💰 Aviva внедряет ИИ для борьбы с мошенничеством на £230 млн

Британская страховая компания Aviva развернула систему искусственного интеллекта для выявления сложных страховых схем. За год технология помогла предотвратить убытки на сумму более £230 миллионов, выявляя организованные группы мошенников, которые ранее оставались незамеченными традиционными методами анализа.

Система анализирует тысячи параметров по каждому страховому случаю в реальном времени — от истории заявок до поведенческих паттернов. В отличие от классических правил, ИИ способен обнаруживать нетипичные связи между, казалось бы, не связанными инцидентами, включая подставные ДТП и фиктивные медицинские счета. Aviva подчёркивает, что алгоритмы специально обучались на данных о «тихих» схемах, которые не фиксируются стандартными антифрод-системами.

Для рынка это важный сигнал: страховые гиганты переходят от реактивной модели к проактивному выявлению мошенничества. Если раньше fraud-детекция опиралась на жёсткие правила и ручную проверку, то теперь машинное обучение позволяет обрабатывать миллионы заявок без задержек для добросовестных клиентов. Ожидается, что к 2027 году аналогичные решения внедрят большинство крупных страховщиков Европы.

#AI #Insurance #Aviva #Fraud #MachineLearning

❓ Почему «революция ИИ» в прогнозах погоды — не революция

Искусственный интеллект всё активнее проникает в метеорологию и климатологию, но называть это революцией пока рано. Как отмечает Ars Technica, речь идёт не о ChatGPT и генерации карт с вымышленными городами (такой инцидент действительно произошёл в Национальной метеослужбе США в январе 2026), а о классическом машинном обучении — методах, которые учёные изучают и применяют уже много лет.

В основе современных моделей погоды — не большие языковые модели, а ML-алгоритмы, обученные на десятках лет наблюдений. Например, Европейский центр среднесрочных прогнозов погоды (ECMWF) в феврале 2025 года запустил оперативную версию AIFS — модели на основе машинного обучения, которая работает параллельно с традиционной физической моделью IFS. AIFS обучается на реанализе — наборе данных, где все доступные наблюдения «сшиты» в физически согласованную картину. Модель предсказывает следующее состояние атмосферы (с шагом в 6 часов) не через решение уравнений, а через выявление пространственных паттернов.

Проблема в том, что ML-модели не «понимают» физику: они могут предсказать отрицательное количество осадков или ветер, нарушающий закон сохранения массы. Их точность высока, но только в пределах обучающей выборки. Зато скорость — на порядки выше традиционных моделей. Google, Nvidia, Huawei и Microsoft уже выпустили собственные модели, а ведущие метеоцентры мира начинают их внедрять — но как дополнение, а не замену классическим подходам.

#AI #Weather #Meteorology #MachineLearning

❗️LoRA — не единственный выбор: стоит ли выходить за рамки популярного метода дообучения?

Команда Hugging Face опубликовала разбор, почему LoRA, будучи самой популярной техникой параметро-эффективного дообучения (PEFT), не всегда является оптимальным выбором. По статистике, 98.4% моделей на Hugging Face Hub, упоминающих PEFT, используют именно LoRA, а на GitHub 71.3% всех PEFT-сниппетов относятся к LoRA. Однако авторы блога предупреждают: популярность не равна эффективности. LoRA стала стандартом во многом благодаря раннему выходу, обилию туториалов и лучшей интеграции в экосистему, а не объективному превосходству.

Библиотека PEFT от Hugging Face поддерживает десятки альтернативных методов: LoHa, AdaLoRA, DoRA, IA3 и другие. Каждый из них может давать лучшие результаты на определённых задачах — от генерации изображений до работы с LLM. Авторы подчёркивают, что выбор техники вслепую по заявлениям из научных статей проблематичен: результаты часто несопоставимы из-за разных условий экспериментов. Вместо этого они предлагают использовать встроенные в PEFT инструменты для автоматического подбора метода под конкретную задачу и модель.

Практический вывод: разработчикам и исследователям стоит тестировать несколько PEFT-методов, а не полагаться на LoRA по умолчанию. Это особенно актуально для работы с quantized-моделями и сценариев, где критично качество при минимальном потреблении памяти.

#AI #PEFT #LoRA #Studying #HuggingFace #MachineLearning

⚙️ Amazon Bedrock AgentCore Observability: отладка production-агентов с новым инструментом мониторинга

Amazon представил AgentCore Observability — набор инструментов для отладки AI-агентов в production. Проблема в том, что агенты могут выдавать правдоподобные, но неверные ответы, уходить в бесконечные циклы рассуждений или выбирать неправильные инструменты без генерации ошибок. Стандартные логи и метрики не фиксируют процесс принятия решений.

Новое решение даёт видимость на трёх уровнях: метрики, трейсы и структурированные логи. Разработчики могут отслеживать каждый шаг рассуждений, проверять вызовы инструментов и определять, где именно исполнение отклоняется от ожидаемого. Это позволяет понять не только что произошёл сбой, но и почему.

Особенно полезно для диагностики трёх типов отказов: quality (галлюцинации, неверные расчёты), reliability (ошибки авторизации, потеря контекста сессии) и efficiency (высокая задержка, избыточное потребление токенов). Интеграция с Amazon CloudWatch и OpenTelemetry даёт готовые дашборды и алерты.

#AI #AWS #Bedrock #Observability #MachineLearning

🟢Outpost VFX ускорил обучение AI-моделей для VFX в 8 раз с помощью AWS

Студия визуальных эффектов Outpost VFX (Великобритания, Канада, Индия) совместно с AWS Generative AI Innovation Center оптимизировала обучение нейросетей для замены лиц. Вместо 1–2 недель на одну итерацию теперь требуется в 8 раз меньше времени.

Исходно Outpost использовал одиночные GPU (RTX 3090), что создавало узкое место: традиционный композитинг занимал более 5 дней, а AI-модель обучалась слишком медленно. Решение — переход на Amazon EC2 P5 с NVIDIA H100 (80 ГБ HBM3, 14 592 CUDA-ядер) и внедрение PyTorch Distributed Data Parallel (DDP). За 6 недель AWS-инженеры адаптировали код для параллельного обучения на нескольких GPU через NVLink, что позволило обрабатывать больше изображений за батч и радикально сократить время.

Архитектура полностью соответствует требованиям безопасности студии (работает в изолированном облаке). В планах — использование Amazon SageMaker для автоматизации пайплайнов и хостинга моделей.

#AI #AWS #VFX #Media #VisualEffects #MachineLearning

⚙️ Тонкая настройка Amazon Nova для точного извлечения данных из писем

AWS представила руководство по кастомизации моделей Amazon Nova с помощью Amazon SageMaker AI для извлечения структурированных данных из email-сообщений. Метод позволяет обучить модель распознавать специфические паттерны, различать похожие поля и обрабатывать информацию эффективнее — точность извлечения достигает 94,77% при снижении затрат на 50%.

Решение решает типичные проблемы парсинга писем: неоднозначность полей (например, «дата заказа» vs «дата доставки»), нестандартные форматы и шумовые данные. SageMaker AI автоматизирует пайплайн разметки, обучения и валидации, а Nova обеспечивает нативную поддержку Amazon Bedrock для быстрого развёртывания.

Практическое применение: автоматизация обработки заказов, извлечение контактных данных из входящих писем, парсинг финансовых отчётов и инвойсов. Разработчики могут интегрировать решение через API Amazon Bedrock, используя готовые ноутбуки из репозитория AWS.

#AI #AWS #AmazonNova #MachineLearning #SageMaker

❓ Специализация неизбежна: почему универсальные ИИ-модели проигрывают узконаправленным

Новый аналитический материал на Hugging Face, основанный на работе Goldfeder, Wyder, LeCun и Shwartz-Ziv (2026), доказывает: вопреки ожиданиям, самые мощные ИИ-системы — не универсальные, а узкоспециализированные. Прорыв в предсказании структуры белков совершила модель, созданная для одной задачи. Исторические достижения ИИ — это всегда результат концентрации на конкретной области, а не расширения общей функциональности.

Авторы опираются на теорему Wolpert и Macready (1997) «No Free Lunch»: ни один универсальный алгоритм оптимизации не превосходит другие на всех возможных задачах. Выигрыш на одном распределении проблем означает проигрыш на другом. При конечных ресурсах (вычислительных мощностях, данных, времени) система, фокусирующаяся на ограниченном наборе задач, всегда эффективнее той, что распыляет ресурсы на всё подряд. Универсальность и высокая производительность находятся в прямом противоречии.

Практический вывод для разработчиков: при проектировании AI-агентов и моделей стоит осознанно выбирать специализацию. Это не означает отказ от общих архитектур — речь о том, что для достижения выдающихся результатов в конкретной задаче необходима целенаправленная настройка и концентрация ресурсов, а не гонка за универсальностью.

#Ai #Specialization #MachineLearning #Optimisation #HuggingFace

1️⃣Один нейрон способен обойти защиту безопасности в больших языковых моделях

Исследователи Apple ML обнаружили, что безопасность больших языковых моделей (LLM) можно нарушить, воздействуя всего на один нейрон. Система защиты работает через два механизма: «нейроны отказа», блокирующие вывод опасных знаний, и «нейроны концепций», хранящие сами эти знания. Воздействуя на один нейрон в каждой системе, авторы смогли как подавить защиту на прямые вредоносные запросы, так и спровоцировать генерацию опасного контента из безобидных промптов.

Эксперименты проводились на семи моделях из двух семейств — от 1,7 млрд до 70 млрд параметров — без какого-либо дообучения или инженерных уловок с промптами. Результаты показывают, что текущие методы выравнивания (alignment) уязвимы на фундаментальном уровне: один нейрон может стать точкой отказа всей системы безопасности. Это ставит под вопрос надёжность современных подходов к защите LLM и указывает на необходимость принципиально новых архитектурных решений.

#SAFETY #LLM #Security #AppleResearch #MachineLearning

💊 Amazon Neptune и GraphRAG: новый подход к фармацевтическим исследованиям

AWS представила решение на основе GraphRAG (Graph-based Retrieval Augmented Generation) и Amazon Neptune Analytics для ускорения открытия лекарств. Система объединяет разрозненные научные данные — PubMed, внутренние лабораторные заметки, геномные базы — в единый граф знаний.

Ключевая проблема фармацевтики: лишь 5% гипотез проходят первичный скрининг, который занимает более 6 месяцев. Данные фрагментированы, а уход исследователей ведёт к потере институциональной памяти. Решение использует подход BYOKG (Bring Your Own Knowledge Graph) — исследователи загружают собственные наборы данных, которые Neptune Analytics связывает с публичными источниками.

Графовый ИИ позволяет задавать сложные вопросы на естественном языке и получать ответы с полной цепочкой доказательств: от соединений и белков до клинических исследований. Amazon Bedrock обеспечивает генерацию ответов, а Neptune — высокопроизводительный обход графа. Каждый результат содержит ссылки на первоисточники и шаги графового поиска, что критически важно для регуляторных органов.

Практическая ценность: система не просто ускоряет поиск — она делает научные выводы воспроизводимыми и прозрачными, сохраняя знания даже при смене команды.

#Tech #AWS #GraphRAG #Pharmacy #AmazonNeptune #MachineLearning