Machinelearning

Какие качества нужны специалисту по ИИ?

Этот вопрос мы задали ведущим учёным и исследователям, которые при поддержке фонда Олега Дерипаска «Вольное Дело» провели в Первом университетском лицее летнюю школу по искусственному интеллекту для студентов со всей страны. Вот что они ответили:

Олег Рогов, руководитель группы «Доверенные и безопасные интеллектуальные системы» института AIRI
💬 Важно развиваться как специалисту в своей области. Современные модели превосходно генерируют ответы. Однако самый важный скилл, который необходим специалисту завтрашнего дня, — это искусство правильно заданного вопроса.

Пётр Анохин, руководитель группы нейрокогнитивной архитектуры института AIRI
👨‍🔬 Научная интуиция и понимание того, как предложить новую гипотезу, очень важны. Поэтому, если вы хотите быть исследователем, я советую получить высшее образование именно в научной среде.

Елизавета Гончарова, научный сотрудник института AIRI
⚖️ К результату можно прийти с очень разными качествами: кому-то помогает усидчивость, кому-то, наоборот, драйв. Наверное, лучше всего золотая середина, но иногда полезно побывать и на гранях, чтобы понять, как они работают. А главное – интерес, с ним точно всё получится.

Иван Оселедец, генеральный директор института AIRI, декан факультета искусственного интеллекта МГУ
🧠 На мой взгляд, это, конечно, умение критически мыслить. Сами знания не так важны, как навыки, умение рассуждать, мыслить, критиковать, не доверять. А знания искусственный интеллект достанет тебе быстрее, чем любая книжка.

Владислав Куренков, руководитель группы «Адаптивные агенты» Института AIRI
💪 Главное качество – это любопытство, а на втором месте – трудолюбие и умение продолжать, несмотря ни на что. Потому что в науке большую часть времени сталкиваешься с неудачами. Модель мира в нашей голове не всегда правильная, поэтому приходится постоянно ошибаться, учиться на этих ошибках и идти дальше.

Как прошла летняя школа в лицее, смотрите в сюжете программы «Вести Кубань».

Фонд Олега Дерипаска «Вольное Дело»

❤58🤣38🤔19👍9👏8👨‍💻3🤬2🤨2😨2🥰1

19.1K views10:14

Machinelearning

Forwarded from Анализ данных (Data analysis)

🚀 Z.ai представила GLM-5.3 - новую открытую модель с упором на код и кибербезопасность.

У GLM-5.3 та же базовая модель, что и у GLM-5.2. В Z.ai говорят, что весь прирост получили уже после pre-training - за счёт масштабирования post-training.

Больше исполняемых сред, более длинные задачи, сильнее verifiers и больше reinforcement learning.

Результат особенно заметен в кибербезопасности: на ExploitBench результат вырос с 24,4% до 54,4%, а в ExploitGym модель за два часа решила 105 задач против 29 у GLM-5.2.

То есть pre-training даёт модели знания и сырой интеллект, а post-training учит реально им пользоваться: планировать, вызывать инструменты, проверять решения, исправлять ошибки и работать на длинном горизонте.

Технический разбор:
https://z.ai/blog/glm-5.3

@data_analysis_ml Полезные мл ресурсы

🔥66👍54❤9🎉8👏4

18.9K views11:26

Machinelearning

✔️

Корпоративные клиенты игнорируют Fable 5

По данным финансовой платформы Ramp, бизнес не спешит переходить на самую мощную из доступных моделей Anthropic.

За первый месяц после релиза на Fable 5 пришлось всего 6% от общего числа купленных через API токенов.

Рамп оговаривается, что выборка данных для Fable получена из собственной системы по управлению расходами токенов и несколько смещена в сторону технологических компаний.

Фактическое внедрение Fable, вероятно, еще ниже этих оценок, если предположить, что Fable 5 используется в основном для кодинга.

Главной причиной слабого старта аналитики называют завышенный прайс - при цене $10 за миллион входных и $50 за миллион выходных токенов модель обходится вдвое дороже, чем GPT-5.6 Sol от OpenAI.

В результате флагман Anthropic принес на четверть меньше выручки, чем топовое решение главного конкурента, несмотря на свою более высокую производительность.

Слабые продажи Fable 5 вскрыли другую проблему - компаниям всё сложнее просчитать реальную окупаемость топовых ИИ-решений.

Прирост в качестве ответов часто оказывается неочевидным в рутинных рабочих задачах и не оправдывает переплату.

На фоне того, как разрыв в возможностях между коммерческими гигантами и открытыми решениями сокращается до нескольких месяцев, корпоративные пользователи всё активнее мигрируют на open-source.

Эта тенденция уже привела к замедлению темпов роста клиентской базы как у Anthropic, так и у OpenAI.

@ai_machinelearning_big_data

#news #ai #ml

Please open Telegram to view this post