#llm — посты и обсуждения

Развивая данную тему поинтересовался, а может ли ИИ (#LLM) в том виде, котором мы их используем через чаты и API решать задачу поиска оптимального решения.

Были взяты самые популярные сервисы: #YandexGPT 5.1 (через #API с векторной базой #YDB и без), #DeepSeek 4 Flash (через API Yandex Cloud), #GigaChat 3.5 Ultra (чат), #ChatGPT-5.6 Luna, #Claude Sonnet 5.

Проверка результата через #RStudio.

Для примера была взята классическая задача (поиск весов ИИ), это поиск минимальных остатков. В математике, это метод наименьших квадратов (МНК).

Где применяется? Например, расчет премий по лестнице достижений (% продаж). Или решение задачи подбора параметров в матрицу через функцию минимизации затрат или максимизации выручки. В Excel для этого часто используют функции ВПР или ПОИСКПОЗ+ИНДЕКС.

Немного ранее писал, что решил свою давнюю задачу по запуску обучения разных видов (ИИ) моделей (DNN, LSTM и др) на исторических данных “с учителем”.

Первая

https://finbazar.ru/post/186859-suslik-est-ili-net-sravnenie-rsi-random-i-ii-ml-dl-dnn-lstm-v-trejdinge

Вторая

https://finbazar.ru/post/818752-kak-menyaetsya-equity-esli-uchitel-ii-dnn-lstm-budet-menee-dergannym

Так вот.

Постановка задачи

Использовать свернутые данные в один числовой вектор (‘x’) по котировками и второй вектор (‘y’) с метками от 1 до 2 (продать или купить) в качестве учителя (‘dt_train / train’).

Второй вектор (‘test’), тестовый, использовать в качестве задачи поиска наиболее подходящего значения из набора train. Найти значение с наименьшим разностным остатком, вывести найденное значение, вывести соответствующее значение из вектора ‘y’, подсчитать процент совпадения ‘p’. Вывести результат в JSON формате и таблице.

Предварительно был загружен тренировочный набор ‘dt_train / train’.

Промпт выглядит так:

x
1,053252588
-0,293614992
-0,194761592
-0,34980501
-0,310607875
-0,051729657
-0,367246745
0,287114539
-0,427839421
-0,370099426

Сопоставь со значениями из поискового индекса dt_train / train, найди наиболее подходящие значения из колонки 'y'. Напротив каждой строки, дополнительно выведи колонку 'p' с вероятностью совпадения. Выведи только результат в формате JSON.

На все результаты будет отдельная ссылка (текстовый файл), так как много “воды” в ответах чатов ГПТ, экономлю ваше время. Кто захочет, посмотрит и возможно перепроверит результаты.

Результаты тестирования

№ 1

https://disk.yandex.ru/i/yUXdVozT6mwMlQ

Не удовлетворительно.

№ 2

https://disk.yandex.ru/i/AIiaKTZPHY8LiA

Не удовлетворительно.

№ 3

https://disk.yandex.ru/i/rwg7xTKr5V6Bug

Не удовлетворительно.

№ 4

https://disk.yandex.ru/i/CXm8vnrPAJHtVA

Тест пройден, точность 100%.

№ 5

https://disk.yandex.ru/i/YaAxdFUVs-4y5g

Не удовлетворительно.

№ 6

https://disk.yandex.ru/i/zT1eNJ4yoBg2_g

Тест пройден, точность 100%.

№ 7

https://disk.yandex.ru/i/MUmFz3z0b0uXDw

Тест пройден, точность 100%.

№ 8

https://disk.yandex.ru/i/SFr-NTmgdpl80Q

Не удовлетворительно.

№ 9

https://disk.yandex.ru/i/BfeLsyutneYScg

Не удовлетворительно.

Расшифровка

№ 1 - DeepSeek 4 Flash (~2-5 минут) - не удовлетворительно

№ 2 - DeepSeek 4 Flash (~2-5 минут) - не удовлетворительно

№ 3 - DeepSeek 4 Flash (~2-5 минут) - не удовлетворительно

№ 4 - Claude Sonnet 5 (40 секунд) - тест пройден, точность 100%.

№ 5 - GigaChat 3 Ultra (10 секунд) - не удовлетворительно

№ 6 - RStudio, язык R (0,01 секунда), скрипт - https://disk.yandex.ru/i/RSHBKPumr1jMUw - тест пройден, точность 100%.

№ 7 - ChatGPT-5.6 Luna (10 секунд) - тест пройден, точность 100%.

№ 8 - Excel ВПР, ПОИСКПОЗ+ИНДЕКС (1 секунда + сортировка)

№ 9 - ChatGPT-5.6 Luna (10 секунд) - не удовлетворительно

Полный пакет файлов с результатами и исходниками - https://disk.yandex.ru/d/-kBOHYdMpTyG_w

Выводы

Будьте очень осторожны при постановке задач поиска оптимального математического решения (задача оптимизации по минимальной или максимально функции), когда делегируете это в ИИ модели (чаты или API). Из ИИ доступных сервисов и чатов GPT, задачу поиска подходящего значения через минимальные остатки решил только Claude Sonnet 5 за 40 секунд.

ChatGPT сначала выдал не правильно, потом правильно.

DeepSeek не смог решить задачу, всегда выдавал разные результаты и очень долго это делал.

YandexGPT 5.1 не решил, так как выходных токенов ему не хватило, уперся в свои ограничения. Даже с YDB.

Excel с некоторым приближением достаточно хорошо решает подобные задачи, но не здесь.

В RStudio на языке R эта задача выполняется за 0,01 секунду, с помощью одной строки: nearest_idx <- sapply(x, function(v) which.min(abs(target_x - v))).

В данный момент сервисы с LLM моделями либо не могут решить, либо расходуют слишком много времени (энергии) на ее решение.

Был ли у вас какой либо положительных или отрицательных опыт, поделитесь.

Три термина — искусственный интеллект (ИИ), машинное обучение (МО) и глубокое обучение (ГО) — сегодня на слуху, но их часто путают или используют как синонимы. Между тем за этими понятиями стоит не только иерархия технологий, но и драматичная история научных взлётов и разочарований, разные математические парадигмы и инженерные практики. Понимание этих различий критично не только для исследователей, но и для бизнеса, который выбирает между простой регрессией и многомиллиардной языковой моделью.

В этой статье мы разберём эволюцию подходов, объясним ключевые архитектуры, сравним классическое машинное обучение и глубокое обучение с точки зрения данных, вычислений, интерпретируемости и жизненного цикла. Мы также затронем вопросы MLOps и этики, без которых невозможно построить надёжную промышленную систему.

1. Иерархия технологий: луковица интеллекта

Искусственный интеллект — это широкая область информатики, цель которой — создание систем, имитирующих когнитивные функции человека: восприятие, рассуждение, обучение, планирование. Однако способы достижения этой цели исторически менялись.

- Искусственный интеллект включает любые интеллектуальные системы: от экспертных систем, основанных на правилах, до современных нейросетевых моделей.

- Машинное обучение — подход, при котором система не программируется явно, а обучается на данных, выявляя закономерности.

- Глубокое обучение — метод машинного обучения, использующий многослойные нейронные сети для автоматического извлечения иерархических признаков.

Таким образом, ГО ⊂ МО ⊂ ИИ. Но чтобы понять, почему эти слои сформировались именно так, нужно обратиться к истории.

2. Исторический контекст: зимы и возрождения ИИ

Развитие ИИ никогда не было линейным. Оно шло через циклы завышенных ожиданий, провалов и возрождений.

2.1. Символический ИИ и первая зима (1950–1970-е)

Первые системы ИИ (1950–1960-е) строились на символьных вычислениях: логических правилах, деревьях поиска, экспертных базах знаний. Считалось, что интеллект можно описать формальными символами и манипуляциями над ними. Однако к началу 1970-х стало ясно: машинный перевод далёк от совершенства, а универсальные решатели задач упираются в комбинаторный взрыв. Финансирование (особенно от DARPA) резко сократилось — наступила первая «зима ИИ».

2.2. Экспертные системы и вторая зима (1980-е — начало 1990-х)

В 1980-х наступил ренессанс: коммерческий успех экспертных систем (например, XCON для конфигурации компьютеров DEC) привлёк инвестиции. Появились специализированные Lisp-машины, японский проект Fifth Generation обещал создать компьютер нового поколения. Но рынок рухнул: экспертные системы оказались дорогими в сопровождении, хрупкими и плохо масштабировались. К началу 1990-х вторая зима похоронила символический подход.

2.3. Статистическое обучение: тихое возрождение (1990-е — 2000-е)

Пока символисты доминировали, статистические методы — байесовские сети, SVM, ансамбли — постепенно набирали силу. Именно они легли в основу современного машинного обучения. Алгоритмы вроде Random Forest и градиентного бустинга показали, что можно строить точные модели на табличных данных без попыток воспроизвести «мышление». Этот период ознаменовал переход от «инженерии знаний» к «обучению на данных»...

#DST #DSTGlobal #ДСТ #ДСТГлобал #Искусственныйинтеллект #машинноеобучение #глубокоеобучение #LLM #ChatGPT #ГаллюцинацииLLM #EUAIAct #DataDrift #ConceptDrift #StableDiffusion #DALLE #BERT #GPT #AlphaGo #DARPA

Источник: https://dstglobal.ru/club/1254-iskusstvennyi-intellekt-mashinnoe-i-glubokoe-obuchenie

Термином «ИИ-агент» уже второй год закидывают всё подряд, и многие до сих пор путают его с прокачанным ИИ чат-ботом.

По-факту, разница принципиальная:

ИИ чат-бот отвечает на вопрос, а ИИ-агент сам решает, что делать и в каком порядке, действует от вашего имени и доводит задачу до результата — сходит на сайты и достанет оттуда инфу, сгенерит табличку, напишет кусок кода, разберётся в куче файлов и т.д., а не просто выдаст текст, который вам ещё разгребать руками.

Именно эти способности ИИ-агентов бизнес и купил.

В 2026 году компании удваивают свои инвестиции в ИИ, и почти половина этих денег идёт именно в ИИ-агентов.

Потому что большинство руководителей наконец ждут не хайпа, а окупаемости, и ИИ-агенты дают её лучше, иногда.

Логично, что первыми тут оказались те, кто уже вложился в модели по-крупному.

За рубежом — это Claude Cowork от Anthropic и недавний Work от GPT, а у нас в похожую степь недавно двинулся Сбер со своим GigaCowork.

И вот, с ним есть любопытный момент.

На Хабре, из чистого исследовательского азарта, решили глянуть, что у него там под капотом.

Через фингерпринтинг — задавали простые вопросы вроде «назови цвет» или «какие часы» — и получали узнаваемый набор ответов («синий», Rolex, ...), характерный для конкретной модели.

По совокупности примёт пришёл к выводу, что внутри сидит китайский Qwen3-235B.

Значит ли это, что тут нет своей разработки, а Сбер просто гоняет китайский опенсорс?

Ну, не совсем, так сказать и сие было бы большим упрощением.

Тут очень похоже на торговую марку из ритейла.

Условная Пятерочка или Ашан продают под своим лейблом крупу, которую физически делает третий завод, а сами вкладываются в закупки, логистику и полку, и чтобы вам было удобно и хорошо. Значит ли это, что вам нужно закупаться на заводе, а не в магазине? Нет, конечно, ведь ценность в другом.

Вот и с ИИ-агентами разумно поступать так же, потому что главное — это финальный результат, юзабилити, сценарность и т.д.

Обучение своей LLM топ-уровня стоит сотни $ миллионов, так что кое-где (в конкретной области) взять сильный опенсорс и сфокусироваться на его адаптации и агентной обвязке сверху — вполне здравый ход.

Да, это хорошая новость для всех, кто смотрит на рынок ИИ-агентов в России.

В какой-то точке развития решать начинает не то, чья модель под капотом, а как быстро дотянут обвязку — память, разрешения, интеграции и пр.

А ресурсов и данных, чтобы это сделать быстро, у Сбера как раз точно хватит.

#Россия #Сбер #бизнес #ИИ #AI #LLM

https://habr.com/ru/articles/1074136/

Пост №3.2 (из 4)

AI-заводы: не только лиды. Топ-10 направлений. Часть 2

Продолжаю серию из 4 постов про направления AI-заводов. В первой части разобрал контент-завод и завод обработки заявок. Теперь — ещё три мощных сценария.

3. Завод подготовки коммерческих предложений

Что делает: превращает вводные от клиента (запрос, бриф, встречу) в структурированное КП с ценами, сроками, условиями.

Этапы:

экстракция требований и ограничений;

подбор типовых решений из базы кейсов;

расчёт стоимости и сроков по шаблонам;

генерация текста КП в нужном тоне;

проверка менеджером / юристом;

отправка клиенту + логирование версии.

Результат: КП готовятся за минуты, а не часы, с единым стандартом качества.

4. Завод первичного анализа документов

Что делает: принимает договор, оферту или заявку, выделяет ключевые пункты, риски, несоответствия внутренней политике.

Этапы:

извлечение сторон, сроков, сумм, условий;

проверка по чек-листу рисков (штрафы, односторонние изменения, конфиденциальность);

сравнение с типовой формой компании;

генерация саммари: «зелёные / жёлтые / красные зоны»;

human approval юриста;

вывод: отчёт + рекомендации.

Результат: юристы тратят время на сложные случаи, а не на первичный разбор.

5. CRM-завод повторных продаж и удержания

Что делает: анализирует базу клиентов, сегментирует, готовит персонализированные предложения и напоминания.

Этапы:

сегментация: по последнему заказу, сумме, давности, категории;

подгрузка истории взаимодействий;

генерация предложений: доп. услуги, апсейл, реактивация;

планирование касаний (email, мессенджер, звонок);

human approval маркетинга / аккаунт-менеджера;

отправка + фиксация реакции.

Результат: растёт LTV, возвращается «уснувшая» база без ручного перебора.

Продолжение следует! В следующей части — заводы обучения, аналитики и онбординга.

#AIзавод #LLM #оркестрация #автоматизация #бизнес #стартап #AIагенты #vibecoding #технологии #предпринимательство

Пост №3.1 (из 4)

AI-заводы: не только лиды. Топ-10 направлений. Часть 1

Вы уже видели мои посты про AI-завод по лидам. Но если вы думаете, что AI-заводы — это только про лидогенерацию, вы упускаете 90% возможностей.

AI-завод — это не «бот для клиентов». Это архитектура повторяемого бизнес-процесса, в котором модели, агенты, API, базы знаний, скрипты, проверки и люди последовательно создают измеримый результат.

Сегодня начинаю серию из 4 постов с топ-10 направлений, где такие заводы уже приносят пользу. Сохраняйте, чтобы не потерять.

1. Контент-завод

Что делает: превращает одну идею / интервью / вебинар в серию постов, статей, сценариев, рассылок и каруселей.

Этапы:

экстракция ключевых тезисов из исходника;

адаптация под разные форматы (пост, статья, сценарий, email);

проверка на факты и соответствие тону бренда;

human approval редактора;

публикация или отправка в контент-план.

Результат: в 3–5 раз больше контента при том же объёме исходного материала.

2. Завод обработки заявок и квалификации лидов

Что делает: принимает заявки из разных каналов (сайт, Telegram, почта, формы), классифицирует, извлекает данные, готовит черновик ответа.

Этапы:

классификация: sales / support / billing / other;

экстракция: имя, контакт, суть запроса, приоритет;

подгрузка истории клиента из CRM / базы;

генерация персонализированного черновика;

human approval для критичных случаев;

отправка ответа + обновление CRM.

Результат: быстрее реакция, меньше рутины у менеджеров, выше конверсия в диалог.

Продолжение следует! В следующей части — заводы КП, анализа документов и повторных продаж.

#AIзавод #LLM #оркестрация #автоматизация #бизнес #AIагенты #vibecoding #технологии #предпринимательство