Недавно исследователи AIRI выложили в открытый доступ фреймворк автоматической генерации и оптимизации GPU-ядер KernelEvo. Фреймворк основан на разработке GigaEvo в которой принимала участие научная группа «Генеративное проектирование» лаборатории FusionBrain, который запускает MAP-Elites эволюцию над Python-кодом, используя LLM как оператор мутации. KernelEvo — это применение этой же идеи к GPU-ядрам вместо произвольных программ.

GigaEvo создан для автоматизации задач машинного обучения, включающих оптимизацию моделей, параметров, признаков и LLM‑ориентированных методов. Решение минимизирует участие специалистов, ускоряет цикл экспериментов и повышает качество итоговых моделей. Это платформа, которая берёт на себя рутинную часть научных исследований, проводимых в области искусственного интеллекта, снижая порог входа и экономя время ресёрчера.

Подробнее о нашей разработке ➡️ GitHub и Habr

В связи с расширением моей команды по разработке автономных универсальных ИИ-агентов в Сбере ищу сотрудников!

Чем мы занимаемся:
— Разрабатываем AI-агенты с адаптивным поведением и полной автономией — они самостоятельно решают задачи, учатся на данных и масштабируются в реальных сценариях (проектирование ядра агента, работа с «глубокими агентами», внедрение самообучающих петлей, построение мультиагентных систем)
— Создаем инструменты для развертывания и мониторинга моделей — от бесшовного деплоя в продакшен до автоматизированного отслеживания производительности, ошибок и оптимизации

Кого ждём:

🔘Middle/Senior AI Agent Engineer (Python)

Минимальный стек:
— Python 3.10+ (async, LangChain/LangGraph — StateGraph, чекпоинты, стриминг)
— LLM-провайдеры (OpenAI, Anthropic, OpenRouter), tool use, MCP для API/OAuth2
— Memory/RAG: векторные БД (Qdrant, Milvus, PGVector), гибридный поиск, факт-извлечение
— Мультиагенты: оркестрация (CrewAI-подобные), циклы восприятие→действие→рефлексия, самообучение
— Файловые системы как контекст-менеджеры, Docker, облака (AWS Bedrock, Azure)
— Безопасность: sandbox, safety-агенты, откат, белые списки, аудит

Must have:
— 3+ года Python (промышленный async)
— LangChain/LangGraph + RAG/векторные БД
— Промпт-инжиниринг (system-промпты уровня Claude), tool calling
— Знание LLM-архитектур, способов расширения моделей, принципов обучения/файнтюнинга
— Опыт мультиагентных систем и самообучающихся петель

Опыт: 3+ года

🔘Backend (Java/Python)

Минимальный стек:
— Java 17+ (Spring, JPA, Security, WebClient) или Python 3.10+ (FastAPI/Django, DRF, async)
— REST API, транзакции, индексы, N+1, очереди, таймауты
— JWT/OAuth2, базовая безопасность, CI, контейнеры, K8s (basics)
— Логи, метрики, трассы — чтобы ловить проблемы по следам
— Unit + интеграционные тесты, code review, контракты

Опыт: 2–3 года

🔘Full-stack Frontend (React + Node.js)

Минимальный стек:
— React + TypeScript
— Любой стейт-менеджер (Effector / Redux / Zustand / MobX / Vuex)
— Node.js (Express/NestJS) + REST API
— MongoDB / PostgreSQL, JWT/OAuth
— Git, CI/CD, Docker, Vite/Webpack, Jest/Cypress

Будет плюсом: Next.js, оптимизация, SEO, WebSockets, облака (AWS/GCP/Azure)

Опыт: 2–3 года

➡️ Откликаться: @emilfrolov

А вы знали, что методы генерации видео можно использовать для прогноза погоды?

Наша команда разработала Marchuk — первую в России генеративную модель для прогнозирования климатических рисков.

Мы взяли диффузионные трансформеры (которые обычно генерируют изображения и видео) и научили их предсказывать погоду. И вот что получилось:

✔️Субсезонный диапазон: Marchuk позволяет строить прогнозы на 15-30 дней вперёд
✔️Компактная модель: имея всего 276M параметров, она показывает сопостовимое качество с 1,6B аналогом
✔️Доступность: Код и веса модели в открытом доступе, а запустить ее можно всего на одной видеокарте или в Colab

💡 Имя модели — дань уважения математику Гурию Ивановичу Марчуку, заложившему основы численного моделирования климатических процессов.

👇 Читайте подробности о разработке по ссылкам:
ArXiv | Project Page | GitHub | Colab | HF

19 сентября состоится Practical ML Conf — хардовая конференция по практическому применению ML, где будем обсуждать технологии, которые уже работают!

Я состою в программном комитете уже не перый год, буду рад видеть вас лично и познакомиться с вашими проектами. Программный комитет отбирает доклады, опираясь на четыре основных критерия: пользу и новизну для сообщества, применимость на практике и хардовый уровень сложности.

Что планируем:

⚪ Эксперты программного комитета дадут советы по структуре и содержанию доклада
⚪ Прогоны материала вместе с тренером по публичным выступлениям
⚪ Нетворкинг с сильным ML-комьюнити
⚪ Промо спикеров и докладов до и после конференции
⚪ И самое главное — вы сможете стать частью главной конференции Яндекса по машинному обучению

Приём докладов заканчивается сегодня!

Подписывайтесь:
🔗 @Practical_ML_Conf

ИИ уже меняет бизнес — вопрос только в том, кто им управляет?

Магистратура «Управление внедрением ИИ в бизнес» от МИФИ и «Школы 21» — для тех, кто хочет быть этим человеком.

Фокус обучения:
➡️ живые сценарии — куда встроить ИИ, чтобы было быстрее, дешевле, эффективнее
➡️ управление продуктами и понимание технологий, чтобы разговаривать с разработчиками на одном языке
➡️ реальные проекты от компаний прямо во время учёбы

А в конце — диплом МИФИ и портфолио, с которым можно идти на собеседование!

Все подробности и заявка — на сайте.