#машинное_обучение — Public Fediverse posts

Адаптивный СВЧ-сенсор на базе 8-битного МК

В области встроенных систем и СВЧ-электроники применение «тяжёлых» нейросетевых решений (включая TinyML) часто ограничено вычислительными ресурсами и энергопотреблением. В статье рассматривается альтернативный подход: частотная дискриминация с помощью двух амплитудных детекторов с разной нелинейностью отклика. Разница их выходных напряжений формирует уникальный «отпечаток» частоты. Для классификации используется однослойный перцептрон, реализованный на 8-битном микроконтроллере К1946ВМ014 (аналог ATmega8535) с целочисленной арифметикой. Представлены схема устройства, алгоритм обучения и экспериментальные результаты распознавания частотных диапазонов. Код (95 строк) и основные технические решения.

https://habr.com/ru/companies/stc_spb/articles/1037186/

#свчдетектор #микроконтроллер #измерительное_оборудование #радиоэлектроника #машинное_обучение #tinyml #персептрон

Самый настоящий FP64 для ядерных расчетов? Анонс AMD Instinct MI430X

На майском HPC User Forum в Остине AMD рассказали о MI430X — ускорителе серии MI400, который позиционируется как инструмент для научных вычислений. Пока индустрия увлечена инференсом и считает токены в секунду на FP4, AMD напомнила, что CFD-код (Computational Fluid Dynamics) не интересует, насколько быстро чип умножает восьмибитные числа. Привет, Хабр! Меня зовут Сергей Ковалёв, я менеджер Узнать подробности

https://habr.com/ru/companies/selectel/articles/1036554/

#selectel #видеокарты #машинное_обучение #научные_вычисления

Гири, штрихкоды, роботы и AI: проверьте свои знания эволюции ретейла

Когда-то ретейл держался на продавцах, а вершиной технологий в магазине был кассовый аппарат. Сегодня всё изменилось: покупатели сами берут товар с полок, умные системы на весах распознают покупки. А если посмотреть на происходящее с точки зрения сети магазинов, то там давно уже технологии будущего: системы прогноза спроса, подбора цены и составление портрета покупателя по содержимому корзины. В этом тесте вы прикоснётесь к разным эпохам ретейла. Вас ждут и торговые изобретения прошлого — от необычных до ставших привычными, и современные технологии Lenta Tech. Готовы проверить свою интуицию и пройти путь от сегодняшнего техстека торговой сети до первых касс? Тогда заглянем под капот магазина. P. S. Среди прошедших тест алгоритм выберет получателей призов. Проверить знания

https://habr.com/ru/specials/1034800/

#машинное_обучение #алгоритмы #клиентская_аналитика #базы_данных #ai #клон #ретейл

Открытые уроки OTUS 18–28 мая: ИИ, Go, Kubernetes, ML, QA, архитектура и безопасность

Kubernetes, Go, LLM, нагрузочное тестирование, observability, AI‑агенты, CTE, API Gateway и безопасность — в мае у OTUS много открытых уроков для тех, кто хочет быстро погрузиться в актуальные IT‑темы без долгого выбора курса. Собрали расписание на 18–28 мая: можно выбрать направление под свои задачи, посмотреть формат обучения и понять, какую тему стоит разобрать глубже.

https://habr.com/ru/companies/otus/articles/1036174/

#открытые_уроки #ИИ #машинное_обучение #Kubernetes #Go #DevOps #QA #архитектура #информационная_безопасность #продуктовый_маркетинг

Открытые уроки OTUS 18–28 мая: ИИ, Go, Kubernetes, ML, QA, архитектура и безопасность

Kubernetes, Go, LLM, нагрузочное тестирование, observability, AI‑агенты, CTE, API Gateway и безопасность — в мае у OTUS много открытых уроков для тех, кто хочет быстро погрузиться в актуальные IT‑темы без долгого выбора курса. Собрали расписание на 18–28 мая: можно выбрать направление под свои задачи, посмотреть формат обучения и понять, какую тему стоит разобрать глубже.

https://habr.com/ru/companies/otus/articles/1036174/

#открытые_уроки #ИИ #машинное_обучение #Kubernetes #Go #DevOps #QA #архитектура #информационная_безопасность #продуктовый_маркетинг

Открытые уроки OTUS 18–28 мая: ИИ, Go, Kubernetes, ML, QA, архитектура и безопасность

Kubernetes, Go, LLM, нагрузочное тестирование, observability, AI‑агенты, CTE, API Gateway и безопасность — в мае у OTUS много открытых уроков для тех, кто хочет быстро погрузиться в актуальные IT‑темы без долгого выбора курса. Собрали расписание на 18–28 мая: можно выбрать направление под свои задачи, посмотреть формат обучения и понять, какую тему стоит разобрать глубже.

https://habr.com/ru/companies/otus/articles/1036174/

#открытые_уроки #ИИ #машинное_обучение #Kubernetes #Go #DevOps #QA #архитектура #информационная_безопасность #продуктовый_маркетинг

Открытые уроки OTUS 18–28 мая: ИИ, Go, Kubernetes, ML, QA, архитектура и безопасность

Kubernetes, Go, LLM, нагрузочное тестирование, observability, AI‑агенты, CTE, API Gateway и безопасность — в мае у OTUS много открытых уроков для тех, кто хочет быстро погрузиться в актуальные IT‑темы без долгого выбора курса. Собрали расписание на 18–28 мая: можно выбрать направление под свои задачи, посмотреть формат обучения и понять, какую тему стоит разобрать глубже.

https://habr.com/ru/companies/otus/articles/1036174/

#открытые_уроки #ИИ #машинное_обучение #Kubernetes #Go #DevOps #QA #архитектура #информационная_безопасность #продуктовый_маркетинг

Я выяснил, что Яндекс Музыка на треть состоит из нейрослопа

Возможно вы уже знаете, что в чарт «Яндекс Музыки» залетают треки, сгенерированные ИИ. Например, перепевка стихотворения Есенина «Сыпь, гармоника», которая сейчас на 16 месте чарта. Или трек «Ярмарка судеб» исполнителя Alena, который был даже спет в эфире телеканала Россия 1 . Мне нравились алгоритмы «Яндекс Музыки». Благодаря им в своё время я открыл много малоизвестных артистов, которых слушаю до сих пор. Но с появлением Suno, Lyria, Udio, алгоритмами рекомендаций Яндекса пользоваться стало невозможно. Мне то и дело подсовывались низкокачественные ИИ-треки. В какой-то момент меня это достало. Я провёл своё расследование и получил неутешительные результаты. В базе «Яндекс Музыки» сейчас как минимум 77 тысяч ИИ-исполнителей . Ежемесячно они загружают от 100 тысяч ИИ-треков , что составляет примерно треть от всех загружаемых треков. А каждый 10-й трек в чарте – сгенерирован ИИ . И «Яндекс» ничего с этим не делает. Читать результаты расследования

https://habr.com/ru/articles/1036166/

#ии #нейросети #музыка #машинное_обучение #xgboost #расширения_браузеров #python #typescript

Агенты, которые играют в игры: как MMORPG обучают ИИ кооперации, предательству и дипломатии

Недавно прогремела громкая новость: Google DeepMind будет тестировать ИИ-модели в EVE Online — одной из самых сложных MMO с живой экономикой, корпорациями игроков, дипломатией, войнами и рынками. Лаборатория заключила исследовательское партнерство с Fenris Creations, студией-разработчиком EVE Online, ранее известной как CCP Games. Google также получила миноритарную долю в компании. Сделка прошла в момент крупной перестройки студии. Fenris Creations вышла из-под контроля Pearl Abyss и стала независимой после соглашения на 120 млн долл. Компания сохранила руководство, команды и текущие проекты, включая EVE Online, EVE Vanguard и EVE Frontier. DeepMind не будет запускать эксперименты в основном мире EVE Online. Для исследований будет использоваться офлайн-версия игры на локальном сервере. Это позволит тестировать и оценивать модели в изолированной среде. Зачем ИИ-проектам такие песочницы, чему они будут там обучаться и каким может стать ИИ благодаря такому обучению.

https://habr.com/ru/companies/ru_mts/articles/1035364/

#искусственный_интеллект #самообучение #модели #машинное_обучение #ai #ии #игровая_индустрия #игровые_миры #гейминг #геймдев

До свидания, любимые эмэльщики! Мы сделали стенд по компьютерному зрению, которым может воспользоваться каждый

На стенде ваши модели обучаются буквально на десятках картинок вместо тысяч, и дают не меньше 86% точности, при этом обходят YOLO — без GPU-кластеров и эмэль‑псевдомагии. Мы разработали уникальный во всех смыслах слова стенд. И с развитием стенда ML-щики будут ....й не нужны, потому что никаких действий от ML-щиков внутри требоваться не будет. Положите в стенд изображения (десяток‑другой, вместо тысяч), понажимайте кнопки — получите результат. Чтобы пользоваться нашим стендом, не нужно быть айтишником, а можно – быть кем угодно. Вы можете тренировать модель для себя. Айтишник может пригодиться на этапе наладки отправки данных с вашего приложения, камеры или чего угодно ещё в нашу систему, чтобы мгновенно получать ответ/результат. Либо для разметки данных, потому что у нас этого интерфейса пока еще нет. Ку-ку!

https://habr.com/ru/articles/1035770/

#tape #компьютерное_зрение #coco #искусственный_интеллект #машинное_обучение #язык_мышления #yolo

До свидания, любимые эмэльщики! Мы сделали стенд по компьютерному зрению, которым может воспользоваться каждый

На стенде ваши модели обучаются буквально на десятках картинок вместо тысяч, и дают не меньше 86% точности, при этом обходят YOLO — без GPU-кластеров и эмэль‑псевдомагии. Мы разработали уникальный во всех смыслах слова стенд. И с развитием стенда ML-щики будут ....й не нужны, потому что никаких действий от ML-щиков внутри требоваться не будет. Положите в стенд изображения (десяток‑другой, вместо тысяч), понажимайте кнопки — получите результат. Чтобы пользоваться нашим стендом, не нужно быть айтишником, а можно – быть кем угодно. Вы можете тренировать модель для себя. Айтишник может пригодиться на этапе наладки отправки данных с вашего приложения, камеры или чего угодно ещё в нашу систему, чтобы мгновенно получать ответ/результат. Либо для разметки данных, потому что у нас этого интерфейса пока еще нет. Ку-ку!

https://habr.com/ru/articles/1035770/

#tape #компьютерное_зрение #coco #искусственный_интеллект #машинное_обучение #язык_мышления #yolo

До свидания, любимые эмэльщики! Мы сделали стенд по компьютерному зрению, которым может воспользоваться каждый

На стенде ваши модели обучаются буквально на десятках картинок вместо тысяч, и дают не меньше 86% точности, при этом обходят YOLO — без GPU-кластеров и эмэль‑псевдомагии. Мы разработали уникальный во всех смыслах слова стенд. И с развитием стенда ML-щики будут ....й не нужны, потому что никаких действий от ML-щиков внутри требоваться не будет. Положите в стенд изображения (десяток‑другой, вместо тысяч), понажимайте кнопки — получите результат. Чтобы пользоваться нашим стендом, не нужно быть айтишником, а можно – быть кем угодно. Вы можете тренировать модель для себя. Айтишник может пригодиться на этапе наладки отправки данных с вашего приложения, камеры или чего угодно ещё в нашу систему, чтобы мгновенно получать ответ/результат. Либо для разметки данных, потому что у нас этого интерфейса пока еще нет. Ку-ку!

https://habr.com/ru/articles/1035770/

#tape #компьютерное_зрение #coco #искусственный_интеллект #машинное_обучение #язык_мышления #yolo

До свидания, любимые эмэльщики! Мы сделали стенд по компьютерному зрению, которым может воспользоваться каждый

На стенде ваши модели обучаются буквально на десятках картинок вместо тысяч, и дают не меньше 86% точности, при этом обходят YOLO — без GPU-кластеров и эмэль‑псевдомагии. Мы разработали уникальный во всех смыслах слова стенд. И с развитием стенда ML-щики будут ....й не нужны, потому что никаких действий от ML-щиков внутри требоваться не будет. Положите в стенд изображения (десяток‑другой, вместо тысяч), понажимайте кнопки — получите результат. Чтобы пользоваться нашим стендом, не нужно быть айтишником, а можно – быть кем угодно. Вы можете тренировать модель для себя. Айтишник может пригодиться на этапе наладки отправки данных с вашего приложения, камеры или чего угодно ещё в нашу систему, чтобы мгновенно получать ответ/результат. Либо для разметки данных, потому что у нас этого интерфейса пока еще нет. Ку-ку!

https://habr.com/ru/articles/1035770/

#tape #компьютерное_зрение #coco #искусственный_интеллект #машинное_обучение #язык_мышления #yolo

Могут ли LLM находить flaky‑тесты по одному только коду теста? Разбор одного исследования

Flaky‑тесты сложно ловить даже привычными инженерными методами: они ломают CI, подрывают доверие к автотестам и часто воспроизводятся только тогда, когда уже никто не понимает почему. Кажется логичным поручить такую задачу LLM: показать модели код теста и попросить определить, насколько он подозрительный. В статье разбираем исследование, где этот подход проверили на практике, и смотрим, почему хорошие метрики на датасете ещё не означают, что модель действительно понимает природу flaky‑поведения. Читать разбор

https://habr.com/ru/companies/otus/articles/1026824/

#flakyтесты #LLM #автотесты #тестирование_ПО #нестабильные_тесты #QA #машинное_обучение #анализ_кода #промптинг #RAG

Могут ли LLM находить flaky‑тесты по одному только коду теста? Разбор одного исследования

Flaky‑тесты сложно ловить даже привычными инженерными методами: они ломают CI, подрывают доверие к автотестам и часто воспроизводятся только тогда, когда уже никто не понимает почему. Кажется логичным поручить такую задачу LLM: показать модели код теста и попросить определить, насколько он подозрительный. В статье разбираем исследование, где этот подход проверили на практике, и смотрим, почему хорошие метрики на датасете ещё не означают, что модель действительно понимает природу flaky‑поведения. Читать разбор

https://habr.com/ru/companies/otus/articles/1026824/

#flakyтесты #LLM #автотесты #тестирование_ПО #нестабильные_тесты #QA #машинное_обучение #анализ_кода #промптинг #RAG

Могут ли LLM находить flaky‑тесты по одному только коду теста? Разбор одного исследования

Flaky‑тесты сложно ловить даже привычными инженерными методами: они ломают CI, подрывают доверие к автотестам и часто воспроизводятся только тогда, когда уже никто не понимает почему. Кажется логичным поручить такую задачу LLM: показать модели код теста и попросить определить, насколько он подозрительный. В статье разбираем исследование, где этот подход проверили на практике, и смотрим, почему хорошие метрики на датасете ещё не означают, что модель действительно понимает природу flaky‑поведения. Читать разбор

https://habr.com/ru/companies/otus/articles/1026824/

#flakyтесты #LLM #автотесты #тестирование_ПО #нестабильные_тесты #QA #машинное_обучение #анализ_кода #промптинг #RAG

Могут ли LLM находить flaky‑тесты по одному только коду теста? Разбор одного исследования

Flaky‑тесты сложно ловить даже привычными инженерными методами: они ломают CI, подрывают доверие к автотестам и часто воспроизводятся только тогда, когда уже никто не понимает почему. Кажется логичным поручить такую задачу LLM: показать модели код теста и попросить определить, насколько он подозрительный. В статье разбираем исследование, где этот подход проверили на практике, и смотрим, почему хорошие метрики на датасете ещё не означают, что модель действительно понимает природу flaky‑поведения. Читать разбор

https://habr.com/ru/companies/otus/articles/1026824/

#flakyтесты #LLM #автотесты #тестирование_ПО #нестабильные_тесты #QA #машинное_обучение #анализ_кода #промптинг #RAG

Как мы пытаемся снизить возвраты животных из приютов с помощью NLP

Четыре года я была волонтером в приюте. Самое тяжелое — видеть «вернувшихся» животных. Ещё вчера у них был дом, а сегодня снова клетка. В России 3,6 млн бездомных животных и треть россиян готовы взять питомца — но до реального пристройства доходят единицы. Проблема не в отсутствии желающих, а в механизме подбора. В этой статье рассказываем, как мы пытаемся это исправить с помощью NLP.

https://habr.com/ru/articles/1035610/

#nlp #llm #животные #приюты #стартап #машинное_обучение #социальные_проекты #волонтерство #рекомендательные_системы

Использование машинного обучения в работе с SolidWorks (2 часть): тестирование и практическое применение

В прошлой статье я поделился своими наработками в области работы ИИ с CAD-программами (в моём и нашем случае, SolidWorks). В этот раз поделюсь практическими результатами на примере тестового ядра своей программы. В статье поделюсь тестами программы, опишу интерфейс и поделюсь мыслями о дальнейшем развитии.

https://habr.com/ru/articles/1035378/

#solidworks #python #pytorch #машинное_обучение #ml #api

Каким ИИ был до мощных компьютеров?

История искусственного интеллекта (ИИ) удивительная эпопея, которая длится 70 лет. Мы знаем каким ИИ был тогда и видим каким он стал сейчас. Но что было в промежутке? Расскажем об этом в ретроспективной подборке ИИ из 90-х и 2000-х.

https://habr.com/ru/companies/studyai/articles/1035322/

#ИИ #AI #роботы #научнопопулярное #интересное #искуственный_интеллект #машинное_обучение #web_10 #ностальгия_по_играм

Клиент — это тоже вектор? Как мы хотели улучшить ML-модель, а построили similarity engine

Поговорим о том, как превращать последовательности пользовательских событий в векторы, зачем обучать BERT на "языке" клиентского поведения и почему embedding-пространство может неожиданно начать отражать будущую ценность пользователей

https://habr.com/ru/articles/1034880/

#машинное_обучение #анализ_данных #bert #deep_learning #machine_learning #embeddings #transformers

Клиент — это тоже вектор? Как мы хотели улучшить ML-модель, а построили similarity engine

Поговорим о том, как превращать последовательности пользовательских событий в векторы, зачем обучать BERT на "языке" клиентского поведения и почему embedding-пространство может неожиданно начать отражать будущую ценность пользователей

https://habr.com/ru/articles/1034880/

#машинное_обучение #анализ_данных #bert #deep_learning #machine_learning #embeddings #transformers

Клиент — это тоже вектор? Как мы хотели улучшить ML-модель, а построили similarity engine

Поговорим о том, как превращать последовательности пользовательских событий в векторы, зачем обучать BERT на "языке" клиентского поведения и почему embedding-пространство может неожиданно начать отражать будущую ценность пользователей

https://habr.com/ru/articles/1034880/

#машинное_обучение #анализ_данных #bert #deep_learning #machine_learning #embeddings #transformers

Клиент — это тоже вектор? Как мы хотели улучшить ML-модель, а построили similarity engine

Поговорим о том, как превращать последовательности пользовательских событий в векторы, зачем обучать BERT на "языке" клиентского поведения и почему embedding-пространство может неожиданно начать отражать будущую ценность пользователей

https://habr.com/ru/articles/1034880/

#машинное_обучение #анализ_данных #bert #deep_learning #machine_learning #embeddings #transformers

AI для PHP-разработчиков. Часть 6: Bag of Words и TF–IDF – как компьютер превращает текст в математику

Когда мы говорим, что нейросети "понимают текст", легко забыть: компьютер изначально вообще не понимает слова. Для него текст – это набор чисел, статистики и векторов. В этой статье разберём Bag of Words и TF–IDF – фундаментальные подходы, с которых начинались NLP, поисковые системы и анализ текста. А заодно реализуем поиск похожих документов на чистом PHP без библиотек.

https://habr.com/ru/articles/1034874/

#php #machinelearning #bagofwords #tfidf #BoW #NLP #обработка_естественного_языка #cosine_similarity #векторизация_текста #машинное_обучение

AI для PHP-разработчиков. Часть 6: Bag of Words и TF–IDF – как компьютер превращает текст в математику

Когда мы говорим, что нейросети "понимают текст", легко забыть: компьютер изначально вообще не понимает слова. Для него текст – это набор чисел, статистики и векторов. В этой статье разберём Bag of Words и TF–IDF – фундаментальные подходы, с которых начинались NLP, поисковые системы и анализ текста. А заодно реализуем поиск похожих документов на чистом PHP без библиотек.

https://habr.com/ru/articles/1034874/

#php #machinelearning #bagofwords #tfidf #BoW #NLP #обработка_естественного_языка #cosine_similarity #векторизация_текста #машинное_обучение

AI для PHP-разработчиков. Часть 6: Bag of Words и TF–IDF – как компьютер превращает текст в математику

Когда мы говорим, что нейросети "понимают текст", легко забыть: компьютер изначально вообще не понимает слова. Для него текст – это набор чисел, статистики и векторов. В этой статье разберём Bag of Words и TF–IDF – фундаментальные подходы, с которых начинались NLP, поисковые системы и анализ текста. А заодно реализуем поиск похожих документов на чистом PHP без библиотек.

https://habr.com/ru/articles/1034874/

#php #machinelearning #bagofwords #tfidf #BoW #NLP #обработка_естественного_языка #cosine_similarity #векторизация_текста #машинное_обучение

AI для PHP-разработчиков. Часть 6: Bag of Words и TF–IDF – как компьютер превращает текст в математику

Когда мы говорим, что нейросети "понимают текст", легко забыть: компьютер изначально вообще не понимает слова. Для него текст – это набор чисел, статистики и векторов. В этой статье разберём Bag of Words и TF–IDF – фундаментальные подходы, с которых начинались NLP, поисковые системы и анализ текста. А заодно реализуем поиск похожих документов на чистом PHP без библиотек.

https://habr.com/ru/articles/1034874/

#php #machinelearning #bagofwords #tfidf #BoW #NLP #обработка_естественного_языка #cosine_similarity #векторизация_текста #машинное_обучение

Подсчёт долей фракций руды на конвейере: SAM2 для разметки, YOLO и проблемы с перекрытием

На производственной площадке стоит камера над лентой конвейера, она снимает поток , а система считает доли трёх цветовых фракций — серо-белой, оранжевой, розовой — и пишет результат в JSON для следующего этапа обработки. Цвет фракции используется как косвенный признак химического состава — технолог по нему оценивает качество партии. Заказчику нужна всего одна цифра — доля оранжевой фракции . Для предприятия эта фракция самая интересная по составу, остальные классы имеют второстепенное значения. Эту цифру нужно предоставлять в режиме 24/7, без расхождений между сменами. Камера стоит в закрытом помещении внутри здания. Освещение искусственное, прожектора фиксированные. Естественного света нет, влажность стабильна, поэтому большинство стандартных проблем компьютерного зрения на улице — блики на мокрых камнях, изменение цвета по времени суток, тени от солнца — в нашем случае не возникают и в статье обсуждаться не будут.

https://habr.com/ru/articles/1034836/

#sam #instance_segmentation #yolo #SAM2 #машинное_обучение #машинное_зрение #computer_vision #разметка_данных #data_labeling

Подсчёт долей фракций руды на конвейере: SAM2 для разметки, YOLO и проблемы с перекрытием

На производственной площадке стоит камера над лентой конвейера, она снимает поток , а система считает доли трёх цветовых фракций — серо-белой, оранжевой, розовой — и пишет результат в JSON для следующего этапа обработки. Цвет фракции используется как косвенный признак химического состава — технолог по нему оценивает качество партии. Заказчику нужна всего одна цифра — доля оранжевой фракции . Для предприятия эта фракция самая интересная по составу, остальные классы имеют второстепенное значения. Эту цифру нужно предоставлять в режиме 24/7, без расхождений между сменами. Камера стоит в закрытом помещении внутри здания. Освещение искусственное, прожектора фиксированные. Естественного света нет, влажность стабильна, поэтому большинство стандартных проблем компьютерного зрения на улице — блики на мокрых камнях, изменение цвета по времени суток, тени от солнца — в нашем случае не возникают и в статье обсуждаться не будут.

https://habr.com/ru/articles/1034836/

#sam #instance_segmentation #yolo #SAM2 #машинное_обучение #машинное_зрение #computer_vision #разметка_данных #data_labeling

Подсчёт долей фракций руды на конвейере: SAM2 для разметки, YOLO и проблемы с перекрытием

На производственной площадке стоит камера над лентой конвейера, она снимает поток , а система считает доли трёх цветовых фракций — серо-белой, оранжевой, розовой — и пишет результат в JSON для следующего этапа обработки. Цвет фракции используется как косвенный признак химического состава — технолог по нему оценивает качество партии. Заказчику нужна всего одна цифра — доля оранжевой фракции . Для предприятия эта фракция самая интересная по составу, остальные классы имеют второстепенное значения. Эту цифру нужно предоставлять в режиме 24/7, без расхождений между сменами. Камера стоит в закрытом помещении внутри здания. Освещение искусственное, прожектора фиксированные. Естественного света нет, влажность стабильна, поэтому большинство стандартных проблем компьютерного зрения на улице — блики на мокрых камнях, изменение цвета по времени суток, тени от солнца — в нашем случае не возникают и в статье обсуждаться не будут.

https://habr.com/ru/articles/1034836/

#sam #instance_segmentation #yolo #SAM2 #машинное_обучение #машинное_зрение #computer_vision #разметка_данных #data_labeling

Подсчёт долей фракций руды на конвейере: SAM2 для разметки, YOLO и проблемы с перекрытием

На производственной площадке стоит камера над лентой конвейера, она снимает поток , а система считает доли трёх цветовых фракций — серо-белой, оранжевой, розовой — и пишет результат в JSON для следующего этапа обработки. Цвет фракции используется как косвенный признак химического состава — технолог по нему оценивает качество партии. Заказчику нужна всего одна цифра — доля оранжевой фракции . Для предприятия эта фракция самая интересная по составу, остальные классы имеют второстепенное значения. Эту цифру нужно предоставлять в режиме 24/7, без расхождений между сменами. Камера стоит в закрытом помещении внутри здания. Освещение искусственное, прожектора фиксированные. Естественного света нет, влажность стабильна, поэтому большинство стандартных проблем компьютерного зрения на улице — блики на мокрых камнях, изменение цвета по времени суток, тени от солнца — в нашем случае не возникают и в статье обсуждаться не будут.

https://habr.com/ru/articles/1034836/

#sam #instance_segmentation #yolo #SAM2 #машинное_обучение #машинное_зрение #computer_vision #разметка_данных #data_labeling

Основы глубокого обучения. Часть 1

Приветствую всех! Эта статья будет первой в серии статей про основы глубокого обучения. В этой части я расскажу про то, что такое модели, искусственный интеллект (ИИ), машинное (МО) и глубокое обучение (ГО), про виды этапа обучения моделей, что такое нейронные сети, градиентный спуск и обратное распространение. В конце затронем теорию свёрточных нейронных сетей.

https://habr.com/ru/articles/1034392/

#глубокое_обучение #ai #ии #машинное_обучение #python #numpy #pytorch

Основы глубокого обучения. Часть 1

Приветствую всех! Эта статья будет первой в серии статей про основы глубокого обучения. В этой части я расскажу про то, что такое модели, искусственный интеллект (ИИ), машинное (МО) и глубокое обучение (ГО), про виды этапа обучения моделей, что такое нейронные сети, градиентный спуск и обратное распространение. В конце затронем теорию свёрточных нейронных сетей.

https://habr.com/ru/articles/1034392/

#глубокое_обучение #ai #ии #машинное_обучение #python #numpy #pytorch

Основы глубокого обучения. Часть 1

Приветствую всех! Эта статья будет первой в серии статей про основы глубокого обучения. В этой части я расскажу про то, что такое модели, искусственный интеллект (ИИ), машинное (МО) и глубокое обучение (ГО), про виды этапа обучения моделей, что такое нейронные сети, градиентный спуск и обратное распространение. В конце затронем теорию свёрточных нейронных сетей.

https://habr.com/ru/articles/1034392/

#глубокое_обучение #ai #ии #машинное_обучение #python #numpy #pytorch

Основы глубокого обучения. Часть 1

Приветствую всех! Эта статья будет первой в серии статей про основы глубокого обучения. В этой части я расскажу про то, что такое модели, искусственный интеллект (ИИ), машинное (МО) и глубокое обучение (ГО), про виды этапа обучения моделей, что такое нейронные сети, градиентный спуск и обратное распространение. В конце затронем теорию свёрточных нейронных сетей.

https://habr.com/ru/articles/1034392/

#глубокое_обучение #ai #ии #машинное_обучение #python #numpy #pytorch

NPU в ноутбуках: что меняется для тех, кто закупает корпоративную технику

Привет, Хабр! Меня зовут Артем, я дата-инженер. В работе часто приходится выбирать: гонять вычисления в облаке или делать их ближе к данным, и у каждого варианта свои больные места. Но недавно ИИ-нагрузки начали переезжать с облачных GPU на обычные ноутбуки — Microsoft вписала нейропроцессор в требования к Copilot+ PC, AMD и Intel встраивают NPU прямо в SoC. Мне стало любопытно: что там на самом деле происходит? За маркетинговой шумихой скрывается сдвиг к гибридной архитектуре: тяжёлое остаётся в облаке, массовые задачи разъезжаются по устройствам сотрудников. Это меняет работу тех, кто такой парк закупает и обслуживает — добавляются требования к памяти и поддержке конкретных ИИ-фреймворков, появляется новая задача доставки и обновления моделей на устройствах, а горизонт планирования у ИТ-отделов оказывается короче, чем кажется. Я заинтересовался темой после одного бенчмарка : NPU в ноутбуке AMD Ryzen AI 300 генерировал изображение 70 секунд, а встроенный GPU того же чипа справлялся за 30 — специализированный нейропроцессор проиграл универсальному вдвое на задаче, под которую его затачивали. Через эту аномалию хорошо видно, как устроены три процессора в одном SoC. Разберём: чем NPU отличается от соседей по чипу, почему всё упирается в память, как LLM удаётся уместить на ноутбуке и что из этого реально работает в корпоративной среде уже сейчас.

https://habr.com/ru/companies/ru_mts/articles/1033588/

#NPU #Искусственный_интеллект #LLM #Железо #Процессоры #Ноутбуки #Машинное_обучение #Инференс #Copilot+_PC #Корпоративные_технологии

Слова, которых нет

LLM генерирует ответ за две секунды, но говорит «эта задача займёт две недели». За этой странностью — что-то более глубокое, чем просто эхо обучающих данных: у языковой модели вообще нет того, что мы называем временем. Первая статья из цикла о совместном мышлении человека и LLM.

https://habr.com/ru/articles/1033578/

#LLM #искусственный_интеллект #время #философия_ИИ #когнитивистика #нейросети #машинное_обучение #человек_и_машина #темпоральность #языковые_модели

Слова, которых нет

LLM генерирует ответ за две секунды, но говорит «эта задача займёт две недели». За этой странностью — что-то более глубокое, чем просто эхо обучающих данных: у языковой модели вообще нет того, что мы называем временем. Первая статья из цикла о совместном мышлении человека и LLM.

https://habr.com/ru/articles/1033578/

#LLM #искусственный_интеллект #время #философия_ИИ #когнитивистика #нейросети #машинное_обучение #человек_и_машина #темпоральность #языковые_модели

Слова, которых нет

LLM генерирует ответ за две секунды, но говорит «эта задача займёт две недели». За этой странностью — что-то более глубокое, чем просто эхо обучающих данных: у языковой модели вообще нет того, что мы называем временем. Первая статья из цикла о совместном мышлении человека и LLM.

https://habr.com/ru/articles/1033578/

#LLM #искусственный_интеллект #время #философия_ИИ #когнитивистика #нейросети #машинное_обучение #человек_и_машина #темпоральность #языковые_модели

Слова, которых нет

LLM генерирует ответ за две секунды, но говорит «эта задача займёт две недели». За этой странностью — что-то более глубокое, чем просто эхо обучающих данных: у языковой модели вообще нет того, что мы называем временем. Первая статья из цикла о совместном мышлении человека и LLM.

https://habr.com/ru/articles/1033578/

#LLM #искусственный_интеллект #время #философия_ИИ #когнитивистика #нейросети #машинное_обучение #человек_и_машина #темпоральность #языковые_модели

Снятся ли искусственному интеллекту цифровые овцы?

Когда-то в далеком 1968 году Филип К. Дик задавался вопросом: «Мечтают ли андроиды об электрических овцах?» Способны ли машины переживать, желать и видеть сны? Хоть сегодняшние «андроиды» и несколько иные, чем в произведении, вопрос до сих остается актуальным. Только слегка сместился фокус: не «мечтают ли», а «снятся ли им цифровые овцы»? Существует ли у нейросетей аналог фазы медленного сна, перерабатывают ли они данные «во сне» и, главное, способны ли «видеть сны»? Наука и инженерия уже потихоньку начинают отвечать на эти вопросы. Конечно же, не философски, а технически. В этой статье я расскажу, что известно о «сне» и «сновидениях» искусственного интеллекта в 2026 году и как исследования человеческого мозга помогают инженерам решать проблемы нейросетей. Читать дальше

https://habr.com/ru/companies/ru_mts/articles/1032996/

#llm #искусственный_интеллект #нейросеть #машинное_обучение #консолидация_памяти #галлюцинации_ии #SleepGate #SCM #Sleeping_LLM #Филип_К_Дик

Как ИИ помогает подбирать лечение для детей с гипертензией: новая модель на 272 пациентах

Артериальная гипертензия поражает все большее число детей: в России с 2020 года количество таких пациентов выросло на 17%. Врачи подбирают терапию эмпирически, ориентируясь на общие рекомендации, — результат виден только через 2–3 месяца. Студентка магистратуры «Прикладной анализ данных в медицинской сфере» Центра «Пуск» МФТИ Анастасия Адамсон создала ML-модель, которая учитывает 154 клинико-инструментальных признака и с точностью до 98% предсказывает эффективную терапию. Модель уже увидела то, что врачи чувствуют, но не могут доказать: например, связь между лишним весом и эффективностью Лизиноприла. О том, как устроено исследование, какие результаты получены и почему это не замена врачу, а сильный инструмент поддержки — в этом интервью. Анастасия, расскажите, в чем суть проблемы, которую вы решаете? С 2020 года число заболевших артериальной гипертензией детей выросло в России на 17% (к 2025 году). Одна из проблем сегодня — то, что подбор антигипертензивной терапии происходит эмпирически, на основании мнения врача. Сейчас доктора назначают лекарства от давления детям почти наугад — из пяти разрешенных препаратов можно выбрать любой. При этом результат виден только через 2–3 месяца. Если препарат не подошел, схему меняют и снова ждут. Все это время давление у ребенка остается высоким, и риск осложнений растет. Свою ML-модель я разработала, чтобы предсказывать эффективный препарат сразу, без долгих экспериментов. Чтобы решить эту проблему, недостаточно посмотреть на один показатель давления. Нужно учесть много разных факторов — и тут пригодится мультимодальный подход.

https://habr.com/ru/companies/mipt_digital/articles/1032930/

#искусственный_интеллект #ии #ml #машинное_обучение #ии_в_медицине #анализ_данных #ai #наука #научпоп #научнопопулярное

Скрипач не нужен: Выживут ли музыканты в эпоху нейронок?

За пару минут GenAI может сгенерировать целую симфонию. Означает ли это что музыканты останутся не у дел и скрипач уже действительно не нужен? Разбираемся в вопросе.

https://habr.com/ru/companies/studyai/articles/1032038/

#ИИ #искусственный_интеллект #искусство #музыкальный_бизнес #музыка #машинное_обучение #маркетинг #интересное

Скрипач не нужен: Выживут ли музыканты в эпоху нейронок?

За пару минут GenAI может сгенерировать целую симфонию. Означает ли это что музыканты останутся не у дел и скрипач уже действительно не нужен? Разбираемся в вопросе.

https://habr.com/ru/companies/studyai/articles/1032038/

#ИИ #искусственный_интеллект #искусство #музыкальный_бизнес #музыка #машинное_обучение #маркетинг #интересное

Скрипач не нужен: Выживут ли музыканты в эпоху нейронок?

За пару минут GenAI может сгенерировать целую симфонию. Означает ли это что музыканты останутся не у дел и скрипач уже действительно не нужен? Разбираемся в вопросе.

https://habr.com/ru/companies/studyai/articles/1032038/

#ИИ #искусственный_интеллект #искусство #музыкальный_бизнес #музыка #машинное_обучение #маркетинг #интересное

Скрипач не нужен: Выживут ли музыканты в эпоху нейронок?

За пару минут GenAI может сгенерировать целую симфонию. Означает ли это что музыканты останутся не у дел и скрипач уже действительно не нужен? Разбираемся в вопросе.

https://habr.com/ru/companies/studyai/articles/1032038/

#ИИ #искусственный_интеллект #искусство #музыкальный_бизнес #музыка #машинное_обучение #маркетинг #интересное

Обратное распространение ошибки: от интуиции до кода

Многие умеют вызывать loss.backward() в PyTorch, но не всегда понимают, что именно происходит под капотом. Как сеть вычисляет, какой из миллионов весов нужно изменить? В этой статье мы развеем магию обратного распространения ошибки (backprop). Разберем алгоритм на простых аналогиях с заводским конвейером, вспомним школьное правило дифференцирования и, чтобы закрепить понимание, напишем свой микро-фреймворк для автоматического вычисления градиентов на чистом Python с нуля.

https://habr.com/ru/articles/1031986/

#машинное_обучение #нейросети #backpropagation #обратное_распространение_ошибки #градиентный_спуск #deep_learning #python #математика #вычислительные_графы #micrograd

Обратное распространение ошибки: от интуиции до кода

Многие умеют вызывать loss.backward() в PyTorch, но не всегда понимают, что именно происходит под капотом. Как сеть вычисляет, какой из миллионов весов нужно изменить? В этой статье мы развеем магию обратного распространения ошибки (backprop). Разберем алгоритм на простых аналогиях с заводским конвейером, вспомним школьное правило дифференцирования и, чтобы закрепить понимание, напишем свой микро-фреймворк для автоматического вычисления градиентов на чистом Python с нуля.

https://habr.com/ru/articles/1031986/

#машинное_обучение #нейросети #backpropagation #обратное_распространение_ошибки #градиентный_спуск #deep_learning #python #математика #вычислительные_графы #micrograd

Мой первый ИИ: Пишем нейросеть на Python с нуля

Написал гайд для тех, кто хочет понять нейросети изнутри. Создаем свой ИИ для распознавания цифр на чистом Python всего в 50 строк кода. Вся математика на пальцах!

https://habr.com/ru/articles/1031568/

#Нейросети_для_начинающих #python #машинное_обучение #алгоритмы #numpy #градиентный_спуск #распознавание_образов #искусственный_интеллект