Laravel Copilot Workspace: как я собрал полный цикл разработки вокруг Copilot-агентов
Я собрал Laravel-репозиторий, в котором GitHub Copilot работает не как один «волшебный ИИ», а как команда кастомных агентов: одни оформляют ТЗ и архитектуру, другие пишут и проверяют код, третьи обновляют документацию и собирают релизы. В статье показываю, как устроен этот workspace и как его можно использовать в своих проектах.
Как сжимать языковые модели без дообучения
Привет, Хабр! Меня зовут Валентин Малых, я - и.о. руководителя направления фундаментальных исследований в MWS AI. Сегодня я расскажу об одном нашем исследовании по сжатию LLM. Если простыми словами, то это про то, как сделать большую модель чуть-чуть менее требовательной в плане памяти и времени выполнения. Для это придумано три базовых техники: квантизация (загрубление весов модели), дистилляция (обучение уменьшенной копии) и прунинг (удаление части сети). Этот пост как раз будет про третий способ, точнее – недавно разработанный нами в сотрудничестве с зарубежными коллегами метод структурного прунинга по глубине без дообучения, который мы назвали ReplaceMe. Например, модель LLaMA-2 после нашего сжатия на 25% сохраняет 92,5% качества. Ниже – о том, как это работает.
https://habr.com/ru/companies/ru_mts/articles/972368/
#llm #ии #сжатие #прунинг #перплексия #наука #научные_статьи #научные_расчёты #научные_публикации_по_ии
Искусственный интеллект против DDoS-атак и бот-активностей
В мире цифровых технологий даже самая незначительная деталь может стать определяющей для успеха или неудачи бизнеса. Безупречная и отказоустойчивая работа ИТ-систем — это не только демонстрация стабильности компании, но и условие выживания на рынке. В этой статье мы расскажем, как разрабатывать и развертывать системы защиты от DDoS-атак и бот-активностей с применением ИИ-инструментов.
https://habr.com/ru/companies/ussc/articles/972282/
#ии #защита_от_ddos #ddos #ddosзащита #боты #искусственный_интеллект #фильтрация_трафика
ИИ, помогай: как я сделал настолку для бизнес-игры с помощью LLM-ки (внутри подробные промпты)
Любите настолки? И я люблю. Не только играть в них, но и разрабатывать. Правда, процесс это настолько длительный и непростой, что в основном мои амбициозные идеи умирали на бумаге. Пока на помощь не пришел генеративный ИИ. Меня зовут Андрей Шумаков, я scrum-мастер, а также куратор по розничному бизнесу в центре развития гибких практик разработки и внедрения продуктового подхода в ПСБ. Мой интерес к настолкам в том числе рабочий: я создаю бизнес-игры. В этой статье расскажу, как создал бизнес-игру с помощью искусственного интеллекта. Scrum-мастера, берите на заметку! Под катом объясню в деталях, как составить хороший промпт и какие именно задачи поручить ИИшке, чтобы она не галлюцинировала излишне, не путалась в контексте и выдавала результат, который потом можно итерировать своими руками. Поехали!
https://habr.com/ru/companies/psb/articles/971996/
#ии #ииагенты #бизнесигры #бизнесигра #agile #scrum #scrumмастер #ai #искусственный_интеллект #управление_командой
Российские LLM в 2025: обзор GigaChat и Alice AI, их место на мировой арене
В 2025 году рынок моделей продолжает стремительно развиваться. Достаточно вспомнить недавний выход новой модели от Microsoft или обновление Nano Banana. Российские разработки также не стоят на месте. В сегодняшней статье мы поговорим о GigaChat и Alice AI, разберем их место на мировом рынке и, конечно, сравним в нескольких тестах. Устраивайтесь поудобнее, я начинаю.
https://habr.com/ru/companies/bothub/articles/972292/
#gigachat #AliceAI #ии #нейросеть #ai #ассистент #gpt #deepseek #qwen
Считаем денежки в ИИ, ML и LLM-проектах до копеечки
Пока бедолаги из NANDA жалуются, что 95% их ИИ-проектов не выгорают, мы, как взрослые люди, считаем финансовый эффект от ИИ, ML и LLM в банке без магии — с калькулятором. Меня зовут Михаил Войтко, я работаю в Альфа Банке руководителем по внедрению решений продвинутой аналитики в Дирекции ботов и виртуальных ассистентов. И я не люблю, когда на вопрос «Ну как там с деньгами в вашем ИИ-проекте?» говорят: «Мы улучшим пользовательский опыт, а там как пойдёт». Не-не-не. Утром деньги, а вечером проекты.
Как я внедрил агента в бекенд-прод для решения рутинных задач
TL;DR Мы собрали рабочего ИИ-агента-разработчика, который сам анализирует задачи в Jira, уточняет детали, пишет код, запускает сборку, фиксит ошибки, создаёт MR в GitLab и отправляет его человеку на ревью. Он работает параллельно на нескольких задачах, благодаря чему суммарное время выполнения пачки задач падает почти втрое. Команда избавилась от рутины, а скорость разработки выросла без расширения штата. Использовали: Ollama + Qwen3 Coder, PostgreSQL, Docker, GitLab/Jira API, систему строгих JSON-действий. Столкнулись с контекстом, "галлюцинациями", GPU и самовольными правками кода - всё решаемо архитектурой. ИИ не заменяет разработчиков, он снимает тупую монотонную работу и экономит деньги.
https://habr.com/ru/articles/971454/
#агент #бекенд #разработка #api #ии #jira #postgresql #docker
Данные против модели: почему больше — не всегда значит лучше в задаче Face Antispoofing
Привет, Хабр! Мы – Вадим Чернышев и Михаил Никитин из команды Tevian. Сегодня, в рамках задачи Face Antispoofing, мы разберем, как один “хороший и легкий”, но бездумно добавленный домен может убить обобщающую способность вашей нейросети, и что с этим можно сделать.
https://habr.com/ru/companies/tevian/articles/972064/
#liveness_detection #computer_vision #обучение_нейросетей #ии #иимодель
[Перевод] Мы — последнее поколение умных? И может ли ИИ заменить целые профессии?
Позвольте, я начну с чистосердечного признания, которым не особо горжусь. Пару дней назад я поймала себя на том, что «гуглю в ChatGPT» до смешного простой вопрос. Я абсолютно точно знала на него ответ, но набрать запрос в чате показалось быстрее, надежнее и как-то… правильнее. В тот момент, когда я нажала Enter, в животе заворочался тот самый ледяной ком тревоги. Дело было не в дурацком вопросе. Но сама мысль, что я перепроверяю себя у всезнающего «бога» из кремния, вызывала дискомфорт. Тревога была вызвана другим, куда более серьезным осознанием: я поймала себя на том, что больше не доверяю собственному мозгу. Даже когда знаю ответ. Не было никакой драмы. Никакого экзистенциального срыва. Лишь тихое, неприятное открытие: я перестала думать за себя… и даже не заметила, как это случилось.
https://habr.com/ru/companies/bothub/articles/971890/
#ии #нейросети #машинное+обучение #ai #память
Принципы ответственной ИИ-ассистированной разработки ПО
Данный документ описывает систему взглядов и практических правил для интеграции ИИ-ассистентов в процесс разработки программного обеспечения. Цель — не запретить использование ИИ, а превратить его в управляемый инструмент, который повышает эффективность, не компрометируя качество, безопасность и ответственность инженера.
https://habr.com/ru/articles/971868/
#ии #ии_помощник #программирование #программирование_для_начинающих #ииассистент
Matrix: распределенный мультиагентный фреймворк для генерации синтетических данных
Не секрет, что ИИ-агентов часто используют для генерации синтетических данных. Но когда агентам дают одновременно более двух тысяч заданий, агенты сталкиваются с пределом производительности. Почему это происходит? Новое исследование предполагает парадоксальный ответ. Проблема не в вычислениях и не в размере моделей. Фактический потолок производительности определяется архитектурой — в частности, централизованным диспетчером, который координирует работу агентов. Как только мы убираем этот диспетчер, узкое место исчезает. И это довольно неожиданно, что запредельную масштабируемость агентных систем можно получить с помощью одного простого изменения. Давайте поговорим о том, как замена централизованной архитектуры на одноранговую сеть агентов снимает ограничение масштабируемости и почему это важно.
[Перевод] От чат-ботов до клонов: странная эволюция автономии ИИ
Я помню тот самый момент в «Матрице: Перезагрузка», когда Агент Смит, уже не связанный правилами системы, смотрит на Нео и говорит: «Я, я… и я тоже!» И внезапно их становится сотня . Вся площадь заполнена одинаковыми агентами в одинаковых костюмах, все движутся с одинаковой точностью, и у всех на лице та же самая тревожная улыбка. Я тогда училась в аспирантуре, и эта сцена меня до смерти напугала. Да, я наслаждалась кунг-фу и спецэффектами, которые до сих пор выглядят потрясающе. Но сама идея машины, кода, способного к самокопированию - к чему-то, что он решает сам, - не давала и до сих пор не даёт мне покоя.
https://habr.com/ru/companies/bothub/articles/971714/
#ии #нейросети #машинное+обучение #научнопопулярное #ai #google #claude #openai
Я часто пишу, что человек сегодня - прежде всего месторождение данных для ИИ. Проблема в том, что создание таких месторождений дорогое: инфраструктура, интеграция систем, годы поддержки. Частный бизнес в числе прочих проблем получает за такое иски - в них сидят сегодня все западные "мэйджоры". Но если спроектировать месторождение за государственный счёт, все сходится. Бюджет оплачивает инфраструктуру и обеспечивает "прикрытие" сбора государственным интересом и регуляторной обвязкой. В Штатах проект Genesis ровно про это, но есть и у нас аналоги.
Фабула
Постановление Правительства №822 от 31 мая 2025 года создаёт федеральный регистр "лиц с отдельными заболеваниями". Фактически - описание датасета, оформленное как нормативный акт. Оператор — Минздрав. Поставщики — медорганизации, аптеки, ОМС, система маркировки лекарств. Пользователи – все, включая МВД. Пациент в перечне участников отсутствует: он не участник, он - сырьё.
Ключевое: "Исключение записей из регистра не предусмотрено". Накапливается лонгитюд: человек — запись навсегда, к которой добавляются диагнозы, назначения, госпитализации, исходы. Интеграция с маркировкой лекарств даёт связку "пациент — диагноз — препарат— исход". Идеальная структура для машинного обучения в промышленных масштабах собранная за госсчёт.
1⃣ Беременность навсегда
В перечень "заболеваний" включены коды O00-O99 — беременность, роды, послеродовый период. Это состояние, не болезнь. Но для авторов регистра разницы нет. Данные беременной – такой же актив, значит, она должна быть посчитана наравне с диабетиком и онкобольным. Записи не удаляются. Женщина, родившая в 2027-м, в 2050-м по-прежнему числится "лицом с отдельным заболеванием". Документ написан теми, кто проектирует потоки данных, а не теми, кто понимает, что эти данные означают.
2⃣ Психиатрия
Коды F01, F03-F99 — практически весь психиатрический раздел МКБ. Человек с паническими атаками на фоне развода получает запись в регистре. Пожизненно. Через двадцать лет, когда он давно здоров, система всё ещё знает его как «лицо с отдельным заболеванием». МВД — в списке пользователей. База всех когда-либо обращавшихся к психиатру с привязкой к СНИЛС - тоже актив. Вопрос лишь в том, кто и когда решит его использовать особенно в условиях когда данные являются объектом купли-продажи и на черном рынке.
3⃣ Асимметрия
Регистр охватывает миллионы: онкология, диабет, ИБС, рожавшие, обращавшиеся к психиатру. Та же система годами не может создать регистр орфанного заболевания с сотней пациентов. Разница понятна. Орфанный регистр — обязательства: каждый пациент — право на терапию за миллионы рублей в год. Система сопротивляется. Регистр "лиц с отдельными заболеваниями" - месторождение.
4⃣ Бенефициары
Официальная цель - планирование ресурсов. Реальные бенефициары: ИИ-разработчики получают размеченный датасет для "ассистентов врача". Фарма - т.н. real-world evidence – данные об эффективности в клинической практике. Страховые - предиктивную аналитику для оптимизации тарифов. IT-интеграторы - многолетние контракты на обслуживание. Фармацевтические организации, кстати, уже в перечне пользователей с некоего априорного "согласия пациента". Классический регуляторный захват: регулятор действует в интересах отрасли. Здесь происходит кое-что новое: регулятор сам строит актив для отрасли. Все в плюсе, пациент же получает запись, которая не удаляется.
5⃣ Сроки
Срок действия - шесть лет. Не эксперимент, не осторожность регулятора, а расчёт времени для накопления коммерчески значимого объёма данных. Датасет с таким лонгитюдом позволяет отследить прогрессирование диабета от диагноза до осложнений, исходы инфарктов, эффективность противоопухолевой терапии. К 2032 году — миллионы строк записей с полной историей.
Впрочем, у системы есть и преимущества: если вы когда-то были беременны - Минздрав об этом не забудет. Даже когда вашему ребёнку исполнится тридцать.
[Перевод] Как рассуждают большие языковые модели
Транскрибация доклада Ивана Оселедця: "Большие языковые модели в эпоху ризонинга" В самом деле эпоха ризонинга, она так вот началась в Раде. Сейчас, конечно, есть такое четкое ощущение, что она немножко уже заканчивается. Сроки развития в искусственном интеллекте, они очень короткие. И эпохи у нас длятся, получается, пару месяцев. И мы уходим уже в подходы, которые связаны, например, уже с эволюцией агентов, подходы, которые предложены первой Вальфой Волве. Вот вчера буквально статья вышла. И, тем не менее, история, которую я хотел бы рассказать сегодня, про рассуждение и как они в этих моделях появились и что нам с этим делать. А нам, мне кажется, для меня она была довольно поучительная. То есть многие вещи, которые я буду сейчас говорить, они вроде бы все и так знают. Например, там определение искусственного интеллекта, любое интервью даёшь, и все задают вопрос, что это такое. Мне кажется, сейчас это уже обсуждать бессмысленно. Это всем более-менее понятно. Чуть менее тривиальная мысль, что всё-таки мы моделируем поведение окружающего мира. И когда я буду говорить про ризолвинг, про цепочке рассуждения, я к этому вернусь. Мы должны моделировать мир вокруг нас.
[Перевод] LLM: обучение и использование
Миникурс будет посвящен большим языковым моделям, чтобы вы узнали о том, как они на самом деле устроены, чтобы лучше понимать, как в дальнейшем их использовать для ваших нужд. Соответственно, первая лекция будет посвящена в основном видению и основам архитектуры трансформера. Ну, ни для кого не секреты, поэтому столько людей здесь собралось, что большие языковые модели становятся все более популярны в мире, и проявляется это не только в том, что мы с вами вот их используем, слышали об этом, даже мой стоматолог слышал что-то про GPT. Ну и в том, что большие техногиганты, такие как Мета, Майкрософт и другие компании закупают сотнями тысяч видеокарт для двух целей. Это для обучения таких моделей, но и на самом деле не менее важная цель просто для того, чтобы использовать их, то есть так называемые инференс-модели. И для этих целей тоже огромное количество видеокарт закупается и требуется. При этом в последнее время уже возникают в США нехватки электричества для цодов, для llm, и там они уже пытаются договариваться на какие-то электростанции, чтобы это все дело поддерживать. И, соответственно, рост стоимости компаний, хотя здесь, конечно, это такое, рост стоимости по оценке инвесторов и Market Cap это разные вещи, но все равно, по информации годичной давности, получается, OpenAI оценивалась инвесторами в 157 миллиардов долларов. Это так же много, как и Market Cap у Siemens, который производит все на свете, он производит турбины, не знаю, чего он только не производит. Она существует уже долгие годы и производит конкретные материальные ценности. И вот какая-то компания, которая производит по сути диджитал ценности, она уже по оценке инвесторов дошла вот до этой суммы. Что поразительно. Но более поразительно, конечно, это то, кто больше всех денег на самом деле получил с этой всей историей с большими языковыми моделями - Это NVIDIA.
https://habr.com/ru/articles/971572/
#ии #искусственный_интеллект #нейронные_сети #обучение #лекция
[Перевод] Google и Microsoft на мели. Вся правда о долге на $100 миллиардов, который от нас скрывают
Вся история с генеративным ИИ держалась на одном главном мифе - теории о том, что «взрослые всё контролируют». Это была та самая подушка безопасности, которая в умах людей отделяла нынешнее безумие от катастрофического краха доткомов. Нам внушали, что на этот раз всё иначе, ведь у руля стоят не какие-то хлипкие стартапы, сжигающие венчурный капитал на доставку кошачьего корма. Нет, это Nvidia, Google, Microsoft, *Meta и Amazon. А те немногие лидеры, что всё-таки являются стартапами, вроде OpenAI и Anthropic , надёжно прикрыты сделками с технологическими гигантами.
https://habr.com/ru/companies/bothub/articles/971566/
#ии #нейросети #машинное+обучение #meta #big_tech #oracle #openai #google
Собес — это несмешной цирк
Говорят, на собеседованиях стали просить закрывать глаза при ответах на сложные вопросы, чтобы исключить подсказки ИИ. Сразу вспоминается случай из шахматного мира, где Ханс Ниман обыграл Магнуса Карлсена, и его обвинили в том, что он читер, и для подсказок использовал анальный вибратор на радиоуправлении, так как явных признаков чита не нашли. Думаю, что на алгоритмической секции прогерского собеса тоже можно так читить. Так что надо еще просить не только закрывать глаза, но и показать ж, чего уж мелочиться.
Решаем задачи ML эффективнее: платформа, которая экономит ресурсы, время и нервы
Привет! Я Олег Бугримов, руковожу командой разработки ML-платформы в Авито . В статье расскажу, почему мы решили делать ML-платформу и какие инструменты у нас уже есть. Материал будет полезен ML-инженерам и техлидам, которые хотят сократить время на рутину, обеспечить команду единым набором инструментов, а также повысить качество и скорость разработки ML‑решений.
https://habr.com/ru/companies/avito/articles/970668/
#ml #machinelearning #avito #avitotech #авито #ai #ии #mlплатформа
Claude Code: AI переезжает в терминал. Архитектура, кейсы и почему это (возможно) убийца IDE-плагинов
Давайте честно: мы все уже привыкли к AI-ассистентам. GitHub Copilot, Cursor, JetBrains AI — они плотно прописались в наших редакторах. Но положа руку на сердце, работают они по принципу «очень умного Т9». Ты пишешь начало функции — он дописывает тело. Ты выделяешь кусок кода — он предлагает рефакторинг. Это удобно, но это все еще микро-менеджмент. Вы по-прежнему «водитель», а AI — просто навигатор. И тут Anthropic выкатывает Claude Code . Сначала я подумал: «Окей, еще одна обертка над API, теперь в консоли». Но когда начал копать глубже, понял, что концепция поменялась. Это не плагин. Это CLI-утилита, которая живет в вашем терминале и ведет себя как автономный агент . Разница примерно как между «помоги мне написать SQL-запрос» и «пойди в базу, посмотри схему и вытащи мне тех пользователей, которые не платили 3 месяца». Мне стало интересно, как это чудо не разоряет разработчиков на токенах, сканируя весь проект. Я потратил время, чтобы разобрать архитектуру, и хочу показать вам «подкапотку». Разберем сухую инженерию:
