Продолжаем серию подкастов MWS AI 🎥

В новом выпуске поговорили с Сергеем Дунаевым, директором по IT Северстали, о том, как ИИ приходит в тяжёлую промышленность. Как помогает инженерам и машинистам, зачем заводам дата-центры, и почему в промышленности важнее устойчивые решения, чем эффектные эксперименты.

Выпуск уже доступен на платформах:

➡ YouTube
➡ ВКонтакте
➡️ RuTube

Ведущий: @erobubble

🟣🟪 Подводим итоги года в ИИ с экспертами из MWS AI, Х5, Авито, Сбера и Яндекса.

В эфире «РБК-ТВ» разбираем с Аркадием Глушенковым, где заработал генеративный искусственный интеллект, заменит ли он людей и почему 2025-й стал переломным в этой сфере для бизнеса и сотрудников.

🎥 Итоги года в ИИ — всё хорошее
🎥 Итоги года в ИИ — всё плохое

Похоже, итоги года уже сложились сами собой 🔥

Идём туда, где ИИ перестаёт быть экспериментом и становится значимым участником рабочих процессов.

Команда MWS AI поздравляет вас с наступающим Новым годом 🤩

В 2026 передаём рутину ИИ-агентам 🤩

А наше драгоценное время оставляем на приятные встречи, достижение новых вершин и работу, которая поистине приносит удовольствие!

С Новым Годом!
Ваша команда MWS AI 🤩

👂🦻 Начинаем год с подкаста MWS AI

В этом выпуске поговорили с Вадимом Дудой, генеральным директором Российской государственной библиотеки имени Ленина. Обсудили, ждёт ли нас исчезновение бумажных книг, как библиотекарь и читатель будут меняться в эпоху ИИ, кто сегодня работает в Ленинке и какую роль IT играет в одной из крупнейших библиотек мира.

Выпуск уже доступен на платформах:

➡️ YouTube
➡️ ВКонтакте
➡️ RuTube

Ведущий: @erobubble

▪️ Дайджест научных исследований MWS AI за 2025 год

2025 год был богатым на достижения ИИ. Не удивительно, что журнал Science назвал большие языковые модели одним из важнейших драйверов науки, а в свежем списке прорывных технологий от MIT Technology Review 4 из 10 пунктов так или иначе относятся к искусственному интеллекту. Но никакие достижения нейросетей были бы невозможны без развития науки о самом ИИ.

Ученые MWS AI в партнерстве с коллегами по рынку проводят исследования, создают новые датасеты и ищут нестандартные подходы к обучению моделей, чтобы усовершенствовать ИИ-продукты и практики их применения. Из десятков научных публикаций, вышедших в соавторстве с нашими экспертами в 2025 году, мы выбрали для этого дайджеста те, что по их мнению, особенно важны для практического использования ИИ.

➡️ Итеративное самообучение для генерации кода

Исследование посвящено улучшению ИИ-генерации кода. Авторы разработали итеративный подход к самообучению, базирующийся на двух моделях — генераторе и верификаторе. В результате LLM на 13 млрд параметров генерирует код лучше и работает втрое быстрее, чем модель в 2,5 раза крупнее.

➡️ Будет ли это правдой завтра?

Работа посвящена проблеме устаревших знаний в LLM. Создан датасет EverGreenQA и классификатор EG-E5 для определения вопросов с меняющимися ответами. Исследование ценно для бизнеса, так как позволяет разрабатывать более точные ИИ-системы и бороться с галлюцинациями.

➡️ Адаптивный RAG, независимый от LLM

Авторы статьи предлагают новый подход к адаптивному поиску во внешних данных (RAG), который исключает использование LLM для оценки неопределённости. Это позволяет сократить вычисления без потери в точности, а значит — ускорить и удешевить работу чат-ботов и упростить масштабирование.

➡️ CCT-Code: поиск семантически похожего кода

Авторы разработали и применили новую процедуру обучения (ССТ – кросс-консистентное обучение), чтобы ИИ мог находить похожий код даже на разных языках программирования. Это помогает в рефакторинге и поиске ошибок, что положительно сказывается на скорости разработки в больших проектах. Исследователям удалось добиться рекордной точности обнаружения клонов на C++ и Python. Эффект: экономия времени на унификацию кода в командах с разными стеками.

➡️ StRuCom: структурированные комментарии к коду на русском

Команда собрала датасет из 153 тысяч примеров, чтобы обучать ИИ писать понятные структурированные комментарии к коду на русском языке. Дообучение небольших моделей на StRuCom даёт прирост в качестве до 50%. Это упрощает поддержку legacy-кода и снижает количество ошибок в распределённых командах.

➡️ SPY: синтетический датасет для детекции персональных данных

Авторы представили новый датасет для детекции персональных данных (ПДН/PII) в текстах. Инновация заключается в применении больших языковых моделей для генерации данных, имитирующих реальные сценарии использования ПДН. Работа подчёркивает важность приватности и контроля данных в ИИ-системах и способствует дальнейшим исследованиям в этой области.

➡️ Использование славянского BERT и перевода для классификации техник убеждения

Исследователи предложили метод на базе трансформенных моделей (XLM RoBERTa и Slavic BERT) для выявления манипулятивных техник в текстах. Из-за дефицита размеченных данных для некоторых языков применена аугментация за счет переведенных примеров. Разработка применима в таких задачах, как анализ текстов, модерация контента, выявление манипуляций/мошенничества в коммуникациях.

Новое на Хабре MWS AI 🔥

Кейс VisionLabs: как в России впервые запустили сервис биометрического заселения в гостиницу — без бумажных документов, только по распознаванию лица.

Это не фантастика, а правдивый и подробный рассказ о тернистом инженерном и нормативном пути инновации — от реальной проблемы-катализатора до внедрения. Погружаемся в технологию, вопросы защиты биометрических данных и национальные особенности воплощения проекта в жизнь вместе с техническим директоров VisionLabs Константином Евсеевым.

Читать ➡️

Многие компании начинают ИИ-трансформацию, бросая основные силы и средства на технологии и инфраструктуру. Развитие же ИИ-компетенций руководителей и сотрудников, а также перестройка бизнес-процессов откладываются на потом или проводится по остаточному принципу.

Однако успех здесь зависит от ИИ-культуры — людей и процессов — даже в большей степени, чем от технологий и инфраструктуры. Поэтому известный принцип распределения сил и средств 70-20-10 в применении к ИИ-трансформации и модели «Технологии — Инфраструктура — Культура» должен быть перевернут — 10-20-70:

1⃣0⃣% — технологии

Это важная часть, но не доминирующая. Технологии (ИИ-решения, модели, платформы) — это инструменты, а не цель.

2⃣0⃣% — данные и инфраструктура

Без качественных данных и безопасной масштабируемой инфраструктуры ИИ не работает. Но здесь легко переинвестировать, если нет чёткого понимания, зачем всё это строится.

7⃣0⃣% — ИИ-культура

Это перестройка бизнес-модели, обучение сотрудников и вовлечение топ-менеджмента в ИИ-трансформацию. Когда ИИ становится не «фишкой», а естественной частью операционной модели и основных процессов, появляется реальный бизнес-эффект.

Важно помнить, что ИИ-трансформация — это комплексный процесс, который включает запуск ИИ-инициатив, их развитие, встраивание в бизнес-процессы и последующее масштабирование. Именно сочетание сотрудников, процессов и работающих ИИ-решений позволяет переходить от отдельных экспериментов к устойчивому эффекту на уровне всей компании.