✨ Чтобы внедрять ИИ, нужна инфраструктура. Команда Yandex Infrastructure провела конференцию infra.conf и рассказала, как перестраивает физическую и ML-инфраструктуру компании. Это поможет быстрее внедрять ИИ в сервисы компании. Ниже — самые важные анонсы с конференции.

〰️ Dev Cluster — новый подход к распределению GPU
ML-инженеры в работе используют большое количество GPU. С Dev Cluster ML-разработчик за пару кликов получит нужные GPU-ресурсы без забот об инфраструктуре. Это внутреннее решение Яндекса помогает быстрее проводить эксперименты и разрабатывать ML-модели.

〰️ Кампус дата-центров
Новый подход, чтобы работать с растущими нагрузками из-за внедрения ИИ. Кампус — несколько независимых дата-центров в одном месте и с общей инфраструктурой. Они эффективнее используют ресурсы, снижают издержки и дают в три раза больше мощности. В России пока нет дата-центров с такими показателями.

〰️ Жидкостное охлаждение в дата-центрах
Эффективнее отводит тепло и снижает энергопотребление. В Яндексе разработали стойки, которые добавляют жидкостное охлаждение, но не требуют масштабной перестройки всего дата-центра. Решение поможет дата-центрам адаптироваться к растущим нагрузкам, связанным с развитием ИИ.

Подписывайтесь 🟣 @yandex_infrastructure

🛴 «Оборудование для краш-тестов — это я!» Побывали на производстве Rnd-команды Городских сервисов, которая создаёт железные продукты для сервисов Яндекса, и задали несколько вопросов её руководителю Владу Фетисову — про тестирование, любимые инструменты и проекты мечты.

👀 Это «1х1» — новый формат, в котором яндексоиды проводят с вами личную встречу на работе. Смотрите здесь, на YouTube и в VK Видео.

👉 Найдите свою работу в Яндексе

Подписывайтесь 🌟 @yandex

🗯 Что включить для прополки грядок? Моя волна научилась подбирать треки под настроение, конкретное занятие или эмоцию — нужно лишь составить текстовый запрос. А дальше в дело вступает люмен.

Люмен — это персональный ИИ-компаньон. Внутри у него сразу две ИИ-модели, и именно они выбирают нужное из миллионов треков.

Рекомендательная модель анализирует характеристики треков: метаданные, плейлисты, в которые его добавляли, теги из открытых источников. Кроме того, ИИ извлекает из композиции базовые параметры — темп, энергичность, тональность, музыкальные инструменты. На основе этого для каждого трека создаётся эмбеддинг — векторное представление данных для сравнения с другой музыкой.

Языковая модель анализирует текстовый запрос пользователя. Недавно в Моей волне появились гиперконтекстные рекомендации, которые учитывают окружающую обстановку (например, время суток или локацию). Эти данные, в том числе, помогли «объяснить» языковой модели, как люди слушают музыку в разных ситуациях. Модель подбирает музыку с характеристиками, подходящими под запрос, создаёт из них тот же эмбеддинг, чтобы сравнить с массивом треков, найти нужные и превратить в Мою волну.

Один и тот же запрос для разных людей означает разное: под «грустной музыкой для пасмурной погоды» кто-то подразумевает тяжелый рок, а кто-то — спокойный джаз. Поэтому люмен постоянно дообучается при взаимодействии с пользователем, чтобы выдавать более точные рекомендации.

Подписывайтесь 👉 @techno_yandex