Найти похожее

✔️Биотех в фокусе На прошедшем в Москве Форуме будущих технологий главной темой стала биоэкономика — и обсуждение однозначно показало: будущее биотеха в России неразрывно связано с Big Data и искусственным интеллектом. ☑️В течение двух дней эксперты из разных областей искали ответы на ключевой вопрос: как развивать биотехнологии в нашей стране? Вывод оказался четким: без систем сбора и анализа больших данных двигаться вперед едва ли получится. ⚡️Особое внимание на форуме уделили биоинформатике — и о ее роли в современном биотехе рассказал Олег Гусев, руководитель лаборатории геномных и постгеномных технологий в животноводстве Уфимского научного центра РАН, участника Федеральной научно-технической программы развития генетических технологий на 2019–2030 годы. Фокус на биотех — это стратегический выбор: анализ больших данных уже обеспечивает прорывы в медицине, фармакологии и сельском хозяйстве. По словам Олега Гусева, сегодня биотехнология фактически стала новым IT‑сектором: «ДНК — это код программирования жизни. Понимание этого кода дает нам преимущество в разработке технологий, когда мы можем управлять биологическими процессами на принципиально новом уровне». ✅ Больше о перспективах биоинформатики смотрите в полном интервью по ссылке. 🙂Дирекция НТП осуществляет сопровождение Федеральной научно-технической программы развития генетических технологий на 2019–2030 годы по поручению Минобрнауки России. 🙂 #биотех#биоинформатика ❤️ Дирекция НТП вTG | VK|MAX

🥼Ученые из Imperial College London опубликовали обзор по использованию машинного обучения для предсказания свойств ионных жидкостей (IL, ionic liquid). 👀В обзоре дается краткое описание базовых концептов машинного обучения, а также примеры использования ML (machine learning) для предсказания вязкости, плотности, температуры плавления, поверхностного натяжения, токсичности и растворимости газов в IL. Авторы также подробно описывают проблемы существующих датасетов и пути развития в будущем. #IL#ML💻

📌Ян Лекун: индустрия движется в тупик, игнорируя реальный путь к AGI. Один из пионеров глубокого обучения и лауреат премии Тьюринга Ян Лекун резко критикует вектор развития ИИ. Покинув пост в империи Марка Цукерберга в ноябре прошлого года, он говорит, что Кремниевая долина стала жертвой стадного чувства. Исключительный фокус на больших языковых моделях — это тупиковый путь, который не приведет к созданию AGI, несмотря на колоссальные инвестиции. Лекун утверждает, что индустрия буквально одурманена LLM. Фундаментальная проблема архитектуры трансформеров заключается в отсутствии способности к планированию и пониманию физического мира. Системы, построенные на них обучаются исключительно на цифровых массивах данных; они могут предсказывать текст, но не понимают причинно-следственных связей реальности и не могут моделировать последствия своих действий. Масштабирование языковых моделей имеет жесткий предел и не позволит достичь даже уровня человеческого интеллекта, не говоря уже о сверхразуме. Для реализации своего видения Лекун основал Advanced Machine Intelligence Labs (AMI Labs). Стартап планирует создание систем, способных строить планы и прогнозировать исходы событий - то, чего лишены современные генеративные модели. Отдельно досталось американским техно-гигантам за секретность. Лекун считает отказ от Open Source катастрофой и стратегической ошибкой. Пока корпорации в США прячут разработки под замок, пытаясь сохранить лидерство, китайские компании используют открытый код и могут перехватить инициативу за счет скорости и креативности. @ai_machinelearning_big_data #news#ai#ml

Летняя социологическая школа ВШССН В программе школы — лекции ведущих специалистов социологической индустрии и руководителей магистерских программ ВШССН МГУ по навыкам, необходимым социальным аналитикам. 📍Где: онлайн 📅Когда: 17–18 июня 2025 г. 👥Для кого: студентов, аспирантов, молодых ученых, а также всех, кто интересуется социологией, анализом данных 💸Условия: участие бесплатное ⏰Дедлайн: 12 июня 2025 г. ➡️Подробнее ➡️StudyGrants - стажировки| стипендии| летние школы 🌎 #летние_школы #социология#гуманитарные

📌Почему языковые модели галлюцинируют. OpenAI опубликовали исследование о причинах галлюцинации LLM. Галлюцинации - это не мистический сбой в сознании ИИ, а вполне предсказуемый побочный эффект его обучения. Представьте, что перед моделью стоит задача бинарной классификации - определить, является ли предложенное утверждение корректным или нет. Математическая выкладка в исследовании проста: уровень ошибок генерации как минимум в 2 раза превышает уровень ошибок классификации. Если модель не способна надежно отличить факт от вымысла, она неизбежно будет этот вымысел генерировать. 🟡Все начинается еще на претрейне. Даже на идеально чистых данных статистические цели обучения подталкивают модель к генерации ошибок. Особенно это касается фактов, которые редко встречаются в обучающей выборке. В работе вводится понятие singleton rate — доля фактов, которые появились в данных лишь один раз. Теоретический расклад показывает, что уровень галлюцинаций модели будет как минимум равен этой доле. Проще говоря, если 20% фактов о днях рождения в датасете встретились единожды, модель будет выдумывать дни рождения как минимум в 20% случаев. 🟡Эксперименты это подтверждают. Модель DeepSeek-V3, на просьбу назвать день рождения одного из авторов статьи, трижды выдала неверные даты: 03-07, 15-06 и 01-01. Ни одна из них не была даже близка к правильной (осенью). В другом тесте, где нужно было сосчитать количество букв D в слове DEEPSEEK, та же DeepSeek-V3 выдавала 2 или 3, а модели компании Марка Цукерберга и Claude 3.7 Sonnet доходили до 6 и 7. При этом базовые модели после претрейна часто показывают отличную калибровку. Например, у предобученной GPT-4 ожидаемая ошибка калибровки составляла всего 0.007, что говорит о высокой статистической адекватности ее предсказаний. Кто бы сомневался. 🟡Почему галлюцинации не исчезают после пост-тренинга и RLHF? Ответ на этот вопрос - в системе оценки. Большинство современных бенчмарков поощряют угадывание. Модели, по сути, постоянно находятся в режиме сдачи экзамена, где за правильный ответ дают 1 балл, а за пустой бланк или ответ я не знаю - 0. В такой системе оптимальная стратегия при неуверенности - только угадать. Любой шанс на правильный ответ лучше, чем гарантированный ноль. Эту гипотезу подтвердили анализом популярных оценочных наборов. В GPQA, MMLU-Pro, Omni-MATH, SWE-bench и HLE используется строго бинарная система оценки (правильно/неправильно). Возможности получить частичный балл за честное признание в незнании там просто нет. Из 10 рассмотренных в исследовании популярных бенчмарков только один, WildBench, присуждает частичные баллы за ответы формата я не знаю. Остальные же фактически наказывают модель за отказ галлюцинировать, создавая эпидемию штрафов за неуверенность и поощряя ее выдавать правдоподобную ложь. 🟡Что делать инженерам. OpenAI предлагает встраивать явные целевые уровни уверенности в рубрики, вводить поведенческую калибровку и оценивать модели по секциям с разными порогами уверенности. Еще рекомендуют включают мониторинг singleton-rate на корпусе, измерение вероятности важных ответов, комбинирование RAG с верификацией фактов и изменение лидербордов чтобы ответы я не знаю не штрафовались автоматически. 🔜Читать статью полностью @ai_machinelearning_big_data #AI#ML#LLM#Research#OpenAI

🙂 RAG — важная аббревиатура современного машинного обучения 🎁 RAG — retrieval-augmented generation или генерация, дополненная поиском, — подход, при котором генерация ответа большой языковой модели (LLM) осуществляется на основе данных, полученных в результате поиска по внешним ресурсам (это могут быть файлы, базы данных, веб-архивы и другие источники). 🧑‍💻 14 августа в 12:00 (Мск) Яндекс.Cloud приглашает на вебинар, посвящённый сценарию RAG на YDB (СУБД Яндекса) и тому, как реализовать семантический поиск, обогащая ответы LLM-моделей в ИИ-решениях, которые работают с текстовыми массивами знаний. 🔜Регистрация 👩‍💻 28 августа в 11:00 (Мск) провайдет Cloud.ru (в прошлом SberCloud) приглашает на вебинар о том, как с помощью Evolution Managed RAG избавить AI-агента от галлюцинаций, предоставляя релевантную информацию из ваших документов, как подготовить документы, где их хранить и как правильно настроить обработку данных для улучшения качества ответа LLM без дообучения. 🔜Регистрация Ещё по теме RAG: 🙂Размышление о пользе RAG для цифровой истории 😉Что такое RAG? — простыми словами рассказывает СБъ Иллюстрация от fusionbrain.ai по промту «retrieval-augmented generation или генерация, дополненная поиском» #ии#ai#ml#rag#термины

🙂Новый выпуск «Цифровой среды» с Борисом Ковалевым — уже в сети Делимся записью 38 выпуска семинара Института цифровых гуманитарных исследований СФУ «Цифровая среда» с докладом ассистента кафедры романской филологии СПбГУ Бориса Ковалева «Тысячеликий автор: что частотно-распределительный подход может рассказать о динамике стиля». Борис Вадимович поделился опытом, связанным с разработками в области стилеметрии — «прикладной филологической дисциплины, которая мыслит стиль как набор принципиально исчислимых параметров», осветил методологические вопросы и рассказал о нюансах частотно-распределительного подхода. СтилОметрия vs. стилЕметрия, квантитативная лингвистика vs. квантитативная филология, стилеметрия атрибутивная vs. стилеметрия описательная, Москва vs. Санкт-Петербург? Смотрим: 🔜YouTube 🔜Rutube 🔜VK Видео #цифроваясреда#филология#лингвистика#чтопосмотреть#чтопослушать#стилеметрия#ML

5 книг, которые помогут разобраться в вопросах атрибуции авторства (в том числе при помощи стилометрии) 🙂 Встречаем пятницу, и вместе с ней – #пятикнижие от доцента Школы философии и культурологии факультета гуманитарных наук НИУ ВШЭ, руководителя проектной группы «Цифровая античность» Ольги Алиевой. 1️⃣Anthony Kenny. The Computation of Style: An Introduction to Statistics for Students of Literature and Humanities (1982). Британский философ, воспитанный на Аристотеле, Фоме и Витгенштейне, написал небольшое и внятное (возможно, самое внятное) введение в статистику для гуманитариев. Неустаревающая классика. 2️⃣Jacques Savoy. Machine Learning Methods for Stylometry (2020). Специалист по автоматической категоризации текстов Жак Савой найдет, что сказать и про апостола Павла, и про Элену Ферранте, и даже про Дональда Трампа. Доходчивое объяснение методов современной компьютерной стилометрии – от базовых алгоритмов МО до нейросетевого анализа. Все примеры – с кодом на языке R. 3️⃣Harold Love. Attributing Authorship (2002). Рафинированный литературовед рассказывает об атрибуции авторства с примерами из Иеронима и Эразма. Риторический лоск, концептуальные обобщения, цитаты из Йейтса и Фуко, никаких таблиц. Непростое, но вознаграждающее чтение. 4️⃣Hugh Craig, Arthur F. Kinney, eds. Shakespeare, Computers, and the Mystery of Authorship (2009). Хороший пример количественного исследования, которое обходится без «черных ящиков» и не подменяет разговор о стиле разговором о статистике. Книга поможет сориентироваться в шекспировском вопросе, а заодно понять, что такое Zeta. 5️⃣Massimo Salgano. Stylistics, Stylometry and Sentiment Analysis in German Studies: Operationalization of Literary Values (2023). Несмотря на неряшливое изложение и рыхлую композицию, работа не лишена теоретических прозрений, из которых важнейшее — указание на связь стилометрии с «уликовой парадигмой» Карло Гинзбурга. #чтопочитать#стилометрия#статистика#языкR#ML#исследования