Youtube: https://youtu.be/RVHkOsZsvk8
Rutube: https://rutube.ru/video/0dd210ddd14d6b89beda53cb3950df72/
VK Видео: https://vkvideo.ru/video-214877772_456239084

Видеокурс от СберУниверситета по AI-агентам (общее время: 4 часа 50 минут)

1. Введение в ИИ-агенты. Часть 1: https://t.me/rcppe/85
1. Введение в ИИ-агенты. Часть 2: https://t.me/rcppe/87
1. Введение в ИИ-агенты. Часть 3: https://t.me/rcppe/91
2. Перспективы применения ИИ-агентов. Часть 1: https://t.me/rcppe/99
2. Перспективы применения ИИ-агентов. Часть 2: https://t.me/rcppe/101
3. ИИ-агенты в наши дни. Часть 1: https://t.me/rcppe/108
3. ИИ-агенты в наши дни. Часть 2: https://t.me/rcppe/109

Содержание вебинара

00:00 Введение

00:58 Опыт работы в Сбербанке

01:33 Проекты и достижения

02:33 Работа с моделями ИИ

03:18 Особенности сервиса «Фьюжн Брейн»

03:54 Введение в промты для нейросетей

04:54 Структура промтов и метатеги

05:49 Различия в моделях и их знаниях

06:42 Использование диапазона моделей

07:30 Параметры в текстовых промтах

10:04 Системный промт в текстовых нейросетях

11:53 Разметка промтов

13:42 Пример работы с системным промтом

14:59 Регулировка контента нейросетями

15:56 Работа с персонажами и драматургией

16:47 Агенты и мультиагентная архитектура

18:42 Пример с кулинарной книгой

21:04 Определение и функции агентов

24:00 Инструменты и агенты

25:52 Структура агента

27:50 Создание системного промта для ИИ-агента

29:41 Генерация изображений на основе промта

30:40 Протокол взаимодействия нейросети с кодовой базой

32:42 Реализация функции getForecast

34:39 Облачные SIP-серверы

35:31 Архитектура роя ИИ-агентов

37:11 Паттерн отражения

38:55 Глубокое исследование с помощью ИИ

39:30 Использование нейросетей для критики идей

40:30 Инструменты для поиска информации

41:29 Микросценарии в чат-ботах

42:27 Планирование задач с помощью агентов

43:27 Мультиагентное взаимодействие

47:10 Автоматизация задач с помощью ИИ

48:34 Вопросы и ответы

51:06 Введение в практическую часть

52:01 Личный опыт и образование

52:43 Рекомендации по изучению технологий

53:41 Образование за рубежом

54:49 Генераторы промтов

55:50 Работа с моделями ИИ

57:22 Агенты и карты местности

01:06:15 Безопасность агентов

01:08:15 Заключение

Что сегодня обсудим?
1. Разметка и дообучение GigaChat в блоке КИБ
2. Подготовка бенчмарков
3. Поставка данных для AI-инициатив
4. Реализация бизнес навыков AI хаба КИБ
5. R&D в КИБ

Youtube: https://www.youtube.com/watch?v=0aOsvYXSALI
Rutube: https://rutube.ru/video/d84d718d41604eb575b3bf1035b26cac/
VK Видео: https://vk.com/video-214877772_456239073

Презентацию можно скачать здесь: https://t.me/rcppe/83?comment=110

Содержание

00:00 Введение

00:28 Цели доклада

01:24 План доклада

02:35 Структура корпоративного блока

03:29 Введение и задачи в банке

04:16 Разработка и использование GigaChat

05:15 Уровни знаний и обучение

07:47 Бизнес-заказчики и таксономия

08:36 Бенчмарки и их усложнение

11:46 Специфические задачи и статьи

14:26 Анализ таблиц

14:59 Создание бенчмарков

16:46 Международные бенчмарки

17:33 Тестовые наборы для анализа таблиц

18:31 Модели с резонингом

19:30 Разметка и обучение моделей

20:18 Поставка внешних данных

21:13 Расширение источников данных

22:10 Анализ новостей

23:50 Тендерный сканер

25:24 Факт-чекинг новостей

26:36 Тендерная документация и стратегические диалоги

28:14 Подготовка к стратегическим диалогам

29:24 Инвестиционный лидогенератор

31:30 Бизнес-навыки и платформа AI Gateway

32:21 Гигапротокол

36:03 Агент для оформления кредитной заявки

37:48 Отраслевая экспертиза и парсинг

38:41 R&D

40:16 Общебанковское подразделение и его задачи

41:16 Взаимодействие с университетами

42:08 Научный трек и агенты

43:02 Бизнес-трек и направления работы

44:29 Развитие больших языковых моделей

45:50 Применение в вузах

46:25 Прогнозы и тенденции

47:41 Риски и ограничения ИИ

50:07 Классические модели и их актуальность

51:34 Приложения для определения психотипа

53:31 Использование ИИ в дизайне

55:16 Применение ИИ в спорте

56:00 Промышленные применения ИИ

56:39 Инструменты на базе больших языковых моделей

58:20 Задачи больших языковых моделей

01:00:20 Проблемы обучения больших языковых моделей

01:01:08 Технология RAG

01:03:10 Разработка RAG-помощника

01:04:32 Инструмент Giga Code

01:05:11 Приложения на основе больших языковых моделей

01:06:04 Влияние ИИ на креативные индустрии

01:07:03 Мифы и реальность об ИИ

01:08:32 Стоимость и доступность ИИ

01:09:30 Примеры использования ИИ в СМИ

01:11:24 Обсуждение использования ИИ в образовании

01:12:59 Ошибки в работе нейросетей

01:15:03 Антиплагиат и нейросети

01:16:34 Скорость и стоимость ответов Гига Чата

01:17:26 Курсы по написанию промтов

01:18:23 Голосовой диалог с ГигаЧатом

01:20:37 Использование нейросетей в программировании

01:21:51 Бесплатные курсы и тарифы

01:24:01 Завершение вебинара

Process Mining — это анализ процессов на основе цифровых следов. Объем российского рынка Process Mining на 2024 г. составил 0,9 млрд руб. и будет расти со среднегодовым темпом 69%.

Youtube: https://www.youtube.com/watch?v=gScXVnhE34M
Rutube: https://rutube.ru/video/f119e2a5e125d24c269cf154b025924d/
VK Видео: https://vk.com/video-214877772_456239067

Презентацию можно скачать здесь: https://t.me/rcppe/77?comment=93

2) Модельный риск в машинном обучении

Что сегодня обсудим?
1. Глобальная роль ИИ
2. Какова цена ошибки в модельном мире?
3. Расскажем об управлении модельным риском

Youtube: https://youtu.be/z1vJw86Cteo
Rutube: https://rutube.ru/video/b3b4dad12c0f9d6e69dbcba427b35952/
VK Видео: https://vkvideo.ru/video-214877772_456239066

Презентацию можно скачать здесь: https://t.me/rcppe/78?comment=94

3) AutoML и перспективные методы ИИ

Фреймворк LightAutoML (Lama) – автоматическое машинное обучение. Сбер, Центр Практического Искусственного Интеллекта (ЦПИИ)*
* ранее Лаборатория Искусственного Интеллекта

Youtube: https://youtu.be/xhl4crD3x8g
Rutube: https://rutube.ru/video/5ba5d1a7ed4a0a6bbc656e607263e354/
VK Видео: https://vkvideo.ru/video-214877772_456239067

Презентацию можно скачать здесь: https://t.me/rcppe/79?comment=96

4) Прогнозирование временных рядов

Машинное обучение для Time Series Forecasting. Временной ряд – последовательность некоторых значений по времени. Если рассматриваются одновременно несколько одиночных временных рядов, то такая структура называется многомерный временной ряд. Регулярный временной ряд – временной ряд с равномерными временными интервалами между точками. Имея историю L, делаем прогноз на горизонт H.

Youtube: https://youtu.be/inTVRC7y8AE 
Rutube: https://rutube.ru/video/35d4d2275c548512f70dde6e2d242f46/
VK Видео: https://vkvideo.ru/video-214877772_456239068

Презентацию можно скачать здесь: https://t.me/rcppe/80?comment=98

4.1) Материалы по прогнозированию на несколько точек вперед:

Taieb, S. B., Bontempi, G., Atiya, A. F., & Sorjamaa, A. (2012). A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition. Expert systems with applications, 39(8), 7067-7083. – Классическая статья с описанием стратегий (MIMO, recursive, direct, recursive-direct, direct-mimo) и их сравнением на датасете NN5.

Taieb, S. B., & Hyndman, R. J. (2012). Recursive and direct multi-step forecasting: the best of both worlds (Vol. 19). Department of Econometrics and Business Statistics, Monash Univ.. – Статья, в которой авторы представляют rectify-стратегию.

Taieb, S. B. (2014). Machine learning strategies for multi-step-ahead time series forecasting. Universit Libre de Bruxelles, Belgium, 75-86. – Теоретический анализ про bias-variance tradeoff между прямой и рекурсивной стратегиями.

Bao, Y., Xiong, T., & Hu, Z. (2014). Multi-step-ahead time series prediction using multiple-output support vector regression. Neurocomputing, 129, 482-493. – Сравнение различных стратегий (MIMO, recursive, direct) на support vector regression.

An, N. H., & Anh, D. T. (2015, November). Comparison of strategies for multi-step-ahead prediction of time series using neural network. In 2015 International Conference on Advanced Computing and Applications (ACOMP) (pp. 142-149). IEEE. – Сравнение различных стратегий на FFN, но это старая статья, без трансформеров.

Ferreira, L. B., & da Cunha, F. F. (2020). Multi-step ahead forecasting of daily reference evapotranspiration using deep learning. Computers and electronics in agriculture, 178, 105728. – Сравнение LSTM, CNN, CNN-LSTM, FFN и случайного леса с рекурсивной, прямой и MIMO стратегиями

4.2) Стратегии прогнозирования нескольких рядов:

Hertel, M., Beichter, M., Heidrich, B., Neumann, O., Schäfer, B., Mikut, R., & Hagenmeyer, V. (2023). Transformer training strategies for forecasting multiple load time series. Energy Informatics, 6(Suppl 1), 20. – Сравнение local-, global-. multivariate-modelling подходов на примере трансформерных SOTA-архитектур в узком домене.

5) Рекомендательные системы

Рекомендательные модели ML. Что сегодня обсудим?
1. Зачем компании строят рекомендательные системы?
2. Базовые алгоритмы рекомендательных систем
3. Простой baseline без ML
4. Baseline с ML
5. Трансформеры и LLM в рекомендатльных системах

Youtube: https://youtu.be/RLbwjG_Ojaw
Rutube: https://rutube.ru/video/b0d3826924576f308fdb63a26f213f48/
VK Видео: https://vkvideo.ru/video-214877772_456239071

Презентацию можно скачать здесь: https://t.me/rcppe/81?comment=103

6) AI решения: сокращаем путь от идеи до воплощения

DreamML – Фабрика моделей, Low-Code разработка. Модель машинного обучения в три клика. AI-модели в три клика по методологии Сбера.
DreamEA – Сервис пилотирования моделей ML. Запусти бизнес-пилот AI решения сегодня.
DreamDE – Автоматизация П1518. Модель машинного обучения в ПРОМ за 3 дня.

Youtube: https://youtu.be/FeNfXEl6RBE
Rutube: https://rutube.ru/video/af55115d5788f97c579e8fda70d0b2b7/
VK Видео: https://vkvideo.ru/video-214877772_456239072

Презентацию можно скачать здесь: https://t.me/rcppe/82?comment=107

Список всех вебинаров интенсива трека Наука о данных Летней школы Сбера

Пишите в комментариях, какие вебинары выложить ещё.