Microsoft представил People Skills в Copilot. Это встроенный ИИ-модуль, который автоматически собирает и анализирует данные о навыках сотрудников прямо из экосистемы компании

⚫️Под капотом стоит Graph — единый API от Microsoft, который в реальном времени агрегирует все сервисы: письма, документы, календари, чаты. На базе этих данных работают продвинутые NLP-модели и машинное обучение, которые выделяют ключевые компетенции без всякого ручного ввода.

⚫️Таксономия навыков построена на LinkedIn Skills Graph — это огромная база с миллионами профессиональных умений. При этом можно подключать и свои корпоративные структуры, что очень удобно для кастомизации под конкретные задачи.

⚫️Результат — живой и постоянно обновляемый профиль навыков каждого сотрудника, доступный через Copilot Chat, Teams и Viva. Это реально помогает быстро находить экспертов, строить команды и планировать развитие без лишних систем и интеграций.

⚫️Внутри, естественно, есть механизмы контроля приватности и валидации, чтобы данные не превращались в хаос и не вызывали недоверия у сотрудников.

В целом, посмотреть, как Microsoft внедряет ИИ в оценку сотрудников и управление компетенциями на уровне данных — интересно.

Cosmos-Reason1-7B — новая мультимодальная языковая модель от NVIDIA для физического ИИ, которая умеет воспринимать и рассуждать о физическом мире на основе видео и текста.

Она обучена на миллионах пар видео-текста с использованием тонкой настройки и обучения с подкреплением, опирается на двойную онтологию для логичного прогнозирования действий. Область применения: физический искусственный интеллект. Модель отлично подходит для задач в робототехнике и автономных системах, например:

⚫️обучение и управление роботами-манипуляторами (моделирование захвата и перемещения объектов);
⚫️моделирование и тестирование систем автономного вождения в сложных условиях;
⚫️создание цифровых двойников для оптимизации промышленных процессов.

Репозиторий на Гитхабе, на Hugging Face

Учимся: 9 бесплатных курсов от HuggingFace по LLM и агентам

⚫️ИИ-агенты — по созданию многошаговых агентов с LangChain и HuggingFace.
⚫️Deep Learning с подкреплением (RL) — по обучению агентов принимать решения в сложных средах.
⚫️Развёртывание LLM — по настройке и запуску больших языковых моделей с помощью Transformers.
⚫️Компьютерное зрение — по распознаванию лиц, анализу медицинских снимков и не только.
⚫️Работа с аудио — по распознаванию речи, синтезу и обработке звука.
⚫️ML для игр — по созданию умных NPC и генерации контента.
⚫️ML для 3D — по обработке 3D-данных и интеграции ML в графику.
⚫️Дифузионные модели — по созданию своих DALL-E и Stable Diffusion.
⚫️Open-Source Cookbook — подборка практических рецептов и кода от разрабов HuggingFace.

Сохраняйте в избранное и пересылайте коллегам📝

А еще я собрала все подборки курсов и обучалки под одним #учимся — там полезно, идите посмотрите)

Учимся: 3 курса по ML от Школы аналитики данных Яндекса

Недавно слушала подкаст про обучение айтишников в вузах и на курсах образовательных платформ. Главная мысль: выпускникам вузов не хватает практики, а выпускникам курсов — системного мышления и базовых знаний, например, математики. Курсы по матану я не искала, но нашла такие, где без теории не обойтись. Так что, возможно, придется погуглить и освежить знания)

1️⃣Курс по ML для обработки естественного языка в ШАД и дополнение к нему.

2️⃣ Онлайн-учебник по ML от ШАД
⚫️Что нужно: уверенное владение линейной алгеброй, матаном и теорией вероятностей будет большим плюсом. Знания статистики и методов выпуклой оптимизации сделают чтение комфортнее.

⚫️Что включено: от классических алгоритмов (линейные модели, деревья, градиентный бустинг) до современных нейросетей (трансформеры, диффузионные модели) и сложных разделов вроде байесовских методов, обучения с подкреплением и теоретических основ ML. Есть практика и лабораторные — решение ML-задач в DataSphere.

3️⃣ Курс лекций профессора Воронцова по машинному обучению (курс читают студентам МГУ, МФТИ и ШАД). Здесь снова упор делается на глубокое понимание математических основ и взаимосвязей.

Кому: если у вас в штате джун после курсов занимается ИИ — ему подойдет. Да и всем остальным ML — освежить знания. #учимся

Как считаете, для задач генеративного проектирования понимание основ — критично?

👍 — да, 👎 — нет

Как ПИК использует нейросети в архитектуре: от эскизов до 3D-моделей и планировок — презентация PIK Digital

Артур Ишмаев, руководитель направления отдела исследований и разработок в области ИИ компании, выделил пять ключевых направлений работы и рассказал, что команда ведет все эксперименты на собственной платформе R2.

Эскизирование
Команда использует Stable Diffusion для AI-рендеринга: превращает ракурсные виды в эскизы, экспериментирует с переносом стилей и дообучением моделей. Результаты впечатляют заказчика на презентациях, но задача — с помощью ИИ перейти от красивой картинки к реальному проекту: от 2D к 3D и BIM. Это позволит решать задачи бизнеса.

Генерация массинга
Используются open source-модели, которые дообучают на собственных данных. Особое внимание уделяется моделям, способным работать не только с абстрактными текстовыми описаниями, но и с конкретными параметрами ТЗ — например, процентным соотношением функциональных зон, что позволяет получать объемные концепции с атрибутикой, приближенные к BIM-моделям.

Генерация планировочных решений
Исследуют подходы, где нейросети учитывают не только граф связности помещений, но и внешний контур, колонны, пилоны. Цель — автоматизировать создание типовых этажей и квартир, сохраняя гибкость для ручных правок.

Универсальный ассистент
Команда создала и обучает свою LLM — ПИК-чат. Инструмент интерпретирует текстовые запросы и возвращает структурированные данные для 3D-моделей. Например, можно скорректировать массив через диалог, без ручного вмешательства.

Аналитика
Нейросети могут автоматизировать расчёты и проверки, от инсоляции до себестоимости, чтобы ускорять принятие решений.

Что дальше?
⚫️В России предобучение LLM-модели с нуля может позволить себе только условный Сбер — это стоит миллиарды рублей. Поэтому ИИ-лаборатория ПИКа продолжит адаптировать open source-модели под нужды бизнеса — сейчас в работе 6 исследовательских треков.
⚫️Также на повестке — пополнить штат сотрудником, который станет связующим звеном между разработкой и бизнесом.

Подробнее — в прикрепленной презентации

3 популярные GAN-модели для генеративного проектирования

Про GAN-сети я писала тут, а сегодня принесла три варианта

Pix2Pix GAN
⚫️ Функционал: преобразование изображений — например, из эскизов в реалистичные планы, из контуров в фасады зданий, функциональное зонирование.

Генератор построен на U-Net, дискриминатор — PatchGAN, что улучшает качество локальных деталей.

⚫️Пример использования: нейросеть ArchiGAN делит проектирование плана этажа на этапы, используя Pix2Pix для генерации каждого из них.

StyleGAN / StyleGAN2
⚫️ Функционал: генерация высококачественных фасадов зданий, смешивание архитектурных стилей, создание новых архитектурных образов.
⚫️Пример использования: проект GAN Loci для генерации фасадов исторической застройки, создание новых стилей городской среды.

3D-GAN
⚫️ Функционал: генерация трёхмерных моделей зданий и кварталов на основе 3D-данных или графов связности помещений.

⚫️Пример использования: Building GAN, который на вход получает поэтажные графы связности зон и генерирует примитивную 3D-модель для BIM.