin, рубрики: depth map, ml, видеотехника, карта глубины, Компьютерное железо, машинное обучение, машинное обучение и нейросети, Разработка под e-commerceВ предыдущей статье мы рассказали о том, как появилась идея собственного решения и об истории создания нашего измерительного устройства.
Во второй части мы сосредоточимся на технической стороне проекта: разберём алгоритмы измерения и инженерные решения, которые позволили добиться высоких точности и скорости замеров. Мы также поделимся опытом преодоления ключевых технических вызовов и расскажем, как пришли к текущему виду устройства.
Объяснимый ИИ — очень важный аспект в ML и DL. Он заключается в том, чтобы интерпретировать модель так, чтобы можно было около прозрачно объяснить ее решения. Потому что это довольно частая необходимость как у конечного заказчика, ведь для них это просто «черный ящик», так и у разработчиков непосредственно (например, для отладки модели). На русском языке таких статей не так много (для тех, кто знает английский проблем с этим нет, на нем таких статей много, например, Kaggle), поэтому я решил, что статья покажется актуальной, и сегодня я попробую рассказать про это и показать на конкретном примере, как его можно реализовать.