Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
4407
материалов
01
Юридический граф знаний из австралийских решений: от 1000 PDF-файлов до работающего AI
Пошаговый гайд по созданию графа знаний из австралийских судебных решений: извлечение цитат, нормализация, эмбеддинги и визуализация с помощью Kanon 2 Enricher.
02
Как генерировать синтетические данные для Hinglish (хинди-английский): разбор проблем и решений
Практический гайд по генерации качественных синтетических данных для хинглиша. Разбираем ошибки GaussianCopula, метрики качества и архитектуру пайплайна.
03
Почему промпты не создают роль: как работает краткосрочный поведенческий профиль LLM
Научное объяснение, почему LLM не держат роль в длинных диалогах. Иллюзия личности, краткосрочный профиль и практические решения.
04
Claude Code для инженеров: Автоматизация IoT-проектов на примере промышленного освещения
Практический кейс автоматизации IoT-проектов с Claude Code 2.1: от анализа данных до прошивки оборудования. Готовые скрипты и промпты для инженеров.
05
Evals as Code: как monday.com внедрила оценку AI-агентов в CI/CD с первого дня и ускорила фидбэк в 8.7 раз
Как monday.com ускорила фидбэк по AI-агентам в 8.7 раза через evals-driven development на LangSmith. Полное руководство по интеграции в CI/CD.
06
CUDA с нуля: пишем ядро для сложения векторов как первый шаг к пониманию Transformer
Пишем первое CUDA ядро для сложения векторов на C++. Разбираем архитектуру GPU, память CUDA и готовимся к написанию Transformer с нуля.
07
Как настроить полностью локальный AI-агент для программирования: Qwen Code + Qwen3-Coder без телеметрии
Полная настройка локального кодирующего агента на Qwen3-Coder-Instruct-32B через LM Studio. CLI инструмент без интернета и слежки. Работает офлайн.
08
Обзор топ-6 бесплатных AI-сервисов для генерации 3D-моделей: тест на ностальгических героях
Практический тест-драйв 6 бесплатных AI-сервисов для генерации 3D-моделей в 2026 году. Сравнение качества, ограничений и реальной применимости на примере ностал
09
Архитектура фреймворка для постобучения LLM в Netflix: как масштабировать fine-tuning на кластерах GPU
Глубокий разбор архитектуры фреймворка Netflix для постобучения LLM. Конвейеры данных, оркестрация задач, масштабирование на сотни GPU. Практические инсайты на
10
RL без TD-обучения: когда классический подход ломается о реальность
Почему TD-обучение не работает для реальных роботов и как новый подход решает проблемы масштабируемости, bias-variance tradeoff и off-policy обучения.
11
ChatGPT против человека: научное сравнение качества перевода и когда ИИ выигрывает
Анализ исследования IEEE: где ChatGPT переводит лучше человека, а где проигрывает. Конкретные метрики качества перевода и когда использовать ИИ.
12
Как выбрать архитектуру мульти-агента: сравнение подходов LangChain и практические примеры
Полное руководство по выбору архитектуры мульти-агентов в 2026 году. Сравнение подходов LangChain, практические примеры и критерии выбора между single-agent и m