Ferrari использует ИИ от IBM для создания суперфанатов Формулы-1
Команда Scuderia Ferrari HP совместно с IBM внедряет искусственный интеллект для трансформации взаимодействия с болельщиками. Технология позволяет персонализировать контент и создавать уникальный опыт для поклонников «Королевских гонок».
В основе решения лежат модели ИИ IBM watsonx, которые анализируют данные о предпочтениях фанатов в реальном времени. Система генерирует индивидуальные видео, статистику и прогнозы для каждого пользователя — от новичков до хардкорных энтузиастов. Например, болельщик может получить персонализированный обзор гонки с акцентом на любимого пилота или ключевые моменты.
По словам представителей Ferrari, цель — превратить пассивных зрителей в активных участников сообщества. ИИ обрабатывает историю просмотров, реакции на посты в соцсетях и даже данные с гоночных симуляторов. Это позволяет предсказывать, какой контент вызовет наибольший отклик, и адаптировать его под конкретного фаната.
#Business #Ferrari #IBM #Formula1 #Sports
Команда Scuderia Ferrari HP совместно с IBM внедряет искусственный интеллект для трансформации взаимодействия с болельщиками. Технология позволяет персонализировать контент и создавать уникальный опыт для поклонников «Королевских гонок».
В основе решения лежат модели ИИ IBM watsonx, которые анализируют данные о предпочтениях фанатов в реальном времени. Система генерирует индивидуальные видео, статистику и прогнозы для каждого пользователя — от новичков до хардкорных энтузиастов. Например, болельщик может получить персонализированный обзор гонки с акцентом на любимого пилота или ключевые моменты.
По словам представителей Ferrari, цель — превратить пассивных зрителей в активных участников сообщества. ИИ обрабатывает историю просмотров, реакции на посты в соцсетях и даже данные с гоночных симуляторов. Это позволяет предсказывать, какой контент вызовет наибольший отклик, и адаптировать его под конкретного фаната.
#Business #Ferrari #IBM #Formula1 #Sports
👍1
🧠 За пределами LLM: Почему масштабное внедрение ИИ в enterprise зависит от агентной логики
Исследователи IBM представили концепцию «агентной логики» (agent logic) — программных примитивов (графы знаний, алгоритмы, библиотеки анализа кода), которые работают на уровне агентного слоя и направляют LLM в нужное русло, сокращая контекстное пространство. Это позволяет снизить галлюцинации, токен-потребление и затраты при работе со сложными корпоративными сценариями.
В статье разобраны четыре реальных кейса IBM. Например, агент App Insights для mainframe-приложений (до 1M строк кода) использует статический анализ и предварительно индексированную базу данных, что даёт ~30× меньший расход токенов по сравнению с чистым LLM-подходом. Другой пример — библиотека Aster для генерации тестов: на 75+ Java-приложениях IBM она показала +20–45% улучшения покрытия кода и до 15× снижения токен-потребления относительно SOTA кодинг-агентов.
Ключевой вывод: без встроенной логики, направляющей модель, даже самые мощные LLM не справляются с динамическими, долгоживущими и зарегулированными enterprise-процессами. Агентная логика становится тем самым «GPS» для ИИ, обеспечивая доверие и экономическую эффективность.
#AI #Enterprise #AgentLogic #IBM #LLM
Исследователи IBM представили концепцию «агентной логики» (agent logic) — программных примитивов (графы знаний, алгоритмы, библиотеки анализа кода), которые работают на уровне агентного слоя и направляют LLM в нужное русло, сокращая контекстное пространство. Это позволяет снизить галлюцинации, токен-потребление и затраты при работе со сложными корпоративными сценариями.
В статье разобраны четыре реальных кейса IBM. Например, агент App Insights для mainframe-приложений (до 1M строк кода) использует статический анализ и предварительно индексированную базу данных, что даёт ~30× меньший расход токенов по сравнению с чистым LLM-подходом. Другой пример — библиотека Aster для генерации тестов: на 75+ Java-приложениях IBM она показала +20–45% улучшения покрытия кода и до 15× снижения токен-потребления относительно SOTA кодинг-агентов.
Ключевой вывод: без встроенной логики, направляющей модель, даже самые мощные LLM не справляются с динамическими, долгоживущими и зарегулированными enterprise-процессами. Агентная логика становится тем самым «GPS» для ИИ, обеспечивая доверие и экономическую эффективность.
#AI #Enterprise #AgentLogic #IBM #LLM
👍1
Исследователи IBM выпустили CUGA (Configurable Generalist Agent) — открытый харнес для построения агентных приложений, который берёт на себя всю «сантехнику»: планирование, цикл выполнения, вызов инструментов и управление состоянием. Разработчику остаётся только написать список инструментов и промпт. В доказательство концепции опубликован репозиторий cuga-apps с двумя дюжинами рабочих однострочных приложений на FastAPI — от рекомендателя фильмов до архитектурного советника для IBM Cloud.
Каждое приложение — один файл, оборачивающий экземпляр
CugaAgent. Харнес использует стратегию CodeAct: сначала планирование, затем выполнение с генерацией кода. Ключевая особенность — рефлексия: на длинных задачах (до 20 шагов) CUGA отслеживает промежуточные результаты и может перепланировать при ошибке, а не слепо продолжать. Это позволило харнесу занять верхние строчки в бенчмарках AppWorld и WebArena.Для продакшена CUGA поддерживает три режима рациональности (Fast, Balanced, Accurate) и изоляцию выполнения через Docker/Podman или E2B. Важно: харнес рассчитан на работу с открытыми моделями — демо-приложения работают на gpt-oss-120b без необходимости в frontier API. Установка через
pip install cuga, API минимален: создать CugaAgent с инструментами и промптом, затем вызвать await agent.invoke(...).#AI #IBM #CUGA #Agents #opensource #Development
Please open Telegram to view this post
VIEW IN TELEGRAM
IBM объявила о создании первой в мире технологии чипов с «суб-нанометровым» узлом — 0,7 нм (7 ангстрем). Новая архитектура «наностак» позволяет разместить до 100 миллиардов транзисторов на площади размером с ноготь — почти вдвое больше, чем у предыдущего поколения 2-нм чипов. Решение ориентировано на ИИ-датацентры и обещает либо 50% прирост производительности, либо 70% энергоэффективности.
В основе архитектуры — вертикальное наслоение транзисторов со смещённым расположением. Каждый базовый блок состоит из двух склеенных транзисторов, каждый из которых содержит три нанолиста толщиной 5 нм (примерно 15 рядов атомов кремния). Расстояние между листами — 9 нм. IBM также показала 40% улучшение масштабирования SRAM за счёт «шахматного» дизайна ячеек памяти — это критически важно для AI-нагрузок, где требуется высокая пропускная способность и энергоэффективность.
IBM не производит коммерческие чипы сама, но лицензирует технологию партнёрам — Rapidus (Япония) и Samsung. TSMC и другие компании уже развивают собственные нанолистовые транзисторы на основе ранних работ IBM. Новая архитектура решает проблему физических ограничений масштабирования: вместо уменьшения элементов чипа инженеры уплотняют их за счёт 3D-стэкинга.
#Tech #AI #IBM #CPU #NanoTech
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥1
Исследователи IBM представили ScarfBench (Self-Contained Application Refactoring Benchmark) — открытый бенчмарк для оценки AI-агентов на задачах миграции между корпоративными Java-фреймворками: Spring, Jakarta EE и Quarkus.
В отличие от традиционных бенчмарков, сравнивающих сгенерированный код с эталоном, ScarfBench проверяет, собирается ли приложение, разворачивается ли и сохраняет ли поведение. Бенчмарк включает 34 приложения, 102 реализации фреймворков, 204 задачи миграции, ~151K строк кода и 1331 экспертный тест.
Результаты тестирования современных кодинг-агентов показали, что даже лучшие из них достигают менее 10% успеха по поведенческим тестам. Миграция фреймворков требует не просто перевода кода, но адаптации систем сборки, управления зависимостями и сохранения семантики — это принципиально сложнее, чем исправление багов или генерация кода.
Практическая значимость: ScarfBench задаёт реалистичный стандарт оценки AI для enterprise-разработки. Инструмент доступен на GitHub и Hugging Face Spaces.
#AI #Benchmark #ScarfBench #Agents #Java #Enterprise #IBM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1💯1
🛡 Red Hat, NVIDIA и IBM запускают asago — проект, который переводит ИИ-политики в код
Red Hat объявила о формировании asago (AI Safety And Governance Orchestration) — open-source проекта, который должен автоматически превращать корпоративные и регуляторные политики управления ИИ в реальные операционные контроли. К инициативе присоединились NVIDIA, IBM Research, Microsoft, Brave Software, MIT Lincoln Laboratory, Институт Алана Тьюринга, NC State University, IT:U Austria и коалиция EvalEval. Лицензия — Apache 2.0.
Workflow состоит из четырёх стадий. Система читает загруженный документ с политикой и сопоставляет требования с NIST AI RMF, OWASP LLM Top 10 и EU AI Act через каталог IBM AI Risk Atlas. Затем генерирует и прогоняет сценарии тестирования под конкретные найденные риски, а не общие бенчмарки. Дальше рекомендует меры защиты, включая guardrails, и собирает обоснование для аудитора. На выходе — декларативные конфигурации для Kubernetes, Terraform и Ansible.
Ключевая идея — сквозной аудиторский след: каждый работающий в проде контроль можно проследить до конкретного пункта политики, который он закрывает. Red Hat утверждает, что это сокращает путь от политики до развёртывания с месяцев до дней.
Важная оговорка: проект пока в стадии формирования. Репозиторий на GitHub открыт для разработчиков и исследователей, но речь идёт о сборе коалиции и заявке на стандарт, а не о готовом продукте. Проект вырос из работы Red Hat и NVIDIA в Open Secure AI Alliance и дополняет Project Lightwell.
#Business #RedHat #NVIDIA #IBM #AI #OpenSource #Governance
Red Hat объявила о формировании asago (AI Safety And Governance Orchestration) — open-source проекта, который должен автоматически превращать корпоративные и регуляторные политики управления ИИ в реальные операционные контроли. К инициативе присоединились NVIDIA, IBM Research, Microsoft, Brave Software, MIT Lincoln Laboratory, Институт Алана Тьюринга, NC State University, IT:U Austria и коалиция EvalEval. Лицензия — Apache 2.0.
Workflow состоит из четырёх стадий. Система читает загруженный документ с политикой и сопоставляет требования с NIST AI RMF, OWASP LLM Top 10 и EU AI Act через каталог IBM AI Risk Atlas. Затем генерирует и прогоняет сценарии тестирования под конкретные найденные риски, а не общие бенчмарки. Дальше рекомендует меры защиты, включая guardrails, и собирает обоснование для аудитора. На выходе — декларативные конфигурации для Kubernetes, Terraform и Ansible.
Ключевая идея — сквозной аудиторский след: каждый работающий в проде контроль можно проследить до конкретного пункта политики, который он закрывает. Red Hat утверждает, что это сокращает путь от политики до развёртывания с месяцев до дней.
Важная оговорка: проект пока в стадии формирования. Репозиторий на GitHub открыт для разработчиков и исследователей, но речь идёт о сборе коалиции и заявке на стандарт, а не о готовом продукте. Проект вырос из работы Red Hat и NVIDIA в Open Secure AI Alliance и дополняет Project Lightwell.
#Business #RedHat #NVIDIA #IBM #AI #OpenSource #Governance
👍1👏1
🧠 Сколько памяти нужно ИИ-агенту на самом деле
Исследователи IBM Research и Hugging Face представили новый анализ системы ALTK-Evolve, которая позволяет агенту учиться на собственных прошлых траекториях без обновления весов. Главный вывод: агентная память — не функция, которую включают, а дозировка, которую нужно подбирать под конкретную модель.
В экспериментах на восьми моделях — от плотной 30B до фронтирных проприетарных систем — выделили три паттерна. Сильным моделям с запасом возможностей нужен полный набор инструкций: DeepSeek-V3.2 (671B MoE) прибавил +9.5 процентных пункта к выполнению задач. Слабые модели тонут в большом объёме правил: для gpt-oss-120b оптимальна выборка релевантных инструкций по каждой задаче — рост +16.1pp при всего +5% к числу токенов. А уже насыщенные модели вроде GLM-5 (745B MoE) не показали измеримого эффекта.
ALTK-Evolve извлекает из успешных и неудачных попыток агента поведенческие правила, консолидирует их и подаёт на инференсе целиком или порционно. Веса модели не меняются — меняется только инструктивный контекст, поэтому метод дёшев и переносим между моделями. Практический вывод: правильную «дозу» памяти можно калибровать под конкретную модель, и иногда селективная выдача оказывается точнее и дешевле полного набора.
#AI #Agents #Research #IBM #HuggingFace #LLM
Исследователи IBM Research и Hugging Face представили новый анализ системы ALTK-Evolve, которая позволяет агенту учиться на собственных прошлых траекториях без обновления весов. Главный вывод: агентная память — не функция, которую включают, а дозировка, которую нужно подбирать под конкретную модель.
В экспериментах на восьми моделях — от плотной 30B до фронтирных проприетарных систем — выделили три паттерна. Сильным моделям с запасом возможностей нужен полный набор инструкций: DeepSeek-V3.2 (671B MoE) прибавил +9.5 процентных пункта к выполнению задач. Слабые модели тонут в большом объёме правил: для gpt-oss-120b оптимальна выборка релевантных инструкций по каждой задаче — рост +16.1pp при всего +5% к числу токенов. А уже насыщенные модели вроде GLM-5 (745B MoE) не показали измеримого эффекта.
ALTK-Evolve извлекает из успешных и неудачных попыток агента поведенческие правила, консолидирует их и подаёт на инференсе целиком или порционно. Веса модели не меняются — меняется только инструктивный контекст, поэтому метод дёшев и переносим между моделями. Практический вывод: правильную «дозу» памяти можно калибровать под конкретную модель, и иногда селективная выдача оказывается точнее и дешевле полного набора.
#AI #Agents #Research #IBM #HuggingFace #LLM
🤔1👨💻1
IBM представила семейство моделей Granite 4.2, сделав ставку на растущий спрос на LLM, которые работают локально, без отправки данных в облако. Это продолжение тренда, в котором компании хотят использовать ИИ на собственном «железе» — для приватности, экономии и офлайн-сценариев.
Granite 4.2 ориентированы на разработчиков и enterprise-задачи: генерацию кода, работу с документами, аналитику. Модели доступны в открытом виде, что позволяет разворачивать их на собственных серверах или встраивать в приложения. Локальный запуск снижает задержки и убирает зависимость от внешних API — критично для секторов с жёсткими требованиями к конфиденциальности.
Для IBM это способ усилить позиции в сегменте open-weight LLM и составить конкуренцию моделям от Meta и Mistral. Выход Granite 4.2 показывает: рынок ИИ смещается от гигантских облачных инференсов в сторону компактных моделей, которые можно запустить где угодно — от дата-центра до рабочей станции.
#AI #IBM #Granite #Tech #LLM #LocalLLM
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔1👌1
NASA и IBM выпустили новую AI-модель, предназначенную для лунных исследований. Модель ориентирована на анализ данных о Луне и продолжает более раннее сотрудничество двух организаций по геопространственным AI-моделям (geospatial AI foundation models). Детали архитектуры и обучающих данных в первоначальном анонсе раскрыты ограниченно.
Это не первый совместный проект NASA и IBM в области фундаментальных моделей: ранее стороны работали над геопространственными AI-инструментами для анализа данных о Земле. Новый релиз переносит тот же подход на лунную тематику, что может упростить обработку больших массивов данных о поверхности и рельефе Луны.
Пока неизвестно, какие именно наборы данных использовались при обучении и будет ли модель доступна публично. Обе организации обещают раскрыть подробности позже.
#AI #NASA #IBM #Space #FoundationModel #Tech
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1👏1
NASA и IBM Research совместно с академическими партнёрами представили NASA-IBM Lunar Foundation Model - одну из первых открытых фундаментальных моделей для лунной науки. Она превращает десятилетия наблюдений в готовую основу для машинного обучения и особенно сильна в предсказании ледяных отложений на полюсах и обнаружении кратеров.
Модель обучена с нуля на корпусе SomBench - крупнейшем мультимодальном лунном датасете на сегодня. Это почти 2 млн тайловых наборов в 11 модальностях: около 1 млн снимков высокого разрешения с Narrow Angle Camera (~1 м/пиксель) и примерно 964 тыс. мультиспектральных снимков Wide Angle Camera (100 м/пиксель). Основу составили 17 лет наблюдений Lunar Reconnaissance Orbiter, плюс данные GRAIL, Lunar Prospector и японской Kaguya/SELENE - всего более 30 слоёв с девяти приборов и четырёх миссий.
Архитектура опирается на земную модель TerraMind, но обучена заново. Геометрия съёмки (углы освещения, положение Солнца) подаётся как явный контекст, а FlexiViT позволяет адаптировать модель под разный размер патчей без переобучения. По данным IBM, ошибка предсказания льда снижена до 22% относительно лучшего бейзлайна SwinV2-B, а на грубом детектировании кратеров - почти на 19% при вдвое меньшем объёме данных. LoRA-дообучение идёт наравне с полным. Модель доступна на Hugging Face, код - на GitHub, интегрирована в TerraTorch.
🎨 qvabo.studio/tg · картинки и видео
#Tech #AI #Model #NASA #IBM #OpenCode #Space #Cosmos
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔1🤓1
Американское рейтинговое агентство Egan-Jones 1 октября выпустило отчёт "It's Over". Первой под удар AI попадает сфера профессиональных услуг, где клиентам выставляют счёт за экспертизу по часам. Пример: KPMG попросила аудитора Grant Thornton UK поделиться экономией от AI, и по данным FT плата за аудит упала на 14%, с 416 до 357 тысяч долларов.
Второй пример - IBM. 23 февраля её акции упали на 13%, сильнее всего с 2000 года, после заявления Anthropic о том, что Claude Code ускоряет модернизацию COBOL, языка банковских мейнфреймов. Evercore ISI сохранил рейтинг Outperform: у IBM есть собственные инструменты модернизации. Дальше Egan-Jones ждёт давления на венчурные фонды: стартапы растут на меньшем капитале, а доходность падает, и мало кто из LP это заложил.
Третий пункт - жильё. По данным S&P, цены на дома в США выросли на 1.9% за год к июлю, а потребительские цены на 3.4%: реальные значения падают 14 месяцев подряд. В августе продавцов было на 57.9% больше покупателей, рекорд по данным Redfin. Kobeissi Letter оценивает потери рабочих мест в затронутых AI секторах примерно в 11 тысяч в месяц.
🎨 qvabo.studio/tg · картинки и видео
#Ai #Anthropic #IBM #ClaudeCode #EganJones
Please open Telegram to view this post
VIEW IN TELEGRAM
👌1👨💻1
🧑🏽💻 AI превращает знакомые кибератаки в гонку со временем
IBM и SecurityWeek разбирают, как ИИ меняет ландшафт угроз: сами вектора атак остаются прежними, но скорость их реализации растёт. По данным IBM Cost of a Data Breach Report 2026, фишинг по-прежнему остаётся главным вектором - на него приходится 17% утечек, а средняя стоимость инцидента достигает 5,29 млн долларов.
Ключевое изменение - персонализация. Генеративные модели позволяют создавать убедительные фишинговые письма под конкретного сотрудника и компанию, что заметно повышает долю успешных входов. Дальше ИИ помогает атакующему: быстро находить уязвимости, закрепляться в системе, повышать привилегии и двигаться вглубь сети - то, что раньше требовало часов ручной работы аналитика.
Стив Уоллин из IBM описывает это как «гонку со временем»: у защитников остаётся всё меньше окна между первым контактом и полномасштабной компрометацией. Ставка делается на автоматизацию обнаружения и ответа, сокращение времени реакции и ИИ-инструменты на стороне защиты - иначе классические атаки становятся просто быстрее.
🎨 qvabo.studio/tg · картинки и видео
#Safety #кибербезопасность #фишинг #IBM #ИБ
IBM и SecurityWeek разбирают, как ИИ меняет ландшафт угроз: сами вектора атак остаются прежними, но скорость их реализации растёт. По данным IBM Cost of a Data Breach Report 2026, фишинг по-прежнему остаётся главным вектором - на него приходится 17% утечек, а средняя стоимость инцидента достигает 5,29 млн долларов.
Ключевое изменение - персонализация. Генеративные модели позволяют создавать убедительные фишинговые письма под конкретного сотрудника и компанию, что заметно повышает долю успешных входов. Дальше ИИ помогает атакующему: быстро находить уязвимости, закрепляться в системе, повышать привилегии и двигаться вглубь сети - то, что раньше требовало часов ручной работы аналитика.
Стив Уоллин из IBM описывает это как «гонку со временем»: у защитников остаётся всё меньше окна между первым контактом и полномасштабной компрометацией. Ставка делается на автоматизацию обнаружения и ответа, сокращение времени реакции и ИИ-инструменты на стороне защиты - иначе классические атаки становятся просто быстрее.
🎨 qvabo.studio/tg · картинки и видео
#Safety #кибербезопасность #фишинг #IBM #ИБ
🤯1💯1