Цены пошли на спад. 22 сентября Anthropic и OpenAI с разницей примерно в полтора часа выпустили модели дешевле своих предшественников, а DeepSeek отдала кэшированный вход по 0,003$ за миллион токенов.
Рубрика «mlops»
ИИ дешевеет, а ваш компьютер дорожает: как OpenAI и Anthropic устроили гонку цен
2026-10-07 в 12:00, admin, рубрики: AI, Anthropic, ddr5, ml, mlops, OpenAI, дайджест-ml, ии компанииPPU Zhenwu 810E от Alibaba: как китайский AI-ускоритель справляется с LLM
2026-10-06 в 8:00, admin, рубрики: AI, ai-ускорители, Alibaba Cloud, deepseek, gpu, ml, mlops, ppu, selectel
Зелёный пайплайн ничего не доказывает. Семь способов, которыми quality gate пропускает брак в прод
2026-10-02 в 9:01, admin, рубрики: ci, devops, mlops, quality gate, QualityGates, ruvds_статьи, валидация моделей, качество кода, машинное обучение, тестирование
if roc_auc < 0.85: exit 1Читать полностью »
Зачем нейросети «обвязка»: как превратить LLM в рабочий AI-сервис
2026-09-30 в 12:00, admin, рубрики: AI, harness, harness engineering, llm, llm-модели, ml, mlops, обвязка, обвязка агента
Большую языковую модель можно скачать с Hugging Face, развернуть на сервере с GPU и отправить ей первый запрос. Технически LLM уже работает: получает текст на вход и генерирует ответ. Но до готового бизнес-сервиса еще далеко.
От капстоуна к продакшену: fail‑fast, structured logs, Prometheus и Docker‑образ 8.15GB → 1.35GB
2026-08-17 в 11:21, admin, рубрики: docker image size, fastapi, Grafana, mlops, ONNX, prometheus, rag, sentence-transformers, structlogУ меня есть RAG‑сервис: проверяет фактологические утверждения в бизнес‑отчётах против реальных источников — SEC EDGAR, World Bank, FRED, Wikipedia. Это капстоун LLM Zoomcamp (DataTalksClub). Курс закончился, оценку поставили (peer review, 42/42), а я решил дотянуть проект до состояния «не стыдно показать на собеседовании как рабочий код», а не просто «закрыл критерии оценки курса».
Критерии оценки курса не требуют production‑паттернов — они про RAG‑пайплайн: retrieval, evaluation, orchestration. На собеседовании про RAG спрашивают другое — то, что курс не проверяет:
-
что будет, если сервису подсунут неправильные переменные окружения при деплое;
vLLM vs LMDeploy vs Triton: обзор бэкендов для инференса LLM
2026-07-18 в 8:00, admin, рубрики: lmdeploy, ml, mlops, Nvidia, selectel, triton-inference-server, vllm
Лучший способ сжечь бюджет компании на инфраструктуру — запуск LLM в продакшене. Но только если вы не знаете, какой бэкенд использовать и как его настраивать.
Миф о «равных весах»: что на самом деле скрывается внутри малых моделей
2026-06-04 в 8:00, admin, рубрики: AI, ai-агенты, deepseek, gpt-oss, llm-модели, mistral, mlops, phi-4, qwen, selectel
Volga: движок обработки real-time данных для AI-ML — аналог Spark и Flink на Rust (Arrow + DataFusion)
2026-04-09 в 9:26, admin, рубрики: AI, Flink, kubernetes, ml, mlops, python, Rust, spark, sql, streaming
Как я уместил весь MLOps-пайплайн в 10 строк
2026-04-08 в 9:01, admin, рубрики: gitlab, ml, mlflow, mlops, ruvds_статьи
В последнее время я часто работал с разными ML-проектами в GitLab. В каждом был свой .gitlab-ci.ymlЧитать полностью »
Мета-модель для диагностики обучения нейросетей
2026-03-15 в 18:15, admin, рубрики: ml, ml-инженер, mlops, python, random forest, sklearn1. Проблема
Когда мы обучаем модели машинного обучения, почти всегда возникает один и тот же вопрос:
Что именно происходит во время обучения?
Обычно мы смотрим на графики метрик и пытаемся вручную интерпретировать происходящее:
-
Модель недообучена
-
Модель переобучена
-
Имбаланс датасета.
-
Сильно шумные данные.
Можно посмотреть на learning curves и понять, что происходит: