Статьи про AI и LLM, которые вы могли пропустить

Но мы не дадим вам это сделать, поэтому собрали все в одном месте! Сохраняйте, чтобы прочитать позже, и делитесь с коллегами и друзьями.

1. Видеоаналитика в реальном времени: что делать, если нет GPU

В этой статье об ограничениях, локальных оптимизациях, которые реально работают, и архитектурных изменениях, способных увеличить производительность в 28 раз.

2. Хроники взлома LLM в двух частях (первая, вторая)

Рассказываем, как взламывать большие языковые модели, а также как защищаться от таких атак. Все на практических примерах.

3. Как мы научили ML группировать 50 000 событий в инциденты

Здесь о том, как в МТС Web Services построили автоматизацию, какие архитектурные решения приняли, какие грабли собрали и как достигли точности разметки выше 80%.

4. Из зала на сцену: как, зачем и для чего IT-специалистам становиться докладчиками на профильных конференциях?

Спойлер: от хорошей подготовки выигрывают все. И вы, и участники конференции, и сообщество в целом.

5. От хакатона до автоматизации флотации: путь в промышленный AI

Здесь вы найдете реальные кейсы внедрения машинного обучения на производстве и честный взгляд на сложности индустрии.

Отправляйте друзьям и делитесь в комментариях, какая из этих статей для вас наиболее полезная и интересная👇

💬 Подписаться на AiConf X

🤔 Когда вы ищете билеты на Авиасейлс, вы задумываетесь о том, как сервис оптимизирует выдачу?

Чтобы пользователь видел не только самые дешевые варианты, но и самые удобные?

Для устранения этой проблемы в компании решили внедрить ML-скоринг и ранжировать билеты по вероятности покупки.

На практике задача оказалась гораздо сложнее:
– Разные источники данных у аналитиков и бэкенда
– Training-inference skew
– Провалы в нефункциональных требованиях
– Неожиданный рост latency

В новой статье руководитель команды поиска Авиасейлс Сергей Лавров рассказал, как они прошли путь от первых эвристик до полноценной продакшн-модели и нашли общий язык с аналитиками. А также поделился ошибками, компромиссами и выводами, которые помогут тем, кто собирается внедрять ML в продакшн у себя 👇