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 компании внедряют агентный ИИ — MIT Technology Review, май-июнь 2025

В свежем номере журнала MIT много интересных статей — от ИИ-агентов до спасения человечества от астероидов с помощью ядерных взрывов, еще рассуждают о том, может ли ИИ творить и как строить города из лавы. Почитайте, а ниже — выжимка про ИИ-агентов.

Как внедрить ИИ-агента в бизнес

Проблема. Всё начинается с вопроса — какую задачу бизнеса надо решить? Обычно ищут, где можно автоматизировать рутину, ускорить сложные процессы или просто разгрузить команду. Например, чтобы заявки обрабатывались сами, или чтобы цепочка задач между отделами шла без постоянного вмешательства человека.

Про TACO Framework —классификация агентов от KPMG
⚫️Taskers, исполнители задач — самые простые, они просто делают рутину — например, заполняют формы.
⚫️Automators, автоматизаторы процессов — автоматизируют целые процессы, связывают задачи между собой.
⚫️Collaborators — это уже почти коллеги, которые работают вместе с людьми, подстраиваются под обратную связь и помогают решать нестандартные задачи.
⚫️Orchestrators — координируют работу других агентов и людей, оптимизируют ресурсы и управляют большими процессами и системами.

Способ. Дальше решают, как внедрять:
⚫️делать своего агента с нуля (это долго и дорого, но под себя);
⚫️купить готового (быстро, но не всегда гибко);
⚫️найти вендора и сделать под себя.

Пилот. Берут одну-две задачи и пробуют внедрить туда агента. Смотрят, что получилось: стало ли быстрее, меньше ли ошибок, довольны ли сотрудники. Если всё ок — начинают расширять, подключать новые процессы и команды.

Безопасность и этика — очень важно не забывать про них и шифровать данные, контролировать доступ, проверять, чтобы агент не был предвзят и не ошибался. И обязательно — обучать команду, чтобы люди понимали, как с этим работать, и не боялись новых технологий.

В итоге, если всё сделать грамотно, компании реально получают прирост производительности (по данным KPMG — до +18%) и экономят на рутине. Главное — идти шаг за шагом, не пытаться автоматизировать всё сразу и не забывать про людей.

Подробнее — в прикрепленном выпуске журнала

Исследование MIT — фейк: престижный институт отзывает статью своего аспиранта о влиянии ИИ на научные открытия, которую процитировали более 50 раз, в том числе нобелевский лауреат  

В исследовании «Искусственный интеллект, научные открытия и инновационные продукты», опубликованном на arXiv утверждалось, что использование ИИ в научных исследованиях приводит к впечатляющим результатам:

«Используя внедрение новой технологии открытия материалов для 1018 ученых в научно-исследовательской лаборатории крупной американской компании, исследователи с помощью ИИ открывают на 44% больше материалов, что приводит к увеличению числа патентных заявок на 39% и увеличению числа инноваций в области продуктов на 17%»

Эти цифры стали еще убедительнее при поддержке авторитетных экономистов, включая нобелевского лауреата по экономике 2024 года Дарона Асемоглу. И вот теперь Массачусетский технологический официально открестился от статьи и ее удалили. Представители вуза заявили, что не могут подтвердить достоверность представленных данных и само проведение исследования.

Почему это важно?  
Мы привыкли доверять авторитетам, но выходит, даже топовые институты могут пропускать сомнительные работы. Между тем, на этом исследовании уже зарабатывали: стартапы использовали его в питчах перед инвесторами и получили финансирование.  Так что после этого случая любое исследование про «прорыв благодаря ИИ» будут проверять в 10 раз строже.  

Что делать?  
⚫️Требовать открытых данных и кода (если исследование нельзя повторить — это не наука).  
⚫️Не верить «авторитетам» на слово (даже если это MIT и Нобелевка).

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.

Кода не будет! Кода нет!

Карнавалом Разработкой в будущем будет управлять ИИ — не писать код, а промтами просто доставать приложения из глубин своих алгоритмов:

«Написание кода больше не будет иметь смысла. ПО будет просто промтами и будет "вести себя как код". Весь софт будет нейронным. Например, каждый пиксель будет сгенерирован, а не отрисован», — считает Стефан Балабан, CEO Lambda AI (облачный сервис для GPU и деплоя ML-моделей).

Смотрим в будущее
⚫️Кодить не нужно — говоришь ИИ: «сделай сайт с шахматкой ЖК», и он делает.
⚫️Деплоить — тоже: нейросеть сама развернёт сервер, всё настроит и запустит.
⚫️Даже графика не отрисовывается, а генерится налету («сделай виртуальную прогулку по кварталу»).

И уже есть первые шаги к этому: GitHub Copilot, Devin ChatGPT Code Interpreter и т.д. пишут код, анализируют, выполняют задачи от «а» до «я». Так что осталось только умело промтить, чтобы в будущем «заказывать» себе приложения😁