MWS AI

Можно ли обучить модель компьютерного зрения всего на 50 изображениях без ручного подбора модели и параметров обучения, нажатием одной кнопки? 🤖 Анастасия Белозерова, заместитель директора по исследованиям команды VisionLabs, рассказывает, как они искали универсальный рецепт обучения моделей классификации для Luna Line. Luna Line — no-code-платформа, позволяющая создавать модели компьютерного зрения без программирования, снижать порог входа в ИИ и ускорять вывод CV-решений в прод. Исследователи провели более 9000 экспериментов на 28 датасетах (от дефектов металла до дорожного покрытия), чтобы найти универсальные правила, которые позволят автоматически подбирать настройки обучения под любой объём данных, избавляя пользователя от ручной работы. Спойлеры: 🗒 Для датасетов до 5 000 изображений лучшие результаты показали модели семейства RegNet, а на более крупных выборках — ConvNeXt. Переходный порог чётко определён, и его можно зашить в автоматический пайплайн. 🗒 В ходе экспериментов удалось выявить оптимальные гиперпараметры (размер батча, темп обучения), которые работают эффективно для всех размеров данных, и только количество эпох обучения зависит от объёма выборки. Это значит, что большую часть настроек можно доверить алгоритму, а не инженеру. 🗒 Дополнительно выяснили, что модели тяжелее 10 млн параметров дают незначительный прирост качества, но требуют существенно больше ресурсов. Для продуктовых сценариев выгоднее использовать более компактные версии — это экономит вычислительные мощности и ускоряет вывод модели в прод. Читайте подробности на Хабре и подписывайтесь на блог MWS AI, чтобы не пропустить вторую часть публикации — про сегментацию и трансформацию подхода к экспериментам.

Планируете внедрение генеративного ИИ? Сначала надо пересобрать подход к безопасности 🛡 Традиционный кибербез основан на детерминизме: код с предсказуемым поведением, понятные входы и выходы, сигнатуры и правила, четко очерченный периметр, который надо защищать. Но такой подход не работает, когда дело доходит до промышленного внедрения больших языковых моделей. ⚡️ Контролировать и защищать нужно не только код и доступ к LLM, но и обучающие данные, веса, контекст, промпты, логи, векторные базы и даже историю взаимодействий с пользователями. ⚡️ Приходится иметь дело с новыми классами атак, когда злоумышленник не лезет в систему напрямую, а воздействует на контент, который однажды попадает в модель, и та выполнит вредоносный приказ. ⚡️ Если у LLM есть доступ к инструментам (вызов API, выполнение кода, доступ к базам данных и корпоративным системам), она становится ИИ-агентом — классический «обман доверенного исполнителя» может реализоваться в масштабах всей корпоративной автоматизации. Чтобы кибербез не стал препятствием на пути корпоративного ИИ, Центр ИИ-трансформации MWS AI и Центр непрерывного образования ФКН НИУ ВШЭ запускают программу повышения квалификации «Стратегия безопасности искусственного интеллекта». Расскажем, как перестроить ИБ так, чтобы ИИ-проекты доходили до промышленного внедрения и приносили бизнес-эффекты, а не риски и убытки. Приглашаем: 🔴 директоров по информационной безопасности 🔴 ИБ-аналитиков 🔴 риск-менеджеров 🔴 ML-инженеров 🔴 архитекторов данных 🔴 юристов по ИИ- и дата-комплаенсу Старт: 8 сентября Читайте о программе в карточках и регистрируйтесь по ссылке 🗒

Управлять «зоопарком» ИТ-решений сложно, но мы знаем, как его приручить В одном вольере живёт старая инфраструктура, в другом — новые микросервисы, в третьем — изолированные базы данных. И чтобы развернуть или обновить ПО во всём этом многообразии, инженерам приходится выполнять функции укротителей. ✔️ 30 июня в 11:00 мск проводим вебинар о том, как навести порядок в такой инфраструктуре. В прямом эфире покажем возможности MWS B2B Store. Разберём, как этот инструмент помогает собрать все разрозненные решения в единую систему управления. ➡️ Зарегистрироваться