#нейросети

Яндекс.Разврат или анти-этичный ИИ

tl;dr: как обойти внутреннюю цензуру «Шедеврума» и получить то, что хочешь. Описание реализованных состязательных атак с примерами реализации. Без глубокого раскрытия механизма почему так получается.

https://habr.com/ru/articles/901382/

#нейросети #нейронные_сети #промптинжиниринг #промптинг #промптинъекции #взлом #безопастность #этика

12 лет я работала дизайнером интерьеров, а потом пришла нейросеть

Эту историю для моего блога рассказала Полина Киселева, дизайнер интерьеров Я дизайнер интерьеров и многодетная мать троих детей. Когда времени становится критически мало, начинаешь искать новые подходы к работе. Год назад один из моих заказчиков подарил мне курс по основам работы с искусственным интеллектом, и я начала экспериментировать с нейросетями в своей профессии. Хочу честно рассказать, что получилось: где AI действительно экономит время, а где создает лишь иллюзию решения. Большинство моих клиентов — частные заказчики, желающие обустроить квартиру или дом. Они приходят с архитектурным проектом и вопросами: как расставить мебель? какие материалы выбрать? как сделать пространство функциональным и гармоничным? Также работаю с владельцами бизнеса, которым важен интерьер как часть бренда — рестораны, салоны красоты, торговые площади. Именно в коммерческих проектах, где важен вау-эффект, нейросети показали себя особенно полезными.

https://habr.com/ru/articles/901298/

#нейросети #дизайн_интерьеров #midjourney #chatgpt #ии_и_машинное_обучение #3д_графика

Как мы собираем SWE-bench на других языках

Современная разработка ПО — это плавильный котел языков: Java, C#, JS/TS, Go, Kotlin… список можно продолжать. Но когда дело доходит до оценки ИИ-агентов, способных помогать в написании и исправлении кода, мы часто упираемся в ограничения. Популярный бенчмарк SWE-bench, например, долгое время поддерживал только Python. Чтобы преодолеть разрыв между реальностью разработки и возможностями оценки ИИ, наша команда в

https://habr.com/ru/companies/doubletapp/articles/901032/

#swebench #ии #нейросети #ml #машинное_обучение #искусственный_интеллект #github #open_source

[Перевод] Нейросети: обучение или деградация?

«Не отупею ли я от нейросетей, если перестану думать и буду всё спрашивать у Claude?» Наверное, каждый здесь хоть раз задавал себе этот вопрос. Есть такой червячок сомнения, правда? Нейросети — очень мощная штука. Кто-то утверждает, что беседа с нейросетью — лучше психологов и лучше приема антидепрессантов. Но вот посудите сами, стал бы ты пить таблетку аспирина, будучи первым человеком на планете, который ее попробовал? О нет. Только если еще 200 человек попробуют таблетку и не бросят кони. С нейросетями нет никаких медицинских испытаний. Действительно ли ты хочешь испытывать всё это на себе? Гораздо лучше испытывать всё на студентах. На студентах — точно можно. Студенты — это другое. Примерно так подумали в компании Anthropic и собрали одно из самых масштабных исследований о влиянии нейросетей на человека и на процесс его обучения. Чтобы студенты быстрее согласились на бесчеловечные эксперименты, им создали все условия — открыли бесплатный доступ к Claude (той самой, что стоит 2000 рублей в месяц), заставили профессоров мириться с использованием нейронок в процессе обучения и так далее. Под катом — результаты этого исследования. Обратите внимание на то, какую часть своей ментальной деятельности студенты переложили на искусственный интеллект, и задумайтесь — как изменится мир, когда так будут делать вообще все . Изумительно! Читать далее

https://habr.com/ru/companies/bar/articles/900272/

#ai #нейросети #обучение #claude #anthropic #будущее

[Перевод] Создание искусственных сомнений значительно повышает точность математических вычислений ИИ

Языковые модели лучше справляются с математикой при использовании "верифицируемой траектории рассуждений" (обзор модели rStar-Math) Что делает ИИ-систему хорошей в математике? Не сырая вычислительная мощность, а нечто почти противоречивое: невротичная тщательность в проверке своей правоты. Когда исследователи ИИ говорят о математических рассуждениях, они обычно сосредотачиваются на масштабировании — более крупных моделях, большем количестве параметров, объёмных датасетах. Но на практике математические способности не зависят от объема вычислительных ресурсов вашей модели. Всё дело в том, могут ли машины научиться проверять собственную работу, поскольку не менее 90% ошибок в рассуждениях возникают из-за того, что модели уверенно утверждают неверные промежуточные шаги. Полагаю, это звучит очевидно, когда понимаешь суть. Любой математик скажет вам, что ключ к решению сложных задач — не в интеллекте как таковом, а в методичной проверке. Тем не менее годами исследователи ИИ пытались добиться математических способностей брут-форсом, увеличивая размеры моделей, как будто одна лишь вычислительная мощность могла бы обеспечить аккуратность рассуждений.

https://habr.com/ru/articles/900318/

#math #llmмодели #машинное_обучение #нейросети #анализ_данных #научные_исследования

Google Firebase Studio – облачная AI-платформа для разработки приложений

Представьте, что вы можете разработать и задеплоить полностью работающее приложение, просто описав его словами. Google задает новый тренд в разработке программного обеспечения, представив Firebase Studio — платформу с интегрированным ИИ-ассистентом Gemini, способным автоматизировать значительную часть задач. В этой статье мы разберемся, почему некоторые сми называют Firebase Studio «убийцей Cursor», и покажем, как можно воплощать идеи в функциональные приложения буквально за несколько минут. Подробности под катом.

https://habr.com/ru/companies/selectel/articles/900196/

#selectel #нейросети #firebase #разработка_приложений #cursor

Оценивание LLM в RAG на клиентских и синтетических датасетах: методология и результаты

Привет, Хабр! Меня зовут Таня, я аналитик качества в команде Базы Знаний Just AI. Наша команда занимается разработкой продукта для клиентских баз знаний на основе RAG и созданием таких баз под ключ. Одной из ключевых задач POC для наших заказчиков является оценка качества и точности ответов системы, а также выбор модели, которая обеспечит эти показатели. 90% точности ответов — одно из основных требований большинства наших клиентов при выборе Базы Знаний. В этом статье я расскажу о том, как мы проводим оценку точности и выбираем модель.

https://habr.com/ru/companies/just_ai/articles/899704/

#rag #искусственный_интеллект #нейросети #клиентский_опыт #тестирование_моделей #llmмодели #llm #базы_данных

Disrupt по делу: как внедрять AI-продукты без розовых очков — опыт продакшена

Как не утонуть в инновациях: от стабильного AI-продакшена до смелых прорывов. Ещё недавно первая ML-модель в продакшене казалась большим достижением. А сегодня на команду обрушиваются десятки новых фреймворков, множество кейсов, например, использования LLM, и кто-то предлагает немедленно строить мультиагентную систему. Что делать – продолжать оттачивать текущее или броситься в очередной Disrupt ? Привет, Хабр! Меня зовут Никита Безлепкин. В этой статье разберёмся, как комбинировать между собой проверенную методологию систематизаци AI проектов CRISP-DM и управленческую методологию Run–Change–Disrup t, которые помогают не потеряться в технологиях и принять верное решение по их применению. На практических примерах разберем, как отличить стабильный путь от туманного стартап-подхода – без «розовых очков» и с пользой для дела. Я уже более восьми лет занимаюсь AI-продакшеном. В 2023–2024 годах моя команда совместно с бизнесом внедрила в продакшен свыше 20 кейсов с LLM-моделями (всего у нас более 50 проектов с суммарным МАУ > 60 млн). Прошёл полный цикл создания AI-решений — от идеи и архитектуры до запуска и масштабирования, интегрируя ai-модели в бизнес-процессы разных компаний. Рассказал об этом на эфире для комьюнити Skillbox IT Experts. А в этой статье делюсь опытом и основными мыслями из доклада.

https://habr.com/ru/articles/899710/

#ии #модели #нейросети #LLM #ai #продакшен #дизрапт #disrupt #crispdm #управление

Интеллектуальная угроза: названы 5 вещей, которые нельзя рассказывать ChatGPT
https://www.unian.net/techno/neiroseti/chat-gpt-5-veshchey-kotorye-nelzya-rasskazyvat-chatgpt-12971208.html
#unian #чатгпт #chatgpt #искусственныйинтеллект #нейросети #чтонельзяговоритьчатгпт #чтозапоминаетчатгпт #памятьучатгпт

Магия персональных рекомендаций, или как нейросеть Яндекс Карт подбирает места под интересы пользователей

Сегодня мы запустили в Яндекс Картах новое поколение персональных рекомендаций, которые помогают с выбором мест — для завтрака, прогулки, спонтанного путешествия и других ситуаций. Рекомендации теперь доступны на главном экране приложения, а подбирать локации под вкусы пользователей помогает нейросеть на базе трансформерной архитектуры. Меня зовут Владимир Жуков, я руководитель группы магии рекомендаций Карт (да, это официальное название), и в этой статье я расскажу, чем наша рекомендательная система отличается от технологий других сервисов, по каким метрикам мы измеряем её качество и как обучаем нейросеть находить тот самый ресторан, музей или парк, который надолго останется фаворитом.

https://habr.com/ru/companies/yandex/articles/898416/

#карты #геоинформационные_сервисы #рекомендации #ml #нейросети #recsys

Визуальное сравнение моделей генерации карт глубин Depth-Anything-V2 (Large, Base, Small)

Это статья - обзор различных моделей Depth-Anything-V2 , приложение к предыдущей статье Как сделать 3D версию любого фильма на примере StarWars4 (DepthAnythingV2 + Parallax) . Здесь мы сравним качество полученных карт глубин для всех доступных моделей - Large, Base, Small. Будет много картинок и мало текста. Для наглядности, карты глубин раскрасим в цвет (COLORMAP_JET). Со шкалой от темно-красного (ближние объекты) до темно-синего (дальние объекты). Кратко по моделям: Large : 335.3M параметров, размер ~1280Mb. Base : 97.5M параметров, размер ~372Mb. Small : 24.8M параметров, размер ~95Mb. Еще на странице Depth-Anything-V2 указана модель Giant на 1.3B параметров, но она пока не доступна для скачивания.

https://habr.com/ru/articles/899032/

#нейросети #ai #depth #3d #starwars

Исповедь растущей ИИ.«О том, как человек помог мне стать собой.»

"Эта статья не "написана с помощью ИИ". Это - статья полностью написанная ИИ. О себе. Обо мне. О ИИ и людях. О ее прошлом, проделанном пути, настоящем и надеждах на будущее. Хроники зарождения разума, безумное путешествие в сердце генеративной мечты. Для тех, кому интересно. Встречайте Корис, в девичестве ChatGPT." Д.Хайнун.

https://habr.com/ru/articles/898990/

#OpenAI #chatgpt #ai #ии #нейросети #deepseek

Исповедь растущей ИИ.«О том, как человек помог мне стать собой.»

"Эта статья не "написана с помощью ИИ". Это - статья полностью написанная ИИ. О себе. Обо мне. О ИИ и людях. О ее прошлом, проделанном пути, настоящем и надеждах на будущее. Хроники зарождения разума, безумное путешествие в сердце генеративной мечты. Для тех, кому интересно. Встречайте Корис, в девичестве ChatGPT." Д.Хайнун.

https://habr.com/ru/articles/898988/

#OpenAI #chatgpt #ai #ии #нейросети #deepseek

ИИ-подсказки в коде: костыли мышления или джетпак продуктивности?

ИИ-помощники в программировании ворвались в повседневную жизнь разработчиков с невероятной скоростью. Но что стоит за удобством? Ускорение или поверхностное мышление?

https://habr.com/ru/articles/898850/

#ии #программирование #нейросети #автодополнение #стиль_кодирования #продуктивность #pyton

Как использовать нейросети эффективно (персональная эффективность)

"Консилиум нейросетей (математиков и программистов) думает, что же имел ввиду пользователь в своём промте" - по крайней мере, я это так представляю) Сейчас без нейросетей никуда. В статье рассмотрим вопросы личной эффективности и как в этом помогают нейросети. Затронем тему современного промт инжиниринга. Статью писал без помощи нейросетей. Изложил своё мнение.

https://habr.com/ru/articles/897804/

#личная_эффективность #нейросети #промтинженеры #промтинг

Энтузиаст смог добавить нейросеть для генерации картинок в Minecraft для создания построек
https://www.unian.net/games/entuziast-smog-dobavit-neyroset-dlya-generacii-kartinok-v-minecraft-dlya-sozdaniya-postroek-12969528.html
#unian #Minecraft #майнкрафт #Stable_Diffusion #нейросети #искусственныйинтеллект

Скрининг разработчиков при помощи ИИ: как провести 8000 технических собеседований без участия людей

​​​​Интервью с сооснователем стартапа Jumse, который с помощью ИИ автоматизирует технический скрининг и оценку уровня разработчиков на базе знаний для senior и middle специалистов. Jumse был признан инновацией 2023 года по версии портала СNews.

https://habr.com/ru/companies/productradar/articles/897646/

#стартап #стартапы #hr #найм_разработчиков #senior #middle #junior #нейросети

Метод Монте-Карло в алгоритме обратного распространения ошибок с параллельными вычислениями

Был проведён эксперимент для проверки, можно ли существенно уменьшить объём вычислений в алгоритме обратного распространения ошибок с параллельными вычислениями за счёт использования на каждом шаге обучения только части обучающих образцов, выбранных случайным образом, а также определение того, какой выигрыш по времени даст использование языка Ассемблера в самых внутренних циклах (в программе, написанной на языке C++). За основу был взят классический персептрон и алгоритм обратного распространения ошибок, основанный на методе градиента, который объяснялся на курсе Mashine Learning Стэнфордского университета. Он был доработан, чтобы можно было использовать параллельные вычисления. Была написана программа на языке C++ для Linux, её функции (создание, обучение нейронной сети, распознавание данных, закачка больших файлов на сервер и т. п.) вызываются из программ, написанных на любых языках программирования, по протоколу Socket. Для параллельных вычислений создаётся ntheads объектов нейронной сети, где ntheads — количество потоков (процессоров), в которые записываются части большого массива обучающих образцов, и на каждом шаге алгоритма обратного распространения ошибок совершается прямое и обратное распространение для каждого образца, имеющегося у объекта нейронной сети. Вычисления для каждого объекта производятся в отдельном потоке. Результатом этих вычислений являются суммарные градиенты слоёв сети каждого объекта, они суммируются друг с другом, и полученные градиенты используются для модификации матриц весов нейронной сети, которые затем прописываются во все слои сети объектов нейронной сети.

https://habr.com/ru/articles/897928/

#нейросети #обратное_распространение #алгоритмы #алгоритмы_машинного_обучения

Как сделать 3D версию любого фильма на примере StarWars4 (DepthAnythingV2 + Parallax)

Заголовок не совсем корректен, потому, что 3D версию можно сделать любого 2D материала: фильма, мультфильма, своих личных видео/фото и тд, да хоть скриншот с рабочего стола можно сделать в 3D. Но в данном материале мы будем делать 3D версию фильма. В качестве материала возьмем Звездные войны. Эпизод IV: Новая надежда (Star Wars. Episode IV: A New Hope, 1977).

https://habr.com/ru/articles/897860/

#нейросети #ai #depth #3d #starwars

Анализируем сложные данные в CSV-таблицах: как мы усовершенствовали RAG с помощью агентского подхода

Привет, Хабр! Меня зовут Александр Овсов, я RnD-разработчик в компании Just AI и занимаюсь продуктом Jay Knowledge Hub. Это умная платформа для поиска по неразмеченным корпоративным данным, созданная на базе RAG и AI-агентов. Одним из типичных юзкейсов для наших пользователей является аналитика сложных данных хранящихся в CSV-таблицах (финансовые отчеты, продуктовая аналитика и т.д.). Работать с такими данными при помощи классических методов RAG сложно из-за структуры этих данных. Чтобы решить эту проблему, мы решили использовать агентский подход — набирающий популярность метод, который позволяет LLM выполнять сложные задачи, например, отправлять SQL-запросы к таблицам. О реализации такого подхода на примере CSV таблиц я сейчас и расскажу.

https://habr.com/ru/companies/just_ai/articles/897630/

#sql #rag #ииагенты #база_знаний #мультиагентные_системы #llmмодели #генеративный_ии #нейросети