Разрабатываем свой PyTorch — прикладная статья, которая шаг за шагом поясняет создание мощного фреймворка для ML, который популярен благодаря своей гибкости, простоте использования и поддержке динамических вычислительных графов.

https://habr.com/ru/articles/869118/

Автор делится прогнозами о том, что нас ждет в 2025 году, поскольку LLM впечатляюще развивается и растут возможности в бизнесе, а также в повседневной жизни.

https://habr.com/ru/articles/870002/

В практическом туториале пошагово объясняются добавление и реализация различных компонентов, таких как CNN, BatchNorm, MaxPool, MinPool, оптимизаторов (RMSProp, NaG, Adam), регуляризации, новых функций активации и DataLoader.

https://habr.com/ru/articles/869520/

Исследование показывает результаты тестирования модели o3 от OpenAI в рамках бенчмарка ARC-AGI-Pub, проведенных Франсуа Шолле.

Модель достигла 75,7% на полу-приватном наборе данных при ограничении в $10 тысяч вычислительных ресурсов, а при увеличении вычислительных мощностей результат составил 87,5%.

https://habr.com/ru/articles/869098/

Автор рассказывает, как в Beeline с помощью data catalog создали прозрачные связи между моделями ML и фичами.

Из доклада вы узнаете, зачем и кому это бывает нужно, а также один из способов решения этой задачи.

https://habr.com/ru/companies/beeline_tech/articles/868612/

В рамках доклада подробно описывается что из себя представляет OMD и показывается на примере MLflow как происходит подключение новых источников в ODM

https://habr.com/ru/companies/beeline_tech/articles/868730/

Разбор ошибок в процессе обучения как людей, так и ML-алгоритмов, которые являются неотъемлемой частью роста и улучшения.

Чтобы показать этот процесс наглядно, автор приводит 5 принципов, в которых люди и ML-модели похожи.

https://habr.com/ru/companies/ru_mts/articles/867710/

Данное исследование раскрывает роль компиляторов в оптимизации вычислений для современных аппаратных платформ, учитывая
основные особенности работы с ними и их влияние на производительность в ML

https://habr.com/ru/companies/yadro/articles/869594/

Статья представляет сети KAN, которые заменяют линейные веса на обучаемые функции активации, улучшая точность, интерпретируемость и масштабируемость по сравнению с MLP, особенно в задачах AI+Science.

https://habr.com/ru/articles/856776/

Исследователи продолжают развивать тему KAN, раскрывают ее связь с наукой, а также приводят некоторые практические советы по использованию библиотеки pykan, написанной на python, в которой реализован алгоритм KAN.

https://habr.com/ru/articles/860738/

Старший менеджер LLM-продуктов MTS AI рассказал как защитить интеллектуальную собственность.

Он выделил основные методы защиты больших языковых моделей, среди которых: поставка LLM вместе с серверами, аппаратное шифрование, поставка облачных решений, а также маскировка и вотермаркинг.

https://rb.ru/opinion/kak-razrabotchiki-zashishayut-svoi-yazykovye-modeli-ot-krazhi/

Квантовые вычисления и программирование открывают новые горизонты для решения сложных задач и создания инновационных технологий. 

Именно здесь на помощь приходят самообучающиеся интеллектуальные системы, основанные на алгоритмах квантового ML, подробнее об этом можете прочитать ниже👇🏻

https://rb.ru/story/kvantovye-vychisleniya/

Международная команда ученых совершила прорыв в области распределенного машинного обучения, разработав новые алгоритмы, значительно повышающие эффективность обучения моделей в федеративных сетях.

Подробнее про проведенную конференцию и результаты исследования 👇🏻

https://naked-science.ru/article/column/obuchenie-v-detsentralizo/amp

В статье рассматривается метод изучения нейросетей, который может быть полезен для развития мышления, необходимого для создания новых идей и алгоритмов с нуля.

Этот подход также может стать хорошей отправной точкой для тех, кто хочет начать развиваться в области создания ИИ.

https://habr.com/ru/articles/871648/

В новом релизе представлены две модели:

T-Lite — быстрая и эффективная модель для базовых задач и файнтюнинга.
T-Pro — мощная модель для сложных задач и продвинутого использования.

Обе модели обеспечивают гибкость и высокую производительность.

https://habr.com/ru/companies/tbank/articles/865582/

Автор наглядно показывает уникальные возможности ИИ, ведь каждый из этих типов открывает новые горизонты для человечества, но также требует внимательного подхода, чтобы минимизировать риски и использовать потенциал технологий.

https://rb.ru/story/narrow-general-super-ai/

Эксперты в области информационной безопасности описывают принципы управления РAM для защиты критичных IT-систем от угроз и утечек данных.

https://habr.com/ru/companies/best_pam/articles/872482/

Статья обсуждает эволюцию LLM, от простых моделей к интеграции более сложных этапов мышления и предсказывает развитие многоагентных архитектур для улучшения обработки контекста и памяти.

https://habr.com/ru/companies/raft/articles/873372/

Статья объясняет, как объединить различные архитектуры нейронных сетей через концепцию KAN для лучшего понимания их сходств и различий.

Автор предлагает новый подход, начиная с основ линейной алгебры и постепенно переходя к более сложным идеям.

https://habr.com/ru/articles/823388/

RetroLLM улучшает большие языковые модели, добавляя возможность извлечения точных данных в процессе генерации.

Это расширяет их функциональность, повышая точность и релевантность ответов для сложных задач.

https://habr.com/ru/companies/bothub/news/871708/