• В тему автоматизации и запуска ИИ-проектов: Пока OpenAI выпускает инструменты для сборки сложных агентов, вы можете прямо сейчас начать монетизировать свои идеи с помощью Umaai.site , пользуясь огромным функционалом, быстротой выполнения действий и тем, что ограничений вовсе нет как и включенного vpn, Umaai превосходно работает без него.

• Неограниченное расширение: Достаточно интегрировать нужный сервис для больших возможностей и нужд.

OpenAI в очередной раз стирают границы между фантастикой и реальностью.

Досталась вот такая вязальная машина новая, есть номера, гарантийный талон и чек сохранились. Такая красавица в небесно-голубом цвете!

Иналса - это аналог Брайзера 710, только сборка этой машины была в Индии. Мы решили ее полностью вкрыть, разобрать, смазать и собрать. А после всего этого - протестировать на все виды переплетений. Что умеет этот агрегат?

Внутри отборные рейки, которые собраны в определенной последовательности, и они должны быть чистыми, сухими, без масла. Они отвечают за отбор иголок.

В итоге машина может вязать: пресс ( фанг), слип (скип), орнамент (жакард), вивинг (футерованный или ткацкий), интарсию ( многоцветый - любое количество цветов в одном ряду рисунок, без протяжек по изнанке) и я попробовала платирование ( платинг - застил одновременный одной нитью и другой, как слоеный пирог) - удивило и обрадовало, хотя в инструкции нет платинга.

У машины раппорт на 8 петель. Но на сегодняшний день есть более тысячи узоров в каталогах, которые представлю на канале для скачивания. Вполне можно вязать кашемир, меринос, альпаку более консервативно или с минимальной отделкой. Есть скрытые возможности машины, пока не раскрываю.

Частичное вязание - работу клиньев проверили на двойной шапке 5-ти клинке с датчиком для интерактивного вязания ( датчик мы делаем сами, это замена лекального - работает с любой программой и любой машиной). Выкройку построила в вязальной программе ДК8, ввела петельную пробу и вязала с голосовым помощником. Это облегчает жизнь: при расчете сложных контуров, быстро изменить выкройку, напомнит об убавках и прибавках и т.д.. Можно вязать с любой вязальной машиной и вязальным аппаратом. Кто вяжет вручную спицами/крючком - в ДК8 это можно делать, нажав на ручное вязание и пользоваться функциями.

https://t.me/+PXYyOeK-bOE5N2Y6 - канал Иналса- Брайзер в ТГ размещены все видео, альбомы: ремонт, полное ТО, тестирование.

Кому интересно, пишите.

могу поддержать знаниями по вязанию на этой машине 1 месяц.

https://t.me/Knitted_fufajka - написать в личку тг

Поэтому агентские системы обычно представляют собой микросервисную архитектуру, объединяющую несколько логических блоков. Взять хотя бы ReAct паттерн, в котором reasoning агент выполняет управляющую роль, а action — отвечает за вызов функций и выполнение других действий.
И, как в любой микросервисной архитектуре, мы приходим к необходимости горизонтального масштабирования, что удобнее всего делать в облаке. Во-первых, сами LLM — очень ресурсоемкие элементы системы, инфраструктура для них требует сложной конфигурации. Об этом больше сказано ниже. Во-вторых, обмен данными между ними тоже требует правильного проектирования и развертывания дополнительных сервисов, как например векторная БД, механизмы стриминга данных, кэширования, чанкования, эмбеддингов.

Главные трудности в конфигурации облачной инфраструктуры под AI агенты, согласно моей практике, связаны с рассчетом нагрузки. Особенно это касается GPU-инфраструктуры, ответственной за хостинг LLM. Эта тема заслуживает отдельной статьи — с появлением различных алгоритмов внимания, квантизации моделей и механизмов выделения GPU-памяти, правильный подбор мощностей требует всё более нетривиальных вычислений. Было бы хорошо, если бы эта проблема также была решена на уровне облака и снимала с AI-инженеров заботу о правильно подобранной инфраструктуре. Но мы находимся на ранней ступени адаптации облаков под нужды AI, и многое приходится изобретать самостоятельно.

Зачем вообще мне понадобилось разворачивать свои ИИ модели в облаке, если можно обратиться к API OpenAI, DeepSeek или Qwen? На практике среди преимуществ открытых весов неожиданно в приоритете оказалась скорость генерации ответа. Для ряда агентских систем критическим параметром является именно скорость. На нее оказывают влияние сетевая связность, размер весов и тип квантизации, мощность GPU, параллелизм запросов, размер контекстного окна и масса других параметров, к которым разработчик далеко не всегда имеет доступ, работая с провайдерами закрытых моделей типа OpenAI.

Именно поэтому через практику я пришел к выводу, что индустрии разработки агентских приложений необходима облачная платформа, предоставляющая полный доступ к весам, данным и инфраструктуре — без этого систему не построить. С другой стороны, роль облака — максимально облегчать выделение ресурсов под LLM, дать разработчику что-то вроде «торгового автомата для LLM». Выбрал веса модели, размер контекста, параметры масштабирования, нажал на пару кнопок и получил готовый LLM-сервер.Я предполагаю, что после устранения описанных инфраструктурных трудностей порог входа в разработку AI агентов существенно снизится.

Так ли это — покажет время.

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