DeepSeek запатентовал технологию снижения нагрузки на сеть при сборе данных
Компания DeepSeek (Ханчжоуская лаборатория фундаментальных технологий ИИ) получила патент на «Метод и система широкомасштабного сбора данных», опубликованный 1 апреля на сайте Государственного управления интеллектуальной собственности Китая.
Топ-7 платформ для проведения IT-соревнований
Говорят, что спортивное программирование — совсем другая область, которая сильно отличается от рабочих задач. Пусть так. Но опыт показывает, что умный и талантливый человек проявит себя в обеих сферах. Если он стал чемпионом по спортивному программированию, в ML-соревновании или CTF — то и спрос на такой талант больше обычного. А сколько отличных проектов создано на хакатонах! Вспомнить хотя бы приложение MSQRD, которое написали на хакатоне за 48 часов, а потом продали Фейсбуку за десятки миллионов долларов. Здесь мы собрали семь лучших платформ для проведения IT-соревнований. Для участников это состязательные платформы, а организаторам они помогут автоматизировать рутину и сконцентрироваться только на качестве мероприятия. Из обзора вы узнаете: Где самое активное ML-комьюнити в России. Какая платформа предлагает самый большой функционал для проведения соревнований. Чем отличаются различные платформы для соревнований по спортивному программированию. Как провести любое IT-мероприятие на одной платформе. Что делать, если нужно локальное решение для IT-соревнования.
AI в работе технического писателя
Всем привет! Меня зовут Севара Ахтямова и я работаю техническим писателем — аналитиком около 4 лет. В этой статье я расскажу, как AI помог мне справиться с рабочей рутиной — от генерации toctree до отладки сборки Sphinx-документации. Всё это — на реальных задачах. Я постаралась собрать побольше примеров из личного опыта. Надеюсь, не слишком много.
7 Кругов IT-Ада
Каждый грешник однажды пройдет через свой ад. В случае с IT - это место будет весьма специфичным1. Круг: Бездна Архаичных ЗнанийГрех: Гордыня основателей ("Только мы понимаем эту магию!") Пытки:Новые рабы (разработчики) 3 месяца расшифровывают древние скрижали (код без документации)Каждый баг — ритуал вызова духов (разбор кода с оракулами-старожилами)Уход одного "жреца" парализует всю системуНадпись на вратах: "Оставь надежду, всяк сюда входящий без git blame"
Число ботов-скрейперов на базе ИИ резко возросло
Исследователи в последнее время отмечают всплеск активности генеративных ботов-скрейперов. По последним данным, так называемые «серые боты» всё чаще нацеливаются на веб-приложения.
Code-Level Observability: Глубокая видимость на уровне кода против традиционных APM и преимущества BitDive
Современные приложения и распределённые системы стали невероятно сложными, а традиционные инструменты мониторинга зачастую не справляются с выявлением скрытых проблем. Code-Level Observability предлагает новый подход, позволяющий получить детальное представление о работе приложения непосредственно на уровне исходного кода. В этой статье мы рассмотрим, почему глубокая видимость кода становится необходимостью, какие проблемы имеют популярные APM-системы, и как система BitDive превосходит традиционные решения.Введение
AutoEncoders and hidden states Analysis
Привет, друзья!Я продолжаю цикл туториалов, посвященных области explainable AI. Так, уже были разобраны метод Logit Lens на примере ViT, зондирование gpt2, CAM на примере Yolo NAS — всё можно найти по статьям в профиле. В этом же туториале мы разберем идею применения автокодировщиков для анализа и извлечения признаков из скрытых состояний модели.В туториале, вы:Изучите или повторите, как работает извлечение признаков в Visual Transformers;Построите и примените автокодировщик для сжатия скрытых представлений, выученных моделью ViT в задаче классификации котиков и собачек;Сравните Vit и PCA в данной задаче.
ИИ впервые официально прошел строгий тест Тьюринга
Исследователи из университета Сан-Диего опубликовали статью, в которой впервые эмпирически доказали устойчивое прохождение ИИ-системой классического теста Тьюринга: Win Rate новой модели OpenAI GPT-4.5 составил 73%.
Замена Langchain, как OpenAI Agents SDK справляется с глубоким поиском?
Агенты супер багованы. В своих проектах в компании мы заметили, что Langchain стал уж слишком баговым. В мультиагентных системах агенты зачастую циклятся, так как не понимают, когда они выполнили финальное действие, не вызывают друг друга когда надо, или же просто возвращают данные в битом формате JSON. Короче говоря, создать агентную систему стало не так то просто, и мы даже стали задумываться об упрощении систем, избавляясь от кучи агентов. И вот неделю назад OpenAI обновили SDK для создания агентов, а еще выкатили доступ к новым тулзам по API. Ну и я пошел тестить.
