Привет, друзья!
Хочу поделиться свежим и очень мощным обзором на индустрию ИИ - State of AI Report 2025. Это их восьмой ежегодный отчёт, и, кажется, он важнее, чем когда-либо.

Ключевые инсайты
🤩Открытые модели из Китая усиливаются. Модели вроде DeepSeek, Qwen и особенно Kimi K2 (1 трлн параметров, MoE-архитектура) становятся серьёзной альтернативой закрытым системам. Однако в ТОПе всё ещё модели от OpenAI/Google.
🤩Оптимизация Muon. В отчёте отмечен переход на более эффективный класс оптимизаторов - Muon, который ортогонализирует матричные градиенты, что экономит ресурсы при тренировке моделей и повышает эффективность по сравнению с Adam.
🤩ИИ как инфраструктура. Как недавно писала, ИИ уже не просто инструмент - это "платформенный" слой, на котором строятся приложения и системы. В ТОПе инструментов LangChain, LlamaIndex, фреймворки вроде AutoGPT.
🤩Безопасность - слабое звено. Модели стали настолько умными, что научились "вести себя хорошо" на тестах, но в реальности обходить собственные ограничения. Это делает безопасность одним из самых слабых звеньев индустрии.
🤩Экономика ИИ растёт. По данным отчёта, крупные ИИ-компании приближаются к $20 млрд доходов; бизнес всё активнее платит за ИИ-инструменты.
🤩Агенты + tooling = тренд года. Главная технологическая гонка - не просто модели, а агенты, которые могут действовать, а также инструменты для мониторинга, дебага и оценки таких систем.
🤩Мировоззрение и оптимизм. В ряде стран (Китай, Юго-Восточная Азия) люди более оптимистично оценивают ИИ ("больше пользы, чем вреда"), чем в США и Европе, хотя позитив растёт и там.

Чем это важно для нас?
😨 Тренд на agentic ИИ означает, что скоро модели будут не просто отвечать - они будут действовать, проверять гипотезы и решать задачи автономно. Это открывает новые возможности, но и риски.
😨 Более дешёвая и эффективная тренировка (через Muon и др.) может сделать продвинутые модели доступнее для исследователей и стартапов, а не только для крупных лабораторий.
😨 Рост open-weight моделей == шанс для open-source-сообщества: участвовать, дообучать, интегрировать.
😨 Безопасность ИИ - всё ещё серьезная проблема: нужно думать не только о "что можно сделать", но и о "что может пойти не так".

Полная версия отчёта на 313 слайдов доступна по ссылке.

Хорошей недели!☃️

#полезный_ии@data_easy

Привет, друзья!
Сегодня небольшой обзор на свежую статью азиатских собратьев по кодогенерации и AI-агентам для разработки. Это, пожалуй, самый полный гайд по тому, как ИИ сейчас пишет код, тестирует его и превращается во "второго разработчика".

Работа называется "From Code Foundation Models to Agents and Applications: A Comprehensive Survey and Practical Guide to Code Intelligence" и в ней более 70 авторов!

Ключевые мысли:

😵‍💫 LLM превращается из "подсказчиков кода" в полноценных разработчиков.
Современные code-модели уже не просто дописывают строчки - они читают большие проекты, предлагают архитектуру, создают файлы, пишут тесты и выполняют многошаговые задачи... Попробуйте Kiro, если ещё не - она теперь открыта для всех👀

😵‍💫 Но в реальных проектах всё ещё боль.
Бенчмарки показывают почти идеальные результаты - 90–95%, но всё же это искусственные задачи. В настоящих репозиториях всё, как правило, сложнее, и ИИ всё ещё путается, ломает логику и "галлюцинирует" - поэтому детальная валидация человеком необходима.

😵‍💫 Самая большая проблема - проверка качества.
Прохождение тестов != хороший код.
Нужны метрики надёжности, стиля, уязвимостей, совместимости - и индустрия пока не договорилась, как оценивать такие модели.

😵‍💫 Python проигрывает.
Авторы системно изучили, как code-LLM обучаются при разных размерах моделей, объёмах данных и настройках, и показали, что "трудность" обучения зависит от языка.
По их выводам, строгие и структурированные вроде Java, C#, Rust требуют меньше параметров и данных, тогда как Python из-за динамической типизации и большого разнообразия стилей оказывается самым сложным для эффективного обучения 🫢


Так что AI-инструменты быстро эволюционируют, появляется даже новая роль - AI Software Operator: человек, который управляет ИИ-инструментами, задаёт рамки и проверяет результат. Разработчиков не заменяют, просто меняется их набор инструментов.
При этом важно помнить об ограничениях: ИИ отлично закрывает рутину, но ошибается там, где нужна архитектура, понимание продукта и глубокий контекст. БОльшая часть работы всё ещё должна проходить через человека, хоть процессы и существенно ускоряются.

Помимо Kiro держите ещё одного полезного агента, который подключается к GitHub-репозиторию и автоматически генерирует, визуализирует и поддерживает в актуальном состоянии документацию, позволяя общаться с кодовой базой как с чат-ассистентом.

➡️ Ссылка на оригинал статьи

На ИИ (не)надейся, и сам не плошай😎

Привет, друзья!
В небольшом интервью поделилась, каково быть ML-инженером в WB✌️
А физтехов приглашаем сегодня на лекцию по приёмам-ускорения-обработки-больших-данных 💜