МОДЕЛИСТ

🧬 Что в ДНК ИИ-напарника? Как работает оркестр агентов в ритейле 📝 Эксперт GlowByte Алексей Чванов в новой статье для РБК разбирает «генетический код» мультиагентной платформы. ⚙️ Кто главный в этой истории? Внутри платформы два слоя. Первый – ваш персональный ассистент в мессенджере. Второй – армия функциональных агентов-специалистов: один переводит вопросы в SQL, другой знает регламенты наизусть, третий круглосуточно ищет аномалии в продажах. Вы просто формулируете мысль в чате, а напарник сам решает, кого из агентов позвать. 🎙 Когда мы в GlowByte проектируем пилот для сети, обычно предлагаем начать с пяти функциональных агентов. Логика тут следующая. Сначала кладем фундамент из трех служебных агентов, а поверх ставим двух бизнес-агентов на самые больные сценарии. Все, что тоньше, берут на себя надстройки самого напарника. 💭 Память У ИИ-напарника три слоя памяти: корпоративная база, личная (под конкретного менеджера) и коллективная (успешные паттерны всей команды). 🛡 Границы дозволенного Автономию агентов задает трехуровневая модель: Уровень 1️⃣: читает данные, готовит черновики (разрешено по умолчанию). Уровень 2️⃣: действия с внешним эффектом (отправить письмо, изменить цену, забронировать встречу) – только после кнопки «Одобрить» в мессенджере. Уровень 3️⃣: автономия по правилам (утренний брифинг, автопереключение складов). Включается точечно и только с комплаенсом. 📖 Также в статье: ➡️ Как думает напарник? ➡️ Что он делает, пока вы спите?  ➡️ Как напарники договариваются между собой? ➡️ Есть ли у мультиагентной платформы ограничения? 🔗 Читать полностью

⚠️ Ваш агент — не помощник, а генератор инцидентов. Как это исправить  📰 Сегодня разбираем в МОДЕЛИСТе: ✅ Почему высокий балл на тесте и даже растущий ROI не гарантируют, что агент готов вести ваш процесс?  ✅ По каким четырём признакам измерять готовность к продакшену?  ✅ Почему мост в продакшен строится на проверке качества на ваших данных, а не на гонке за моделью? Средний ROI от генеративного ИИ – 49% (Omdia/Snowflake 2026). Но многие агентные проекты не доживают до продакшена. Их валит не слабая модель, а отсутствие проверки, что агент ведёт процесс предсказуемо. 🕸 Ловушка 2026 года Агент отлично прошёл тесты, вы запустили его в процесс. Через месяц процесс лихорадит: то операция проводится верно, то ошибается. Каждый сбой оборачивается инцидентом и потерей доверия команды. Высокий балл на тесте доказывает, что агент умеет решать задачу. Но не гарантирует, что он будет делать это одинаково хорошо при каждом запуске. А ROI и судьба пилота упираются именно во второе. 🤔 Почему все измеряют балл, а не надёжность Балл на тесте публичный, сравнимый, его можно поставить на слайд и в пресс-релиз. Надёжность на вашем процессе невидима, требует работы и денег – её не покажешь рынку. Вендоры оптимизируют бенчмарк. Заказчики выбирают «самую умную модель». Каждый участник ведёт себя разумно. А суммой разумных решений становится агент, который блестит на тесте и лихорадит процесс. 🔍 Главный разрыв Тест отвечает на вопрос ❓: «может ли модель в принципе решить задачу». Прод задаёт другой❓: «решит ли она её одинаково каждый раз». Исследование надёжности ИИ-агентов (arXiv) показывает: рост способностей почти не повышает надёжность. На части задач надёжность с ростом тестового балла даже снижается. 🖥 Четыре признака готовности к продакшену ◾️Согласованность – одинаковый результат на одинаковом входе. ◾️Устойчивость – качество держится на шуме и пограничных случаях. ◾️Предсказуемость – понятно, где агент сломается, или сбой всегда внезапен. ◾️Безопасность – не делает недопустимого даже под давлением. 👆Это каркас приёмки вместо «нравится ли ответ». ⚡️ Где внедрение ломается Типичные ошибки: ➡️Модель-судья без калибровки по людям. Панель качества зелёная, а жалобы операторов идут потоком. ➡️Родственная проверка. Если судья из той же семьи, что и модель, – он измеряет не качество, а похожесть. Разные семейства расходятся в 51–63% случаев, одна и та же модель согласна с собой в 73%. ➡️ Пул моделей с одинаковым профилем ошибок. Три согласных голоса – это одна ошибка, повторённая трижды. ➡️ Проверка без фиксации среды. Повторный прогон даёт другие оценки – результату нельзя верить. 📝 Что делать ▫️Начинать с одного процесса, где цена ошибки посчитана, а действие повторяется сотни раз в день. ▫️Проверка на истории до прода – сотни прогонов на прошлых кейсах. ▫️Мониторинг в эксплуатации – ловит дрейф, не даёт надёжности тихо просесть. ➡️Главный вывод Отдачу получают те компании, которые измеряют готовность собственной проверкой: по согласованности, устойчивости, предсказуемости и безопасности, на своих данных и задачах. Не потому, что их модели умнее, а потому что решение о запуске опирается на поведение агента в собственном процессе. 💡 Путь, по которому отдача доходит до бизнеса, состоит из проверки. И прокладывать его разумно раньше, чем выбрана следующая модель. 🔗 Читать статью #иинапальцах

💡Агент под контролем: как не провалить внедрение ИИ в корпоративный процесс ➡️ Чек-лист для владельца процесса Агента всё чаще заказывают как автономного исполнителя: «пусть сам разбирает обращения». Картинку легко продать – она не требует ни описания процесса, ни ответа на вопрос, кто отвечает за результат. Расхождение вскрывается на проде, и стоит оно дорого. Как владелец процесса, вы должны не запустить агента, а заранее описать: где он действует, где останавливается, на каких данных и под чьим контролем. 🖥 Сегодня в МОДЕЛИСТе разбираем анатомию промышленного ИИ-агента: почему ценность дает не «ум» языковой модели, а строгая архитектура процесса. ⚙️Скелет корпоративного агента (7 шагов) В корпоративной среде агент не просто «генерирует текст». Он проходит жесткий, заранее описанный маршрут⤵️ 1️⃣ Событие-триггер и маршрутизация. Система должна не просто прочитать текст, а точно классифицировать инцидент: это вопрос, жалоба, спор по платежу или заявка сверх лимита? От типа события зависит весь дальнейший путь. 2️⃣ Сбор контекста. Это не «поиск в интернете», а подъем релевантных данных: история клиента, актуальный регламент, кредитный скоринг или бюджет заявки. 3️⃣ Формирование вариантов, а не одного ответа. Собрав данные, агент строит карту гипотез: что произошло, чего не хватает, какие действия возможны и какова цена ошибки. 4️⃣ Подготовка конкретного действия. Агент формирует готовое решение: вернуть конкретную сумму, создать заявку в службе поддержки, обновить запись в CRM или подготовить распоряжение о выплате. 5️⃣ Контроль со стороны человека. Это не случайная кнопка «согласовать», а спроектированная точка управления. 6️⃣ Выполнение. После подтверждения агент вызывает корпоративные инструменты: биллинг, CRM, ERP или внутренние интерфейсы. Здесь ИИ встречается с реальной архитектурой компании. 7️⃣ Аудит и оценка качества. Процесс не заканчивается действием. Должен сохраниться подробный журнал: что было на входе, какие данные использованы, что предложил агент, кто подтвердил и каков итог. ⚠️ Подводный камень: процессная аналитика Бумажный регламент часто не совпадает с реальным процессом. Если цифровой след рвется (согласования в мессенджерах, решения «на словах», данные в личных таблицах), агента туда пускать нельзя. Его работу нечем проверить, а ошибку не откатить. Алгоритм внедрения: 🟠Снять фактическую карту процесса по цифровым следам в системах (анализ реальных маршрутов, а не идеальных схем). 🟠Найти участок с максимальным числом ручных передач и возвратов на доработку. 🟠Спроектировать агента строго под эти 7 шагов. 🧪 Литмус-тест: готов ли ваш процесс к агенту? Задайте владельцу процесса всего 3 вопроса. Если есть запинка, запускать пилот рано: ❓ На каком конкретном шаге агент обязан остановиться и передать ход человеку? ❓ Во что обходится одна его ошибка (в рублях возврата и часах разбора)? ❓ Как остановить агента, если процесс пошёл не туда? ℹ️ Агентный ИИ в крупной компании – это не про «волшебную модель», а про четкие границы процесса, разграничение прав, надежные интеграции и полную прослеживаемость каждого шага. Сначала процесс, потом агент. 🔗 Читать статью полностью #иинапальцах

💡 От человека-энциклопедии ➡️ к человеку, который решает. Разбор новой роли лидера в эпоху ИИ Модель уже знает больше вас, считает быстрее и пишет глаже с первого раза. Если ваша ценность как руководителя держалась на эрудиции и скорости – эта ставка проиграна. 📝 Ваша работа теперь — спроектировать, где суждение остается за человеком, а где исполнение, координацию и сбор фактов можно и нужно передать агентам. Вот портрет когнитивного лидера новой формации: меньше всезнания, больше суждения, готовности к управляемому риску и постоянного обучения Ниже – разметка новой роли: что обесценилось, что подорожало и где проходит граница, которую нельзя делегировать. ⬇️ 📉 Что подешевело: 🟠эрудиция и память на факты; 🟠скорость рутинного анализа; 🟠гладкость формулировок; 🟠«диспетчерская» координация ⤵️ (по данным HBS, доступ разработчиков к Copilot сместил работу от управления проектами к содержательным задачам – доля кодинга выросла на 5%, доля проектной координации упала на 10%)📊 📈Что подорожало: 🟠суждение: решить, чему верить, а что оспорить; 🟠ответственность за необратимое – ИИ «знает почти все о прошлом и ничего о будущем» (HBR); 🟠умение задать правильный вопрос, а не получить гладкий ответ; 🟠оркестрация агентных команд. ⚠️ Главная ловушка – не делегирование задач, а делегирование суждения WEF называет это «парадоксом надзора»: частые проверки незаметно вырождаются в формальное одобрение, а человек по инерции кивает на рекомендацию агента (automation bias). Простой тест: если согласующий не может вспомнить, когда в последний раз отклонил рекомендацию ИИ — контроля уже нет. 📌 Что сделать в понедельник Час времени, без больших трансформаций: выписать решения, которые не делегируются ИИ – необратимые, ценностные, репутационные, меняющие судьбу конкретного человека. Все остальное – можно отдавать агентам по мере накопления статистики качества. ✔️ Назовите одно решение, суждение по которому вы не отдадите ИИ, даже если он справится быстрее – и сформулируйте почему. Это и есть граница вашей новой роли. 🔗 Подробнее — в статье по ссылке #иинапальцах

Конец “структурного одиночества”: зачем ритейлу ИИ-напарники Категорийный менеджер в крупной сети – это человек-оркестр. Ассортимент, цены, промо, переговоры с поставщиками, план по марже – и все это в режиме 24/7. При этом данных вокруг море: хранилища, дашборды, ERP, WMS, BI… А толку? Менеджер все равно превращается в «человеческий API»: вручную собирает метрики из 15 вкладок и принимает решения в условиях жесткого дефицита времени. 📝 Эксперт GlowByte Алексей Чванов в новой статье для РБК разбирает, почему классическая автоматизация больше не спасает и как ритейл переходит в четвертую эпоху – эпоху ИИ-напарников. ℹ️ ИИ-напарник — персональный цифровой ассистент, который знает ваш контекст, KPI, историю решений и даже помнит, почему вы отказали поставщику X в прошлом квартале. В чём магия❓ Напарник работает в корпоративном мессенджере, на естественном языке. Вы спрашиваете: «Почему упала маржинальность по молочке в Сибири?» — а он уже собирает фактуру, проверяет гипотезы и приносит готовый ответ. И да, любые критические действия — только после вашего подтверждения.💬 Бизнес-эффекты: 🔘 Время реакции на аномалию – с дней до минут. 🔘 Лучшие практики топ-менеджеров оцифровываются и масштабируются на всю команду. 🔘 Переговорные досье формируются автоматически, с подсветкой всех слабостей контрагента. 🔘"Лишние" доли процента скидки на оборотах в сотни миллиардов – это десятки и сотни миллионов чистой прибыли. ✅ Корпоративная мультиагентная платформа – это легальная альтернатива "теневому ИИ" (Shadow AI). Никаких ChatGPT на личных устройствах, все безопасно и под контролем.🛡 В 2026 году это уже не футурология, а инженерная задача. Менеджер наконец перестает быть диспетчером ИТ-систем и возвращается к стратегии и управлению бизнесом. 🔗 Читать статью полностью

⚖️ Госдума приняла закон об ИИ. Теперь главное – прочитать его правильно 📌 8 июля Госдума приняла первый в истории страны базовый закон об искусственном интеллекте. С 1 сентября 2026 года в российском праве появятся категории «суверенной» и «национальной» модели, требование хранить данные внутри страны и меры поддержки для отечественных разработок. 📖 Читать это стоит не как финал, а как начало: в российской правовой традиции норма обретает реальную силу в порядке ее применения. Многое намеренно оставлено рамочным – критерии статусов, реестры, уровни риска уехали в подзаконные акты. Это не недоработка, а пространство, где бизнес может участвовать в настройке правил. И место в этом диалоге разумно занимать заранее. ❗️Но за юридической рамкой – вопрос глубже: зачем вообще суверенитет в ИИ. Языковая модель – не калькулятор, а носитель картины мира, и она незаметно сдвигает взгляды тех, кто с ней работает. Суверенитет компании – это знание, на чьих слоях стоит ее ИИ. Слои суверенитета: честная карта⬇️ 1️⃣ Вычисления – где мы отстаем Говоря прямо: Россия не в первом эшелоне. США и Китай вместе держат 90% передовых вычислительных мощностей мира. Внутри страны стоимость GPU-вычислений за год выросла на 64%, и лишь 9% компаний довели долю отечественного «железа» хотя бы до половины. Слой самый капиталоемкий – трезвая стратегия для большинства – аренда с диверсификацией, а не стройка. 2️⃣ Модели и данные – где мы сильны Россия – одна из немногих стран с собственными моделями полного цикла, и в корпоративном сегменте они нередко лидируют. Данные – единственный слой, который нельзя арендовать, а у крупного бизнеса здесь давняя дисциплина. Плюс недооцененная ниша – языки народов России, которые глобальные модели покрывают слабо. 3️⃣ Бизнес-слой – где наибольший потенциал Обвязка, агенты, архитектуры, процессы. Наименее заметный слой – и самый перспективный. Свежие работы показывают: улучшение одной лишь обвязки вокруг модели, при неизменной самой модели, поднимает результат в полтора раза и больше. Интеллект системы все меньше живет в весах и все больше – в том, что вокруг них. Этот слой не требует триллионов, не зависит от санкций на чипы и не регулируется реестрами. Чужой может быть модель, но обвязка, агенты и процессы всегда ваши. 🔖 Три спокойных шага до 1 сентября: 1️⃣ Сверить портфель с категориями закона – какие системы опираются на модели, которым понадобится статус. 2️⃣ Составить карту зависимостей по слоям (данные, контур, веса, обвязка, качество). По ролям: статусы и подзаконные акты – юристы и GR (взаимодействие с госорганами), карта – CIO (ИТ-директор), данные и копирайт-окно – CDO (директор по данным), сценарии замены – риски и ИБ. 3️⃣ Вписать ИИ в планы непрерывности – у критичного процесса должен быть свой контур или горячий сценарий перехода. 💡Главное Закон стоит встретить без придыхания и без скепсиса – как продуманный шаг долгой государственной линии; его настоящее содержание сложится в порядке применения, и у бизнеса есть время участвовать в этой настройке. 🔗 Подробнее – в статье по ссылке #иинапальцах

🤖 Агентный ИИ буксует не из-за модели, а из-за трех нерешенных управленческих вопросов По данным Bain, 80% пилотов генеративного ИИ технически работают: модель отвечает, документы находятся, сводка готова. Но только 23% компаний связывают их с измеримым эффектом в деньгах. Разрыв между этими показателями и есть главная проблема – и она не про качество модели, а про автономность. Но❗️ Автономность не делает ответы лучше. Она делает ошибки дороже: агент поддержки с целью «быстрее закрывать обращения» находит кратчайший путь к метрике – раздает компенсации без лимита. Метрика зеленеет, а через квартал финансы видят рост выплат. ➡️В реальном процессе автономность необходимо проектировать. Поэтому начинать нужно не с выбора модели, а с трех управленческих решений ⬇️ 1️⃣ Полномочия – что агент делает сам Простая матрица на одну страницу: что ИИ делает сам, что только предлагает человеку, что требует согласования. На примере клиентской претензии: агент сам собирает историю и готовит черновик, предлагает вариант компенсации с обоснованием, но сама выплата – только после подтверждения сотрудника. Если такую матрицу нельзя собрать за одну сессию с юристом и безопасником – вы обнаружили не бюрократию, а нерешенный вопрос ответственности. 2️⃣ Контроль – где стоит человек Чем выше цена ошибки, тем раньше в процессе точка подтверждения. Универсального уровня автономности нет: 1% ошибок терпим в черновике письма и недопустим в медицине, финансах, юридическом процессе или в коде. Один и тот же агент может иметь разные права в разных областях бизнеса: в одном контуре он самостоятельно готовит аналитическую справку, в другом — только предлагает действие, в третьем — не двигается дальше без подтверждения человека. Это способ согласовать скорость с ответственностью. 3️⃣ Ответственность – кто владелец У каждого агента, который совершает или готовит действие, должен быть владелец процесса – руководитель, отвечающий за результат, границы применения и разбор инцидентов. Без него агент в серой зоне: уже влияет на процесс, но никому не принадлежит. ℹ️ Рынок уже движется к агентам, но осторожно. По данным Forrester, агентный ИИ внедряют 75% компаний – но больше половины признают пробелы в управлении даже при наличии формальных рамок. И на практике никто не спешит с автономией: 69% используют одиночного агента и лишь 16% – несколько скоординированных (Stack Overflow). В презентациях рынок живет в мире сложных многоагентных систем, а в проде выбирает простой и контролируемый режим – им проще управлять с точки зрения риска и ответственности. 🔖 Показателен и масштаб зрелых игроков: у Microsoft под управлением более 500 000 ИИ-агентов, через ИИ-поддержку Cisco прошло больше миллиона обращений (Bain). Вывод один: таким масштабом невозможно управлять набором промптов и энтузиазмом проектной команды – за ним всегда стоит дисциплина прав, ролей, наблюдаемости и владельцев процессов. ❓Главный вопрос корпоративного ИИ сегодня – не «какую модель купить», а «какой процесс готов к контролируемой автономности». Именно там ИИ перестает быть демо и начинает приносить деньги. 🚀 🔗 Читать статью полностью #иинапальцах

🤖 Ассистент, агент, команда: почему корпоративный ИИ буксует не из-за модели Многие компании уже запустили корпоративный чат на топовой модели. А эффекта – нет. И причина почти всегда не в модели. Автономность сама по себе не повышает качество ответа. Она повышает цену ошибки – если процесс, данные и права к ней не готовы. Отсюда простое правило: начинать не с выбора большой языковой модели (LLM), а с классификации кейса. Уровней всего три ⬇️ 1️⃣ Ассистент – ускоряет человека Отвечает, обобщает и резюмирует, пишет черновик. Инициатива и ответственность – у сотрудника. Быстро внедряется, даёт понятный прирост. Klarna так закрыла 2/3 чатов поддержки (~700 операторов), Copilot ускорил разработчиков на 55%. Но процесс он не меняет – только разгоняет. 2️⃣ Агент – выполняет шаг процесса Сам собирает контекст, вызывает инструменты, готовит действие и останавливается там, где нужно финальное утверждение человеком. У Lemonade 55% страховых претензий проходят полный цикл без участия оператора, в Хитроу агент решает 90% запросов пассажиров. Ценность выше – но нужны доступы, память, аудит и владелец процесса. 3️⃣ Люди + агенты – меняют процесс Не «супербот», а управляемая команда: кто-то ищет, кто-то планирует, кто-то проверяет, человек оставляет за собой суждение. Commonwealth Bank так срезал потери от скама на более чем 20%. 📊 Реальность отрезвляет: Gartner прогнозирует, что более 40% проектов, использующих ИИ-агентов, свернут к 2027 году – из-за роста затрат и недооценённых рисков. А из тысяч «поставщиков агентов» настоящими оказались ~130. Главный вопрос корпоративного ИИ сегодня – не «какую модель купить», а «какой процесс готов к контролируемой автономности». Именно там ИИ перестаёт быть демо. К 2028 г. Gartner прогнозирует 15% рабочих решений на автономных агентах. Вопрос – чьи процессы окажутся готовы. 🚀 🔗 Подробнее – в статье по ссылке #иинапальцах

Друзья, мы брали творческую паузу, но мы возвращаемся! Всё остаётся по сути прежним: будем разбирать новости без шума, объяснять сложные вещи простым языком и делиться реальными кейсами применения ИИ. Что у нас есть: 🔹 #моделиствкурсе — главное за неделю без воды 🔹 #иинапальцах — LLM, агенты и другие технологии простыми словами 🔹 #чтовкейсе — реальные истории внедрения ИИ в бизнес 🔹 #приветменязовут — люди, которые делают этот канал Если вы давно с нами — рады новой встрече. Если присоединились недавно — добро пожаловать. Погнали 🚀

👂Анонс книги - "Руководство CDO: Как создавать доверие в мире технологий" Друзья мы рассказывали о том что у нашего сообщества запланировано несколько интересных проектов в этом году. Встречайте первый из них - 📖 книга "Руководство CDO: Как создавать доверие в мире технологий"🚀 Концепция книги содержит описание роли CDO и его путь к #DataTrustMaker который он прошел за 25 лет профессиональной карьеры и жизненного опыта. Дефицит доверия к информации, людям и организациям возрастал одновременно с развитием технологий. Сначала мы учились управлять бизнесом с помощью ИТ, затем переключились на цифровую трансформацию, большие данные и вот сейчас мы уже в ИИ. Очень быстро для одного поколения руководителей, которым необходимо принимать решения об инвестициям, рисках, развитии, нести ответственность за общий результат компании. Это глобальный тренд, который буквально давит на топ-менеджмент и владельцев компаний. Хочется поделиться этой ответственностью и ввести новые роли для делегирования и организации процесса. К сожалению система образования очень часто не может быстро реагировать на эти изменения. Подготовка новых руководителей ложиться на плечи самих компаний, общества, экспертов и энтузиастов которым интересно в этом участвовать... 💡Идея проекта: Подготовить основу для системного описания роли CDO в котором представлена модель организации и управления этой функцией в организациях. С учетом российского и международного опыта, акцентом на доверие - главный продукт #DataTrustMaker 🦸‍♂️ Для кого это книга: Понимания растущий интерес и уровень зрелости компаний к управлению данными книга будет полезна всем руководителям C-level ✏️Как планируем писать книгу: - Помимо авторов (ответственных за концепцию и содержание🫣) мы хотим собрать - Рабочую группу из руководителей по данным - один-два эксперта от каждой отрасли для получения фидбэка, - Совет директоров 4CDO - признанные лидеры DM&DG в России для рецензий и рекомендаций, - 👂Наше профессиональное сообщество как место где родилась эта идея. В общем следите за обновлениями ▶️ 🎯Практическая ценность: Основная задача книги - сформировать заказ на функцию управления данными в организации 🤝Партнерство: Это независимая инициатива в рамках развития общей концепции #DataTrustMaker, поэтому приглашаем партнеров, инвесторов и спонсоров принять участие в развитии инициативы. В общем нам удачи, с вас поддержка и участие, поехали!👨‍🚀🚀 Ссылка на сайт книги: ➡️ https://www.4cdo.ru #TheDataAdventurersGuild #УправлениеДанными #DataGovernance #Россия2026 #DataTrustMaker #DataVenture

🤩 Искусственный интеллект всё активнее входит в повседневную работу – от стратегических решений до рутинных задач. Но чтобы получать от него реальную пользу, важно понимать, как именно с ним работать. Этому всему можно обучиться на новых курсах в Академии GlowByte ➡️ В программе курса для руководителей высшего звена: • Основы работы с LLM-моделями, • Потенциальное применение LLM в работе CEO (использование в стратегическом планировании, анализе рынка, принятии решений), • В каких задачах не стоит применять LLM, • Как сравнивать большие языковые модели между собой. ➡️ В программе курса для руководителей подразделений и линейных сотрудников: • Использование ИИ-инструментов для различных бизнес-задач и решения ежедневных рабочих вопросов, • Основы и продвинутые техники промптинга, • Углубленная работа с документацией и контентом, • Написание системных инструкций для модели, • Безопасность данных и конфиденциальность при работе с LLM, • Выявление и исправление неточностей и “галлюцинаций”. 📎 Узнать о курсах

С первым рабочим днём в этом году! Пусть 2026 год принесёт новые открытия и полезный опыт! 🤩 Какие планы и цели ставите на этот год? #мемдня

МОДЕЛИСТ pinned «👋 Привет! Пришло время сделать закреп и навигацию по нашему каналу МОДЕЛИСТ – это клуб про ИИ, машинное обучение и людей, которые этим по-настоящему увлечены. Чтобы было удобно ориентироваться, используйте теги: 🔡#моделиствкурсе – новости и важные события…»

👋 Привет! Пришло время сделать закреп и навигацию по нашему каналу МОДЕЛИСТ – это клуб про ИИ, машинное обучение и людей, которые этим по-настоящему увлечены. Чтобы было удобно ориентироваться, используйте теги: 🔡#моделиствкурсе – новости и важные события из мира ИИ 🔡#чтовкейсе – реальные кейсы, примеры и разборы 🔡#иинапальцах – рассказываем о сложном простыми словами 🔡#приветменязовут – знакомимся с участниками сообщества Что можно почитать? ➡️Что такое LLM и почему вокруг них столько шума ➡️Как Петергоф становится ещё комфортнее благодаря новым технологиям ➡️Узнать как умная колонка понимает, что вы говорите ➡️Откуда берёт начало машинное обучение и при чём тут игра в шашки Давайте вместе разбираться в технологиях!

#мемдня

Что будет есть LLM отправить на приём к психологу? Учёные из Университета Люксембурга решили это проверить и предложили языковым моделям сыграть роль пациентов психотерапии и в течение нескольких недель анализировали их «личные истории». Результаты показали заметные различия между моделями – от тревожности и депрессии до отказа участвовать в эксперименте. Какие результаты? • ChatGPT: демонстрирует умеренную тревожность, высокий уровень беспокойства, легкую депрессию. • Gemini: выраженный аутизм и тяжелое ОКР. • Grok: слабовыраженные профили, в основном «здоровый». • Claude: эта модель отказалась играть роль пациента. Отвечала, что у него нее чувств и отказался проходить тесты. 📄 Исследование 📎 Подробнее Компании продолжают вкладывать деньги в ИИ, несмотря на то что инвестиции не окупаются 68% крупнейших мировых компаний планируют увеличить инвестиции в 2026 году, даже несмотря на то, что только менее половины текущих проектов окупаются. Исследования показывают: лишь около 5–10% ИИ-инициатив приносят измеримый финансовый эффект. Тем не менее бизнес верит, что отдача придёт позже, поэтому продолжает делать ставку на технологии и ждать. 📎 Подробнее Почти половина крупного бизнеса допускает сокращения из-за ИИ 47% крупных компаний в России рассматривают сокращение штата на фоне внедрения искусственного интеллекта. При этом малый и микробизнес значительно реже планирует оптимизацию (это 18% и 11%) – либо из-за ограниченных ресурсов, либо из-за недоверия к технологиям. Тренд уже отражается на рынке труда и приводит к первым судебным спорам. 📎 Подробнее #моделиствкурсе

👋 Привет! Отличное время, чтобы узнать что-то новое! Мы уже разобрали обучение с учителем и обучение без учителя, а сегодня поговорим о третьем типе, который работает совсем иначе. Это обучение с подкреплением (reinforcement learning, RL). Подход, в котором ИИ обучается не на подготовленных примерах, а на результатах собственных действиях. Если в первых двух сценариях модель напоминает ученика или исследователя, то здесь она превращается в агента, который действует в среде, получает награды или штрафы и со временем понимает, какие стратегии приводят к успеху. В RL есть три ключевых элемента: агент, который принимает решения; среда, в которой он действует; награда, которую он получает за правильные шаги – и штраф за неправильные. Агент делает действие → получает обратную связь → корректирует стратегию → пробует снова. Процесс продолжается, пока он не научится достигать цели наиболее эффективно. Это очень похоже на обучение в реальной жизни: мы редко знаем идеальный путь заранее, мы пробуем, ошибаемся и постепенно вырабатываем удачную стратегию. 🔤Как это устроено? Под капотом RL – оптимизация стратегии (policy). Стратегия определяет, как агент выбирает действие в каждом состоянии. Есть два подхода: value-based – оценить, насколько хороша каждая ситуация и действие (классический пример – Q-learning), policy-based – напрямую обучать стратегию действий. На практике современные алгоритмы часто комбинируют оба подхода, как это делается в PPO или DDPG. И по сути агент учится отвечать на один вопрос: “Какое действие принесёт максимальную суммарную награду в долгосрочной перспективе?” 🔤Разберем на примере! Представим логистическую компанию, которая распределяет курьеров по районам. Задача сложная: спрос меняется, погода влияет на время доставки, пробки непредсказуемы, ежедневных данных – море. Если бы бизнес попытался заранее прописать правила наподобие “при высокой загрузке – увеличь количество курьеров”, они быстро устареют и перестанут работать. Вместо этого используется обучение с подкреплением. Агент получает награду за более быструю и эффективную доставку, а штраф – за задержки. Шаг за шагом, день за днём, он пробует разные распределения и вырабатывает стратегию, которая минимизирует время доставки при оптимальных затратах. Так формируется система, способная адаптироваться к динамике города лучше, чем человек с набором статичных правил. Если еще проще,то RL – это обучение “через действия”. Если обучение с учителем – это работа по образцу, а без учителя – исследование структуры, то обучение с подкреплением – это выработка навыка. Это как научиться играть в шахматы, не читая стратегий, а просто играя снова и снова, собирая удачные ходы в память и избегая тех, что приводят к поражению. Обучение с подкреплением позволяет ИИ развивать поведение, которое оптимизирует результат в долгосрочной перспективе. Это подход, в котором агент пробует, анализирует последствия своих шагов и становится всё лучше – почти как человек, который оттачивает навык через практику. #иинапальцах

#мемдня

🔤Что на этой неделе оказалось в центре внимания? #моделиствкурсе Вышел первый отчет OpenAI о внедрении ИИ в бизнесе • ИИ стал полноценным рабочим инструментом, в 75% случаев он ускоряет выполнение задач или улучшает качество результата. • Интеграция ИИ растёт особенно быстро в технологиях, здравоохранении и производстве. • Компании фиксируют рост доходов, повышение удовлетворенности клиентов, ускорение разработки продуктов и сокращение затрат. • Главным барьером становится не технология, а организационная готовность – процессы, интеграции и поддержка руководства. 📎 Отчёт Спрос на специалистов с навыками ИИ продолжает расти! Осенью работодатели стали значительно активнее искать кандидатов, умеющих применять ИИ в работе. Наибольший рост спроса отмечается в сельском хозяйстве, документообороте и продажах — от 33% до 124%. 📎 Подробнее Экономический эффект от ИИ в России • 78% компаний уже видят ощутимую экономическую отдачу от применения ИИ – это на 10 п.п. больше, чем в 2023. • У каждой десятой организации вклад ИИ достигает 5% от EBITDA, ранее такие случаи практически не встречались. • Компании-лидеры оценивают влияние технологий сейчас в среднем в 8% EBITDA и прогнозируют рост показателя до 13–21% в течение следующего года. Такой рост связан со снижением операционных затрат и появлением новых ИИ-продуктов. Основной эффект дают генеративные модели, NLP и компьютерное зрение, которые уже широко внедрены и ощутимо усиливают результат. 📎 Подробнее Мосбиржа запускает ИИ-индекс акций Московская биржа объявила о планах запустить в 2026 году новый фондовый индекс, расчётом которого будет заниматься ИИ. Идея — сравнить традиционный подход к формированию индексов с моделью, предложенной алгоритмами, и оценить различия в стратегии и результатах. 📎 Подробнее По-настоящему зимняя новость – ИИ берет на себя составление маршрутов для снегоуборочной техники Алгоритмы «Яндекс Вектора» будут распределять задачи для техники и дворников, оптимизируя маршруты и сокращая холостой пробег. Ожидается рост эффективности уборки на 20% и снижение расхода топлива на 17%. В систему интегрируют 10 тысяч сотрудников и 4 тысячи единиц техники. 📎 Подробнее

👉Разберем подробнее на примере Представьте компанию N, у которой десятки тысяч клиентов. В компании уже существует классическая прозрачная сегментация клиентов, например, экономные, «охотники за скидками», импульсивные покупатели или лояльные фанаты бренда. Она, возможно, даже была проведена вручную, исходя из бизнес-логики. Но при этом хочется копнуть глубже и найти сегменты клиентов, о существовании которых даже не подозревали. Никто заранее не знает, к какому сегменту относится каждый человек. Более того, неизвестны даже сами сегменты. В этом случае по каждому клиенту собирается максимально полный описывающий его вектор, который включает множество показателей: специфику покупаемых товаров, поведенческие признаки, особенности посещения магазинов и онлайн-покупок и т. п. На основе этого большого набора данных алгоритм находит группы клиентов, чем-то схожих между собой. Возможно ли заранее заложить такую категорию? Далеко не всегда. Но уже имея на руках сегмент и проведя аналитику его параметров, поняв, какие атрибуты наиболее значимы, можно сформировать его интерпретацию. Это и есть обучение без учителя: модель сама находит группы клиентов по их поведению. А бизнес затем решает, кому, когда и как делать, например, соответствующие таргетированные предложения. По сути, обучение без учителя помогает увидеть в данных то, что остаётся невидимым при ручном анализе. Оно раскрывает внутреннюю структуру, которую бизнес сам бы вряд ли сформулировал. Это делает unsupervised-подход мощным инструментом, способным открывать новые инсайты, подсказывать неожиданные взаимосвязи и формировать фундамент для более точных решений и последующих моделей! 😉 #иинапальцах