Не слід недооцінювати інформаційну складову протистояння з ворогом. І тут технології, створені з позитивною метою, як-от ChatGPT, можуть суттєво впливати на інформаційні кампанії та відігравати в них вирішальну роль. Катерина Богорада, Senior Data Scientist в NascTech, пояснює, як працюють генеративні моделі та які ризики вони можуть нести.
«Моделі ШІ використовують контент, створений людьми, тепер ми можемо використовувати контент, створений ШІ, для натхнення та нових ідей.» DevNet Developer Олексій Борисенко розмірковує над тим, як штучна генерація контенту змінить чи вже змінює онлайн-простір.
Роль дизайнера в проєктах, пов’язаних з AI і ML, настільки ж важлива, як і сам алгоритм в основі AI-системи. Продуктовий дизайнер Дмитро Старков пропонує свій гайд про те, що потрібно знати на кожній стадії роботи над AI-системами.
«Концепція Digital Human або Synthetic Human принесе суттєві зміни не лише в очевидні сфери, як-от соціальні медіа чи ентертейнмент, а й в медицину та виробництво» — впевнений Семен Фріш, Interactive Practice Leader в SoftServe. Якщо ви ще не знайомі з розробкою цифрових людей, читайте блог про цей напрям.
Юрій Панів, Software Engineer, розповідає про стан справ із синтезом української мови зараз, а також про те, до яких проєктів та як можна долучитися зараз.
ML Engineer Дмитро Самчук пропонує розібратися з прихованими, але необхідними витратами бізнесу на MLOps і підготовку даних. Стаття буде корисною, якщо ви плануєте додати ШІ до свого проєкту або вже пробували так його покращити, проте щось не вдалося.
Розробник Олександр Лапшин описує метод роботи з даними Data Mesh. Для чого він застосовується, в яких випадках та на яких проєктах цей підхід є виправданим, кому підходить, які переваги над іншими варіантами організації обробки даних.
Зовсім недавно вийшла у відкритий доступ Stable Diffusion — перевіряємо, що вміє ця нейромережа для створення зображень, і які особливості роботи з нею.
Які існують різні підходи до генерації зображень за допомогою штучного інтелекту, та як технології text-to-image можна залучити до поширення важливої інформації — досвідом ділиться ML-інженер Олексій Авілов.
Увесь світ розмовляє про штучний інтелект, проте лише невеликий відсоток людей справді розуміє, що ці слова означають. Так вважає Богдан Питайчук, розробник в індустрії машинного навчання, який вирішив у цьому блозі спростувати міфи навколо AI, ML.
Як працює визначення виразу обличчя майже в реальному часі через мобільний додаток. Читаємо про те, як натренувати ML-модель, звідки брати дані, наскільки корисні для цього Instagram, YouTube чи Pornhub та про інші особливості процесу.
Як тренувати рекомендаційні системи так, щоб вони не радили дітям контент 18+, а фанатам документалок продовжували показувати документалки. В статті є практичні поради, як виправляти рекомендаційну систему за допомогою різних методів обробки даних.
Говоримо про роботу з ML-моделлю, тренування її та пошук інформації. Зі статті можна дізнатися про цикл життя даних на трьох реальних прикладах опрацювання тексту українською мовою. Також розбираємося, як можна покращити якість ML-моделі та її результатів.
Ян Бутельський продовжує серію публікацій про NLP в контексті розробки діалогової системи. У статті описує власний досвід роботи з NLU-модулем та детально аналізує наявні Python бібліотеки (SPACY, STANZA, FLAIR) для якісної та швидкої розробки NLU-модуля.
Максим Бочок, Senior Data Scientist, показує як швидко розробити прототип моделі машинного навчання для сервісу продажу авто
Сучасні закони не дозволяють безконтрольний збір інформації, в той час, як ІТ-індустрія постійно впроваджує нові й нові методи обробки даних. Як розробляти AI-продукти так, щоб не отримати мільйонний штраф — пропонуємо юридичний аналіз справи Clearview AI у Великобританії.
У машинному навчанні, як і в будь-якому іншому процесі, головне — це розуміння всього, що відбувається. Як занурюватись у цю галузь, з чого починати і де шукати інформацію — радить учасник нашої спільноти, CIO AI HOUSE Богдан Питайчук.
Розробка ML-моделей — це процес, який містить кілька компонентів: від роботи з даними та експериментів, до моніторингу та повернення до одного з попередніх кроків. У матеріалі розберемо високорівневу структуру цього процесу. Стаття буде цікавою Data Scientists, Junior або Middle ML-розробникам, що прагнуть навчитися впроваджувати й розширювати ML-моделі у продакшні та стати Full-Stack Data Scientists.
Анатолій Шара — аналітик Big Data, Machine Learning інженер. А ще — фахівець з аналізу російської пропаганди, яку поширюють за допомогою ферм тролів та ботів. Лише уявіть: під статтями у європейських медіа, які стосуються ключових для Росії питань, понад 60% коментарів можуть становити вигідні для Кремля наративи. Анатолій розповів нам про свій проєкт, методи та результати досліджень, їхню технічну складову, головних замовників і міжнародне визнання.
Коли справа стосується Machine Learning, точність результатів моделі повинна максимально задовольняти очікування користувачів і дозволяти бізнесу здобувати вигоду. Щоб це сталося, observability має бути на висоті. Команда Operational Intelligence з EPAM Systems ділиться лайфхаками для ефективного моніторингу ML-моделей, підводними каменями, які часто зустрічають MLOps-інженери та (не)найкращими практиками для моніторингу моделей у продакшн-середовищі.
Коментарі