После промышленности второе место занимает сельское хозяйство — по результатам опроса социологической компании Russian Field и партии «Новые люди», 75% респондентов поддерживают идею внедрения ИИ в эту сферу. Далее следуют строительство (68%) и транспорт (65%). Чуть более половины опрошенных считают допустимым использование ИИ в образовании.

С настороженностью россияне относятся к применению ИИ в таких сферах, как государственное и муниципальное управление, военное дело и правосудие: 49% выступают против внедрения ИИ в госуправление, 50% не поддерживают нейросети в военном деле, 58% — в судебной системе.

#цифрадня

ИИ-этика, удешевление ИИ, бенчмарки для LLM — в этом посте вновь делимся полезным контентом об искусственном интеллекте и работе с ним:

Статьи:
📎 Колонка в Forbes генерального директора Softlogic.ai Дениса Логинова о сокращении расходов на разработку ИИ
📎 Материал Naked Science о работе ученых МФТИ по определению оптимального количества данных для обучения ИИ
📎 Колонка от руководителя отдела разработки ИИ в Embedika о том, как ИИ трансформирует разные отрасли бизнеса
📎 Интервью на сайте ЦИПР с CEO Cloud. ru Евгением Колбиным о проникновении ИИ-помощников и гибридной инфраструктуры в работу облачных решений для бизнеса

Заметки в блогах:
✍️ Заметка Reuters о планируемых сокращениях в EdTech-компании Chegg из-за роста популярности ИИ-инструментов
✍️ Пост от Telegram-канала «Институт AIRI» о представленных работах на конференции NAACL 2025
✍️ Заметка TechCrunch о возможном пересмотре партнерства между Microsoft и OpenAI

Книги:
📚Хьюен Чип, MLOps: Machine Learning as an Engineered Discipline
📚Белая книга этики в сфере ИИ, составленная Альянсом в сфере искусственного интеллекта

Подкасты:
🎤 ИИнсайт: Искусственный интеллект в банковской сфере. Настоящее и будущее
🎤 #072 ML: Татьяна Шаврина. Бенчмарки для LLM или как оценивать большие языковые модели?

Автоматизация документооборота с помощью ИИ: угроза или новые возможности для юристов и финансистов?

Сегодня в корпоративной среде набирает популярность новый тренд — использование ИИ в контент-платформах (CSP). Это следующий шаг после СЭД и ECM: такие платформы превращают документы в интерактивный портал, с которым можно взаимодействовать через умного помощника, например, чат-бота.

Диапазон восприятия ИИ в качестве «коллеги и партнера» колоссален: от энтузиазма и восхищения до тотального предвзятого недоверия. В некоторых компаниях сотрудники настолько привыкли к ручным процессам, что продолжают дублировать работу — например, ведут записи в Excel параллельно с использованием ИИ-инструментов, просто «на всякий случай».

👉 Внедрение ИИ в документооборот приносит значительные преимущества для разных подразделений компании.
ИИ технологии помогают юридическим и финансовые отделам компании, HRам, специалистам по закупкам, логистике, бизнес-аналитикам и другим командам, работающим с большим массивом документов, автоматизировать рутинные процессы.

Юристы тратят много времени на переписывание нормативных документов, хотя их профессиональная ценность — давать экспертную оценку, взвешивая вероятность наступления риска и его масштаб, предлагать способы либо принятия этого риска, либо его хеджирование. Внедрение инструментов на базе искусственного интеллекта может помочь от этого уйти: ИИ берет на себя рутинные операции документооборота — обработку и анализ юридических документов, контроль за соблюдением законодательства и внутренних стандартов компании, согласование версий документов и т.д.. Это позволяет юристам сосредоточиться на экспертной работе, снижая операционные издержки и повышая качество юридического сопровождения.

То же самое касается финансовых отделов: их основная задача— обеспечение финансовой стабильности, эффективности и устойчивого развития компании для достижения ее стратегических целей. ИИ может полностью автоматизировать документооборот и трансформировать финансовые процессы: ускорить подготовку финансовой отчетности, налоговых деклараций и сверок, автоматизировать обработку финансовых документов, улучшить контроль и соблюдение нормативов, оптимизировать работу с большими объемами данных в финансовых документах с помощью интеллектуальных систем и т.д.

Эволюция интерфейсов: как ИИ меняет взаимодействие с технологиями

Искусственный интеллект кардинально меняет правила игры — теперь не мы подстраиваемся под логику технологий, а технологии под нас. Современные интерфейсы становятся по-настоящему умными: они понимают естественную речь и адаптируются под индивидуальные привычки.

🔹 От кнопок — к голосовому управлению
Современные голосовые ассистенты становятся точнее в распознавании речи и контекста. Постепенно голосовой ввод дополняет, а в некоторых случаях заменяет традиционные способы взаимодействия с устройством.

🔹 Контекстные и прогнозирующие интерфейсы
ИИ анализирует поведение пользователей и адаптирует интерфейсы под их привычки — от персонализированных рекомендаций до автоматического изменения layouts в приложениях.

🔹 Диалоговые системы вместо меню
Чат-боты и языковые модели позволяют получать информацию и выполнять задачи через естественный диалог, уменьшая необходимость в сложной навигации.

🔹 Автоматизация рутинных действий
ИИ предугадывает действия пользователя — от автозаполнения форм до smart-reply в мессенджерах, сокращая количество необходимых взаимодействий.

Эти изменения — результат прогресса в NLP, компьютерном зрении и машинном обучении. В будущем граница между человеком и цифровой средой станет еще менее заметной.

Как развивался MLOps: от первых инструментов до эпохи GPT

MLOps (Machine Learning Operations) — это совокупность методов и инструментов для стандартизации и автоматизации жизненного цикла моделей машинного обучения. Он автоматизирует рутинные задачи: контроль версий данных и кода, развертывание моделей и мониторинг их работы в реальном времени.

Без MLOps машинное обучение остается ненадежным — модели работают нестабильно, а их обновление требует огромных усилий.

Эволюция MLOps включает несколько ключевых этапов развития:

📍 2018 год: возникновение MLOps
✔️ Появились Kubeflow и MLflow — первые фреймворки для управления ML-экспериментами;
✔️ Решены базовые проблемы: контейнеризация моделей, воспроизводимость результатов.

📍 2020-2022 годы: стандартизация
✔️ Платформы вроде AWS SageMaker и Google Vertex AI предложили готовые конвейеры для ML;
✔️ Инструменты DVC (для данных) и Feast (для фич-стора) упростили командную работу;
✔️ Появился полноценный CI/CD для моделей — теперь их можно обновлять так же часто, как мобильные приложения.

📍 2023-2024 годы: революция генеративного ИИ
✔️ GPT и другие LLM показали: старые подходы MLOps не работают для моделей с триллионами параметров;
✔️ Появляются новые вызовы, например: как развертывать модели размером с небольшую библиотеку и как отслеживать токсичность генеративного вывода?
✔️ Ответом становятся гибридные облака и специализированные инструменты, например Weights & Biases.

📍 Что дальше?
✔️ Гиперавтоматизация — модели будут переобучаться без участия человека;
✔️ Локальное исполнение ИИ-моделей на устройствах (смартфоны, IoT-датчики);
✔️ Автоматизированный контроль этики и соответствия регуляторным требованиям (GDPR).