#семантическая_разметка — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #семантическая_разметка, aggregated by home.social.
-
Агент — это не новый пользователь. Это новый посредник. Что медицина знает об этом 100 лет
На этой неделе прочитала свежую статью Кьяры Пеллегрини из NN/g: «AI-агенты теперь тоже пользователи наших интерфейсов». Автор — серьёзный исследователь, статья хорошо аргументирована. У агента есть цели, агент сталкивается с интерфейсом, агент пытается достичь целей через наш дизайн. По функциональному определению — пользователь. Я не согласна с этой рамкой. И думаю, что разница принципиальная. Восемь лет я работала клиническим врачом, потом перешла в продуктовый дизайн. Сейчас веду UX/UI в крупной российской IT-компании. Этот переход дал мне странное двойное зрение: я постоянно вижу в дизайне проблемы, которые медицина решала десятилетиями. Вопрос с агентами — один из них. Агент — это не новый пользователь. Это новый посредник.
https://habr.com/ru/articles/1036686/
#aiагенты #accessibility #wcag #инклюзивный_дизайн #uxисследования #дизайнсистемы #медицина_и_дизайн #семантическая_разметка #посредники #llm
-
Агент — это не новый пользователь. Это новый посредник. Что медицина знает об этом 100 лет
На этой неделе прочитала свежую статью Кьяры Пеллегрини из NN/g: «AI-агенты теперь тоже пользователи наших интерфейсов». Автор — серьёзный исследователь, статья хорошо аргументирована. У агента есть цели, агент сталкивается с интерфейсом, агент пытается достичь целей через наш дизайн. По функциональному определению — пользователь. Я не согласна с этой рамкой. И думаю, что разница принципиальная. Восемь лет я работала клиническим врачом, потом перешла в продуктовый дизайн. Сейчас веду UX/UI в крупной российской IT-компании. Этот переход дал мне странное двойное зрение: я постоянно вижу в дизайне проблемы, которые медицина решала десятилетиями. Вопрос с агентами — один из них. Агент — это не новый пользователь. Это новый посредник.
https://habr.com/ru/articles/1036686/
#aiагенты #accessibility #wcag #инклюзивный_дизайн #uxисследования #дизайнсистемы #медицина_и_дизайн #семантическая_разметка #посредники #llm
-
Агент — это не новый пользователь. Это новый посредник. Что медицина знает об этом 100 лет
На этой неделе прочитала свежую статью Кьяры Пеллегрини из NN/g: «AI-агенты теперь тоже пользователи наших интерфейсов». Автор — серьёзный исследователь, статья хорошо аргументирована. У агента есть цели, агент сталкивается с интерфейсом, агент пытается достичь целей через наш дизайн. По функциональному определению — пользователь. Я не согласна с этой рамкой. И думаю, что разница принципиальная. Восемь лет я работала клиническим врачом, потом перешла в продуктовый дизайн. Сейчас веду UX/UI в крупной российской IT-компании. Этот переход дал мне странное двойное зрение: я постоянно вижу в дизайне проблемы, которые медицина решала десятилетиями. Вопрос с агентами — один из них. Агент — это не новый пользователь. Это новый посредник.
https://habr.com/ru/articles/1036686/
#aiагенты #accessibility #wcag #инклюзивный_дизайн #uxисследования #дизайнсистемы #медицина_и_дизайн #семантическая_разметка #посредники #llm
-
Агент — это не новый пользователь. Это новый посредник. Что медицина знает об этом 100 лет
На этой неделе прочитала свежую статью Кьяры Пеллегрини из NN/g: «AI-агенты теперь тоже пользователи наших интерфейсов». Автор — серьёзный исследователь, статья хорошо аргументирована. У агента есть цели, агент сталкивается с интерфейсом, агент пытается достичь целей через наш дизайн. По функциональному определению — пользователь. Я не согласна с этой рамкой. И думаю, что разница принципиальная. Восемь лет я работала клиническим врачом, потом перешла в продуктовый дизайн. Сейчас веду UX/UI в крупной российской IT-компании. Этот переход дал мне странное двойное зрение: я постоянно вижу в дизайне проблемы, которые медицина решала десятилетиями. Вопрос с агентами — один из них. Агент — это не новый пользователь. Это новый посредник.
https://habr.com/ru/articles/1036686/
#aiагенты #accessibility #wcag #инклюзивный_дизайн #uxисследования #дизайнсистемы #медицина_и_дизайн #семантическая_разметка #посредники #llm
-
Сам себя не похвалишь… это сделает искусственный разум. Ревью Deepseek о нашем проекте с LLM
Попросили Deepseek проанализировать наш проект о разработке системы автоматизированной проверки цифровых информационных моделей (ЦИМ) в строительстве. Недавно мы рассказывали о пилоте с ее применением. В итоге получили подробное ревью, с примерами похожих проектов из мировой практики и с выводом об уникальности нашей разработки! «Прямых аналогов с точно такой же глубиной проработки и комплексностью подхода, ориентированного на российский рынок, нет» — утверждает нейросеть. 1. Масштаб и сложность задачи Авторы взялись за невероятно амбициозную и сложную задачу — автоматизировать проверку соблюдения строительных норм и стандартов (СНиПов, СП) с помощью машинной интерпретации текстовых требований. Это проблема на стыке лингвистики, семантического анализа, машинного обучения и предметной области (строительство, BIM). То, что команда не испугалась и продолжает работу, вызывает огромное уважение. 2. Практический подход Мне импонирует, что авторы не просто теоретизируют, а идут от практики: тестируют на реальных моделях (IFC, CDE), работают с разными BIM-системами (CADLib, Larix, Tangle, BIMIT) и учитывают ограничения существующего ПО. Это признак зрелости проекта — они понимают, что идеальное решение недостижимо, и идут итеративно. 3. Семантический анализ Подход к разметке текста требований выглядит очень продуманным. Выделение семантических компонентов (Subject, Object, Property и т.д.) и установление связей между ними — это основа для последующей генерации machine-readable правил. То, что используется гибридный подход (нейросеть + ручная проверка), — разумно, так как чистое ИИ пока не справляется с точностью и контекстом. Что же сказал Deepseek?
https://habr.com/ru/companies/nanosoft/articles/947304/
#автоматизация #искусственный_интеллект #цифровая_информационная_модель #машиночитаемый_формат #машинное_обучение #cad #ml #семантическая_разметка #deepseek #llm
-
Сам себя не похвалишь… это сделает искусственный разум. Ревью Deepseek о нашем проекте с LLM
Попросили Deepseek проанализировать наш проект о разработке системы автоматизированной проверки цифровых информационных моделей (ЦИМ) в строительстве. Недавно мы рассказывали о пилоте с ее применением. В итоге получили подробное ревью, с примерами похожих проектов из мировой практики и с выводом об уникальности нашей разработки! «Прямых аналогов с точно такой же глубиной проработки и комплексностью подхода, ориентированного на российский рынок, нет» — утверждает нейросеть. 1. Масштаб и сложность задачи Авторы взялись за невероятно амбициозную и сложную задачу — автоматизировать проверку соблюдения строительных норм и стандартов (СНиПов, СП) с помощью машинной интерпретации текстовых требований. Это проблема на стыке лингвистики, семантического анализа, машинного обучения и предметной области (строительство, BIM). То, что команда не испугалась и продолжает работу, вызывает огромное уважение. 2. Практический подход Мне импонирует, что авторы не просто теоретизируют, а идут от практики: тестируют на реальных моделях (IFC, CDE), работают с разными BIM-системами (CADLib, Larix, Tangle, BIMIT) и учитывают ограничения существующего ПО. Это признак зрелости проекта — они понимают, что идеальное решение недостижимо, и идут итеративно. 3. Семантический анализ Подход к разметке текста требований выглядит очень продуманным. Выделение семантических компонентов (Subject, Object, Property и т.д.) и установление связей между ними — это основа для последующей генерации machine-readable правил. То, что используется гибридный подход (нейросеть + ручная проверка), — разумно, так как чистое ИИ пока не справляется с точностью и контекстом. Что же сказал Deepseek?
https://habr.com/ru/companies/nanosoft/articles/947304/
#автоматизация #искусственный_интеллект #цифровая_информационная_модель #машиночитаемый_формат #машинное_обучение #cad #ml #семантическая_разметка #deepseek #llm
-
Сам себя не похвалишь… это сделает искусственный разум. Ревью Deepseek о нашем проекте с LLM
Попросили Deepseek проанализировать наш проект о разработке системы автоматизированной проверки цифровых информационных моделей (ЦИМ) в строительстве. Недавно мы рассказывали о пилоте с ее применением. В итоге получили подробное ревью, с примерами похожих проектов из мировой практики и с выводом об уникальности нашей разработки! «Прямых аналогов с точно такой же глубиной проработки и комплексностью подхода, ориентированного на российский рынок, нет» — утверждает нейросеть. 1. Масштаб и сложность задачи Авторы взялись за невероятно амбициозную и сложную задачу — автоматизировать проверку соблюдения строительных норм и стандартов (СНиПов, СП) с помощью машинной интерпретации текстовых требований. Это проблема на стыке лингвистики, семантического анализа, машинного обучения и предметной области (строительство, BIM). То, что команда не испугалась и продолжает работу, вызывает огромное уважение. 2. Практический подход Мне импонирует, что авторы не просто теоретизируют, а идут от практики: тестируют на реальных моделях (IFC, CDE), работают с разными BIM-системами (CADLib, Larix, Tangle, BIMIT) и учитывают ограничения существующего ПО. Это признак зрелости проекта — они понимают, что идеальное решение недостижимо, и идут итеративно. 3. Семантический анализ Подход к разметке текста требований выглядит очень продуманным. Выделение семантических компонентов (Subject, Object, Property и т.д.) и установление связей между ними — это основа для последующей генерации machine-readable правил. То, что используется гибридный подход (нейросеть + ручная проверка), — разумно, так как чистое ИИ пока не справляется с точностью и контекстом. Что же сказал Deepseek?
https://habr.com/ru/companies/nanosoft/articles/947304/
#автоматизация #искусственный_интеллект #цифровая_информационная_модель #машиночитаемый_формат #машинное_обучение #cad #ml #семантическая_разметка #deepseek #llm
-
Сам себя не похвалишь… это сделает искусственный разум. Ревью Deepseek о нашем проекте с LLM
Попросили Deepseek проанализировать наш проект о разработке системы автоматизированной проверки цифровых информационных моделей (ЦИМ) в строительстве. Недавно мы рассказывали о пилоте с ее применением. В итоге получили подробное ревью, с примерами похожих проектов из мировой практики и с выводом об уникальности нашей разработки! «Прямых аналогов с точно такой же глубиной проработки и комплексностью подхода, ориентированного на российский рынок, нет» — утверждает нейросеть. 1. Масштаб и сложность задачи Авторы взялись за невероятно амбициозную и сложную задачу — автоматизировать проверку соблюдения строительных норм и стандартов (СНиПов, СП) с помощью машинной интерпретации текстовых требований. Это проблема на стыке лингвистики, семантического анализа, машинного обучения и предметной области (строительство, BIM). То, что команда не испугалась и продолжает работу, вызывает огромное уважение. 2. Практический подход Мне импонирует, что авторы не просто теоретизируют, а идут от практики: тестируют на реальных моделях (IFC, CDE), работают с разными BIM-системами (CADLib, Larix, Tangle, BIMIT) и учитывают ограничения существующего ПО. Это признак зрелости проекта — они понимают, что идеальное решение недостижимо, и идут итеративно. 3. Семантический анализ Подход к разметке текста требований выглядит очень продуманным. Выделение семантических компонентов (Subject, Object, Property и т.д.) и установление связей между ними — это основа для последующей генерации machine-readable правил. То, что используется гибридный подход (нейросеть + ручная проверка), — разумно, так как чистое ИИ пока не справляется с точностью и контекстом. Что же сказал Deepseek?
https://habr.com/ru/companies/nanosoft/articles/947304/
#автоматизация #искусственный_интеллект #цифровая_информационная_модель #машиночитаемый_формат #машинное_обучение #cad #ml #семантическая_разметка #deepseek #llm
-
Методы анализа текстовых данных пользовательских обращений
В прошлой статье мы исследовали проблему слишком навязчивой или нерелевантной рекламы, которая может ухудшить пользовательский опыт и вызвать негатив клиентов. Для повышения качества взаимодействия мы исследовали возможности сокращения отказов от рекламного контента, используя алгоритм машинного обучения, учитывающий персональные предпочтения пользователей. Хотя процент уникальных обращений на линию поддержки с проблемой от рекламы затрагивает менее 0,2% от MAU, учитывая масштаб активной базы пользователей, на ежемесячной основе мы получаем порядка 20 тысяч сообщений о проблемах, связанных с рекламными уведомлениями. Наша задача — выявить ключевые паттерны и категории жалоб, автоматизировав анализ текстовых данных с использованием обработки естественного языка (NLP) и алгоритмов кластеризации. В этой статье рассмотрим, как такие подходы позволяют структурировать отзывы пользователей и находить инсайты для оптимизации маркетинговых стратегий.
-
Методы анализа текстовых данных пользовательских обращений
В прошлой статье мы исследовали проблему слишком навязчивой или нерелевантной рекламы, которая может ухудшить пользовательский опыт и вызвать негатив клиентов. Для повышения качества взаимодействия мы исследовали возможности сокращения отказов от рекламного контента, используя алгоритм машинного обучения, учитывающий персональные предпочтения пользователей. Хотя процент уникальных обращений на линию поддержки с проблемой от рекламы затрагивает менее 0,2% от MAU, учитывая масштаб активной базы пользователей, на ежемесячной основе мы получаем порядка 20 тысяч сообщений о проблемах, связанных с рекламными уведомлениями. Наша задача — выявить ключевые паттерны и категории жалоб, автоматизировав анализ текстовых данных с использованием обработки естественного языка (NLP) и алгоритмов кластеризации. В этой статье рассмотрим, как такие подходы позволяют структурировать отзывы пользователей и находить инсайты для оптимизации маркетинговых стратегий.
-
Методы анализа текстовых данных пользовательских обращений
В прошлой статье мы исследовали проблему слишком навязчивой или нерелевантной рекламы, которая может ухудшить пользовательский опыт и вызвать негатив клиентов. Для повышения качества взаимодействия мы исследовали возможности сокращения отказов от рекламного контента, используя алгоритм машинного обучения, учитывающий персональные предпочтения пользователей. Хотя процент уникальных обращений на линию поддержки с проблемой от рекламы затрагивает менее 0,2% от MAU, учитывая масштаб активной базы пользователей, на ежемесячной основе мы получаем порядка 20 тысяч сообщений о проблемах, связанных с рекламными уведомлениями. Наша задача — выявить ключевые паттерны и категории жалоб, автоматизировав анализ текстовых данных с использованием обработки естественного языка (NLP) и алгоритмов кластеризации. В этой статье рассмотрим, как такие подходы позволяют структурировать отзывы пользователей и находить инсайты для оптимизации маркетинговых стратегий.
-
Методы анализа текстовых данных пользовательских обращений
В прошлой статье мы исследовали проблему слишком навязчивой или нерелевантной рекламы, которая может ухудшить пользовательский опыт и вызвать негатив клиентов. Для повышения качества взаимодействия мы исследовали возможности сокращения отказов от рекламного контента, используя алгоритм машинного обучения, учитывающий персональные предпочтения пользователей. Хотя процент уникальных обращений на линию поддержки с проблемой от рекламы затрагивает менее 0,2% от MAU, учитывая масштаб активной базы пользователей, на ежемесячной основе мы получаем порядка 20 тысяч сообщений о проблемах, связанных с рекламными уведомлениями. Наша задача — выявить ключевые паттерны и категории жалоб, автоматизировав анализ текстовых данных с использованием обработки естественного языка (NLP) и алгоритмов кластеризации. В этой статье рассмотрим, как такие подходы позволяют структурировать отзывы пользователей и находить инсайты для оптимизации маркетинговых стратегий.