Горячее
Лучшее
Свежее
Подписки
Сообщества
Блоги
Эксперты
Войти
Забыли пароль?
или продолжите с
Создать аккаунт
Регистрируясь, я даю согласие на обработку данных и условия почтовых рассылок.
или
Восстановление пароля
Восстановление пароля
Получить код в Telegram
Войти с Яндекс ID Войти через VK ID
ПромокодыРаботаКурсыРекламаИгрыПополнение Steam
Пикабу Игры +1000 бесплатных онлайн игр Модное кулинарное Шоу! Игра в ресторан, приготовление блюд, декорирование домов и преображение внешности героев.

Кулинарные истории

Казуальные, Новеллы, Симуляторы

Играть

Топ прошлой недели

  • Oskanov Oskanov 9 постов
  • Animalrescueed Animalrescueed 44 поста
  • Antropogenez Antropogenez 18 постов
Посмотреть весь топ

Лучшие посты недели

Рассылка Пикабу: отправляем самые рейтинговые материалы за 7 дней 🔥

Нажимая «Подписаться», я даю согласие на обработку данных и условия почтовых рассылок.

Спасибо, что подписались!
Пожалуйста, проверьте почту 😊

Помощь Кодекс Пикабу Команда Пикабу Моб. приложение
Правила соцсети О рекомендациях О компании
Промокоды Биг Гик Промокоды Lamoda Промокоды МВидео Промокоды Яндекс Маркет Промокоды Пятерочка Промокоды Aroma Butik Промокоды Яндекс Путешествия Промокоды Яндекс Еда Постила Футбол сегодня
0 просмотренных постов скрыто
YesAi
YesAi

Анализ расходов с помощью нейросетей: пошаговое руководство для финансовой грамотности⁠⁠

16 дней назад

Зарплата только поступила, а спустя несколько дней в кошельке снова пусто? Многие теряют часть дохода, даже не осознавая этого. По данным исследований, примерно 10% средств уходит неизвестно куда. Но стоит лишь освоить автоматизацию финансового учета и научиться замечать каждую трату — и можно вернуть контроль над бюджетом.

Анализ расходов с помощью нейросетей: пошаговое руководство для финансовой грамотности

Как нейросети помогают следить за расходами

Вместо сложных таблиц и платных экспертов теперь можно использовать анализ расходов с помощью ChatGPT. Не нужны никакие специальные программы. Сейчас расскажу, как из разбросанных чеков собрать четкую картину своих расходов.

Почему стандартные методы неэффективны

Когда-то пробовали вести учет личных финансов в Excel или скачивали приложения для контроля денег? Обычно энтузиазма хватает всего на несколько дней.

Причины просты:

  • Рутинно и скучно вбивать все вручную

  • Неясно, как использовать накопленные цифры

  • Нет результативности — мотивация быстро исчезает

С помощью нейросетей привычный подход меняется. Вы становитесь сыщиком, который раскрывает загадку исчезающих денег, а ChatGPT выступает в роли вашего цифрового ассистента, берущего на себя всю рутину.

Что потребуется для анализа расходов

Минимальный набор инструментов:

  • Подключение к ChatGPT (например, бесплатный бот с нейросетями)

  • Банковские выписки за 2-3 последних месяца

  • Полчаса свободного времени

Дополнительно пригодятся:

  • Фото чеков (если часть покупок оплачивается наличными)

  • Перечень подписок и регулярных платежей

Шаг 1. Готовим данные для анализа

Первое правило: чтобы ChatGPT понял ваши расходы, нужно правильно их оформить. Как это сделать:

Вариант А. Экспорт данных из банка

Зайдите в мобильный банк и скачайте выписку за 2-3 месяца в Excel или CSV. Обычно эта функция находится в разделе "История операций".

Важно: обязательно удалите из файла персональные данные (номер карты, ФИО) перед загрузкой в ChatGPT — оставьте только даты, суммы и описание платежей.

Вариант Б: Ручное составление списка

Если не удается выгрузить расходы автоматически, просто запишите все траты за месяц в любом удобном формате:

  • 15 сентября — Перекресток — 2450 руб

  • 16 сентября — Такси — 340 руб

  • 17 сентября — Кофе — 250 руб

Здесь не нужна стопроцентная точность. Важно получить общее представление о расходах.

Шаг 2: Первая беседа с нейросетью

Теперь начинается самое необычное. Откройте ChatGPT и запустите обсуждение. Вот промт, который пригодится:

Ты — специалист по управлению семейным бюджетом. Я отправлю тебе список своих расходов за несколько месяцев. Тебе нужно:

  1. Разделить расходы по категориям (продукты, транспорт, досуг, сервисы и т.п.)

  2. Определить 3-5 направлений, куда уходит больше всего средств

  3. Найти незаметные, но значимые мелкие траты, которые суммарно оказываются большими

  4. Рассчитать, какой процент дохода расходуется по каждой категории

  5. Предложить практические шаги для экономии

Мой доход за месяц: [впишите сумму]

Вот мои расходы: [добавьте перечень]

Что делать дальше: Вставьте свои данные и отправьте запрос. ChatGPT приступит к анализу расходов.

Шаг 3: Глубже — ищем лишние траты

После базового анализа расходов с помощью ChatGPT нейросеть покажет общую структуру расходов. Но самые интересные детали всплывают, когда задаете дополнительные вопросы.

Промты для расширенного анализа:

1. Выявление закономерностей:

Проследи, есть ли у меня повторяющиеся сценарии трат. Может быть, траты увеличиваются в определенные дни недели или после каких-то событий?

2. Сравнение с усредненными данными:

Сопоставь мои расходы с рекомендациями экспертов по финансам. В каких категориях есть явные отклонения?

3. Прогноз расходов:

Если я продолжу тратить в таком же ритме, сколько средств уйдет за год? А за пять лет, во что это выльется?

4. Поиск лишних подписок:

Проверь регулярные небольшие списания. Есть ли среди них сервисы, о которых я забыл?

Живой пример: как это устроено

Разберем на истории Марины (28 лет), маркетолога с ежемесячным доходом в 80 000 рублей.

Что Марина предполагала о своих расходах:

  • Главная статья — аренда жилья (30 000 рублей)

  • На еду уходит примерно 15 000 рублей

  • Остальные траты — на повседневные нужды

Что выявил разбор расходов с помощью ChatGPT:

  • Заказ еды — 12 500 рублей в месяц (ожидания были 3-4 тысячи)

  • Поездки на такси — 8 200 рублей (при выборе метро экономия до 6 000)

  • Неиспользуемые подписки — 4 сервиса по 500 рублей, в сумме 2 000 рублей

  • Кофе навынос — 6 300 рублей (по 300 рублей ежедневно)

В результате Марина обнаружила, что ежемесячно незаметно уходит 22 000 рублей. За год эта сумма достигает 264 000 рублей!

Шаг 4: Формируем стратегию изменений

После анализа важно не просто удивиться итогам, а приступить к разработке понятного плана. Здесь снова приходит на помощь искусственный интеллект для автоматизации финансового учета.

Промт для создания стратегии:

Используя анализ моих затрат, составь четкий план сокращения расходов на ближайшие 3 месяца.

Условия:

  • Не хочу резко менять привычки

  • Готова делать небольшие шаги

  • Хочу отслеживать успех каждую неделю

Раздели задачи так:

  1. Мгновенные меры (реализовать сегодня)

  2. Задания на неделю

  3. Цели на месяц

Для каждого этапа укажи:

  • Конкретные действия

  • Сколько потребуется времени

  • Какую сумму удастся сэкономить

ChatGPT подготовит детализированный план, подстроенный под ваши потребности и поможет вести учет личных финансов эффективнее.

Шаг 5: Разбираемся с видами расходов

Искусственный интеллект поможет проанализировать каждую статью отдельно. Вот варианты промтов для популярных категорий:

Питание и продукты:

Вот мои расходы на еду за месяц: [данные] Проанализируй: Как часто я выбираю доставку вместо приготовления дома? Есть ли закономерности в лишних тратах (например, дорогие кафе по пятницам)? Какие 5 простых шагов помогут уменьшить эти расходы на 20-30% без ухудшения рациона?

Подписки и сервисы:

Вот перечень всех подписок и регулярных платежей: [список] Помоги: Определить, что действительно используется. Найти более выгодные предложения. Замечать дубли (например, две подписки на музыку). Посчитать, сколько можно сэкономить при отмене каждой.

Развлечения и покупки по импульсу:

Вот мои расходы на развлечения и незапланированные покупки за 3 месяца: [данные] Покажи: Проявляются ли триггеры для спонтанных трат (стресс, определенный день, время суток)? Какие товары приобретаю под влиянием эмоций? Как грамотно планировать бюджет на досуг, чтобы не ограничивать себя, но и не уходить в минус?

Продвинутые способы работы с ChatGPT

Освоив основы, переходите к следующим шагам:

1. Разработка финансовых сценариев

Сформируй три варианта развития финансов на год вперед:

Вариант А (оптимистичный):

  • Доход вырастет на 15%

  • Траты сократятся на 20%

Вариант Б (реалистичный):

  • Доход останется прежним

  • Траты снизятся на 10%

Вариант В (пессимистичный):

  • Доход уменьшится на 10%

  • Траты останутся на прежнем уровне

Для каждого варианта определи:

  • Сколько можно отложить за год

  • Какие цели реально достичь

  • Какие шаги предпринять

2. Проверка по правилу 50/30/20

Проверь свои расходы по принципу 50/30/20:

  • 50% — на обязательные нужды (жилье, питание, транспорт)

  • 30% — на удовольствия (отдых, хобби)

  • 20% — на накопления

Твои данные: [информация о доходах и расходах]

Насколько твоя структура трат совпадает с этой схемой?

Что стоит откорректировать?

3. Сопоставление с прошлыми месяцами

У тебя есть сведения о расходах за:

  • Сентябрь: [данные]

  • Октябрь: [данные]

  • Ноябрь: [данные]

Разбери динамику:

  1. Какие моменты стали лучше?

  2. Где появились сложности?

  3. Какие тенденции заметны?

  4. Какой прогноз на декабрь?

Работа с фото чеков

ChatGPT распознает текст на снимках, что полезно при расчетах наличными.

Пошагово:

  • Сделай снимки чеков за неделю

  • Загрузи их в ChatGPT (GPT-4 поддерживает загрузку фото)

  • Введи промт:

На фото — мои чеки за неделю. Выдели из них: Дату покупки, магазин, сумму, основные категории товаров. Собери сводную таблицу, проанализируй структуру расходов.

Как не превратить учет трат в каторгу

Частая ошибка — пытаться контролировать каждую мелочь. Вот несколько советов, помогающих не перегореть:

Правило 1: Сначала крупные расходы

Нет смысла разбирать покупку жвачки за 50 рублей. Сосредоточься на тратах свыше 500 рублей — именно они формируют большую часть общей суммы.

Правило 2: Анализируй раз в месяц

Нет нужды делать это ежедневно. Определи один день в конце месяца, поставь напоминание и выдели 30-40 минут на анализ.

Правило 3: Сосредоточьтесь на действиях, а не на чувстве вины

Обнаружили, что расходы на доставку еды слишком велики? Не вините себя. Лучше спросите у ChatGPT:

Я трачу X рублей на доставку еды. Не планирую полностью отказываться от этого сервиса. Подскажи 3 варианта, как уменьшить эти траты на 30-40%, сохраняя привычный уровень удобства.

Правило 4: Отмечайте даже небольшие успехи

Удалось сохранить 2000 рублей? Это уже победа! Обратитесь к ChatGPT с просьбой:

Я сэкономил 2000 рублей за этот месяц. Предложи 5 разумных способов потратить эти средства, чтобы получить еще больше пользы для бюджета.

Типичные ошибки при работе с нейросетями

Ошибка 1: Слишком расплывчатые запросы

Пример неудачного запроса: "Помоги с бюджетом"

Более точно: "Разбери мои траты на продукты за сентябрь: [данные]. Подскажи, где я могу уменьшить расходы."

Ошибка 2: Загрузка чрезмерного количества информации

Нет необходимости копировать выписку на сотни строк. Лучше использовать данные за 2-3 характерных месяца или сгруппировать траты по неделям.

Ошибка 3: Недостаток информации о вашей ситуации

В запросе всегда указывайте:

  • Доход

  • Семейное положение

  • Город

  • Цели в финансах

Так нейросеть сможет подобрать советы именно под вашу ситуацию.

Ошибка 4: Ожидание мгновенных чудес

ChatGPT — это помощник, а не фокусник. Он выявит слабые места, но предпринимать шаги придется самостоятельно.

Особые промты для разных задач

Если совсем не хватает денег:

Мой доход: [сумма] Обязательные траты: [список]. Есть ли долги: [если нужно]. Ситуация сложная — не хватает даже на самое необходимое. Составь антикризисную стратегию: Какие расходы урезать в первую очередь? Как быстро найти новые источники дохода? Какие шаги предпринять для пересмотра долгов? Как выйти из кризиса за 3 месяца?

Если хотите накопить на важную цель:

Планирую отложить [сумма] на [цель] за [период]. Мой доход: [сумма]. Текущие траты: [данные]. Помоги: Оценить, достижима ли эта задача? Какую сумму стоит откладывать регулярно? На чем экономить, чтобы не ущемлять себя? Придумай пошаговый план накоплений с контрольными датами.

Для ведения семейного бюджета:

Семейный доход: [сумма]. Состав семьи: [информация]. Ежемесячные расходы: [данные]. Анализ трат: Соответствует ли распределение бюджета числу членов семьи? Какие статьи расходов выходят за разумные пределы? Где есть возможность уменьшить затраты на детей или совместные приобретения? Какую систему лучше выбрать для учета семейных финансов?

Как отслеживать изменения

Спустя месяц работы с ChatGPT повторно посмотрите на свои расходы:

Месяц назад траты выглядели так: [старые данные]

На текущий момент: [новые данные]

Сравните результаты:

  1. В каких сферах удалось добиться прогресса?

  2. В чем не удалось удержаться от лишних расходов?

  3. Сколько средств получилось сохранить?

  4. Какие новые сложные моменты появились?

  5. Какие шаги запланировать на следующий месяц?

Альтернативы ChatGPT

Если ChatGPT не подходит, обратите внимание на другие решения для автоматизации финансового учета:

  • Claude (Anthropic) — хорошо анализирует крупные таблицы

  • Google Bard — легко связывается с Google Sheets

  • Bing Chat — бесплатный доступ к GPT-4

Подходящие промты работают с каждым из этих сервисов.

Финансовый чек-лист на месяц

Отмечайте пункты раз в месяц:

☐ Собраны сведения о тратах

☐ Проведен первичный анализ расходов с помощью ChatGPT

☐ Определены 3-5 ключевых зон перерасхода

☐ Найдены незаметные расходы

☐ Составлен план экономии

☐ Отключены лишние подписки

☐ Подобраны способы снизить основные затраты

☐ Сформулированы финансовые задачи на следующий месяц

☐ Отложено минимум 10% дохода

☐ Запланирован повторный анализ через месяц

Дальнейшие шаги

Теперь все нужные инструменты для контроля бюджета уже под рукой. Самое важное — не откладывать действия.

Начните с простых шагов:

  • Откройте приложение банка

  • Скачайте выписку за прошедший месяц

  • Перейдите в ChatGPT

  • Вставьте основной промт, приведенный в статье, изменив его под свою ситуацию

  • Внесите свои данные

  • Нажмите Enter

На весь процесс уйдет не больше пяти минут, зато результат может приятно удивить — экономия за год может составить десятки тысяч рублей, если использовать анализ расходов с помощью ChatGPT.

Деньги не испаряются, просто становятся незаметными, когда за ними не следят. ChatGPT — словно увеличительное стекло, позволяющее увидеть все финансовые потоки и вести учет личных финансов более осознанно.

То, что стало явным, легко взять под контроль. Управляемое меняется. А перемены приносят плоды. Начинайте прямо сейчас — будущее обязательно отблагодарит за этот шаг.

P.S. Добавьте эту статью в избранное — полезные промты и подсказки еще не раз выручат. Если советы помогли обнаружить, куда исчезают финансы, отправьте материал знакомым. Быть может, они тоже хотят вернуть свои пропавшие средства.

Показать полностью 1
[моё] Чат-бот Искусственный интеллект Нейронные сети Финансы Финансовая грамотность Финансовое планирование Финансовые проблемы Цифры Доход Учет расходов Расходы ChatGPT Учет Openai Анализ Аналитика Анализ данных Длиннопост
0
2
AiPapka
AiPapka

Database Build — готовая база данных (БД). ИИ для генерации физической модели данных⁠⁠

22 дня назад

Особенности

— Регистрация через аккаунт GitHub

— В основе лежит реляционная БД PostreSQL

— Работает на GPT 4o

— Запросы на английском языке работают лучше

— Возможность развертывания БД на платформе Supabase

— Нет ограничения на количество создаваемых БД

— Импорт CSV-файлов для автоматического создания таблиц

Пример промта

Create a Netflix clone with users, movies, watch history, and ratings. Include tables for users, movies, genres, viewing sessions, and reviews

Минусы

1. Если БД большая, то может тормозить

2. Для полной функциональности требуется локальная настройка среды разработки, включая Supabase

3. На текущий момент не реализовано развертывание в AWS, скоро должно появиться ⌛

Советую протестировать инструмент, скорость генерации 10/10 и качеству моделей данных 6-7/10. Отличный вариант для экономии времени на создание каркаса модели данных

Канал про ИИ, публикую подборки, гайды понятным языком, мнения — интересный и полезный контент.

Каждый найдет как сэкономить время и увеличить продуктивность с нейросетями — ссылка в профиле пикабу)

Показать полностью 2
[моё] База данных Искусственный интеллект Анализ данных Разработка Длиннопост
0
3
RuslanSenatorov
RuslanSenatorov

Выбор оптимального метода решения СЛАУ на основе анализа датасета⁠⁠

29 дней назад

Полное руководство по выбору алгоритма для систем линейных уравнений

Выбор оптимального метода решения СЛАУ на основе анализа датасета

Выбор оптимального метода решения СЛАУ на основе анализа датасета

Меня зовут Руслан Сенаторов, я занимаюсь математическим обоснованием машинного обучения.
В этой статье, я расскажу как выбрать метод для определённого типа датасета, чтобы ваш код работал быстро, точно и без ошибок? И вы получили премию от руководства!


Введение

Решение систем линейных уравнений (СЛАУ) вида Ax = b — фундаментальная задача вычислительной математики и машинного обучения. Однако универсального метода не существует — выбор алгоритма критически зависит от характеристик датасета. Неправильный выбор может привести к катастрофическому замедлению вычислений или полной потере точности.

Ключевые характеристики датасета

1. Размер и структура матрицы

  • n_samples × n_features — соотношение наблюдений и признаков

  • Плотность/разреженность — процент ненулевых элементов

  • Обусловленность — число обусловленности матрицы

2. Вычислительные ограничения

  • Объем оперативной памяти

  • Требования к точности

  • Время вычислений

Дерево решений для выбора метода

Маленькие датасеты (n < 1000)

Плотные хорошо обусловленные матрицы

# Холецкий — самый быстрый для POSDEF матриц

if np.all(np.linalg.eigvals(A) > 0):

L = np.linalg.cholesky(A)

x = solve_triangular(L.T, solve_triangular(L, b, lower=True))

Матрицы общего вида

# QR-разложение — золотой стандарт

Q, R = np.linalg.qr(A)

x = solve_triangular(R, Q.T @ b)

Плохо обусловленные системы

# SVD — максимальная устойчивость

U, s, Vt = np.linalg.svd(A, full_matrices=False)

x = Vt.T @ np.diag(1/s) @ U.T @ b


***

Средние датасеты (1000 < n < 10,000)

"Высокие" матрицы (n_samples >> n_features)

# QR остается оптимальным

# Сложность O(mn²) эффективна при m >> n

Q, R = np.linalg.qr(A)

x = solve_triangular(R, Q.T @ b)

"Широкие" матрицы (n_samples << n_features)

# Итерационные методы или регуляризация

from sklearn.linear_model import Ridge

model = Ridge(alpha=1e-6, solver='lsqr')

model.fit(A, b)

x = model.coef_


***

Большие датасеты (n > 10,000)
Разреженные матрицы

# Итерационные методы

from scipy.sparse.linalg import lsqr

x = lsqr(A, b, iter_lim=1000)[0]


***

Огромные датасеты (n > 1,000,000)

Стохастические методы

from sklearn.linear_model import SGDRegressor

model = SGDRegressor(max_iter=1000, tol=1e-3)

model.fit(A_batches, b_batches) # Мини-батчи

Когда использовать нормальные уравнения?

"Высокие" матрицы (m >> n)

# Решение через нормальные уравнения

x = np.linalg.inv(A.T @ A) @ A.T @ b

# Или более устойчивый вариант

x = np.linalg.solve(A.T @ A, A.T @ b)

10000 наблюдений и 50 фитч - Идеально для нормальных уравнений

cond_number = np.linalg.cond(A.T @ A) # < 10^8 Хорошо обусловленная



Детальный анализ методов

Точные методы (прямые)

Итерационные методы

SGD | Подходит для огромных данных | Медленная сходимость

Заключение

Выбор оптимального метода решения СЛАУ — это искусство баланса между точностью, скоростью и требованиями к памяти. Ключевые рекомендации:

  • Маленькие матрицы → Прямые методы (QR/SVD)

  • Большие разреженные → Специализированные разреженные решатели

  • Огромные плотные → Итерационные методы с предобуславливанием

  • Экстремальные размеры → Стохастическая оптимизация

Главное правило: Всегда начинайте с анализа структуры и свойств вашей матрицы — это сэкономит часы вычислений и предотвратит численные катастрофы.

Используйте это руководство как отправную точку для выбора оптимального стратегии решения ваших задач линейной алгебры.

Показать полностью 2
[моё] Искусственный интеллект Исследования Ученые Линейная алгебра Вычислительная математика Численные методы Машинное обучение Data Science Deep learning Наука Анализ данных Длиннопост
2
4
ii.dominator
ii.dominator

Обрабатываем книги на NotebookLm — ускорь получения знания из различных источников⁠⁠

1 месяц назад

С помощью сервиса https://notebooklm.google.com/ очень удобно обрабатывать книги, файлы, гайды — все, что читается

Обрабатываем книги на NotebookLm — ускорь получения знания из различных источников

Пошаговый гайд

1. Переходим на сайт сервиса (https://notebooklm.google/)

2. Загружаем нужные файлы

3. В диалоговом окне задаем требуемые вопросы к материалу

Что можно сделать?

1. Получить краткое содержание

2. Задать любой вопрос

3. Поставить задачу на основе полученных данных из книги (например, можно написать курс, пост, гайд)

4. Построить майндмап или сделать квиз, чтобы проверить знания

Мои примеры

— Я загрузил книгу: "Атомные Привычки", после. чего запросил реализовать стратегию для меня под мою задачу на основе книги. Получилось отлично!

— Отличной идеей будет сделать себе помощника по работе на основе лучших книг по маркетингу. Так, чтобы я всегда мог задать некие абстрактные вопросы. Обычная ИИ чаще дает "водянистые" ответы

Канал про ИИ, публикую подборки, гайды понятным языком, мнения — интересный и полезный контент.

Каждый найдет как сэкономить время и увеличить продуктивность с нейросетями ссылка в профиле пикабу )

Показать полностью 1
ChatGPT Искусственный интеллект Саморазвитие Анализ данных
1
SlyVolunteer
SlyVolunteer
Топовый автор
Искусственный интеллект

Продолжение поста «Вебинары трека Наука о данных Летней цифровой школы Сбера»⁠⁠2

2 месяца назад

8) ИИ-агенты и применение их в бизнесе

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

Показать полностью
[моё] Машинное обучение Искусственный интеллект Анализ данных Data Science Нейронные сети Bigdata Вебинар Видео YouTube Длиннопост Видео ВК Ответ на пост
0
SlyVolunteer
SlyVolunteer
Топовый автор
Искусственный интеллект

Продолжение поста «Вебинары трека Наука о данных Летней цифровой школы Сбера»⁠⁠2

2 месяца назад

7) Внедрение ИИ в бизнес-процессы. Внедрение LLM, GPT. Примеры корпоративно-инвестиционного блока Сбера

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

Показать полностью
[моё] Машинное обучение Искусственный интеллект Анализ данных Data Science Нейронные сети Bigdata Вебинар Видео YouTube Длиннопост Видео ВК Ответ на пост
8
0
seminon600
seminon600
Еврейский мир
Серия Экономика Израиля. Финансы

Vast Data приближается к рекордному раунду: тихая звезда израильского ИИ стремится к оценке в 30 миллиардов долларов⁠⁠

3 месяца назад

Стартап готов привлечь миллиарды долларов от CapitalG и Nvidia, превзойдя предыдущий рекорд Wiz.

Компания Vast Data

Компания Vast Data

Компания Vast Data, занимающаяся инфраструктурой искусственного интеллекта, как сообщается, привлекает несколько миллиардов долларов в рамках раунда финансирования, который может стать крупнейшим в истории израильских технологий, сообщает Reuters. Этот раунд, возглавляемый Nvidia и подразделением Alphabet по развитию CapitalG, может превзойти предыдущий рекорд, установленный компанией Wiz, специализирующейся на облачной безопасности, которая привлекла 1 миллиард долларов при оценке в 12 миллиардов долларов в мае 2024 года.

СКРИНШОТ с сайта Vast Data

СКРИНШОТ с сайта Vast Data

Если сделка будет завершена, повышение инвестиций Vast не только укрепит ее статус самой дорогой частной технологической компании Израиля, но и станет глобальной вехой для стартапов в сфере инфраструктуры ИИ — сегмента, который все чаще рассматривается как основа революции генеративного ИИ.

Команда Vast Data.( Фото: Vast Data )

Команда Vast Data.( Фото: Vast Data )

Компания Vast Data, основанная в 2016 году израильскими предпринимателями Ренен Халлак и Шахаром Финблитом, пошла по пути, радикально отличающемуся от её израильских «единорогов». Компания базируется в Нью-Йорке и имеет научно-исследовательские центры в Тель-Авиве и Хайфе. Компания сохраняет бережливость, намеренно не привлекая к себе внимания и, что примечательно, приносит прибыль. Её офисное пространство в выставочном комплексе Тель-Авива лишено привилегий и вечеринок, характерных для «единорогов». Вместо этого она предлагает передовые технологии, растущий список клиентов из числа «голубых фишек» и финансовые показатели, которым позавидовало бы большинство публичных компаний.

К началу 2025 года годовая регулярная выручка (ARR) Vast превысила 200 миллионов долларов, и компания прогнозирует утроение этого показателя в течение года. Один инвестор, знакомый с бухгалтерской отчетностью компании, заявил, что к 2026 году она, скорее всего, достигнет 600 миллионов долларов ARR. В отличие от многих компаний, разрабатывающих корпоративное программное обеспечение и зависящих от краткосрочных контрактов, Vast удерживает клиентов на 5–7 лет, что способствует необычайно низкому оттоку клиентов.

Среди клиентов компании — крупнейшие компании государственного и частного секторов: ВВС США, Министерство энергетики, Booking Holdings, Zoom, Pixar, Бостонская детская больница и стартап Илона Маска в области искусственного интеллекта xAI. Сама Nvidia, один из предыдущих инвесторов, является одновременно и клиентом, и активным сторонником. На конференции Computex в Тайване этим летом генеральный директор Nvidia Дженсен Хуан посвятил часть своего доклада объяснению того, как технология Vast повышает производительность графических процессоров, назвав её критически важным фактором масштабного развертывания моделей ИИ.

Компания Vast Data

Компания Vast Data

Архитектура Vast особенно ценится за обеспечение доступа в режиме реального времени к неструктурированным данным, электронной почте, журналам, PDF-файлам и мультимедиа, которые системы искусственного интеллекта должны эффективно обрабатывать. Внедрив собственное программное обеспечение во флэш-память, компания сделала хранилища больших объёмов данных быстрее и экономичнее, устранив критически важное узкое место для предприятий и поставщиков облачных услуг.

Рост Vast отражает более широкий сдвиг венчурного капитала и корпоративных инвестиций от броских потребительских приложений к инфраструктуре экономики ИИ. В то время как её израильский конкурент Weka.io привлек $140 млн при оценке в $1,6 млрд, а такие гиганты, как Databricks, планируют IPO при оценках выше $60 млрд, Vast выделяется своей финансовой дисциплиной, глубокими технологиями и стратегическими партнёрствами.

Одно из таких партнерств — с CoreWeave, поставщиком облачных решений для ИИ, который недавно вышел на биржу и взлетел до 77 миллиардов долларов, но затем упал до текущей оценки около 50 миллионов долларов. CoreWeave интегрирует уровень хранения Vast в свой инфраструктурный стек, что свидетельствует о технической надежности Vast и соответствии продукта рынку.

На сегодняшний день Vast привлекла около 380 миллионов долларов, что довольно скромно, учитывая её нынешнюю оценку. Способность компании масштабироваться без лишних затрат позволила ей избирательно подходить к предложениям о финансировании и поглощениях. Хотя IPO пока не ожидается, назначение Эми Шаперо, бывшего финансового директора Shopify, в 2024 году было воспринято как явный сигнал о готовности к IPO.

Но новый раунд финансирования может стать чем-то большим, чем просто мостом к публичным рынкам. Отраслевые обозреватели предполагают, что это может быть последним шансом для стратегических инвесторов, таких как Nvidia, углубить связи, а для инвесторов на поздних стадиях — войти в компанию до дальнейшего роста её стоимости. Утечка информации в TechCrunch в прошлом месяце, по всей видимости, была направлена на то, чтобы приблизить целевую оценку к 30 миллиардам долларов и ускорить принятие обязательств.

Если раунд завершится так, как и ожидалось, Vast станет уникальной компанией в сфере израильских технологий.

Перевод с английского

ИСТОЧНИК

Показать полностью 3
Израиль Искусственный интеллект Стартап Nvidia Анализ данных Финансирование Инвестиции Длиннопост
0
2
SlyVolunteer
SlyVolunteer
Искусственный интеллект

Вебинары трека Наука о данных Летней цифровой школы Сбера⁠⁠2

3 месяца назад

Привет, коллеги ML инженеры, Data scientist'ы и все, кто интересуется искусственным интеллектом, созданием нейросетей, машинным обучением и анализом данных! Принёс вам пачку вебинаров с интенсива трека Наука о данных курсов повышения квалификации Летней цифровой школы Сбера.

1) Process Mining

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

Вебинары трека Наука о данных Летней цифровой школы Сбера

Пишите в комментариях, какие вебинары выложить ещё.

Показать полностью 1 5
[моё] Машинное обучение Искусственный интеллект Анализ данных Data Science Нейронные сети Bigdata Вебинар Видео YouTube Длиннопост
1
Посты не найдены
О нас
О Пикабу Контакты Реклама Сообщить об ошибке Сообщить о нарушении законодательства Отзывы и предложения Новости Пикабу Мобильное приложение RSS
Информация
Помощь Кодекс Пикабу Команда Пикабу Конфиденциальность Правила соцсети О рекомендациях О компании
Наши проекты
Блоги Работа Промокоды Игры Курсы
Партнёры
Промокоды Биг Гик Промокоды Lamoda Промокоды Мвидео Промокоды Яндекс Маркет Промокоды Пятерочка Промокоды Aroma Butik Промокоды Яндекс Путешествия Промокоды Яндекс Еда Постила Футбол сегодня
На информационном ресурсе Pikabu.ru применяются рекомендательные технологии