⚡️ В NLP случился один из главных прорывов последних лет.
Если вы не видели модель BERT от Google, самое время. Как минимум, она показала сильные результаты на ключевых бенчмарках вроде GLUE и SQuAD.
GLUE измеряет, как модель справляется с набором разных задач понимания текста, а SQuAD — может ли она читать фрагмент текста и вытаскивать из него ответ на вопрос.
📌 Если модель хорошо проходит GLUE, значит, она лучше схватывает смысл текста, связи между фразами и нюансы формулировок
📌 Если модель хорошо проходит SQuAD, значит, она лучше ищет ответ внутри документов, договоров, инструкций, баз знаний, учебных материалов и медиатекстов.
Моя гипотеза: через год-другой Google внедрит эту технологию в браузер. Об этом сигнализирует ещё один нюанс. Расписал ниже.
Если вы не видели модель BERT от Google, самое время. Как минимум, она показала сильные результаты на ключевых бенчмарках вроде GLUE и SQuAD.
GLUE измеряет, как модель справляется с набором разных задач понимания текста, а SQuAD — может ли она читать фрагмент текста и вытаскивать из него ответ на вопрос.
📌 Если модель хорошо проходит GLUE, значит, она лучше схватывает смысл текста, связи между фразами и нюансы формулировок
📌 Если модель хорошо проходит SQuAD, значит, она лучше ищет ответ внутри документов, договоров, инструкций, баз знаний, учебных материалов и медиатекстов.
Моя гипотеза: через год-другой Google внедрит эту технологию в браузер. Об этом сигнализирует ещё один нюанс. Расписал ниже.
😢1
Модель BERT научилась читать с двух сторон. Это как?
Когда модель читает слово в тексте, ей важно понимать не только само слово, но и контекст.
Например, слово bank: что это такое? Банк как организация? Банк как социальный институт? Кредитная кабала из-за банка?
А есть ещё конструкция bank of the river — берег реки. Может, речь об этом?
Раньше многие языковые модели читали текст в одну сторону: либо слева направо, либо справа налево. То есть модель, когда смотрит на слово, опирается только на часть контекста.
Например: I went to the bank to withdraw cash. Если модель читает слева направо, то на слове bank она уже знает только: I went to the ...
Это так себе подсказка. А вот слова withdraw cash, которые идут дальше, как раз нормально уточняют, что речь про финансовый банк.
Теперь другой пример: the fisherman sat on the bank of the river. Опять же: справа дальше идёт of the river, и именно это снимает неоднозначность.
BERT же на этапе обучения смотрит на слово, учитывая и левый, и правый контекст. Для текста это очень мощная штука, потому что в языке смысл слова часто определяется всей фразой целиком.
Когда модель читает слово в тексте, ей важно понимать не только само слово, но и контекст.
Например, слово bank: что это такое? Банк как организация? Банк как социальный институт? Кредитная кабала из-за банка?
А есть ещё конструкция bank of the river — берег реки. Может, речь об этом?
Раньше многие языковые модели читали текст в одну сторону: либо слева направо, либо справа налево. То есть модель, когда смотрит на слово, опирается только на часть контекста.
Например: I went to the bank to withdraw cash. Если модель читает слева направо, то на слове bank она уже знает только: I went to the ...
Это так себе подсказка. А вот слова withdraw cash, которые идут дальше, как раз нормально уточняют, что речь про финансовый банк.
Теперь другой пример: the fisherman sat on the bank of the river. Опять же: справа дальше идёт of the river, и именно это снимает неоднозначность.
BERT же на этапе обучения смотрит на слово, учитывая и левый, и правый контекст. Для текста это очень мощная штука, потому что в языке смысл слова часто определяется всей фразой целиком.
This media is not supported in your browser
VIEW IN TELEGRAM
NVIDIA хочет заменить свои дизайнеров?
Их модель GauGAN научилась превращать грубые наброски и цветовые пятна в фотореалистичные пейзажи.
От таких вещей реально захватывает дух.
Большинство людей воспринимают их примерно так: «ну да, распознают котиков, ну да, что-то там классифицируют». А наше маленькое комьюнити уже видит интерфейс, где человеку не нужно вырисовывать каждую деталь — достаточно задать смысл сцены, а машина сама соберёт визуальный мир.
Лет через 5 научится и логотипы, и баннеры рисовать. Тут же подключится бизнес средней и малой руки, поскольку нанимать своего дизайнера будет дороже, чем запустить GauGAN.
Источник видео: https://blogs.nvidia.com/blog/gaugan-photorealistic-landscapes-nvidia-research
Их модель GauGAN научилась превращать грубые наброски и цветовые пятна в фотореалистичные пейзажи.
От таких вещей реально захватывает дух.
Большинство людей воспринимают их примерно так: «ну да, распознают котиков, ну да, что-то там классифицируют». А наше маленькое комьюнити уже видит интерфейс, где человеку не нужно вырисовывать каждую деталь — достаточно задать смысл сцены, а машина сама соберёт визуальный мир.
Лет через 5 научится и логотипы, и баннеры рисовать. Тут же подключится бизнес средней и малой руки, поскольку нанимать своего дизайнера будет дороже, чем запустить GauGAN.
Источник видео: https://blogs.nvidia.com/blog/gaugan-photorealistic-landscapes-nvidia-research
❗️Берегитесь, бухгалтеры, аналитики, да и все остальные, кто сидит в Экселе с 09:00 до 18:00
На Google Cloud Next 2019, который прошёл 9–11 апреля в Сан-Франциско, Google довольно чётко показала, куда всё это движется: машинное обучение всё активнее упаковывают в нормальные сервисы для разработчиков и компаний.
Сужу по этому отчёту 👉 https://cloud.google.com/blog/products/ai-machine-learning/expanding-google-cloud-ai-to-make-it-easier-for-developers-to-build-and-deploy-ai
Самый показательный пример — AutoML Tables. Идея сильная: у бизнеса тонны табличных данных — продажи, отток, транзакции, скоринг, логистика, CRM, прогнозирование.
Google врывается с двух ног и говорит: «А давайте попробуем сделать так, чтобы модель для таких данных можно было собирать не только силами отдельной ML-команды, но заметно проще и ближе к обычной инженерной практике?».
До сих пор AI для многих выглядел так: есть лаборатории, есть ресёрч, есть какие-то очень умные люди, которые умеют собирать модели, тюнить их неделями и потом показывать красивые графики на конференциях. А здесь нам фактически говорят: ребята, машинное обучение пора переводить в слой обычной прикладной инфраструктуры. Мы в этом поможем.
На Google Cloud Next 2019, который прошёл 9–11 апреля в Сан-Франциско, Google довольно чётко показала, куда всё это движется: машинное обучение всё активнее упаковывают в нормальные сервисы для разработчиков и компаний.
Сужу по этому отчёту 👉 https://cloud.google.com/blog/products/ai-machine-learning/expanding-google-cloud-ai-to-make-it-easier-for-developers-to-build-and-deploy-ai
Самый показательный пример — AutoML Tables. Идея сильная: у бизнеса тонны табличных данных — продажи, отток, транзакции, скоринг, логистика, CRM, прогнозирование.
Google врывается с двух ног и говорит: «А давайте попробуем сделать так, чтобы модель для таких данных можно было собирать не только силами отдельной ML-команды, но заметно проще и ближе к обычной инженерной практике?».
До сих пор AI для многих выглядел так: есть лаборатории, есть ресёрч, есть какие-то очень умные люди, которые умеют собирать модели, тюнить их неделями и потом показывать красивые графики на конференциях. А здесь нам фактически говорят: ребята, машинное обучение пора переводить в слой обычной прикладной инфраструктуры. Мы в этом поможем.
Чем глубже анализирую рынок, тем меньше хочется обсуждать AI как набор красивых демо.
1. Большие игроки всё активнее упаковывают AI в инструменты для разработчиков и компаний. На недавней Build 2019 Microsoft прямо говорила о том, что хочет сделать AI-разработку проще и доступнее для более широкого круга разработчиков, а также отдельно продвигала темы autonomous systems, responsible AI и democratization of AI. Параллельно Azure расширяет набор AI-сервисов, чтобы разработчики и data scientists могли прикручивать такие возможности к обычным продуктам.
2. Та же Microsoft уже создала AI Business School, чтобы AI начинал внедрять на всех уровнях процессов и начинал продаваться не только инженерам, но и менеджерам, администраторам, руководителям отделов.
3. Starbucks уже использует reinforcement learning для персонализированных рекомендаций в своём приложении: система учитывает прошлые заказы, погоду, время дня, локальные предпочтения и ассортимент конкретной точки.
1. Большие игроки всё активнее упаковывают AI в инструменты для разработчиков и компаний. На недавней Build 2019 Microsoft прямо говорила о том, что хочет сделать AI-разработку проще и доступнее для более широкого круга разработчиков, а также отдельно продвигала темы autonomous systems, responsible AI и democratization of AI. Параллельно Azure расширяет набор AI-сервисов, чтобы разработчики и data scientists могли прикручивать такие возможности к обычным продуктам.
2. Та же Microsoft уже создала AI Business School, чтобы AI начинал внедрять на всех уровнях процессов и начинал продаваться не только инженерам, но и менеджерам, администраторам, руководителям отделов.
3. Starbucks уже использует reinforcement learning для персонализированных рекомендаций в своём приложении: система учитывает прошлые заказы, погоду, время дня, локальные предпочтения и ассортимент конкретной точки.
AI for Business
Microsoft Build 2019: Innovations for all developers | AI for Business
Часть 2. Мне кажется, сейчас уже можно довольно уверенно сказать одну вещь:
в ближайшие годы AI будет заходить в бизнес не точечно, а массово.
У бизнеса на это есть очень простой стимул: если система помогает лучше предсказывать, персонализировать, сортировать, искать, рекомендовать, обнаруживать аномалии и экономить время сотрудников — её будут внедрять снова и снова.
Сейчас это уже видно по тому, как рынок себя ведёт. Крупные платформы делают AI ближе к обычной разработке, AI-сервисы выносятся в облако, появляются готовые API и прикладные сценарии, а реальные компании вроде Starbucks показывают, что машинное обучение уже можно встроить в пользовательский продукт, а не только в презентацию для инвесторов.
в ближайшие годы AI будет заходить в бизнес не точечно, а массово.
У бизнеса на это есть очень простой стимул: если система помогает лучше предсказывать, персонализировать, сортировать, искать, рекомендовать, обнаруживать аномалии и экономить время сотрудников — её будут внедрять снова и снова.
Сейчас это уже видно по тому, как рынок себя ведёт. Крупные платформы делают AI ближе к обычной разработке, AI-сервисы выносятся в облако, появляются готовые API и прикладные сценарии, а реальные компании вроде Starbucks показывают, что машинное обучение уже можно встроить в пользовательский продукт, а не только в презентацию для инвесторов.
Выводы. Есть популярная ошибка:
думать, что нейросети — это история только для учёных, математиков и пары людей, которые умеют обучать модели.
На самом деле, если AI действительно превратится в массовый бизнес-инструмент, это автоматически создаст спрос на целый новый слой специалистов.
Нужны будут люди, которые умеют: встраивать модели в продукт, готовить данные, проверять качество, объяснять поведение системы, поддерживать инфраструктуру, смотреть на риски, связывать бизнес-задачу и ML-решение.
Вангую, это перемена будет стремительной. За год-два AI начнут пользоваться даже бабушки. Вы же знаете про закон ускоряющейся отдачи? Чем быстрее технологии развиваются, тем больше новых технологий получает человечество.
Если за 10 лет мы перешли от кнопочных телефонов к iPhone XS, то почему мы не можем перейти от размазни GauGAN к великим полотнам, сгенерированным каким-то новым AI?
думать, что нейросети — это история только для учёных, математиков и пары людей, которые умеют обучать модели.
На самом деле, если AI действительно превратится в массовый бизнес-инструмент, это автоматически создаст спрос на целый новый слой специалистов.
Нужны будут люди, которые умеют: встраивать модели в продукт, готовить данные, проверять качество, объяснять поведение системы, поддерживать инфраструктуру, смотреть на риски, связывать бизнес-задачу и ML-решение.
Вангую, это перемена будет стремительной. За год-два AI начнут пользоваться даже бабушки. Вы же знаете про закон ускоряющейся отдачи? Чем быстрее технологии развиваются, тем больше новых технологий получает человечество.
Если за 10 лет мы перешли от кнопочных телефонов к iPhone XS, то почему мы не можем перейти от размазни GauGAN к великим полотнам, сгенерированным каким-то новым AI?
2485 дней — столько в этом канале не писали про искусственный интеллект
История рода Homo насчитывает около 2,5 миллионов лет.
2485 дней — всего 0.00027%, а столько всего изменилось вокруг.
SpeShu возвращается!
Собираем российских ИИ-специалистов в одном месте.
Получайте самые прибыльные заказы от компаний, крупнейших мировых брендов, корпораций и министерств.
Вступайте в комьюнити одним из первых и получайте высокие чеки за ИИ-услуги: @SpeShuBot
История рода Homo насчитывает около 2,5 миллионов лет.
2485 дней — всего 0.00027%, а столько всего изменилось вокруг.
SpeShu возвращается!
Собираем российских ИИ-специалистов в одном месте.
Получайте самые прибыльные заказы от компаний, крупнейших мировых брендов, корпораций и министерств.
Вступайте в комьюнити одним из первых и получайте высокие чеки за ИИ-услуги: @SpeShuBot
Почему сильные ИИ-специалисты не выходят на дорогие проекты, даже если умеют больше остальных
Мы проанализировали зарубежные исследования на эту тему и делимся выводами 🧠
1️⃣ Дорогие проекты почти всегда проходят через доверие, а не через открытый поиск
Чем выше ставка ошибки, тем меньше заказчик хочет нанимать с улицы.
Исследование NBER по реферальному найму показывает, что рекомендации дают работодателю дополнительную информацию о кандидате, которой нет в резюме.
А в эксперименте American Economic Association найм через открытые платформы вырос на 68%, только когда работодатели увидели больше информации о личности кандидатов.
2️⃣ Заказчик покупает не навык как таковой, а убедительный сигнал о том, что навык у вас есть
На дорогих проектах никто не может быстро и дёшево проверить реальный уровень исполнителя. Поэтому рынок начинает опираться на сигналы: как вы описали себя, как упаковали кейсы, кто вас рекомендовал
В полевом эксперименте NBER на крупном онлайн-рынке труда улучшение качества резюме повысило вероятность найма на 8%.
3️⃣ Открытые рынки усиливают эффект репутации
Когда заказ появляется на платформе или в публичном контуре, там уже работает не только навык, но и рыночная динамика: рейтинг, отзывы, история наймов, внешний маркер надёжности. Это создаёт накопительный эффект.
SpeShu создаёт такую инфраструктуру для рынка ИИ-услуг. Мы показываем крупным заказчикам и работодателям подробные описания исполнителей.
Сделайте такое описание за 5 минут в официальном боте и откройте дверь в большие проекты: @SpeShuBot
Мы проанализировали зарубежные исследования на эту тему и делимся выводами 🧠
Чем выше ставка ошибки, тем меньше заказчик хочет нанимать с улицы.
Исследование NBER по реферальному найму показывает, что рекомендации дают работодателю дополнительную информацию о кандидате, которой нет в резюме.
А в эксперименте American Economic Association найм через открытые платформы вырос на 68%, только когда работодатели увидели больше информации о личности кандидатов.
На дорогих проектах никто не может быстро и дёшево проверить реальный уровень исполнителя. Поэтому рынок начинает опираться на сигналы: как вы описали себя, как упаковали кейсы, кто вас рекомендовал
В полевом эксперименте NBER на крупном онлайн-рынке труда улучшение качества резюме повысило вероятность найма на 8%.
Когда заказ появляется на платформе или в публичном контуре, там уже работает не только навык, но и рыночная динамика: рейтинг, отзывы, история наймов, внешний маркер надёжности. Это создаёт накопительный эффект.
SpeShu создаёт такую инфраструктуру для рынка ИИ-услуг. Мы показываем крупным заказчикам и работодателям подробные описания исполнителей.
Сделайте такое описание за 5 минут в официальном боте и откройте дверь в большие проекты: @SpeShuBot
Please open Telegram to view this post
VIEW IN TELEGRAM
Какие ИИ-специалисты нужны бизнесу в 2026: автоматизаторы, вайбкодеры, ИИ-креаторы?
Если смотреть на рынок трезво, бизнес в 2026 нанимает не модные роли, а людей, которые закрывают конкретные задачи: рост выручки, ускорение процессов, улучшение решений и масштабирование выпуска продукции.
McKinsey пишет: 92% компаний собираются увеличивать инвестиции в ИИ в ближайшие три года, но зрелыми себя считают только 1% компаний. То есть рынок уже тратит деньги, но всё ещё ищет тех, кто способен доводить ИИ до рабочего результата.
🏆 На первом месте — автоматизаторы
Microsoft в своём Work Trend Index тоже фиксирует: 46% собственников говорят, что их организации уже используют агентов для полной автоматизации бизнес-процессов, а 82% хотят внедрить автоматизацию в ближайшие 12–18 месяцев.
🥈Следом — вайбкодеры
Особенно часто их ставят на позиции джунов.
Anthropic фиксирует, что разработка остаётся одной из самых частых областей реального ИИ-использования в компаниях.
🥉 AI-креаторы
Здесь рынок быстро взрослеет. Но ISG показывает не менее важную вещь: по сравнению с 2024 годом спрос сдвигается. В 2026 году бизнесу нужен не просто нейрокреатор, который умеет делать красивые картинки и видео — нужны креаторы, который работает внутри маркетинговой воронки и влияют на измеримые KPI.
В SpeShu найдутся высокочековые заказы не только для этих ребят. Мы обеспечим работой каждого, кто развивается в ИИ. Просто заполните анкету и присоединитесь: @SpeShuBot
Если смотреть на рынок трезво, бизнес в 2026 нанимает не модные роли, а людей, которые закрывают конкретные задачи: рост выручки, ускорение процессов, улучшение решений и масштабирование выпуска продукции.
McKinsey пишет: 92% компаний собираются увеличивать инвестиции в ИИ в ближайшие три года, но зрелыми себя считают только 1% компаний. То есть рынок уже тратит деньги, но всё ещё ищет тех, кто способен доводить ИИ до рабочего результата.
🏆 На первом месте — автоматизаторы
Microsoft в своём Work Trend Index тоже фиксирует: 46% собственников говорят, что их организации уже используют агентов для полной автоматизации бизнес-процессов, а 82% хотят внедрить автоматизацию в ближайшие 12–18 месяцев.
🥈Следом — вайбкодеры
Особенно часто их ставят на позиции джунов.
Anthropic фиксирует, что разработка остаётся одной из самых частых областей реального ИИ-использования в компаниях.
🥉 AI-креаторы
Здесь рынок быстро взрослеет. Но ISG показывает не менее важную вещь: по сравнению с 2024 годом спрос сдвигается. В 2026 году бизнесу нужен не просто нейрокреатор, который умеет делать красивые картинки и видео — нужны креаторы, который работает внутри маркетинговой воронки и влияют на измеримые KPI.
В SpeShu найдутся высокочековые заказы не только для этих ребят. Мы обеспечим работой каждого, кто развивается в ИИ. Просто заполните анкету и присоединитесь: @SpeShuBot
5 нейросетей для автоматизации: стек, который экономит часы
1. ChatGPT — удобная база для классификации заявок, суммаризации встреч, нормализации данных, генерации ответов и промежуточных описаний этапов в сценариях.
2. Claude — когда автоматизация выходит за рамки простого no-code и упирается в код, документацию и многошаговую логику. Anthropic отдельно подчёркивает его работу с большими базами данных.
3. Gemini Enterprise для автоматизации внутри Google Workspace, если процессы работают через Gmail, Drive, Calendar и Docs.
4. Perplexity для сценариев, где нужен свежий внешний контекст. Если автоматизация завязана на новости, рынок, конкурентов, проверку фактов или ресёрч. Perplexity даёт Search API, поэтому хорошо подходит для мониторинга и обогащения данных.
5. n8n / Make / Zapier — слой, без которого автоматизация невозможна. Он объединяет нейросети в полноценный конвейер. Подробнее о нём поговорим в следующих постах.
1. ChatGPT — удобная база для классификации заявок, суммаризации встреч, нормализации данных, генерации ответов и промежуточных описаний этапов в сценариях.
2. Claude — когда автоматизация выходит за рамки простого no-code и упирается в код, документацию и многошаговую логику. Anthropic отдельно подчёркивает его работу с большими базами данных.
3. Gemini Enterprise для автоматизации внутри Google Workspace, если процессы работают через Gmail, Drive, Calendar и Docs.
4. Perplexity для сценариев, где нужен свежий внешний контекст. Если автоматизация завязана на новости, рынок, конкурентов, проверку фактов или ресёрч. Perplexity даёт Search API, поэтому хорошо подходит для мониторинга и обогащения данных.
5. n8n / Make / Zapier — слой, без которого автоматизация невозможна. Он объединяет нейросети в полноценный конвейер. Подробнее о нём поговорим в следующих постах.
⏰ Европейских политиков научат использовать нейросети к концу года. Европарламент создаст специальную платформу генеративного ИИ.
Сколько она будет стоить, Politico умалчивает. Однако известно, что на разработку и внедрение генеративного ИИ в стратегических секторах Европы уже выделено около 700 млн евро.
Сколько она будет стоить, Politico умалчивает. Однако известно, что на разработку и внедрение генеративного ИИ в стратегических секторах Европы уже выделено около 700 млн евро.
❗️Правительство РФ создало подкомиссию по развитию и внедрению технологий ИИ.
Она поможет решать проблемы, возникающие при внедрении нейросетей на разных уровнях власти.
Вероятно, благодаря работе этой подкомиссии в течение 2026 года Правительства областей повторят опыт Сахалина.
Она поможет решать проблемы, возникающие при внедрении нейросетей на разных уровнях власти.
Вероятно, благодаря работе этой подкомиссии в течение 2026 года Правительства областей повторят опыт Сахалина.
Вайбкодеры опустошают запасы токенов ИИ-ассистентов
Ради забавы они генерируют код не в своих чатах, а в чатах ИИ-ассистентов.
Таких ассистентов массово внедрил зарубежный бизнес для консультации клиентов, но не учёл хитрости айтишников 😁
Ради забавы они генерируют код не в своих чатах, а в чатах ИИ-ассистентов.
Таких ассистентов массово внедрил зарубежный бизнес для консультации клиентов, но не учёл хитрости айтишников 😁
Дайджест: ИИ в России
👨⚕️«Иннополис» разработал ИИ-систему для анализа медицинских снимков. Нейросеть находит патологии органов и автоматически формирует их текстовые описания.
🌾 ИИ-беспилотники для фермеров разработал Ставропольский государственный аграрный университет. Эти дроны будут опрыскивать сорняки и уничтожать их.
🩻 Нейросеть обучили выявлять рак молочной железы на ранних стадиях по КТ-снимкам. Обучением ИИ занимались учёные ЛЭТИ и НМИЦ имени В. А. Алмазова.
📕 Научных аудиокниг станет больше. Ученые НГУ разработали сервис, который создаёт аудиоверсии научной литературы без актёров озвучки.
👨⚕️«Иннополис» разработал ИИ-систему для анализа медицинских снимков. Нейросеть находит патологии органов и автоматически формирует их текстовые описания.
🌾 ИИ-беспилотники для фермеров разработал Ставропольский государственный аграрный университет. Эти дроны будут опрыскивать сорняки и уничтожать их.
🩻 Нейросеть обучили выявлять рак молочной железы на ранних стадиях по КТ-снимкам. Обучением ИИ занимались учёные ЛЭТИ и НМИЦ имени В. А. Алмазова.
Please open Telegram to view this post
VIEW IN TELEGRAM