Артур Шайхутдинов

— Кто считает, что промпт‑инженер — это профессия? (смех в зале) Так, один есть. Давайте, промпт‑инженеры, поднимите руки, кто считает. Два. — Давайте я так немножко повангую. Есть предположение, что даже разработчик агента — это не совсем… да, та профессия, которая будет долго жить. — Потому что сейчас всё приходит к тому, что у нас есть универсальные агенты, у нас есть универсальные «тушки» агентов. Мы можем, на самом деле, их брать и можем их адаптировать под задачи, подключая к ним возможности, скажем так. — И мы сейчас в банке как раз пытаемся создать вот такой маркетплейс таких возможностей, которые каждая команда может быстро использовать под свою задачу. — И когда возникла какая‑то идея, да, то есть там за час эту идею довести до промта. --- Информация со слайда (слайд № 14, виден на экране за спикером): Заголовок слайда: SkillHub: маркетплейс навыков для агентов Блок «SkillHub»: - Каталог навыков и тулов для подключения к любому агенту - Поиск релевантных capabilities - Версия, зависимости и права доступа - Проверка качества перед публикацией - Skill API и SkillSearch API - Персонализация навыков между агентами и командами На слайде также приведено изображение белого человекоподобного робота (с экраном‑планшетом на груди) — визуальная метафора «универсальной тушки агента», о которой говорит спикер. #ии #искусственныйинтеллект #ai

Команда Sber AI Lab — вечеринка #AI Native People #ии #сбер #sber #sberbank #искусственныйинтеллект

14:05 – 14:35 Владимир Зворыгин, эксперт по машинному обучению, АО «Гринатом» «Как эффективно использовать ИИ» Разберём, как превратить ИИ из обычного чат-бота в полноценный инструмент для работы, учёбы и повседневных задач. Поговорим о практических приёмах, которые помогают получать более качественные результаты, экономить время и сразу применять ИИ в реальных сценариях. 14:40 – 15:10 Ольга Кокорина, руководитель проекта ИТ, АО «ТВЭЛ» «Искусственный интеллект в производстве и мире» Посмотрим, как развивался и внедрялся в производство ИИ в разных странах, а также разберём, как технологии искусственного интеллекта уже применяются в ТВЭЛ и какие задачи помогают решать на практике. 15:15 – 15:45 Игорь Коршунов, архитектор блока BI, ООО «Философия.ИТ» «Искусственный интеллект без магии» Поговорим об эволюции ИИ – от матриц до современных агентов, разберём популярные мифы и технологические прорывы и обсудим, как ИИ меняет роль человека. А ещё о ближайшем будущем технологий, возможных барьерах и главном: почему ИИ стоит воспринимать как инструмент, а не как судьбу. Митап по искусственному интеллекту и машинному обучению #ии #ml #росатом #бауманка #мгту

Почему когда #precision после #RL ниже — это хорошо? #ии #ml #машинноеобучение #machinelearning

В Сан-Франциско кожаного выпустили в клетку драться с почти 80-килограммовым гуманоидным роботом EngineAI T800. Хоть роботом и управляют дистанционно (пока), выглядит всё равно годно: робот пинается, машет руками и вполне натурально пытается прописать человеку в будку. Где-то очень нервно закурил один Джон Коннор. #t800 #terminator #терминатор

Double Machine Learning (DML) — метод каузального анализа, оценивающий причинный эффект [treatment] на [outcome] при наличии множества сложных признаков-конфаундеров. Для этого ML-моделями отдельно предсказывают treatment и outcome по конфаундерам, затем работают с остатками. Treatment (T, воздействие) — действие или фактор, эффект которого изучают: например, приём лекарства или показ рекламы. Outcome (Y, исход) — результат: выздоровление, покупка, доход. Confounder (X, конфаундер) — переменная, влияющая и на treatment, и на outcome, создавая ложную корреляцию. Например, тяжесть болезни влияет и на назначение лекарства, и на выздоровление. Метод называется двойным машинным обучением, потому что применяются две ML-модели: одна предсказывает [Y] (outcome) по конфаундерам [X]; другая предсказывает [T] (treatment) по [X]. Затем из [Y] и [T] вычитают предсказанные части и оценивают связь между остатками. Это уменьшает влияние конфаундеров и смещение от переобучения.

Шпиль главного здания Московского Государственного Университета - смотровая площадка на 32-ом этаже, высота около 200 м #мгу #мгуимломоносова

https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe SGD (Stochastic Gradient Descent) — это стохастический градиентный спуск. Он обновляет параметры не по всему датасету, а по одному примеру или мини-батчу. Поэтому он быстрее и шумнее обычного градиентного спуска (gradient descent), который считает градиент по всем данным сразу.

https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Скалярное произведение — это произведение двух векторов: мы умножаем соответствующие элементы и складываем результаты. Оно используется во всех нейронных сетях. В формуле нейрона веса и входные данные умножаются попарно и суммируются. То есть нейрон сначала вычисляет скалярное произведение входного вектора и вектора весов, а затем пропускает результат через функцию активации.

https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Градиентный спуск (Gradient descent) — это метод оптимизации, который шаг за шагом уменьшает ошибку модели, двигаясь в сторону наибольшего убывания функции потерь. Его часто используют в машинном обучении, чтобы подобрать хорошие веса модели.

https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Autoencoder — это нейросеть, которая учится сжимать данные в скрытое представление и затем восстанавливать их обратно. Обычно используется для уменьшения размерности, удаления шума и поиска важных признаков. Variational autoencoder (VAE) — это генеративный автоэнкодер, который не просто сжимает данные, а учит их вероятностное скрытое представление, чтобы потом генерировать новые похожие примеры.

https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Метод главных компонент (PCA, Principal Component Analysis) — это алгоритм машинного обучения без учителя, используемый для снижения размерности данных при сохранении максимального количества информации (дисперсии, т.е. разброса). Он преобразует коррелированные признаки в набор новых некоррелированных переменных — главных компонент, упорядоченных по степени важности. Позволяет перейти от множества признаков к меньшему их числу.

Google запустил блестящий инструмент с искусственным интеллектом прямо внутри Творческой студии YouTube. "Спросить у Студии" – это AI-инструмент и партнер по созданию видеоконтента, интегрированный в Творческую студию YouTube. Он может пересказывать комментарии к вашим видео и отзывы о них, собирать актуальную статистику по каналу и генерировать идеи и планы для нового контента. Сейчас им можно пользоваться исключительно в браузерах на компьютере. Чтобы воспользоваться нажмите значок "Спросить у Студии" в верхнем углу Творческой студии YouTube. "Спросить у Студии" отвечает на вопросы об эффективности вашего канала и комментариях к вашим видео, а также помогает находить идеи для новых роликов. Вы можете выбрать один из предложенных вариантов, например "Резюмируй комментарии", а затем уточнить его. Вы также можете воспользоваться встроенным руководством "Как "Спросить у Студии" может помо́чь мне?". Ответы генерируются большими языковыми моделями (LLM), которые получают информацию с вашего канала, от YouTube и из интернета. Инструмент "Спросить у Студии" доступен большинству авторов YouTube в Великобритании, Индии, Канаде, Латинской Америке, Новой Зеландии, США и странах Европейской экономической зоны.

https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Федеративное обучение — это способ обучать модель на данных, которые не покидают устройства: вместо самих данных отправляются только обновления модели, которые потом объединяются на центральном сервере. Это полезно для конфиденциальности и когда данные распределены по множеству устройств, например смартфонам или датчикам.

https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Walk-forward оптимизация — это способ проверять и подбирать параметры модели на временных данных по шагам: обучают на прошлом участке, тестируют на следующем, затем окно сдвигают вперёд. Она помогает оценить, насколько модель устойчива и не переобучается на исторических данных. #машинноеобучение #нейросети #нейросеть

https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Друзья, привет! Сегодня я в МГТУ им. Баумана на конференции Технологии виртуальной реальности.

https://courses.rcppe.ru | https://t.me/rcppe | https://vk.com/rcppe Переобучение — это когда модель слишком хорошо запоминает обучающие данные, включая шум и случайные детали, и поэтому хуже работает на новых данных. Недообучение — это когда модель слишком простая и не улавливает закономерности в данных, поэтому плохо работает и на обучающих, и на новых данных. Простейшим способом борьбы с переобучением является ранняя остановка обучения.