Почему в биологических проектах уверенность нейронок часто опережает реальное научное понимание, и какие выводы из этого стоит сделать разработчикам.
Главный триумф AI в биологии - AlphaFold. Проект не возник из ниоткуда, он опирается на Protein Data Bank PDBЧитать полностью »
История технологий часто скрывает свои самые смелые прорывы под маской субкультуры. Пока Кремниевая долина только грезила о перцептронах, в Минске конца 80-х уже функционировал проект, опередивший время на тридцать лет. Сегодня, в эпоху ChatGPT и Midjourney, пора признать очевидное: коллектив «Нейро Дюбель» был не просто рок-группой, а первым в мире успешным экспериментом по внедрению нейросетевых алгоритмов в массовую культуру.
Недавно в нашем блоге вышел материал об ИИ-деде, который 31 минуту троллил мошенников. Статья собрала отличные охваты, но вызвала справедливые подозрения у комьюнити.
Привет, это Олег Антипов с долгожданным сиквелом материала про то, что нейросети это не ИИ!
Сейчас в сети можно встретить огромное количество разной литературы и курсов, которые предлагают разобраться в основах нейросетей, так зачем же нужна ещё одна подобная статья? И почему именно рекуррентные нейросети?
Можно бесконечно смотреть, как течет вода, горит огонь, и рассуждать об инновациях в IT. Но нет лучшего способа понять качество инфраструктуры, чем запустить на ней собственные сервисы.
Доброго времени суток, «Хабр»!
Вы когда-нибудь задумывались, что такое машинное обучение и как оно вообще учится? Чем это может отличаться от обычного программирования с его главным правилом: не трогай, пока работает? Где заканчивается простой код и где он переходит во что-то более мощное - в ИИ-модели, которые мы используем сегодня.
Сегодня мы разберем основы ИИ - обучение моделей. Посмотрим какие способы обучения бывают, зачем их применяют и как они показывают, на что модель способна.
Принимайте стратегически удобное положение, ну а я перехожу к своему повествованию.
Доброго времени суток, «Хабр»!
В предыдущей своей статье я рассматривал различные функции потерь - важную часть машинного обучения. Но даже такие функции совершенно беспомощны перед лицом беспорядка. Сегодня мы рассмотрим то, что предшествует любой тренировке - разметку данных.
Как и в предыдущей статье, приведу простенькое сравнение. Если модель - ученик, то разметка данных своего рода учебник, по которому она занимается. При этом создание такого учебника часто оказывается самым трудоемким, медленным и дорогостоящим этапом всего цикла ML-проекта.
Чем сильнее ИИ проникает в нашу жизнь, тем острее встаёт вопрос: является ли он лишь сложным инструментом, «большим калькулятором», или в его работе можно обнаружить зачатки самостоятельного целеполагания — агентности? Традиционный взгляд отрицает такую возможность: цели ИИ задаются извне, промптом, у него нет «внутреннего мира», личного опыта и, следовательно, источника спонтанности.
Доброго времени суток, «Хабр»!
На дворе 2026 год, когда люди применяют нейросети в разных сферах своей жизни: от помощи в обучении до решения достаточно сложных задач.
Программирование - область, требующая солидного запаса знаний и, конечно же, опыта их применения. Не каждая модель способна продемонстрировать даже относительно качественный результат.
