🔥 Открытое занятие по AgentOps — курс стартовал!
Сегодня в 19:00 по МСК пройдет первое занятие нового потока, на которое может прийти каждый. Оцените пользу нашего подхода на ретрансляции урока в VK!
👨💻 Спикер: Андрей Носов
Тема: Архитектура управления: state machine для AI-агентов
Будем разбираться, как использовать State machine в качестве главного оружия против стохастики (непредсказуемости) LLM.
Что в программе:
● State machine: инварианты и терминальные состояния;
● Паттерны маршрутизации: Supervisor, ReAct, Plan-and-Solve;
● Детекция циклов и настройка аварийных выходов;
● Абстракция от модели: как сделать каркас, который переживет смену LLM/провайдера;
● Адаптация графов под ограничения локальных моделей;
● Версионирование графов и миграции стейта.
Результат занятия: Вы поймете, как спроектировать надежный каркас агента с жестким контролем исполнения и переходов.
👉 Подписывайтесь на нашу группу ВКонтакте, чтобы не пропустить старт трансляции!
Сегодня в 19:00 по МСК пройдет первое занятие нового потока, на которое может прийти каждый. Оцените пользу нашего подхода на ретрансляции урока в VK!
👨💻 Спикер: Андрей Носов
Тема: Архитектура управления: state machine для AI-агентов
Будем разбираться, как использовать State machine в качестве главного оружия против стохастики (непредсказуемости) LLM.
Что в программе:
● State machine: инварианты и терминальные состояния;
● Паттерны маршрутизации: Supervisor, ReAct, Plan-and-Solve;
● Детекция циклов и настройка аварийных выходов;
● Абстракция от модели: как сделать каркас, который переживет смену LLM/провайдера;
● Адаптация графов под ограничения локальных моделей;
● Версионирование графов и миграции стейта.
Результат занятия: Вы поймете, как спроектировать надежный каркас агента с жестким контролем исполнения и переходов.
👉 Подписывайтесь на нашу группу ВКонтакте, чтобы не пропустить старт трансляции!
😁1
На практике замечено, что модели, обученные с большим шагом обучения и маленьким размером батча, обобщают данные лучше, чем модели, обученные на огромных батчах с крошечным шагом.
Какова математическая природа этого феномена в ландшафте функции потерь?
Какова математическая природа этого феномена в ландшафте функции потерь?
Anonymous Quiz
15%
Стохастический шум маленьких батчей физически стирает глобальные минимумы
20%
Стохастический шум маленьких батчей физически стирает глобальные минимумы
11%
Большой шаг обучения зануляет градиенты на последних слоях сети
50%
Шумный SGD выталкивает траекторию обучения из sharp minima и направляет её в flat minima
4%
Не знаю
❤2👍1
💰 Почему одним Data Scientist платят больше, чем другим?
Дело не только в знании Python и ML-библиотек. Во многих компаниях уровень специалиста оценивают по математической подготовке: теории вероятностей, статистике, линейной алгебре и математическому анализу.
Именно эти знания помогают понимать модели, решать более сложные задачи и претендовать на позиции с более высокой оплатой.
На курсе «Математика для Data Science» вы изучите разделы, которые используются в работе Data Scientist и ML Engineer.
Что вас ждёт:
🔹 40+ видеолекций и 150+ практических заданий на Python
🔹 Проверка домашних работ и обратная связь от преподавателей
🔹 Подготовка к техническим собеседованиям
🔹 Программа от преподавателей ВМК МГУ, НИУ ВШЭ и экспертов индустрии
👉 Записаться на бесплатный демо-урок
Дело не только в знании Python и ML-библиотек. Во многих компаниях уровень специалиста оценивают по математической подготовке: теории вероятностей, статистике, линейной алгебре и математическому анализу.
Именно эти знания помогают понимать модели, решать более сложные задачи и претендовать на позиции с более высокой оплатой.
На курсе «Математика для Data Science» вы изучите разделы, которые используются в работе Data Scientist и ML Engineer.
Что вас ждёт:
🔹 40+ видеолекций и 150+ практических заданий на Python
🔹 Проверка домашних работ и обратная связь от преподавателей
🔹 Подготовка к техническим собеседованиям
🔹 Программа от преподавателей ВМК МГУ, НИУ ВШЭ и экспертов индустрии
👉 Записаться на бесплатный демо-урок
Media is too big
VIEW IN TELEGRAM
📹 Из чего на самом деле состоит ИИ-агент?
Прикрепили для вас свежую вырезку из вебинара. Внутри, что прячется под капотом агентных систем: от LLM-ядра до вызова внешних инструментов. Обсуждаем, какими бывают агенты (спойлер: далеко не только автономными) и когда какой подход использовать.
Готовы перейти от видео к практике и собрать свой первый продакшн-кейс?
Прямо сейчас у нас действует акция «3 курса по цене 1»:
Сомневаетесь, подойдет ли вам формат? Оставьте заявку и пройдите бесплатный демо-урок, чтобы протестировать платформу перед покупкой.
👉 Пройти демо-урок и забрать 3 курса по цене 1
Прикрепили для вас свежую вырезку из вебинара. Внутри, что прячется под капотом агентных систем: от LLM-ядра до вызова внешних инструментов. Обсуждаем, какими бывают агенты (спойлер: далеко не только автономными) и когда какой подход использовать.
Готовы перейти от видео к практике и собрать свой первый продакшн-кейс?
Прямо сейчас у нас действует акция «3 курса по цене 1»:
🔹 При покупке VIP-тарифа нового потока «Разработка ИИ-агентов» вы получаете в подарок хардкорный курс «AgentOps» + ещё один любой курс Академии на ваш выбор!
🔹 Ваша чистая экономия — 129 000 ₽! Два топовых курса по созданию и контролю агентов обойдутся вам всего в 134 000 ₽ вместо 263 000 ₽. Плюс третий курс бонусом (например, «Математика для AI»).
Сомневаетесь, подойдет ли вам формат? Оставьте заявку и пройдите бесплатный демо-урок, чтобы протестировать платформу перед покупкой.
👉 Пройти демо-урок и забрать 3 курса по цене 1
❤2
Мы восстанавливаем пропущенные элементы в матрице (Matrix Completion), представив её как произведение двух глубоких линейных слоев W=W2W1, и обучаем градиентным спуском.
Какое неявное структурное ограничение накладывает SGD на итоговую матрицу W?
Какое неявное структурное ограничение накладывает SGD на итоговую матрицу W?
Anonymous Quiz
27%
Он неявно минимизирует ранг матрицы
24%
Он заставляет матрицу W быть строго ортогональной
28%
Он превращает матрицу W в разреженную диагональную структуру
11%
SGD заставляет все элементы матрицы быть строго положительными
10%
Не знаю
❤1
DPO имеет слабость по сравнению с PPO: он обучается на фиксированном датасете пар.
К какому негативному эффекту это может приводить, если модель в процессе DPO-обучения начинает генерировать ответы, уходящие далеко в сторону от обучающей выборки?
К какому негативному эффекту это может приводить, если модель в процессе DPO-обучения начинает генерировать ответы, уходящие далеко в сторону от обучающей выборки?
Anonymous Quiz
34%
Модель полностью теряет способность понимать промпты
46%
Модель может стать нестабильно
4%
Вычислительный граф PyTorch падает с ошибкой сегментации памяти
9%
Модель начинает отвечать кодом на любые абстрактные вопросы
7%
Не знаю
❤1
🔥 Как перестать слепо доверять ИИ и начать им управлять?
1–2 августа на «ИИ-выходных» вы научитесь проектировать архитектуру автономных AI-агентов и контролировать их работу.
Что будет в вашем портфолио после обучения:
— Вы выйдете с готовым профилем AI-инженера (отлично дополнит ваши LinkedIn и GitHub).
— Освоите связку Python, FastAPI, OpenAI API, Docker и PostgreSQL.
— Соберете полноценный AI-сервис под вашу личную задачу.
Для кого: junior-middle разработчики. Вы пишете на Python, работаете с Git и терминалом (с нуля не подойдет, темп очень быстрый!).
👨💻 Спикер: Алексей Жиряков (Сбер, GenAI).
Места строго ограничены!
👉 Изучить программу и занять место
1–2 августа на «ИИ-выходных» вы научитесь проектировать архитектуру автономных AI-агентов и контролировать их работу.
Что будет в вашем портфолио после обучения:
— Вы выйдете с готовым профилем AI-инженера (отлично дополнит ваши LinkedIn и GitHub).
— Освоите связку Python, FastAPI, OpenAI API, Docker и PostgreSQL.
— Соберете полноценный AI-сервис под вашу личную задачу.
Для кого: junior-middle разработчики. Вы пишете на Python, работаете с Git и терминалом (с нуля не подойдет, темп очень быстрый!).
👨💻 Спикер: Алексей Жиряков (Сбер, GenAI).
Места строго ограничены!
👉 Изучить программу и занять место
Чтобы модель не забывала задачу A во время обучения на задаче B, алгоритм OGD модифицирует вектор градиента g B перед обновлением весов.
В какое подпространство OGD проецирует градиент новой задачи?
В какое подпространство OGD проецирует градиент новой задачи?
Anonymous Quiz
67%
В ортогональное дополнение к пространству градиентов, которые были важны для решения задачи A
15%
В подпространство, параллельное вектору весов первого слоя сети
5%
В подпространство низкой размерности, полученное через метод PCA
3%
В подпространство комплексных чисел для минимизации дисперсии весов
11%
Не знаю
👍1
🤨 Как заставить AI-агента не ломать архитектуру, а нормально писать код?
Мы привыкли общаться с ИИ промптами, но для автономных систем это путь к бесконечным циклам и сливу бюджета. Чтобы убрать хаос, инженеры переходят на Spec-Driven Development (SDD).
Вот как этот подход меняет работу агента на практике:
🔹Контракт вместо текста. Сначала пишется строгая спецификация (JSON-схема/OpenAPI) и автотесты. Агент зажат в рамки интерфейсов, за которые физически не может выйти.
🔹Контроль на шагах. Внутри петли Think-Act-Observe агент сверяет действия со спецификацией.
🔹Саморефлексия. Если ИИ нарушил типы или «додумал» лишнее, тест падает. Агент получает ошибку в контекст и сам правит код, не выходя за рамки ТЗ.
Это лишь база того, как укротить ИИ-разработку. Если вы хотите глубоко внедрить эту методологию, научиться проектировать архитектурные контракты и собирать отказоустойчивые системы —оставляйте заявку на наш новый курс по Spec-Driven Development. Стартуем совсем скоро🙂
Мы привыкли общаться с ИИ промптами, но для автономных систем это путь к бесконечным циклам и сливу бюджета. Чтобы убрать хаос, инженеры переходят на Spec-Driven Development (SDD).
Вот как этот подход меняет работу агента на практике:
🔹Контракт вместо текста. Сначала пишется строгая спецификация (JSON-схема/OpenAPI) и автотесты. Агент зажат в рамки интерфейсов, за которые физически не может выйти.
🔹Контроль на шагах. Внутри петли Think-Act-Observe агент сверяет действия со спецификацией.
🔹Саморефлексия. Если ИИ нарушил типы или «додумал» лишнее, тест падает. Агент получает ошибку в контекст и сам правит код, не выходя за рамки ТЗ.
Это лишь база того, как укротить ИИ-разработку. Если вы хотите глубоко внедрить эту методологию, научиться проектировать архитектурные контракты и собирать отказоустойчивые системы —оставляйте заявку на наш новый курс по Spec-Driven Development. Стартуем совсем скоро🙂
Для поиска направлений, которые нельзя менять, алгоритм собирает информацию о поведении сети на старых данных.
Какая математическая структура анализируется для определения базиса «неприкосновенного» подпространства?
Какая математическая структура анализируется для определения базиса «неприкосновенного» подпространства?
Anonymous Quiz
57%
Матрица Якобиана, посчитанная на репрезентативной выборке из старой задачи
16%
Матрица смежности графа вычислений PyTorch
13%
Диагональ матрицы ошибок (Confusion Matrix) финального классификатора
10%
Скалярное произведение вектора таргета на вектор предсказаний
4%
Не знаю
🤩1
Как применяется принцип ортогональности при обучении нескольких LoRA-адаптеров под разные задачи на одной базовой модели?
Anonymous Quiz
15%
Адаптеры обучаются последовательно, полностью заменяя веса друг друга
8%
Каждый адаптер принудительно квантуется в формат INT2 с ортогональной маской
69%
Матрицы весов разных адаптеров заставляют быть ортогональными друг другу
1%
Ортогональность применяется только к токенам знаков препинания на инференсе
7%
Не знаю
👍2
🚀 Уже завтра стартует новый поток курса «ИИ-агенты»!
Мы собрали мощнейший состав преподавателей. Учить вас проектировать архитектуру и собирать продакшн-агентов будут инженеры и исследователи из топовых IT-компаний.
Старт уже завтра!
Сомневаетесь, подойдет ли вам программа и подача? Начните с бесплатного демо-урока!
Всего за 2 часа вы заглянете под капот ИИ-агента, поймете, чем мышление модели отличается от ее ответа, и научите систему чинить собственный код. Это идеальный способ протестировать нашу платформу перед покупкой.
🔗 Пройти демо-урок и занять место на курсе
Мы собрали мощнейший состав преподавателей. Учить вас проектировать архитектуру и собирать продакшн-агентов будут инженеры и исследователи из топовых IT-компаний.
Старт уже завтра!
Сомневаетесь, подойдет ли вам программа и подача? Начните с бесплатного демо-урока!
Всего за 2 часа вы заглянете под капот ИИ-агента, поймете, чем мышление модели отличается от ее ответа, и научите систему чинить собственный код. Это идеальный способ протестировать нашу платформу перед покупкой.
🔗 Пройти демо-урок и занять место на курсе
Представь два распределения вероятностей, которые не пересекаются. Мы хотим сдвинуть одно распределение к другому с помощью градиентного спуска.
Как ведут себя градиенты KL-дивергенции и метрики Васерштейна в такой ситуации?
Как ведут себя градиенты KL-дивергенции и метрики Васерштейна в такой ситуации?
Anonymous Quiz
31%
Градиент KL-дивергенции равен нулю, метрика Васерштейна дает стабильный, линейный градиент
33%
Градиент Васерштейна равен нулю, а KL-дивергенция дает идеальный вектор сдвига
21%
Обе метрики дают абсолютно идентичные градиенты при любых сдвигах
6%
Градиенты обеих метрик улетают в бесконечность, вызывая ошибку вычислений
9%
Не знаю
👍3
🔥 Стартуем СЕГОДНЯ! Новый поток курса «Разработка ИИ-агентов» открыт
По этому поводу мы решили выложить закрытую запись одного из уроков из программы. Найти её в поиске YouTube нельзя — она доступна только по ссылке и всем, кто будет на курсе.
Внутри глубокий разбор LLM от Алексея Яндутова (Senior ML-инженер, развивал ответы «Алисы» и «Нейро» в Яндексе). Учимся получать точный результат без галлюцинаций.
Что внутри урока:
После просмотра вы поймете, когда хватает промпт-инжиниринга, а когда нужен RAG или fine-tuning.
👉Смотреть закрытый урок на YouTube
Понравился урок? Переходите на новый уровень! Оставляйте заявку на курс, чтобы научиться проектировать надежные автономные системы. Обучение началось, но вы еще успеваете присоединиться.
🔗 Занять место на курсе
По этому поводу мы решили выложить закрытую запись одного из уроков из программы. Найти её в поиске YouTube нельзя — она доступна только по ссылке и всем, кто будет на курсе.
Внутри глубокий разбор LLM от Алексея Яндутова (Senior ML-инженер, развивал ответы «Алисы» и «Нейро» в Яндексе). Учимся получать точный результат без галлюцинаций.
Что внутри урока:
- Устройство LLM.
- Рабочие шаблоны промптов (Persona, Chain-of-Thought и др.).
- Разбор реального кейса Яндекса. Как автоматизировать разметку, обойти качество людей на 5% и срезать косты на 60%.
После просмотра вы поймете, когда хватает промпт-инжиниринга, а когда нужен RAG или fine-tuning.
👉Смотреть закрытый урок на YouTube
Понравился урок? Переходите на новый уровень! Оставляйте заявку на курс, чтобы научиться проектировать надежные автономные системы. Обучение началось, но вы еще успеваете присоединиться.
🔗 Занять место на курсе
Какую двойственную оптимизационную задачу решает метод Information Bottleneck?
Anonymous Quiz
5%
Он требует максимизировать скорость инференса, одновременно минимизируя энергопотребление GPU
59%
Он заставляет Y минимизировать взаимную информацию с X, но максимизировать взаимную информацию с T
16%
Он требует, чтобы количество нейронов на каждом последующем слое уменьшалось ровно в два раза
14%
Он оптимизирует баланс между объемом оперативной памяти и размером батча
6%
Не знаю
❤4
🔥 Курс «Разработка ИИ-агентов» стартовал, но вы еще успеваете присоединиться!
Мы только начали, а первый практический воркшоп пройдет только 23 июля. До этого времени вы спокойно успеете изучить материалы и нагнать группу.
💼 Главная фишка: финальный проект в портфолио:
🎁 Упомяните менеджеру специальное предложение «3 курса по цене 1»: Берете VIP-тариф — получаете курс «Разработка ИИ-агентов», хардкорный «AgentOps» и ещё один курс на выбор. Выгода 129.000 ₽!
Двери потока вот-вот закроются окончательно. Успейте забрать стек курсов и начать работу над реальным проектом
🔗 Занять место и забрать 3 курса
Мы только начали, а первый практический воркшоп пройдет только 23 июля. До этого времени вы спокойно успеете изучить материалы и нагнать группу.
💼 Главная фишка: финальный проект в портфолио:
В финальном проекте вы сможете выбрать один из двух вариантов: реализовать свою идею или решить задачу от партнера курса — крупной российской финтех-компании. Вы будете работать с датасетом, построенным по реальным сценариям, получите бизнес-контекст и продовые ограничения. В результате соберете AI-агента, который станет сильным проектом для портфолио.
🎁 Упомяните менеджеру специальное предложение «3 курса по цене 1»: Берете VIP-тариф — получаете курс «Разработка ИИ-агентов», хардкорный «AgentOps» и ещё один курс на выбор. Выгода 129.000 ₽!
Двери потока вот-вот закроются окончательно. Успейте забрать стек курсов и начать работу над реальным проектом
🔗 Занять место и забрать 3 курса
Forwarded from Proglib.academy | IT-курсы
Самое интересное, что разница здесь не столько в модели
На живом демо покажем, как один и тот же запрос работает без агентной системы и с ней
Please open Telegram to view this post
VIEW IN TELEGRAM
Stochastic Weight Averaging (SWA) — это чрезвычайно простая, но мощная модификация процесса обучения.
Какую операцию выполняет SWA с весами модели на финальном этапе обучения?
Какую операцию выполняет SWA с весами модели на финальном этапе обучения?
Anonymous Quiz
5%
Он умножает матрицу весов на её транспонированную копию для снижения размерности
2%
Он заменяет все веса на их логарифмические значения
15%
Он случайным образом обнуляет 50% весов на каждом шаге
74%
Он усредняет веса модели, сохранённые на нескольких эпохах обучения с высокой скоростью обучения
3%
Не знаю
❤1
Большинство методов калибровки требуют выполнения жестких условий на распределение данных.
Какое минимальное допущение о данных требуется Конформному предсказанию для обеспечения строгой математической гарантии точности?
Какое минимальное допущение о данных требуется Конформному предсказанию для обеспечения строгой математической гарантии точности?
Anonymous Quiz
53%
Данные должны быть строго распределены по нормальному (гауссовскому) закону
16%
Данные должны обладать свойством равнораспределенности
14%
Матрица признаков должна быть строго квадратной и ортогональной
14%
В данных должны полностью отсутствовать пропуски и категориальные признаки
2%
Не знаю
❤1
Конформная регрессия предсказывает цену акций. После периода стабильности начинается сильная волатильность. Как сохранить ошибку 5%?
Anonymous Quiz
4%
Сузит интервалы до 0
65%
Резко расширит интервалы, сохранив гарантию 5%
19%
Всегда предскажет среднее
4%
Выдаст OOM
8%
Не знаю
У Proglib Academy вышел пост о том, на каком опыте построен новый курс по AI для разработчиков
Please open Telegram to view this post
VIEW IN TELEGRAM