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

Как сделать ИИ эффективнее, точнее и дешевле 🤖 К чему стремятся все разработчики корпоративных ИИ-систем: 🔴 качественные ответы моделей; 🔴 дешевый инференс; 🔴 предсказуемость и управляемость. Но на практике эти цели почти всегда конфликтуют. Чем мощнее модель — тем выше стоимость. Чем дешевле — тем больше компромиссов в качестве. А попытки повысить креативность часто снижают стабильность ответов. 📊 Предлагаем подборку исследований MWS AI, посвященных повышению качества ответов ИИ, эффективным подходам к сжатию моделей, автоматизации их разработки, решению проблем длинного контекста и архитектурным улучшениям для снижения затрат. 🔗 Трудности перевода: почему LLM не умеют писать нормальные докстринги на русском и как это исправить Представляем StRuCom — специализированный датасет для обучения LLM генерации качественных, технически грамотных и структурированных комментариев к коду на русском языке. 🔗 AutoML для NLU без ручной настройки Рассказываем, как устроен фреймворк OpenAutoNLU, за счет чего он снимает приличное количество рутины с разработчиков NLU-моделей и чем отличается от привычных AutoML-решений. 🔗 Что не так с оценкой RAG-систем и какое решение предлагает динамический бенчмарк DRAGOn Разбираем научную статью DRAGOn: Designing RAG On Periodically Updated Corpus — будет полезна всем, кто интересуется RAG-системами и ищет подходы для надежной оценки их качества.  🔗 Как сжимать языковые модели без дообучения Раскладываем по полочкам ReplaceMe — новый метод структурного прунинга LLM по глубине, который позволяет сжать модель на 25% без дообучения, сохраняя при этом 92,5% качества. 🔗 Почему «больше токенов ≠ лучше» или Как научить LLM работать с длинным контекстом Объясняем суть парадокса длинного контекста и рассказываем, какими мерами можно заставить LLM адекватно работать с большим объемом вводных данных. #TrueTechExpert@truetechcommunity

⚡️ Через час начинаем вебинар «ИИ-трансформация без катастроф: внедряем корпоративный ИИ» ⚡️ Разберём, как запускать ИИ-решения безопасно, что может пойти не так при подключении виртуального ассистента к корпоративным данным и какие вопросы стоит задать до выхода в прод. Последняя возможность успеть зарегистрироваться 🗒

Начали первую лекцию про генеративный ИИ на речном электротранспорте с участием блогера и ИИ-креатора Николая Кукуйцева ⚡️

ИИ заменяет людей или помогает компаниям работать иначе? Максим Волошин, директор по продуктам MWS AI, подвёл итоги дискуссии South Hub про цифровых сотрудников и автоматизацию функций. Что важно: ✅ Громкие заявления про «замену людей ИИ» не всегда означают реальную автоматизацию, иногда компании используют ИИ как удобное объяснение сокращений. ✅ Реальная автоматизация появляется там, где функция уже описана, оцифрована и понятна. Есть процесс, данные, правила и повторяемые действия, с которыми можно работать. ✅ ИИ хорошо показывает себя там, где нужно расшить узкие места: обработать большой поток однотипных задач, ускорить рутину и снять нагрузку с команды. Вывод: «Кого заменить на ИИ?» — это неверный вопрос. Правильно будет спросить о том, к каким процессам бизнес готов подключать цифровых сотрудников, насколько они повысят эффективность команды и как управлять гибридным штатом из людей и цифровых сотрудников.

Не только про технологии 🔍 Ключевые наблюдения Анастасии Зальцман, директора по персоналу MWS AI, с South Hub: ⚡ Руководители всё чаще говорят не только про ИИ, продукты и инновации, но и собственную устойчивость: как восстанавливаться, держать фокус и не выгорать в культуре высоких технологий. ⚡ Отношение к ошибкам меняется. Сегодня прототип ИИ-продукта можно собрать за несколько часов и быстро проверить его востребованность и эффективность, а не защищать до последнего идею, которая может не сработать. ⚡ Продуктовое мышление в эпоху ИИ становится обязательным не только для менеджеров по продуктам. Юристы, финансисты, менеджеры по управлению персоналом и другие эксперты могут увидеть рутину в своей работе, собрать прототип ИИ-решения и показать его бизнес-эффект.

South Hub. Как это было ☝ После нескольких дней дискуссий, встреч и разговоров с ИТ-руководителями команда MWS AI вернулась к рабочему ритму, а мы собрали главные выводы с кэмпа ⬇️

🤖 Как искусственный интеллект меняет контент для бизнеса? Организатор перевозок, Центр искусственного интеллекта МТС MWS AI и Центр непрерывного образования факультета компьютерных наук НИУ ВШЭ запускают лектории и интенсивы на борту электросудна. На 1-й встрече ведущий разработчик Центра искусственного интеллекта МТС и доцент ВШПИ МФТИ Иван Копылов, а также блогер Николай Кукуйцев расскажут: 🔹 Реальные кейсы использования нейросетей для создания текстов, изображений, видео и маркетинговых материалов. 🔹 Что выгоднее для компании: делать работу с помощью нейросетей или своими силами. 🔹 Об ограничениях ИИ, вопросах авторских прав и перспективных профессиях будущего. Также гости разработают бизнес-идею и создадут контент с помощью ИИ в реальном времени. Дата и время: 16 июня в 11:30. Место: причал «ЗИЛ» 2-го регулярного речного маршрута. Зарегистрироваться на лекцию можно здесь. Проезд на электросудне оплачивается отдельно согласно тарифам. «Продолжаем развивать круглогодичный речной электротранспорт. Совсем недавно открыли 4-й регулярный маршрут «Лужники – Киевский». Он соединил 3 района столицы: Хамовники, Раменки и Дорогомилово, а также улучшил транспортную доступность для более чем 30 тыс. жителей города. Сегодня электросуда – это не только комфортные поездки, но и место для познавательного досуга горожан. С начала работы бесплатного просветительского проекта на речных электросудах мероприятия посетили более 4,1 тыс. человек. Теперь вместе с партнерами запускаем цикл лекций об искусственном интеллекте. Москвичи и гости столицы смогут узнать больше про самые современные технологии»», — отметил Максим Ликсутов. 📲 Дептранс Москвы в МАКС