#нейронные_сети — Public Fediverse posts

Что за новая профессия такая — ИИ-репетитор?

Недавно я узнал, что в России появилась новая профессия — репетитор по искусственному интеллекту. Один из таких репетиторов любезно согласился дать мне интервью. Из него вы узнаете, кто эти люди, сколько они зарабатывают, кто их клиенты, какими инструментами пользуются сами, за какими ИИ-инфлюенсерами они следят и многое другое.

https://habr.com/ru/companies/ruvds/articles/1097194/

#искусственный_интеллект #нейронные_сети #gemini #машинное_обучение #ruvds_статьи #chatgpt #claude #ииагенты #вайбкодинг #иирепетитор

Можно ли прочитать мысли нейросети

Вы когда-нибудь задумывались, что происходит внутри нейросети, пока она пишет ответ? Языковые модели всегда, по вашему первому запросу, выдают красивые и логичные ответы, будто они действительно понимают, о чём говорят. Но за этим красивым ответом скрывается всего лишь удачная последовательность чисел, которая угадывает следующее слово, а не осмысливает его. И вроде бы всё отлично, какие тут проблемы? Какая разница, что там внутри и как нейросеть пришла к такому ответу, если сам ответ хороший? Проблема в том, что если мы не видим, о чём модель думает до того, как выдаст готовый ответ, мы не сможем поймать её на скрытых манипуляциях, галлюцинациях или прямом обмане. Как прочитать эту информацию? Как поймать модель на ошибках? И что вообще происходит внутри черного ящика нейросети?

https://habr.com/ru/companies/timeweb/articles/1094334/

#искусственный_интеллект #нейронные_сети #нейросети #чёрный_ящик #timeweb_статьи #ai_agent #как_думает_ии #как_думает_llm #как_контролировать_ии #мысли_ии

Нейросеть по рецепту: вычисляем веса вместо хранения матриц

Веса нейросети — это очень много циферок в очень больших матрицах. А что, если вместо них хранить небольшой рецепт, по которому нужные веса можно вычислить? Такие подходы уже есть: от маленькой сети, которая генерирует другую сеть, до формул и настоящих фракталов. Разберёмся, что из этого работает и чем приходится платить за компактность. Посмотрим, как далеко LLM находится от участи первого Doom - быть запущенной на каждом чайнике.

https://habr.com/ru/articles/1092220/

#рекурсия #нейронные_сети #фракталы #llm #сжатие_моделей #гиперсети #hypernetworks #генерация_весов

Как свет научился управлять нейронами: путь оптогенетики к Нобелевской премии

В начале октября прошла очередная волна присуждения нобелевских премий. В категории медицины и физиологии наградили достижения в оптогенетике. Если вы ни разу не слышали про оптогенетику, объясню: это технология управления активностью клеток с помощью… света. Грубо говоря ученые светят лазером в мозг мышки, запускают определенные нейроны — и этим заставляют ее бояться, радоваться, вспоминать пережитое или менять поведение. Но издеваться над мышью здесь далеко не главная ценность: с помощью оптогенетики, возможно, решат одну из фундаментальных проблем изучения мозга. Ученые наконец поймут, какие нейроны за какое поведение отвечают. Да, нейробиологам до сих пор не вполне ясно, как нейроны распределяют зоны ответственности за эмоции, действия и последующий запуск химических реакций в организме. Кстати, недавно я писал, как эту задачу пытаются решить через муху , играющую в Doom. А сегодня рассказываю, какой путь привел оптогенетику в лауреаты главной научной премии. Живет себе мышка в клетке или ячейке, получает корм и ежедневно наблюдает, как люди в белых халатах что-то записывают. Она в привычной для себя среде. Затем мышь помещают в незнакомую клетку. Уровень ее стресса и так подскакивает, а вместо корма ее еще и пугают (скажем, серией громких неожиданных звуков). Тем временем ученые наблюдают за мозговой активностью мыши и находят группу нейронов, которые всякий раз активируются вместе с реакцией страха. Казалось бы — вот и центр управления страхом? Не обязательно:

https://habr.com/ru/companies/ru_mts/articles/1092586/

#память #мозг #нейронные_сети #нейроны #биотехнологии #нобелевская_премия #нейробиология #оптогенетика #зрительная_кора #двухфотонная_оптогенетика

Усредняющие сети: как ускорить 8-битные сети почти без потери точности

Чтобы распознать документ на смартфоне , мало хорошо обучить нейросеть читать текст. Нужно ещё добиться, чтобы она делала это быстро на процессоре самого устройства. При разработке Smart Document Engine, системы распознавания и анализа документов , мы решаем именно такие задачи: обработка должна выполняться локально, а вычислительные ресурсы ограничены. Поэтому для нас поиск более экономных способов вычисления нейронных сетей — вполне практическая задача. Один из привычных способов ускорить нейросеть — квантование. Переход от вычислений с плавающей запятой к 8-битным целым числам позволяет получить более быструю модель с близкой точностью. Можно пойти дальше: ранее мы предложили 4.6-битные сети, сравнимые по скорости с 4-битными, но заметно превосходящие их по точности. Однако уменьшение разрядности — не единственное, что можно изменить в нейросетевых вычислениях. Что, если оставить веса и входные данные 8-битными, а пересмотреть способ накопления результатов умножения? В этой статье мы расскажем об алгоритме, который вместо точного суммирования использует последовательное усреднение по дереву. Такой подход позволяет дольше сохранять промежуточные результаты в 16-битном формате и эффективнее использовать SIMD-регистры. В наших экспериментах на ARM NEON это позволило сократить время матричного умножения. Разберёмся, какой погрешностью приходится платить за ускорение, как она влияет на точность нейросетей и что удаётся восстановить дообучением.

https://habr.com/ru/companies/smartengines/articles/1092088/

#оптимизация #нейронные_сети #simd #матричное_умножение #arm_neon #8битные_вычисления #усредняющие_сети

Почему инференс LLM становится дорогим и как снизить расходы на GPU без покупки новых карт

Высокая загрузка GPU ещё не означает, что инфраструктуре не хватает ресурсов. В продакшене значительная часть времени может уходить на повторный расчёт одинаковых промптов, неэффективное распределение кэша или неверные параметры сервинга. Разберём шесть шагов оптимизации инференса LLM на стеке vLLM и Kubernetes: от поиска узкого места и расчёта KV‑кэша до настройки prefix caching и проверки квантования. Читать гайд

https://habr.com/ru/companies/otus/articles/1077956/

#LLM #инференс #машинное_обучение #MLOps #GPU #vLLM #Kubernetes #нейронные_сети #оптимизация #квантование

Как методичка из 1990-х объясняет устройство современных нейросетей

Разбирал старые методички по линейной алгебре (да, у меня правда есть такая привычка, не спрашивайте) и наткнулся на отрывок про химию. Автор пишет: «Молекула воды — это вектор (2, 0, 1). Молекула метана — вектор (4, 1, 0)». И дальше без смущения переходит к линейной зависимости векторов, как будто написанное выше — самая естественная вещь на свете. Сначала я подумал, что это методическая вольность ради упражнения. Потом посидел с этим с полчаса и понял, что автор-то прав, а заодно и случайно объяснил, почему вообще из любой предметной области можно слепить нейросеть. Просто в 1990-х это называлось линейной алгеброй, а не representation learning.

https://habr.com/ru/companies/selectel/articles/1082424/

#нейронные_сети #векторы #линейная_алгебра #onehot_encoding #эмбеддинги #representation_learning #графовые_нейронные_сети #AlphaFold #химия #selectel

Как методичка из 1990-х объясняет устройство современных нейросетей

Разбирал старые методички по линейной алгебре (да, у меня правда есть такая привычка, не спрашивайте) и наткнулся на отрывок про химию. Автор пишет: «Молекула воды — это вектор (2, 0, 1). Молекула метана — вектор (4, 1, 0)». И дальше без смущения переходит к линейной зависимости векторов, как будто написанное выше — самая естественная вещь на свете. Сначала я подумал, что это методическая вольность ради упражнения. Потом посидел с этим с полчаса и понял, что автор-то прав, а заодно и случайно объяснил, почему вообще из любой предметной области можно слепить нейросеть. Просто в 1990-х это называлось линейной алгеброй, а не representation learning.

https://habr.com/ru/companies/selectel/articles/1081640/

#нейронные_сети #векторы #линейная_алгебра #onehot_encoding #эмбеддинги #representation_learning #графовые_нейронные_сети #AlphaFold #химия #selectel

Контрабанда Благовоний

Напишет ли робот симфонию? Не знаю. Я не пробовал такие запросы. Но если вы отыщите стыдливо припрятанные опусы современных youtube-преподавателей музыкальной теории, то убедитесь: их творчество неотличимо от генераторов. Причём стареньких и плохоньких, вроде древней udio или 3-ей версии suno. Но есть и более изощрённый ответ от вроде бы прошаренных мастеров: компьютер не придумает ничего нового. Ведь нейросеть только комбинирует существующее. А по-настоящему новое может придумать и сделать только человек. Ну что же, я поставил эксперимент. Ещё в школе я придумал (это считается?) идею джаза, который исполняется на максимально странных и этнических инструментах. Кажется, это случилось после того, как я случайно купил в одном из полулегальных музыкальных магазинов MP3-сборник Кэйко Мацуи. Я ещё слышал, что армянский дудук из абрикосового дерева иногда применяется в джазе (а также, как было написано на одной старой кассете “в роке и попе”). Много позже я услышал ранний “Ленина Пакет”, которые резали сэмплы из какого-то джаза и накладывали на них безумные биты. И подумал, что было бы забавно это так же семплировать — опять же под влиянием моих обожаемых Morcheeba и Gorillaz. К счастью, мне не пришлось даже генерировать всё это безумие. Просто мне вспомнилась эта старая идея и я запустил Suno (купленное, так что всё в порядке). Оно умеет самое непростое: подобрать инструменты и наложить их так, чтобы не конфликтовали. Запросы были разные — точно так же, как одно и то же блюдо становится чуть другим, в зависимости от того, что ты к нему добавишь: китайскую смесь пяти специй, индийское карри, марокканские рас-эль-ханут, или может быть что-то удмуртское.

https://habr.com/ru/articles/1081688/

#нейросети #нейронные_сети #suno #suno_ai #suno_v5 #suno_в_россии #эксперимент #proofofconcept

Почему датасет без единой ошибки может быть плохим датасетом

Представьте себе грустного школьника, которому приходится решать тысячи задач по математике. Учебник в целом хороший, но примерно в одном проценте случаев в нем напечатаны неправильные ответы. Ученик все равно занимается по этому учебнику и в конце концов начинает решать все новые и новые задачи. Интуитивно кажется, что результат должен быть хуже, чем при обучении по идеальному учебнику. И обычно так и происходит: неправильные данные действительно вредят обучению. Но есть любопытный нюанс, что при определенных условиях небольшое количество ошибок в обучающих данных может не только не помешать, но и привести к лучшему качеству на новых данных. Звучит парадоксально: если учиться на неправильных ответах, откуда вообще может взяться улучшение? Об этом и поговорим.

https://habr.com/ru/companies/selectel/articles/1078306/

#машинное_обучение #искусственный_интеллект #нейронные_сети #качество_данных #датасет #разметка_данных #переобучение #регуляризация #selectel

Внутри Apple Neural Engine, часть 2: запускаем модель

Продолжаем человеческий ANE reverse engineering . В этот раз разберёмся, чем таким интересным можно накормить компилятор, чтобы получить желаемый результат - Qwen, запущенный без GPU и CPU.

https://habr.com/ru/articles/1078762/

#ane #ai #apple #реверс #нейронные_сети

Вверх ногами: как научить OCR понимать, что документ перевернут

Всем привет! В своих постах мы часто пишем о разных этапах систем распознавания документов (например, тут и тут ). Настало время рассказать о еще одной задаче (и нашем решении для нее), которая часто опускается из подробного рассмотрения. Наверняка каждый из вас хоть раз клал лист в сканер перевернутым (ну или вы очень везучи). Человек в случае такой оказии может повернуть изображение в редакторе или немного повертеть головой, а что делать системе распознавания? Просто взять и проигнорировать перевернутые изображения нельзя, ведь при обработке больших объемов данных, например, цифровизации архивов, таких изображений может быть множество. При этом попытки запустить OCR-модели на перевернутых строках обычно заканчиваются плачевно – мы получаем случайные последовательности символов. Давайте разбираться по порядку!

https://habr.com/ru/companies/smartengines/articles/1077714/

#распознавание_документов #smart_engines #нейронные_сети #алгоритмы #быстрые_алгоритмы #определение_ориентации #ocr

Что внутри ANE на самом деле, или почему ЫЫ нельзя поручать reverse engineering

Нейронке сказали - “разберись как оно работает”. Пошевелив гигабайтами матриц, она полезла ковырять список классов в AppleNeuralEngine.framework - и нашла там то, что искала - “40+ private classes, including _ANEInMemoryModel”. Код работал. Делал то что от него требовалось - запускал математику на ANE. Но было в этом что-то… не то.

https://habr.com/ru/articles/1076240/

#ANE #ai #apple #реверс #нейронные_сети #никто_не_читает_теги

FlautGuard: как мы построили многоуровневую защиту LLM от prompt injection и утечек данных

Защита языковой модели отличается от защиты обычного веб-приложения одной принципиальной особенностью: пользовательский ввод для LLM — это не только данные, но и потенциальная инструкция. В обычном приложении строка остаётся строкой. В LLM пользовательский текст интерпретируется самой моделью, поэтому граница между «данными» и «командой» становится значительно менее очевидной. Отсюда появляются prompt injection, попытки извлечения системных инструкций, обход ограничений и утечки информации через ответы модели. С этой проблемой мы столкнулись при разработке FlautFast — нашей LLM внутри инфраструктуры FlautCompany. В отделе FlautSecurity мы решили не пытаться закрыть все эти проблемы одним классификатором. Так появился FlautGuard — защитный слой между пользователем и моделью. В этой статье я расскажу, как он устроен, какие ошибки мы допустили при разработке и что показало тестирование на реальном пользовательском трафике.

https://habr.com/ru/articles/1074854/

#LLM #prompt_injection #безопасность #искусственный_интеллект #машинное_обучение #нейронные_сети #информационная_безопасность #безопасность_llm

Как одноклеточный слизевик спроектировал токийское метро

В 2010 году исследователи из Хоккайдского университета поставили чашку Петри. На дно налили влажный агар, разложили 36 овсяных хлопьев в точках, соответствующих крупнейшим городам вокруг Токио, а кусочек слизевика поместили в центр - в точку, соответствующую Токио. Участки, соответствующие горам и водоёмам, засветили лампой - физарум избегает яркого света и сам обходил эти зоны, воспроизводя реальные географические ограничения при прокладке железных дорог. Через 26 часов посмотрели что получилось. Сеть из протоплазматических трубок, которую вырастил слизевик, воспроизводила топологию реальной железнодорожной сети токийской агломерации. Узел за узлом. Причём не просто воспроизводила - по трём инженерным критериям одновременно: стоимости (суммарная длина трубок), транспортной эффективности (среднее время пути между узлами) и устойчивости (сколько соединений можно убрать, прежде чем сеть развалится).

https://habr.com/ru/articles/1074296/

#троичная_логика #архитектура #нейронные_сети

476 000 новостей против нейронки: пять попыток заставить текст предсказывать цену

Гипотеза «новости двигают рынок» — самая интуитивная в трейдинге. Настолько интуитивная, что я потратил на её проверку недели GPU-часов, полный архив финансовых телеграм-каналов с 2021 года и пять принципиально разных постановок задачи — от простых счётчиков упоминаний до NLP-разметки и пер-минутного event study. Результат: ноль из пяти . Ни одна постановка не улучшила боевую модель (с одной унизительной для NLP оговоркой — она в конце). Но интересен не сам ноль — интересно, как именно проваливалась каждая попытка . Две из пяти сначала показали «улучшение» в бэктесте, и если бы я остановился на агрегатной цифре, сейчас бы искренне рассказывал вам, что нейронка с новостями торгует лучше. Эта статья — подробный разбор всех пяти механизмов: что строил, какие признаки считал, какие цифры получил и где именно каждая версия обманывала. Это обещанное продолжение статьи про сидовый шум ±10 п.п. — протокол проверки оттуда, здесь он работает на живом сквозном примере.

https://habr.com/ru/articles/1072382/

#алготрейдинг #машинное+обучение #nlp #анализ_данных #sentiment_analysis #бэктестинг #нейронные_сети #мосбиржа

Ваш бэктест нейронки врёт на ±10 процентных пунктов

Недавно я решил проверить на себе классический сюжет: может ли нейронка зарабатывать на бирже. Не «взял стратегию с ютуба», а как положено инженеру: собрал данные Мосбиржи, построил честный walk‑forward пайплайн, зашил комиссии в каждую цифру и стал измерять. Эта статья — про самый неочевидный урок, который я получил. Он не про рынок и не про архитектуры. Он про то, что результат бэктеста нейронной сети — случайная величина с разбросом в десять процентных пунктов годовой доходности , и если вы это не учитываете, все ваши выводы — шум. Подозреваю, что этим страдает заметная часть статей вида «я обучил LSTM на котировках и получил X% годовых». Проверить легко: спросите автора, что будет, если поменять random seed.

https://habr.com/ru/articles/1069594/

#алготрейдинг #машинное+обучение #бэктестинг #нейронные_сети #воспроизводимость #мосбиржа

[Перевод] Внутри Apple Neural Engine в M4. Часть 1: реверс-инжиниринг

Можно ли заставить Apple Neural Engine делать больше, чем позволяет Core ML? Авторы разобрали стек ANE в M4 до закрытых API, научились компилировать и запускать модели напрямую и заодно выяснили, что часть привычных представлений о возможностях ускорителя требует пересмотра. Читать разбор

https://habr.com/ru/companies/otus/articles/1069184/

#реверсинжиниринг #процессоры #Apple_Neural_Engine #аппаратные_ускорители #нейронные_сети #Core_ML #IOSurface #ANE

Пробирка как процессор или как молекулы ДНК научились решать задачи

Есть белок — рестриктаза ЭкоРИ. Она плавает в клетке, натыкается на двойную спираль ДНК и ищет конкретную последовательность из шести нуклеотидов (ГААТТЦ). Нашла — разрезает цепь ровно между первой и второй буквой. В стандартных лабораторных условиях никакой другой последовательности она не трогает. Прим. автора: при высоком содержании глицерина или нестандартном pH у ЭкоРИ проявляется так называемая звёздная активность — фермент начинает резать похожие, но не идентичные последовательности. Это известный артефакт, с которым борются в любом молекулярном протоколе. Форма активного центра белка оптимизирована именно под эти шесть нуклеотидов — точное структурное соответствие обеспечивает во много раз большее сродство, чем к любой другой комбинации. Биохимики называют это специфичностью. Леонард Эдлман — тот самый, чья буква «А» стоит в конце аббревиатуры RSA. Профессор Университета Южной Калифорнии, в 2002 году получил премию Тьюринга — высшую награду в информатике. В 1993 году, читая учебник Уотсона по молекулярной биологии, он задумался — а если фермент узнаёт последовательность и выполняет действие, это ведь и есть вычисление. Спустя год опубликовал эксперимент.

https://habr.com/ru/articles/1067150/

#биоинформатика #нейронные_сети #днк #алгоритмы #машинное_обучение #нестандартные_вычисления

Нейросетевая архитектура формирования автоматических навыков. Часть 1

Идея предлагаемой архитектуры возникла из наблюдения за тем, как человеческий мозг осваивает новые действия и превращает их в привычки. Когда человек впервые сталкивается с незнакомой задачей, её решение требует сознательного внимания. Необходимо сосредоточиться, попробовать один или несколько вариантов, получить обратную связь и скорректировать поведение. Однако после многократного успешного повторения действие постепенно становится автоматическим и выполняется практически без участия сознания. В общем случае наш мозг работает по принципу «стимул-желание-реакция-подкрепление». Этот принцип хорошо описывается в книге Джеймса Клира «Атомные привычки», что и вдохновило меня на создание подобной архитектуры. Хороший пример — обучение вождению. Начинающий водитель отдельно контролирует положение педалей, переключение передач, поворот руля и дорожную обстановку. По мере накопления опыта значительная часть этих операций превращается в привычку и начинает выполняться автоматически. Прямо во время написания статьи я сдаю на водительские права, так что мне везёт воочию наблюдать как обучается моя собственная «нейронка». Предлагаемая архитектура переносит этот принцип в систему из нескольких простых нейронных сетей. Незнакомые входные данные сначала обрабатываются «сознательной» сетью. После получения правильного ответа и положительного подкрепления генеративная сеть создаёт множество похожих примеров. На них дообучается «подсознательная» сеть, после чего сходные ситуации начинают обрабатываться быстро и автоматически.

https://habr.com/ru/articles/1067024/

#нейронные_сети #машинное+обучение #ии #ai #искусственный_интеллект #наука #agi #программирование #python #обучение_с_подкреплением

Нейронные сети нетрадиционного квантования

Ещё пару лет назад мысль о полноценной 27B модели на обычном ноутбуке звучала как шутка: нужна была либо мощная видеокарта, либо максимально урезанные веса и небольшой контекст. Пока индустрия оттачивала классическое low-bit квантование, отдельные команды экспериментировали с куда более радикальным подходом: вообще отказаться от аппроксимации весов и собрать сеть буквально на нескольких значениях. Звучит как безумие, хотя на практике (далеко не сразу) это сработало. Но обо всём по порядку.

https://habr.com/ru/articles/1065638/

#искусственный_интеллект #нейронные_сети #квантизация #хочется_странного

Лучшие нейросети для картинок в 2026. Сравнение Midjourney, Qwen, FLUX, Nano Banana, GPT и Grok на одних промптах

В 2026 году выбрать нейросеть для картинок часто сложнее, чем написать промпт. Моделей много, каждая обещает лучшее качество, а на деле у каждой есть свои особенности. Мы взяли шесть разных популярных моделей, прогнали шесть сценарных тестов на одинаковых промптах и собрали картинки, чтобы вы могли сравнить все своими глазами, а не по рекламным скриншотам. Сегодняшние участники: Midjourney (v7) | Qwen Image 2 Pro FLUX 2 Max | Nano Banana Pro GPT Image 2 | Grok Imagine (режим image quality) У нас было: 6 моделей для генерации, 6 сценариев использвования, для всех моделей одинаковой промт и 4 критерия для оценки результат. Победитель оказался неожиданными.

https://habr.com/ru/companies/bothub/articles/1049196/

#ии #нейросети #нейронные_сети #генерация_изображений #генерация_картинок #ии_генератор_изображений #изображения #картинки

[Перевод] Все демонические насельники ИИ… по старшинству

Гоблины, призраки, монстры, богини: фантастические твари и где они обитают. В конце апреля OpenAI опубликовала у себя в блоге пост , в котором объяснила, почему модели OpenAI то и дело говорят о гоблинах. А также о гремлинах. Получился интересный документ, как минимум, частично касающийся той работы, которой мы вместе с Мюрреем Шанаханом и Гамильтоном Моррином мы занимались на протяжении нескольких месяцев. Теперь, в зависимости от того, с кем именно мы беседуем, я могу сказать, что этот проект был призван помочь разобраться в глубинной психологии больших языковых моделей (БЯМ) и о том, как она влияет на коммуникацию нейронок с пользователями. Но другому собеседнику я мог бы сказать, что наша работа скорее сближалась с демонологией.

https://habr.com/ru/articles/1052874/

#большие_языковые_модели #искусственный_интеллект #демонология #Лоаб #Нова #Сидни #шоггот #галлюцинации #нейронные_сети #сознание

4.6-битные сети: от теории к практике. Причём здесь HardTanh?

Уже прошло два года с тех пор, как мы предложили схему 4.6-битного квантования и рассказали про нее, в том числе и на Хабре: раз и два . Вспомним, что при 4.6-битном квантовании веса и входы слоя принимают такие целые значения, что их попарные произведения помещаются в знаковый 8-битный тип данных. Такая схема позволила нам вычислять нейронные сети на процессорах мобильных устройств быстрее, чем в 8-битном формате, и точнее, чем в 4-битном, потому что уровней квантования больше. За прошедшее время у нас появился опыт практического применения таких сетей, и оказалось, что для реального использования важны не только схема квантования и алгоритм умножения. Не меньше вопросов возникает по поводу того, как устроены активации, как хранить карты признаков между слоями, как обрабатывать ветвления и как именно обучается квантованная сеть. Сегодня в статье как раз поговорим про это.

https://habr.com/ru/companies/smartengines/articles/1052222/

#нейронные_сети #квантование #инференс #низкоразрядные_вычисления #resnet #edge_ai #мобильный_ии #HardTanh #46битное_квантование

KiSinWi — AutoML-платформа с микросервисной архитектурой и мультиагентными воркфлоу

AutoML обычно отвечает на вопрос «что победило», а хотелось бы ещё знать «почему». Поэтому я собрал платформу, где обучение нейросетей ведут LLM-агенты. Они спорят об архитектуре, собирают конфиг и запускают обучение, и каждый их шаг виден прямо в интерфейсе. Коротко расскажу, как устроена платформа и агенты. Особый акцент в статье сделан на получаемые результаты бенчмарков на 5 стандартных датасетах и действиями мастера ноутбуков из Kaggle. Читать дальше

https://habr.com/ru/articles/1049886/

#automl #мультиагентные_системы #llmагенты #классификация_изображений #компьютерное_зрение #машинное_обучениe #нейронные_сети

Архитектура высокоэффективных нейросетевых вычислений на C++ для прогнозирования динамики ВВП

Принято считать, что для анализа макроэкономики и прогнозирования ВВП необходимы мощные серверы. Обычно разработчики используют Python и тяжелые библиотеки вроде TensorFlow или PyTorch. Однако бывают случаи когда надо чтобы модель была доступна на обычно ноутбуке или мы хотим применить наработки модели и переложить их на платы ардуино с лимитом памяти 32 кб и ценой в розничном магазине 300 - 400 рублей за штуку? Решением проблемы становится полный отказ от сторонних фреймворков. Вся математика нейронных слоев написана с нуля на чистом C++20, а для быстрого подбора весов на ПК применяется технология NVIDIA CUDA. Сама модель имитирует реальные циклы оборота капитала. Четыре скрытых слоя нелинейной сети сжимаются до шести проекционных нейронов по методологии Всемирного банка. Вообще идея применять нейронные сети для предсказания экономических процессов зародилась в конце XX века. Ученые искали замену обычным линейным моделям. Одними из первых нелинейные свойства ИНС для макроэкономических рядов США исследовали N. R. Swanson и H. White [2]. Они доказали, что гибкие связи лучше находят скрытые циклы.C.-M. Kuan и T. Liu [4] выявили, что очистка данных перед подачей в сеть сильно снижает ошибку. В начале 2000-х годов началось активное сравнение нейронных сетей с классическими методами вроде ARIMA. M. Marcellino [5], K. Neusser и M. Wagner [9] доказали превосходство многослойных сетей при анализе ВВП европейских стран на длинных дистанциях, а переключение весов C.-M. Lin и P.-H. Chen [7] помогает предсказывать кризисные периоды. Современный этап связан с обработкой больших массивов информации. В Индии S. Ghosh [6], M. C. Medeiros с соавторами [8] успешно применили нейросети для поиска скрытых зависимостей в индийской экономике.Q. Zhang и Y. Bian [3] в 2024 году провели масштабные тесты по отслеживанию темпов роста китайского ВВП. Они подтвердили преимущество нелинейных функций активации.

https://habr.com/ru/articles/1049856/

#c++20 #nvidia_cuda #нейронные_сети #экономика #оптимизация_кода #backpropagation #макроэкономика #финансы

Базовые нейросетевые модели для кредитного скоринга физических лиц

Всем привет! Мы команда прикладных исследований и разработки моделей глубокого обучения Альфа-банка. В этой статье мы хотели бы рассказать о наших самых актуальных разработках в области нейросетевых подходов к решению задачи кредитного скоринга физических лиц. Ранее мы уже писали на эту тему, но последняя статья предыдущего цикла датирована 2023 годом. За это время мы смогли значительно продвинуться в исследовании способов решения данной задачи.

https://habr.com/ru/companies/alfa/articles/1045640/

#нейросети #нейронные_сети #машинное+обучение #туториал #кредитный_скоринг #transformers #rnn #карточные_транзакции #бюро_кредитных_историй

Нейросети в IT: где учиться, чтобы оптимизировать работу и больше получать

По данным опроса Stack Overflow Developer Survey 2025 года , 65% разработчиков используют ИИ-инструменты для написания кода как минимум раз в неделю. И с каждым месяцем этот процент только растёт. Причем есть большая разница между точечным использованием ChatGPT и встраиванием нейросетей в рабочие процессы для экономии рабочих часов каждый день. Сегодня в статье разберём, как нейросети помогают разным IT-специалистам и где научиться использовать их системно, чтобы больше успевать и расти в доходах.

https://habr.com/ru/companies/habr_career/articles/1047570/

#образование_в_ит #образование_в_it #школы_программирования #нейронные_сети #нейросети #ии #образование_онлайн

Рождение LLM: история, которую мало кто знает

Когда люди слышат "языковая модель", у большинства сразу всплывает ChatGPT, Gemini, ну или на худой конец что-то связанное с Яндексом. Но мало кто задумывается - а с чего вообще всё началось? Кто первым решил, что машина может понимать текст не по шаблону, а по-настоящему? Я попробую рассказать эту историю без лишнего академизма - просто, но честно.

https://habr.com/ru/articles/1046686/

#LLM #большие_языковые_модели #история_ИИ #машинное_обучение #нейронные_сети #история_машинного_обучения #deep_learning #OpenAI #Google_Brain #искусственный_интеллект

Нейронные сети нетрадиционного вычисления

Статья призвана познакомить читателя с тем, как биологические механизмы могут применяться при разработке искусственных нейронных сетей для создания сильного искусственного интеллекта (AGI).

https://habr.com/ru/articles/1045698/

#искусственный_интеллект #мозг #нейронные_сети #хочется_странного