Последние публикации Генеративный Мир

У нас вакансия! В мае-июне пчёлы роятся, строят новые ульи и хвастаются продуктивностью. Мы в этот период тоже не удержались: отделились от ГК Лад, расправили крылья и собрали свой собственный «улей» — компанию Нейроэксперт🥳🥳🥳. Взяли всё лучшее из Лад.Технологий, добавили нейропыльцы и прокачали навыки так, что теперь можем консультировать, строить и внедрять ИИ-сервисы быстрее, чем соседние пасеки успевают разогреть воск. 😎 Теперь жужжим громче: данные в соты, баги под чай с прополисом, идеи - как нектар по трубочкам.🍹 И раз уж пасека растёт, ищем в улей Middle Python Developer’а. Мы развиваем 2 собственных ИИ продукта - для корпораций и e-commerce (подробности тут). Работа предстоит с микросервисами и ИИ-начинкой: чат-боты, агенты, NLP, рекомендации. Придётся дружить FastAPI/FastStream и Kafka, проектировать API, держать TDD как обязательный инструмент. Ожидаем уверенный Python, опыт с микросервисами и Docker, умение документировать и принимать решения. В плюс пойдут Clean Architecture, понимание SOLID, Redis, Kafka в проде, а ещё опыт «примирения» LLM с реальными задачами. Предлагаем сдельную оплату без потолка, удалёнку с гибким графиком, прямые созвоны с фаундером, реальное влияние на продукт и рост хоть до Lead/Architect — лишь бы хватало драйва. А теперь честно о том, что ждёт внутри. Если мечтаете о массажных креслах, коробках с фруктами и HR-феях — пролетаете мимо: плюшки только рабочие - подписки на AI сервисы, которые мы активно используем в своей работе. Наши «медитации» - дедлайны и живые клиенты, которые стабильны, даже когда рынок штормит. Темп высокий, ресурсов иногда не хватает, роли смешиваются - придётся быть и разработчиком, и спасателем. Зато задач много, ответственность настоящая и зарабатывать можно настолько, насколько готовы пахать. Если слово «кризис» для вас звучит как «возможность», если «сделал больше — получил больше» не пугает, и хочется строить реальный ИИ-продукт, а не презентацию о нём — жужжите нам в личку. Резюме принимаем. ДМС не обещаем. Шанс войти в команду, которая сделает 2026 своим, — да.

Новая открытая модель от Google сгенерировала правдоподобную гипотезу, которая может привести нас к лекарству от рака Сегодня Google релизнули модель C2S-Scale 27B, разработанную совместно с Йельским университетом. Она основана на Gemma-2 и предназначена для "понимания" поведения отдельных биологических клеток. За основу Google берут идею о том, что подобные биологические модели можно масштабировать также, как и LLM, если использовать тот же подход. Они структурируют данные о клетке в виде так называемого Cell sentence: это строка, содержащая транскриптомы – данные об активности тысяч генов в клетке. Модель может обрабатывать такие данные как текст и воспринимать задачу как языковую: прогнозировать тип клетки, описывать поведение, генерировать гипотетические сценарии и др. Это делает модель почти универсальной. Плюс, такой подход дал возможность загрузить в модель, помимо последовательностей генов, еще и научные тексты. Работает тактика, мягко говоря, неплохо. Главный на данный момент результат: модель сгенерировала новую гипотезу о поведении раковых клеток, которую на первом этапе уже экспериментально подтвердили в лаборатории. Конкретно, C2S обнаружила препарат, который может делать опухоль заметнее для иммунной системы, и, как следствие, иммунные клетки могут лучше её атаковать. При проведении дополнительных испытаний это открытие может открыть новый многообещающий путь к разработке лекарства от рака. Представляете? Блогпост | HuggingFace | Код | Статья

Бизнес-питч: как объяснить совету директоров, что такое агент ИИ Проблема: вы говорите "агент", директора слышат "чат-бот". Простое объяснение: чат-бот - это программа, которая отвечает на вопросы. ИИ агент - это софт, который сам выполняет задачи от начала до конца, принимая решения по ходу. Ключевое отличие: ChatGPT ждёт ваших команд. Агент получил цель и дальше действует автономно - читает данные, делает выводы, отправляет запросы. В отличие от обычного чат-бота, агент инициирует действия сам Проблема, которую решает агент Представьте отдел закупок крупной компании. Сейчас там: - Менеджеры вручную мониторят остатки на складах. - Сравнивают цены у 5-10 поставщиков (Excel-таблицы, почта, звонки). - Формируют заказы, согласовывают с юристами, отправляют. - Отслеживают доставку, решают проблемы с задержками. Цифры боли: 30-50% времени менеджеры тратят на ручной сбор данных. 15-20% закупок делается по неверным ценам (человеческий фактор). Задержки поставок приводят к недовыручке (до 10% продаж в сезон). А теперь объясняем совету директоров про ИИ-агента ассистента поставщика: "Представьте, что мы нанимаем виртуального сотрудника для отдела закупок. Он работает 24/7, не болеет, не ошибается в расчетах. Вот как он изменит процесс: Мониторинг: сам собирает данные о складских остатках (интеграция с ERP/WMS). Аналитика цен: парсит сайты/АPI поставщиков, выбирает лучшую цену/условия, может отправить email с запросом. Отчетность: каждое утро присылает CFO финансовый прогноз по закупкам. Что получаем: - Годовая экономия 10-25% от текущих затрат на закупки. - Рост оборачиваемости склада на 15-30%. - Ускорение процесса закупок в 2-3 раза. - Окупаемость: 6-18 месяцев. Риски минимальны, т.к. агент работает 'рядом' с людьми (критические решения - например, смена поставщика - остаются за человеком.). Важно понимать: Агент не "умный", он - исполнительный. Логику действий и доступы настраиваете вы, он просто не устаёт повторять рутину. Практический шаг Начните с одного рутинного процесса (мониторинг поставок, проверка счетов), запустите агента в "режиме наблюдателя" - пусть месяц просто показывает, что нашёл, без действий.

Задумывались когда-нибудь, как производят лекарство в ампулах? Да, фото - свежая ампула прямо с линии. Ещё не запечатанная, с длинным тонким горлышком - именно так они выглядят до финальной стадии. Оказывается, сначала ампула открыта сверху . На первом этапе, и это отдельное производство, сложные откалиброванные автоматы с газовыми горелками выдувают ее из стекла. Потом везут производителю лекарств, где её наполнят и герметично запаяют. И весь этот процесс - в режиме нон-стоп, под контролем автоматики и человеческого глаза. Завод завораживает: 🔹 монотонный перестук станков-автоматов, 🔹 хрустальная прозрачность стекла, 🔹 идеальные формы… почти. Потому что брак бывает везде — даже там, где технологии доведены до совершенства. А в фарме тем более, каждая ампула проходит строжайший контроль. Но сколько их бракуется? Почему? Когда? И самое главное - можно ли это предсказать? Вот тут и появляемся мы. Не ломать, не менять оборудование - а включить свет в данных , которые уже есть. Там - паттерны, история простоев, микросбоев, человеческих факторов. А значит - место для анализа. Будет интересно.

🔥Два месяца труда и мы выпустили новый релиз ИИ ассистента закупок Зачем? Упрощает закупки всевозможных расходников для производства. Получив заявку от отдела закупок со списком закупаемых товаров, бот делает запрос КП по базе поставщиков, попутно отвечая на вопросы, потом все обрабатывает, формирует сводную ведомость, выбирает победителя, запрашивает счет. В техническом плане проект достаточно челленжный и сильно отличается от обычного чат-бота. Расскажу по-подробнее, с какими нюансами столкнулись и как решали. 1. Много участников диалога и разные роли. В закупке всегда есть инициатор и группа поставщиков. Бот взаимодействует с каждым. Для инициатора он должен быть в контексте всей закупки, для поставщика оперировать только диалогом с этим конкретным поставщиком и ничего не перепутать. 2. Распределенность во времени. Закупка может идти больше недели, поэтому никаких пользовательских сессий и памяти на клиенте, абсолютно весь контекст должен быть надежно припаркован на стороне сервера. 3. Только серверная логика. Собственно и клиента тут тоже нет, почтовый интерфейс затягивает данные в наш сервис и отправляет ответы пользователям, входной канал сообщений всего один - почтовый адрес бота, а дальше задача - понять - это новая закупка или письмо от поставщика, тогда на какую именно закупку. Чтобы не думать о том, кто заказывал гвозди, сейчас держим id закупки в теме письма. Ну и конечно же актуален вопрос спама, на почту бота как и на любую другую могут лететь абсолютно разные письма, наша задача их игнорировать. 4. Юридическая значимость. Помимо стандартного диалога бот фиксирует все события в базе, отправляет КП и сводные ведомости в файловое хранилище. Такие вещи нельзя доверить ни промптам ни function calling, слишком важна ответственность за случайно пропавшее КП с лучшей ценой. Гибридная логика нашей платформы работает так: - определяем тип письма по его содержанию, за это отвечает ИИ. - в зависимости от типа письма запускаем ту или иную цепочку агентов, это происходит в коде. И прежде чем это сделать, сервисный слой платформы находит все данные по заявке и формирует контекст, поэтому сами агенты полностью изолированы от инфраструктуры, они лишь выкидывают статусы и события по итогам своей работы, которые снова обрабатываются в коде. Сами агенты заняты бизнес-логикой - анализируют документы через ИИ, извлекают оттуда данные, обрабатывают, у каждого своя роль, кто-то валидирует файлы, кто-то приводит данные в единый вид, например, срок поставки у разных поставщиков может длиться 7 календарных дней или 1 неделю, по итогам работы агента все будет унифицировано. Когда агент закончил свою работу, сервисный слой забирает его результат. обновляет события в базе и контекст следующего агента. Эту логику мы тщетно пытались найти в готовых решениях, но увы ничего не подошло. Поэтому инфраструктурная обвязка сделана с нуля, а вот агенты спроектированы так, чтобы уметь конфигурироваться через пользовательский интерфейс. Для конфигурации присматривались к langflow, но кто пробовал, тот знает, насколько он деревянный и плохо подходит для внедрения корпоративным заказчикам, поэтому остановились на следующей архитектуре: 1. Нижний слой - инфраструктура, основа платформы, которая обеспечивает взаимодействие с базой и шиной данных, почтовыми, API и другими интерфейсами, у нас уже готова. 2. Средний слой - бизнес-логика, агенты могут быть в целом любые, мы проектировали так, чтобы внутри класса агента можно было подставить хоть langchain, хоть API на сторонний сервис. 3. Верхний слой - ui оболочка для конфигурации пользователями на основе LiteGraph. По сути такой же интерфейс как в langflow, только отделимый от логики, чтобы накрыть конфигурацию именно нашей платформы. Что дальше? Впереди опытная эксплуатация на производственном предприятии, с ее итогами вернусь недели через 3 #КсенияПлесовских #Нейроэксперт #ИИвЗакупках #Закупки #AI #LLM

Сегодня наш день! Всех тех, кто в этом чате, кто осмеливается мечтать масштабно! И я точно знаю, как много нас тут. День тех, кто превращает хаос неопределённости в возможности, кто видит свет там, где другие видят стену, и кто каждое утро встаёт с вопросом: «А что, если попробовать ещё раз?» Сложно объяснить, каково это — шагать вперёд, когда сомнения шепчут тебе в ухо громче, чем голос разума. Когда каждый шаг — это баланс между верой в идею и страхом провала. Когда ты не просто создаёшь продукт, но пытаешься доказать миру, что будущее, которое ты рисуешь в голове, реально. Предпринимательство — это не про «удачу» или «взять и открыть бизнес». Это про бессонные ночи, когда ты переписываешь код в третий раз, потому что «почти работает», про разговоры с заказчиками, которые не понимают твоей терминологии, про бесконечные «нет» и редкие «может быть». Но именно в этом «может быть» скрывается весь смысл. Потому что мы — те, кто не принимает границы. Мы те, кто учит машины мыслить, строит мосты между технологиями и людьми, и, возможно, меняет правила игры, даже если пока только для десяти человек. Мы знаем, как трудно. Как больно, когда проект не оправдывает ожиданий, как хочется сдаться, когда рынок играет против, а команда смотрит на тебя с вопросом: «А точно ли это того стоит?» Но именно мы — та искра, которая зажигает перемены. Наш труд ценен не потому, что он идеален, а потому, что он честен. Потому что мы не боимся ошибаться, учиться и снова начинать. Пусть каждый наш страх, каждая неуверенность становятся топливом для роста. Пусть даже маленькие победы напоминают нам: мы на правильном пути. Наша миссия - создавать надежду, что мир может быть умнее, человечнее и справедливее благодаря тому, что мы в него вкладываем. С Днём предпринимателя! Пусть нас окружают те, кто верит в нашу безумную, гениальную идею. Пусть каждый вызов станет ступенькой к чему-то большему. И пусть даже ИИ однажды скажет: «Спасибо. Вы научили меня быть лучше, потому что сами стали примером стойкости». Ставь 🔥 если это твой праздник!

Стенфордский курс, один из пожалуй самых глубоких курсов про языковые модели и полностью открытый для бесплатного изучения. Основная цель - в процессе прохождения написать собственную небольшую LLM глубоко разобравшись во всех тонкостях ее обучения. Полистала текст лекций, уходят даже в такие детали как оптимизировать параллельные вычисления внутри одной GPU и на кластере, и чем математически отличаются fp8 и fp16 Мой вердикт, если тоже планируете разработку собственных LLM, то заслуживает внимания Репозиторий курса Сайт курса YouTube

🔥 40 часов в огне. Оцениваю эффективность разработки через ИИ. Идет 3 месяц моего эксперимента с разработкой через ИИ. Шишки набиты, на выходе начал получаться осмысленный результат, но вот приросла ли эффективность? Задумалась, после того, как потратила почти рабочую неделю своего личного времени на относительно небольшой микросервис. Еще на этапе старта было понятно, что ИИ - это не волшебная кнопка, и что писать с его помощью код тоже нужно уметь, но обретая цифровую команду, я ожидала, что управлять ей будет как минимум проще - меньше лени, сопротивления, ИИ не устает и не смотрит видосики, когда от него ждут результат. Реальность же внесла коррективы. В некоторых местах кода я буквально начала узнавать черты ребят из своей команды и чуть ли не называть их по именам. Вот в коде после бага с незаполнением поля, появился тест, проверяющий … да, заполнение этого поля, хотя оно одно из многих, с кем аналогичный баг может случиться. А вот - функционал, который дублирует ранее созданный класс, чтобы быть использованным в еще одном месте кода. Невольно начинаешь думать, может быть это я делаю что-то не так? Вот мои наблюдения — возможно, они помогут и вам избежать ошибок. ИИ — ЭТО КОМАНДА, И ЕЙ НУЖНО УПРАВЛЯТЬ! Один диалог с моделью — это как один сотрудник: нельзя давать ему все задачи сразу . Идеально иметь 5 «помощников» — разные роли, разные задачи. * Менеджер (пока это я сама): раскладывает задачи по этапам. * Архитектор + Аналитик (ИИ): проектируют структуру и требования. Это можно делать в одном чате и сюда же отнести разработку перечня необходимых тестов. * Разработчик + Ревьюер (ИИ): пишут код и проверяют его. Разделяй и властвуй!  2 разных диалога, один только пишет, другой - только проверяет. * Тестировщик (ИИ): пишет автоматизированные тесты по ранее разработанному перечню,  «Покрой тестами» — не его стихия, тут ИИ ленится, как студент перед сессией. Применимы ли здесь принципы и знания менеджмента? да, вполне, с адаптацией под специфику. Радует, что хотя бы 1:1 проводить не требуется) У ИИ ЕСТЬ СВОЙ СТИЛЬ КОДА — КАК У ЛЮДЕЙ! Каждая модель пишет код по-своему. * Одна любит «сухой» синтаксис, другая — «разговорные» комментарии. * Некоторые лучше справляются с алгоритмами, другие — с документацией. Смотреть нужно не только на качество, но и выбирать «своего специалиста», чей стиль разработки откликается собственному. А возможно - делегировать разные роли разным моделям. РЕЗУЛЬТАТ — это не только скорость, но и ДИСЦИПЛИНА Работа с ИИ заставляет стать строже с самим собой . Теперь я тщательно слежу за: ✅ проектированием архитектуры , ✅ компонентов кода, ✅ потоками данных , ✅ составляю список тестов — даже тех, что раньше бы пропустила Результат? Код стал не просто качественнее, а универсальнее . ИИ не принимает «халтуру» — он вынуждает мыслить системно. Поэтому считать нужно не только потраченные на разработку часы, но и насколько больше получилось сделать относительно привычного темпа работы. ТЕСТИРОВАНИЕ СТАЛО БОЛЕЕ ВАЖНЫМ, ЧЕМ КОД С кодом всё понятно: ошибка — исправил, новые требования — добавил. Но ИИ-тестировщик пока «ленивый» и сам факт наличия в коде тестов не говорит о том, что проверен весь функционал, и что ожидаемый результат в этих тестах - действительно то, что нам нужно. Чем больше я погружаюсь в эту тему, тем больше встает вопросов для проработки, результатами буду делиться в будущих постах. ⚠️ ПРЕДУПРЕЖДЕНИЕ : * Присутствие тестов не гарантирует , что всё проверено. * ИИ может «забыть» часть функционала или повторять однотипные проверки. Решение : четко формулируйте тест-кейсы отдельно от кода и проверяйте их на соответствие целям. ПРОМПТЫ - НЕ САМОЦЕЛЬ! Чего вы точно не увидите в моих публикациях - это того, какой промпт лучше позволит решить ту или иную задачу. Почему? у меня их нет, я веду диалог как с обычным разработчиком и формулирую задачи в привычном мне формате. P.S. Если вы тоже пробуете ИИ в разработке — делитесь опытом в комментариях! Как вы организовываете работу с ИИ? #AI #ИИ #LLM #Технологии #КсенияПлесовских

Когда ИИ не помощник: обратная сторона автоматизации в разработке История нашей команды, которая решила лететь на «космолете» ИИ — и едва не разбилась о реальность. Нейросети обещают сократить сроки проектов в разы. Но вместо взлета — чекап списка неожиданных проблем. Расскажу, как мы столкнулись с обратной стороной симбиоза человека и алгоритма. Джуны не могут, синьоры не хотят «Космолет ИИ» требует пилота с опытом. Джун, не освоивший архитектуру и паттерны, слепо доверяет нейросети — и получает код, который даже компилятор стыдится запускать. А синьор? Он предпочитает старый добрый ручной контроль: «Зачем тратить час на объяснение ИИ, если я сделаю за 20 минут?» Реальный кейс: два разработчика тайно игнорировали ИИ, пока код-ревью не вскрыло правду. Решение? Учим людей ставить задачи. Без этого — как лететь без карты. «Я просил не это!»: Почему ИИ игнорирует ваши желания «Сделай красивую кнопку» — для ИИ это 50 оттенков синего и анимация, от которой глаза болят. Один из сотрудников потратил день, пытаясь заставить нейросеть реализовать простой алгоритм, а на следующий день сроки поджимали и уже пришлось делать самому. Проблема: ИИ — не телепат. Решение: внедряем стандарт требований к промптам: «Цель, контекст, ограничения». Учимся «разговаривать» с моделью: цепочки рассуждений (reasoning) вместо односложных команд. ИИ-шизофрения: сегодня новая фича, завтра — откат в каменный век На днях ИИ подарил мне гениальный код, гибкий, адаптируемый под другие задачи. Но едва я попросила довнести в него еще один функционал, как он заменил его на более простую версию. я обратила на это внимание лишь спустя несколько часов, было обидно, потому что пришлось откатываться и начинать заново. Что делать? Фиксируем «контрольные точки» через TDD и частые коммиты. Я рекомендую коммитить после каждой новой правки кода, а чтобы сохранять его читаемость - делать в отдельной ветке и потом применять стратегию слияния, когда все промежуточные этапы скрываются и мы видим код до начала работы и код после. А мы точно хотим это масштабировать? Несмотря ни на что, мой ответ - да! Но успеха добьется тот, у кого получится нарастить правильную методологию, поэтому теперь беру на себя больше задач с кодом, делегирую ИИ даже самые незначительные мелочи и веду дневник проблем, а потом анализирую, почему они возникли. На основе анализа рождается методика. В следующих постах поделюсь лайфхаками, которые уже нашла для того, чтобы контролировать качество результата #AI #ИИ #LLM #КсенияПлесовских