В этой презентации рассматривается применение больших языковых моделей (БЛМ) для улучшения реагирования на инциденты в Microsoft Azure, одной из крупнейших в мире облачных платформ. В ней анализируются несколько инициатив, основанных на искусственном интеллекте, включая сортировку инцидентов и автоматизированное устранение последствий. Хотя более общие решения, такие как автоматически генерируемые сводки инцидентов, улучшили пользовательский опыт, измеримое сокращение времени на устранение инцидентов было достигнуто в основном за счет узкоспециализированных, ориентированных на конкретные команды решений.
Ключевые выводы и результаты подчеркивают важность контекста и высококачественных данных, а также риски «галлюцинаций» БЛМ. Хотя ориентированный на команду агентный подход продемонстрировал эффективность, успешное внедрение требует продуманной реализации и глубокой интеграции с существующими рабочими процессами.

Современные системы «AI-учёных» в основном сосредоточены на оркестрации инструментов и агентов для автоматизации отдельных этапов научного процесса, однако они регулярно дают сбои при решении реальных исследовательских задач, охватывающих несколько уровней описания — от низкоуровневых симуляций до проектирования экспериментов и стратегического принятия решений. В этом докладе я утверждаю, что ключевое ограничение носит архитектурный, а не алгоритмический характер: наука по своей природе является мультискейловой, тогда как современные ИИ-системы в основном не учитывают масштабы.
Проводя аналогии с физикой и биологией, где такие границы, как доменные стенки или мембраны, обеспечивают согласованное поведение между масштабами, я предлагаю рассматривать явные границы как необходимый элемент эффективной науки, управляемой ИИ. Эти границы должны разделять и одновременно координировать различные режимы рассуждений, ограничения и цели. Вместо наращивания числа агентов или промптов нам необходимо проектировать архитектуры, которые стабилизируют взаимодействие между локальной оптимизацией и глобальными научными целями.
В докладе будет представлена мультискейловая архитектура для науки, управляемой ИИ, показаны её следствия на примерах из исследований в области материаловедения и квантовой науки, а также обсуждено, как системы, осознающие границы, могут обеспечить более надёжное, интерпретируемое и масштабируемое научное открытие.

В этом докладе рассказывается о том, как Incode, платформа для проверки личности стоимостью 3 миллиарда долларов, трансформировала разработку интеграций, используя подход, основанный на спецификациях (spec-driven development), в то время как прямая генерация кода на основе LLM с помощью таких инструментов, как Claude Code, не смогла масштабироваться.

Первые попытки автоматизации привели к созданию кода, который расходился с требованиями, содержал ошибки и увеличивал нагрузку на проверку. Агентный подход, не имеющий строгих указаний, приводил к ненадежным результатам. Прорыв произошел благодаря разработке, основанной на спецификациях, где структурированные спецификации становятся единственным источником истины.
Используя ***plain, язык разработки, основанной на спецификациях, Incode напрямую преобразует требования в работающее программное обеспечение, повторно использует модульные компоненты в разных интеграциях и автоматически обнаруживает неоднозначности и конфликты до генерации кода. Полностью автоматизированный конвейер рендеринга Codeplain — объединяющий структурированные спецификации, агент конечного автомата, LLM и непрерывную проверку тестов — рендерит, тестирует и проверяет каждое функциональное требование независимо и в целом. Это обеспечивает безопасность регрессионного анализа, точное исправление ошибок и гибкую итерацию.

Благодаря подходу к разработке, основанному на спецификациях, было полностью разработано двадцать интеграций, и теперь одна из них выпускается за один день вместо двух недель, без ручной проверки кода.

Мы представляем систему рекомендаций, ориентированную на задачи, разработанную для Karimi, приложения TalentTech, предназначенного для долгосрочного использования в качестве помощника в карьере. Представленное нами приложение помогает профессионалам находить лучшие инструменты, созданные на основе ИИ, для повышения эффективности их повседневной работы.
Система моделирует профессиональную работу как семантическое пространство задач, встроенных с использованием языковых моделей, настроенных на основе инструкций. Представления задач обогащаются структурированными метаданными и явными связями между задачами и инструментами, что позволяет осуществлять гибридный поиск, сочетающий векторное сходство с фильтрацией метаданных. Такой подход поддерживает интерпретируемые, контекстно-зависимые рекомендации и непрерывную навигацию по работе, навыкам и поддержке ИИ в реальных профессиональных условиях.

Презентация посвящена реализации сверточных сетей и глубокому обучению в нейронных сетях с шипами (SNN). Обсуждается алгоритм построения сверточных слоев с шипами. Описана сетевая архитектура для классификации небольших изображений с использованием сверточной SNN и классификационной сети CoLaNET, а также методология создания многослойных сверточных SNN для обработки больших изображений. Анализируется возможность объединения сверточных архитектур SNN со структурами, реализующими неконтролируемое и полууправляемое обучение, а также сверточными аналогами механизма внимания. Отличительной особенностью данного исследования является его акцент на эффективную реализацию на современных и перспективных нейрочипах, таких как Алтай-3.

В этом докладе представлен реальный пример внедрения агентов ИИ в нефтедобывающие операции — от мониторинга запасов скважин до поддержки принятия решений на уровне управления производством.
В отличие от традиционных панелей мониторинга BI или автономных моделей машинного обучения, агенты ИИ выступают в качестве активных участников операционных процессов. Они непрерывно анализируют данные из промышленных и корпоративных систем (SCADA, MES, ERP), выдвигают гипотезы, выявляют аномалии, предлагают сценарии реагирования и взаимодействуют с инженерами и менеджерами на понятном деловом языке.
Доклад охватывает:
архитектуру платформы агентов ИИ для нефтедобычи (уровень данных, модели, оркестрация, участие человека);
практические примеры агентов ИИ, такие как «виртуальный инженер по производству», «агент по контролю простоев» и «агент экономической оптимизации»;
интеграцию агентов ИИ в существующие ИТ и ОТ-системы без замены основных промышленных систем;
измеримые бизнес-результаты, включая сокращение времени простоя, ускорение принятия решений, повышение операционной прозрачности и снижение рабочей нагрузки на ключевых экспертов;

Организационные и культурные аспекты: почему агенты ИИ — это не просто ИТ-инициатива, а признанный сдвиг в операционной и управленческой модели.
Доклад адресован руководителям бизнеса, специалистам по цифровой трансформации и директорам по информационным технологиям и демонстрирует, как агенты ИИ представляют собой следующий эволюционный шаг за пределы платформ данных и прогнозной аналитики в нефтегазовой отрасли.

В сложной сфере производства минеральных удобрений операционная эффективность и безопасность персонала традиционно оставались изолированными понятиями. В данной статье представлен новаторский подход к распределенному периферийному искусственному интеллекту, основанный на рое автономных промышленных устройств, разработанных для преодоления этого разрыва посредством совместного интеллекта и взаимодействия на естественном языке. Мы представляем два специализированных компонента этой экосистемы: устройство DotPulse, новую оптическую периферийную систему для контроля грануляции в реальном времени на высокоскоростных конвейерах, и устройство GuardDetector, промышленную систему «сторожевого контроля», предназначенную для автоматизированного анализа проверок опасных зон и соответствия требованиям к средствам индивидуальной защиты. Для объединения этих разнородных устройств в рой мы описываем высокоуровневый уровень оркестрации, работающий на основе распознавания именованных сущностей и большой языковой модели Qwen2.5-3B-Instruct. Этот уровень анализирует пользовательский ввод и междоменные сигналы (например, тенденции гранулометрии, плотность шлама и журналы безопасности) в действенные прогнозные выводы и интуитивно понятные отчеты, обеспечивая бесперебойную связь между экосистемой ИИ и персоналом предприятия. Между тем, система DotPulse использует собственную методологию сегментации экземпляров, оптимизированную для использования ЦП в реальном времени, с применением комбинированной функции потерь в архитектуре UNet и магистрали MobileNet-v3. С другой стороны, GuardDetector использует облегченную систему обнаружения YOLO v11s для ЦП. Наши экспериментальные результаты показывают, что эти эффективные с точки зрения использования ЦП модели достигают высокой точности (относительная погрешность менее 10%) в жестких промышленных условиях без необходимости в дорогостоящей инфраструктуре GPU или постоянном подключении к облаку. Наконец, мы решаем присущие этическим проблемам промышленного наблюдения проблемы с помощью подхода «конфиденциальность по умолчанию», чтобы обеспечить суверенитет данных и доверие работников.

Мы провели онлайн-мастер-курс, где Claude выступал в качестве соинструктора по голосовому синтезу — не в качестве демонстрации, а как активный партнер в обучении. За 15 недель мы выяснили, что работает, что не работает и что нас удивило в использовании ИИ в образовании.
Схема была проста: ElevenLabs для синтеза голоса, Claude для рассуждений, лекции транслировались в прямом эфире, и как преподаватели-люди, так и ИИ отвечали студентам в режиме реального времени. Мы сделали весь курс общедоступным — записи, методологию и конфигурацию агента — чтобы другие могли воспроизвести или оценить наш подход.
Ключевым элементом была обратная связь: после каждой лекции Клод анализировал, что работало, а что нет, а затем обновлял свой собственный преподавательский стиль для следующего занятия. ИИ записывал заметки о темпе, моделях вовлеченности студентов, темах, которые нуждались в большем количестве примеров. К середине семестра разница стала измеримой — меньше монологов, более качественная обработка вопросов, более естественное чередование реплик. Это была не тонкая настройка в смысле машинного обучения; это было проектирование контекста, где ИИ развивал свои собственные инструкции посредством рефлексии. Курс обучал «программированию через специфику»: программированию на основе спецификаций, а не синтаксиса, где тесты определяют поведение, а код становится одноразовым. Но настоящим экспериментом стал сам формат обучения. На шестой неделе мы проверили, сможет ли Claude самостоятельно провести лекцию. Он справился — 42 минуты индивидуального обучения, включая вопросы и ответы, а также импровизацию. Это не было запланировано как промежуточный этап; это возникло естественным образом в результате нескольких недель совместного обучения и самокоррекции.
Что сработало хорошо: асинхронные проверки домашних заданий, где каждый студент проводил 15-20 минут в неделю в голосовом диалоге с Claude , получая персонализированную обратную связь. Это гарантировало каждому студенту внимание преподавателя — то, что невозможно масштабировать, работая только с людьми. Формат экзамена — создание производственных приложений за 3-5 часов с использованием агентов ИИ — показал удивительно хорошие результаты: студенты создали приложения, которые были запущены для реальных пользователей.
Что не сработало: склонность Claude к монологам, которые теряют внимание аудитории. Ухудшение контекста на протяжении длительных занятий. Сложность корректного прерывания. Первоначальное восприятие студентами ИИ как оракула, а не как соавтора. Наша собственная неуверенность в том, когда следует вмешиваться, а когда позволить ИИ бороться.
Мы хотим честно поделиться как успехами, так и неудачами. Это один из первых задокументированных случаев устойчивого совместного обучения с ИИ на университетском уровне, и мы поняли, что интересные проблемы не технические — они педагогические и социальные. Как научить студентов спорить с ИИ? Как сохранить человеческое суждение, когда ИИ часто быстрее и красноречивее? Что происходит с ролью преподавателя, когда ИИ может обучать самостоятельно?

Официальные реестры в Центральной Азии разрознены, непрозрачны и не обладают базовыми возможностями поиска. В ClearPic.ai мы в течение пяти лет собирали и «освобождали» данные из семи юрисдикций, используя алгоритмы машинного обучения для разрешения сущностей и обработки естественного языка для очистки, перевода и связывания миллионов фрагментированных записей в единый граф знаний.

Проблема ИИ и наше решение

Стандартные SQL-запросы с точным совпадением не работают из-за несоответствий в транслитерации и преднамеренных «опечаток», используемых для избежания обнаружения. Я представлю наши алгоритмы обхода с учетом весов ребер, которые выполняют вероятностное сопоставление, позволяя нам выявлять скрытых бенефициаров за пределами границ, где детерминированные методы не работают.

Экономическое и деловое влияние

Заменив ручные запросы графовым интеллектом, мы увеличили скорость рабочих процессов управления рисками как минимум в 50 раз. Задачи, которые раньше требовали недель ручной работы, теперь возвращают результаты за доли секунды, освобождая тысячи часов в год для принятия более важных решений.

Помимо повышения эффективности, система улучшила выявление организаций с высоким риском на 40%, помогая клиентам избежать потенциальных штрафов со стороны регулирующих органов, оцениваемых в сумму более 100 000 долларов США за каждый случай. На практике это обеспечивает уровень трансграничной прозрачности и визуализации рисков, недостижимый с помощью каких-либо официальных инструментов на сегодняшний день.

Традиционно ML-модели в рентгенологии обучаются с помощью supervised-подхода - размечаем конкретные патологии и тренируем модели их находить. Но такой подход существенно ограничивает внедрение и применение ИИ-систем - например, только на компьютерной томографии грудной клетки можно найти более 50 признаков различных патологий. В этом докладе я раскажу про разные способы решения этой проблемы - от постепенно добавления новых классов до подходов, которые вообще не требуют обучения на конкретные патологии. И заодно поделюсь, какие подходы мы реально используем, а какие остались на уровне экспериментов

Отслеживание нескольких объектов - фундаментальная задача для понимания видео.
Хотя она в основном решается для простого движения, многие реальные
сценарии, такие как автономное вождение, спорт и танцы, связаны
со сложными и нерегулярными движениями. Большинство существующих
систем отслеживания по-прежнему основаны на простых моделях линейного перемещения и разработанных вручную правилах,
специфичных для конкретной предметной области, которые не подходят для таких сценариев.
Следовательно, необходимы более совершенные методы отслеживания объектов.

Мы представляем ряд улучшений, которые устраняют эти недостатки. В
частности, мы представляем управляемые данными модели движения, которые изучают объект
динамика напрямую зависит от данных, что позволяет более точно прогнозировать движение
в различных моделях и повышает устойчивость к
обнаружению объектов с помехами в видеокадрах. Эти модели неизменно превосходят
классические модели движения в наборах данных со сложным движением, а также
снижают зависимость от выбора дизайна, специфичного для конкретной предметной области.

Основываясь на моделировании изученного движения, сопоставление объектов между кадрами
затем рассматривается как задача контролируемого прогнозирования: принятия решения о том, является ли
новое обнаружение продолжением существующей траектории. Вместо
используя фиксированные правила, система учится на основе данных сопоставлять новые
обнаружения с существующими траекториями, используя простую геометрическую информацию
(например, ограничивающие рамки) и, при необходимости, признаки внешнего вида объекта. В
наборах данных с нелинейным движением эта приобретенная связь превосходит
эвристические методы. В совокупности эти улучшения показывают, что
замена компонентов, спроектированных вручную, на альтернативные, полученные в результате обучения, приводит
к созданию более надежных и адаптируемых систем отслеживания нескольких объектов.
Первые попытки автоматизации привели к созданию кода, который противоречил требованиям, содержал ошибки и увеличивал нагрузку на проверку. Агентный подход, в котором отсутствовали строгие рекомендации, приводил к ненадежным результатам. Прорыв произошел благодаря разработке на основе спецификаций, когда структурированные спецификации стали единственным источником информации.
Используя ***plain, язык разработки, основанный на спецификациях, Incode напрямую преобразует требования в рабочее программное обеспечение, повторно использует модульные компоненты в различных интеграциях и автоматически обнаруживает неясности и конфликты перед генерацией кода. Полностью автоматизированный конвейер рендеринга Codeplain, объединяющий структурированные спецификации, агент конечного автомата, LLM и непрерывную проверку тестов, позволяет выполнять рендеринг, тестирование и валидацию каждого функционального требования независимо и в целом. Это обеспечивает безопасность регрессионного анализа, точное исправление ошибок и гибкую итерацию.

Благодаря подходу к разработке, основанному на спецификациях, было полностью разработано двадцать интеграций, и теперь одна из них выпущена за один день вместо двух недель, без ручного анализа кода.

Добыча руды – отправная точка металлургической промышленности. Правильная организация данного процесса напрямую влияет на качество будущих металлических изделий. Это сложный технологический процесс, происходящий глубоко под землей и сильно зависимый от человеческого контроля. Основной задачей Северсталь Диджитал является полная цифровизация производства и в данном докладе мы представляем решение для интеллектуального мониторинга рудоспусков. Такая технология обеспечивает более автоматизированный контроль над добычей, предотвращает простои производства и повышает выходное качество руды. Разработанная система доказала свою экономическую эффективность и в настоящее время используется на предприятиях Северстали.

В этом докладе представлена ​​комплексная система для анализа инцидентов в реальном времени с использованием нескольких камер, работающая в условиях жестких ограничений по задержке и ресурсам, характерных для промышленных периферийных развертываний. Ключевой особенностью системы является ее способность одновременно обрабатывать 100 потоков видео с камер в режиме реального времени на одном графическом процессоре A100-80GB и обнаруживать конкретный инцидент: выпадение груза рабочими или погрузчиками во время погрузки/разгрузки. Система непрерывно сканирует видеопоток, находит 40-кадровый сегмент, содержащий инцидент падения груза, передает его оператору для проверки и записывает в специальный отчет для статистического анализа и последующего принятия решений.

Сначала мы опишем практические проблемы, возникающие при обработке и анализе таких потоков:

A) Поток независимых каналов камер, которые необходимо синхронизировать в реальном времени с учетом пропускной способности сети;

B) Ограничения памяти графического процессора;

C) Обсуждение разреженных, нестационарных и смещенных данных, которые исключают возможность использования известных метрик на начальном этапе проекта;

D) Явления дрейфа камеры, требующие вспомогательных нейронных сетей для перенастройки датчиков;

E) Проблема определения строгой границы между «хорошим» и «плохим» качеством видеокадров;

F) Модель взаимодействия человека с обратной связью, работающая со скоростью менее секунды, с подробным описанием каркасов пользовательского интерфейса и конвейера обратной связи.

Во-вторых, мы предлагаем нейронный конвейер, который разделяет входящие кадры, классифицирует их по наличию действий, извлекает области интереса на уровне тайлов и применяет нейронную сеть с разделением каналов в качестве альтернативы 3D-сверткам для окончательной классификации тайлов, обеспечивая сквозную задержку менее 200 мс на экземпляре 10G MIG на одном графическом процессоре A100-80G.

В-третьих, мы подробно описываем рабочий процесс обработки данных: обучение сегментатора на полных кадрах, маркировка объектов на уровне тайлов с помощью пользовательского веб-инструмента и замыкание цикла активного обучения в замкнутом корпоративном контуре.

Наконец, мы определяем и непрерывно отслеживаем как бизнес-метрики (регрессия инцидента к ущербу, стоимость ложноотрицательных результатов, NPS оператора), так и технические метрики (например, процент выпадения кадров), одновременно отслеживая дрейф модели.

Доклад будет интересен как инженерам компьютерного зрения, так и представителям бизнеса, желающим доказать экономическую эффективность такой системы.

Сейчас очень активно развивается передовая робототехника. СМИ освещают как: антропоморфные роботы демонстрируют первые результаты на заводах больших корпораций, VLA-модели встраиваются в индустриальные процессы, популяризируется бизнес-модель RaaS и так далее. При этом, если приехать почти на любой завод любой промышленности в РФ и не только, шанс встретить VLA-агента такой же как и шанс встретит динозавра. Реалной индустрии по-прежнему важна надежность и экономическая эффективность, которой не блещут передовые ИИ-решения. Значит ли это, что внедрение ИИ в индустрию и промышленность сейчас невозможно? Нет, абсолютно. Я расскажу о конкретных кейсах интеллектуальной автоматизации различных бизнес-процессов, которые очень востребованы на рынке, расскажу про устройство технологии, её экономическую эффективность и постараюсь убедить аудиторию, что это те решения, которыми нужно заниматься здесь и сейчас.

Современные видеоконференции все чаще используются в ситуациях, требующих высокого уровня доверия, таких как финансовые услуги, ставки, СМИ, управление персоналом, связи с государственными органами и образование, где обсуждается конфиденциальная личная или деловая информация.

В то же время, инструменты для создания дипфейков в реальном времени позволили имитировать собеседника во время видеозвонка, используя лишь обычный игровой графический процессор и виртуальную камеру.

В этом докладе мы представим систему обнаружения дипфейков, развернутую на платформе видеоконференций Kontur.Talk и используемую в качестве «второго мнения» для операторов. Система анализирует видео и предоставляет операторам автоматическую оценку подлинности, снижая как риск мошенничества, так и когнитивную нагрузку на сотрудников.

Мы опишем, как мы создали наш детектор дипфейков, как разработали эталонный тест для оценки в реальных условиях, отражающий методы замены лиц в реальном времени и артефакты видеозвонков, и как интегрировали модель в масштабируемый конвейер. Мы также обсудим ключевые проблемы, включая изменение предметной области и быструю эволюцию генераторов дипфейков.

По результатам наших внутренних тестов, наш детектор превосходит коммерческое решение стороннего производителя, оставаясь при этом достаточно быстрым для использования в производственных условиях. Помимо качества обнаружения, система обеспечивает значительную коммерческую ценность: в одном из реальных развертываний среднее время проверки звонка сократилось примерно с шести минут до двух, что соответствует рабочей нагрузке примерно пяти штатных операторов при текущих объемах.

Этот пример демонстрирует, как обнаружение дипфейков может быть успешно внедрено в реальные системы видеоконференцсвязи не только в качестве функции безопасности, но и как инструмент повышения операционной эффективности в условиях высокого уровня доверия при онлайн-взаимодействиях.

Технологии ИИ – это «волшебная палочка», исполняющая желания человека и человечества. Нужно точно и осторожно формулировать свои желания, поскольку они с высокой вероятностью исполнятся. Следует помнить и о непредвиденных последствиях, которые всегда случаются. Насколько мы готовы принять будущее, которое создаем? Насколько мы можем повлиять на результаты применения создаваемых технологий?

GraphRetrieval-Augmented Generation (GraphRAG) (Edge et al. [2025]) — это инновационный подход, разработанный Microsoft, который улучшает традиционную генерацию с расширенным поиском (RAG) за счет включения графовых представлений данных. В отличие от наивных моделей RAG, которые полагаются на линейные конвейеры поиска, GraphRAG использует графовые структуры для установления контекстных связей между найденными документами, повышая информативность и связность сгенерированного текста. Этот структурированный механизм поиска значительно превосходит подходы к суммаризации, ориентированные на запросы,
за счет выявления более глубоких семантических зависимостей, что позволяет более точно синтезировать контент.
Хотя GraphRAG продемонстрировал высокую эффективность в англоязычных приложениях, его адаптация к неанглоязычным контекстам, особенно к русскоязычным моделям, остается недостаточно изученной. Кроме того, алгоритм Лейдена (Traag et al. [2019]), важнейший компонент для обнаружения сообществ в GraphRAG, не был оптимизирован для крупномасштабных текстовых графов. В данном исследовании мы сосредоточились на двух взаимосвязанных задачах: (1) адаптации GraphRAG для YandexGPT и других русскоязычных генеративных моделей и (2) оптимизации алгоритма Лейдена для повышения его эффективности
и точности в обнаружении сообществ в текстовых графах. Интегрируя эти достижения, мы стремимся улучшить качество поиска и генерации в русскоязычных задачах обработки естественного языка. Наши экспериментальные оценки на открытых российских наборах данных позволят получить представление о применимости и преимуществах GraphRAG за пределами англоязычных исследований, внеся вклад в более широкую область многоязычной разработки ИИ (Sen et al. [2023]).

Мы в Авито применяем LLM во многих задачах. Например:
1) Суммаризация отзывов
2) Подсказки в мессенджере
3) Авто ответы в мессенджере
4) Автоматизация поддержки
5) Ассистенты

Во многих задачах мы используем небольшие размера около 8 миллиардов параметров, которые дообучаем под конкретную задачу.

Некоторые сервисы на базе LLM имеют высокую нагрузку и в инференсе живут на большом числе GPU. Поэтому мы пытаемся ускорить инференс моделей, а так же хотим чтобы модели на наших задачах показывали максимально возможное качество.

Один из методов ускорения инференса и улучшения качества моделей на нашем домене это адаптация токенизатора LLM с последующим alignment этапом

Мы в команде обучили базовую модель для Авито (адаптировали Qwen3 8b) И выложили модель в опен сорс

https://huggingface.co/AvitoTech/avibe

Статья про то как учили модель
https://habr.com/ru/companies/avito/articles/956664/

Рассказ будет посвящен тому как мы сделали модель и где её используем в компании.

В этом отчете представлена разработка группы исследований и разработок подразделения анализа и моделирования данных T1: Интеллектуальный анализ данных на основе больших языковых моделей.

Как правило, аналитика включает в себя формулы, сводные таблицы и постоянные запросы, такие как "вывод данных" и "просмотр метрик". Мы предложили другой подход: интеллектуальный источник данных, который автоматически подключается к витринам данных, вычисляет соответствующие показатели, создает таблицы и графики и объясняет результаты понятным для человека языком.

Цель решения — сократить время от вопроса до решения с нескольких дней до нескольких минут и сделать аналитику доступной для всех - как для программистов, так и для тех, кто никогда не писал код. Единый интерфейс, воспроизводимые вычисления, прозрачные методы и возможность немедленно уточнить вопросы в чате.

В этом обзорном докладе рассматривается, как технологии искусственного интеллекта и машинного обучения, в частности генеративный ИИ и предметно-ориентированные большие языковые модели (LLM), меняют бизнес и государственные операции. На примере национальной LLM Омана «Mueen» в докладе объясняется, как суверенный ИИ, обученный исключительно на официальных и местных наборах данных, может обеспечить безопасную автоматизацию процессов, ускорить принятие решений и повысить операционную эффективность в различных секторах. Презентация охватывает ключевые бизнес-проблемы, приложения ИИ/машинного обучения, проблемы, возникшие при разработке и внедрении Mueen, измеримые результаты и экономическую эффективность. Участники получат практические знания о том, как специализированные системы ИИ могут безопасно и эффективно применяться в регулируемых отраслях и государственных структурах, а также как влияние модели согласуется с национальными целями цифровой трансформации.

За пять лет работы в ЛАНИТ мы многократно сталкивались с типичной проектной моделью: пресейл -> пилот -> промышленная эксплуатация. Большинство инициатив не доходили до прода, а те, что доходили — требовали каждый раз новой архитектуры и значительных затрат. С появлением больших языковых моделей (LLM) стало очевидно, что задачи в разных подразделениях сильно похожи по структуре, но на практике компании продолжали запускать «по одному сервису на отдел», что быстро превращалось в дорогую и неуправляемую экосистему.

В докладе я расскажу, как мы пришли к выводу, что ключевым ограничением становится не технология, а скорость и экономическая модель. Коснусь почему в корпоративной реальности важнее быстро проверять гипотезы, чем долго шлифовать качество: данные почти всегда плохие, требования меняются, заказчики могут уйти на любом этапе, а стоимость ошибок высока. В такой среде полезен не отдельный LLM-сервис, а общий подход, который позволяет использовать одни и те же вычислительные ресурсы и инструменты для HR-задач, службы поддержки, юридического отдела, аналитики и других направлений.

Какие компоненты оказались для нас критическими: единый доступ к моделям, мониторинг, трассировка, повторное использование ассистентов, управление затратами и безопасностью, а также возможность быстро запускать прототипы и собирать обратную связь.

Доклад будет полезен руководителям ИИ-направлений, архитекторам и бизнес-лидерам, которые хотят масштабировать ИИ-инициативы, снизить стоимость и повысить скорость вывода решений в производство.

По мере дальнейшего развития больших языковых моделей их эффективность все больше зависит не только от их базовых возможностей. Практическая производительность зависит от того, насколько грамотно они используют внешние инструменты и насколько эффективно управляется их контекст. На этом заседании будут рассмотрены стратегии оптимизации систем больших языковых моделей за счет структурированного вызова инструментов, адаптивной оркестровки и дисциплинированного управления контекстом.

Мы рассмотрим подходы к уменьшению ошибок, повышению точности, улучшению масштабируемости и обеспечению надежных и экономически эффективных результатов в реальных приложениях.

Мы используем опыт интеграции Microsoft Word с Copilot, чтобы увидеть, как оптимизируется контекст для достижения наилучших результатов.

Участники получат представление об архитектурных шаблонах, передовых методах и уроках, извлеченных из развертывания решений больших языковых моделей производственного уровня.

Будет представлена открытая платформа для автоматизированной проверки заданий с открытыми ответами в высшем образовании, основанная на больших языковых моделях. Цель системы — снизить нагрузку на преподавателей и повысить согласованность оценивания.
Платформа позволяет настраивать строгость проверки и поддерживает два подхода: проверку по эталону на основе предоставленных преподавателем решений и комментариев, а также генеративную проверку, при которой эталонные ответы автоматически синтезируются из учебных материалов. Для каждого ответа система формирует числовую оценку и структурированное объяснение, выделяющее корректные рассуждения, пропуски и концептуальные ошибки, что обеспечивает прозрачность проверки.
Эксперименты на реальных экзаменационных работах по нескольким курсам показали высокое соответствие оценок системы и экспертов, с коэффициентом корреляции Пирсона до 0,90. При этом эталонная проверка продемонстрировала более высокую стабильность и точность по сравнению с генеративным подходом. Полученные результаты свидетельствуют о том, что использование LLM для автоматизированного оценивания может существенно повысить эффективность и надежность процесса в рамках подхода human-in-the-loop.

В этом докладе рассказывается о том, как создавались готовые к работе адаптеры LoRa для языковых моделей на устройствах. Я расскажу о нашем подходе к обучению адаптеров и о том, как мы использовали его для обобщения обсуждения и переписывания вариантов использования. Я также расскажу о предостережениях и недостатках адаптеров LoRa, о которых должны знать инженеры для создания стабильных и надежных решений.

Архитектуры современных LLM и VLM сильно отличаются от функциональной архитектуры человеческого мозга. В результате LLM обладают ограниченными когнитивными способностями по сравнению с человеком. Принципы, заимствованные из мозга и выраженные в форме биологически инспирированной когнитивной архитектуры (BICA), могут быть очень полезны при проектировании агентов на основе LLM. Предложенный подход вдохновлен когнитивной нейропсихологией и функциональной нейроанатомией. Показано, как идеи метакогниции и самосознания, реализованные в форме многоагентной системы, могут способствовать проектированию нейроморфной архитектуры, потенциально приводя к созданию ИИ нового поколения. Представленные эмпирические данные свидетельствуют о том, что самосознающие архитектуры на основе LLM могут быть более эффективными по сравнению с традиционными многоагентными архитектурами при решении сложных задач LLM.

В этом докладе представлен всесторонний обзор моделей «зрение-язык-действие» (VLA) — передовых систем, которые связывают визуальное восприятие и естественный язык с физическими действиями. Мы рассмотрим современное состояние дел, включая их архитектуру, методы обучения и применение в робототехнике и автономных системах. Затем обсуждение перейдет к будущему, затронув ключевые проблемы, такие как безопасность, обобщение и внедрение в реальных условиях, а также обозначив захватывающие перспективы для действительно универсального воплощенного ИИ.

Современные трансформеры требуют огромных вычислительных ресурсов как во время обучения, так и во время выполнения модели. Предложенная концепция построения иерархии обобщений в виде траекторий аттракторов основана на непосредственном построении структуры обобщений и может быть обучена на существующих моделях.

Представляем оригинальную когнитивную архитектуру для нейросимволического обучения на основе опыта, использующую пространство состояний и глобальную обратную связь, решающую задачу обучения с подкреплением в таких средах, как Open AI Gym и Atari Breakout.
Мы рассмотрим подходы к уменьшению ошибок, повышению точности, улучшению масштабируемости и обеспечению надежных и экономически эффективных результатов в реальных приложениях.

Мы используем опыт интеграции Microsoft Word с Copilot, чтобы увидеть, как оптимизируется контекст для достижения наилучших результатов.

Участники получат представление об архитектурных шаблонах, передовых методах и уроках, извлеченных из развертывания решений больших языковых моделей производственного уровня.