🌐 Дайджест новостей в сфере регулирования ИИ со всего мира с начала год от ИИ & Право

Вопросы права и технологий неразрывно связаны. Пока одни разрабатывают алгоритмы, другие создают правила, по которым им предстоит работать. Чтобы быть в курсе того, как меняется нормативная среда и законодательство в сфере ИИ, коллеги из канала ИИ & Право собрали подборку из самых интересных новостей с начала 2026-го года.

🚫 Китай планирует строго регулировать работу ИИ-компаньонов;
⚖️ Франция начала расследование из-за дипфейков, созданных Grok;
🧒 Нью-Йорк предлагает ограничить использование ИИ-чатботов детьми;
🏫 Гонконг выпустил рекомендации по защите школ от дипфейков;
💼 Канадский артист готовит иск против Google за сгенерированную ИИ клевету;
🏛 В январе 2026 года началось применение Регламента 10 DIFC;
📘 Сингапур опубликовал Model AI Governance Framework for Agentic AI;
📜 Ирландия опубликовала национальную схему исполнения Регламента ЕС об ИИ;
🎙 Европейский регулятор персональных данных запускает серию подкастов о ключевых трендах в ИИ;
📖 Опубликован Международный доклад по безопасности ИИ 2026, предупреждающий о реальных угрозах.

В канале регулярно публикуют самые свежие новости о регулировании нейросетей, ИИ-комплаенсе, этических нормах и LegalTech.
Если вам важно понимать не только содержание законов, но и логику регуляторов — подписывайтесь на канал @ai_and_law_rus. Здесь вы всегда найдете оперативные разборы законопроектов и опубликованные документы.

Сразу два ИИ-решения от Embedika — в рейтинге CNews!

В CNews опубликовали ежегодный обзор корпоративных ИИ-помощников для автоматизации рабочих задач, поиска и проверки документов. И в этот раз в рейтинг вошли сразу два наших решения — Contract и Cursor.

🔗 Ознакомиться с результатами обзора можно по ссылке.

В исследовании коллеги собрали инструменты для бизнеса, помогающие в написании текстов, поиске информации по базам знаний или проверки документации. Наши продукты выполняют следующие функции:

1️⃣ Contract помогает работать с договорной документацией. Система определяет тип документа, проверяет его по внутренним чек-листам, находит риски и собирает протокол разногласий. Подробно о возможностях сервиса мы рассказывали в нашем канале.

2️⃣ Cursor — система поиска по корпоративным данным с применением технологии RAG. Он объединяет все источники информации в компании и ищет нужное не только по названию файла, но и по смыслу. Узнать о возможностях платформы вы можете в нашем посте с обзором функционала.

Попадание в рейтинг — приятное подтверждение того, что мы движемся в верном направлении 🚀

Три уровня оценки RAG: ранжирование, генерация с эталонами и без

Недавно мы разобрали, какие метрики помогают диагностировать работу RAG-систем. А сегодня делимся новой статьей на TProger, где наш ML-инженер, Никита Кравчук, поделился методиками оценки еще более подробно и затронул вопросы математики метрик, используемых для оценки поиска и генерации.

В новом материале на TProger разобрали ключевые моменты, которые важно учитывать при оценке RAG. Делимся главным 👇

🔹Внедрение RAG — это не финальная точка, а начало цикла улучшений. Чтобы система действительно приносила пользу бизнесу, нужно точно понимать, где возникают ошибки: на этапе поиска релевантных фрагментов или при формировании ответа. И здесь важен комплексный подход к метрикам.
🔹 Оценка поиска. Для расчета метрик ранжирования необходима эталонная разметка релевантности чанков. MRR учитывает только позицию первого релевантного фрагмента, precision@k оценивает точность в топ-k, а nDCG@k чувствителен к порядку выдачи. Полноту найденных релевантных чанков измеряет recall@k.
🔹 Оценка генерации при наличии эталонов. Если есть датасет правильных ответов, можно использовать такие метрики, как BLEU и ROUGE. Они оценивают совпадение n-грамм токенов, но чрезмерно штрафуют за перефразирование эталонов. BERTScore лишен этого недостатка, так как оценивает семантическую близость через эмбеддинги токенов.
🔹 Оценка генерации без эталонов. Когда собрать эталонные ответы невозможно, применяется подход LLM-as-a-judge. LLM получает промпт с запросом, ответом и критерием оценки, после чего выставляет балл по заданной шкале с обоснованием.

🔗 Полный разбор с формулами и классификацией — в статье на TProger

LLM-as-a-judge: как языковые модели оценивают качество ответов

Оценка качества генерации в RAG-системах часто осложняется отсутствием эталонных ответов. Даже когда эталоны есть, вариативность формулировок затрудняет автоматическую проверку. Один из современных подходов к решению этой задачи — использование самой языковой модели в роли судьи. Этот метод называется LLM-as-a-judge и позволяет оценивать ответы RAG-системы по заданным критериям без прямого сравнения с эталоном.

📍 Принцип работы LLM-as-a-judge:
Подход LLM-as-a-judge применим как при наличии эталонных ответов, так и без них. В первом случае модель оценивает, насколько сгенерированный ответ похож на эталонный. Во втором — ответ оценивается по заданному критерию, описанному в промпте. Модель получает на вход запрос, сгенерированный ответ, при необходимости — эталон и контекст, а также шкалу оценивания, и выдает оценку с обоснованием.

📍 Критерии оценивания
В зависимости от бизнес-задачи и требований к системе могут использоваться различные критерии:
🔹 Правильность ответа — оценивает, совпадает ли ответ с правильным решением или явно решает задачу пользователя;
🔹Отсутствие избыточной информации — проверяет, насколько ответ лаконичен и не содержит повторов;
🔹Доступность изложения — определяет, насколько текст понятен широкому кругу пользователей и не содержит излишней сложности.

Для каждого критерия разрабатывается шкала оценивания, где каждое значение (например, от 0 до 2) соответствует определенному уровню соблюдения требований критерия.

📍 Ограничения подхода:
Языковая модель может допускать ошибки при оценке ответов RAG. Для повышения надежности оценок рекомендуется валидация на основе экспертных данных: подготовка датасета с запросами и ответами системы, экспертная разметка, разделение выборок, подбор параметров модели и промпта на валидационной выборке и итоговая проверка на тестовой. Такой подход обеспечивает контролируемую настройку модели и повышает достоверность автоматической оценки качества.

Подборка полезных и интересных материалов

Технологии не стоят на месте, и чтобы оставаться в курсе, важно следить не только за новыми релизами, но и за экспертными мнениями и прогнозами . В новой подборке собрали для вас самые свежие материалы об ИИ — от смены технологических трендов до влияния нейросетей на корпоративную культуру.

Статьи:
📎 Интервью «Интерфакса» с Ириной Шелкуновой, руководителем электронной библиотеки «СКАН-Интерфакс», о том, как генеративные модели меняют структуру трафика и перераспределяют влияние между медиа.
📎 Материал РБК: гендиректор по ИИ Ассоциации ФинТех Алексей Сидорюк — о том, прошел ли рынок «яму разочарования» в ИИ в конце 2025 года и что ждет отрасль дальше.
📎 Глава ИИ-направления Microsoft Мустафа Сулейман делится прогнозом с «Ведомостями»: когда ИИ сможет автоматизировать большую часть задач офисных сотрудников.
📎 Колонка в «Ведомостях» от гендиректора Fork-Tech Кристины Коваленко о том, как выстраивать корпоративную культуру при внедрении ИИ.

Заметки в блогах:
✍️ Телеграм-канал Machinelearning о первых попытках использования GPT-5 в судебной практике США.
✍️ CPO Just AI Андрей Грабарник в канале компании объясняет, в чем реальная сила ИИ-агентов и где их применение дает максимум пользы.
✍️ Канал red_mad_robot собрал мнения экспертов о том, в каком направлении будет развиваться R&D в сфере ИИ в 2026 году.

Книги:
📚 «Глубокое обучение», Джон Д. Келлехер — для тех, кто хочет разобраться в архитектуре и принципах работы глубоких нейросетей.
📚 «Нейросети практика», Джейд Картер — руководство для перехода от теории к реальным проектам, от настройки моделей до их внедрения.

Подкасты:
🎤 Академия искусственного интеллекта: как ИИ избавляет от ручного заполнения таблиц и работы с документацией.
🎤 AI4Dev: прагматичный разбор — какие ИИ-инструменты действительно работают в российских компаниях.

Как внедрять ИИ так, чтобы он приносил бизнесу реальную пользу, а не просто числился в отчетах? 🤔
Ответ будут искать на программе повышения квалификации от коллег из Нейролаб ЦТИ. Старт — 10 марта 2026.
Это курс для руководителей, аналитиков и IT-специалистов, которые хотят разобраться в управлении ИИ-проектами.

Авторы обещают не только технологию, но и живые кейсы: как ИИ помогает в цифровой трансформации, как управлять инновациями и где прячется рост эффективности.
Всеми важными подробностями делимся в репосте 🔥

Разбор UI-ошибок: как дизайн выстраивает диалог и доверие с пользователем

Компании инвестируют в ИИ для анализа данных и автоматизации, но сотрудники продолжают работать по-старому. Причина часто кроется не в алгоритмах, а в сложном или непонятном интерфейсе.

О том, как правильный дизайн превращает сложные технологии в понятный рабочий инструмент, рассказала Евгения Чистякова, ведущий дизайнер интерфейсов в Embedika, в публикации для TechInsider.

В новом материале разобрали четыре ключевые проблемы, из-за которых ИИ-системы простаивают, и способы их решения. Делимся главным 👇

🔹 Интерфейс не должен скрывать сомнения модели: пользователю важно видеть источники данных и фрагменты с низкой уверенностью, чтобы понимать, где ответ может быть ошибочным.
🔹 Вместо выдачи ответа как готового продукта интерфейс должен оставлять контроль за человеком — через возможность редактирования и кнопки явного согласия вроде «Применить» или «Заменить».
🔹 Прозрачность работы системы критична: статусы обработки запроса, понятные формулировки ошибок и обоснование результатов со ссылками на источники снижают тревожность и повышают доверие к ИИ.
🔹 Обучение должно быть встроено в процесс: примеры запросов, автодополнение и уточняющие вопросы в интерфейсе помогают пользователю осваивать инструмент без чтения инструкций.
🔹 Интерфейс становится ключевым звеном между сложным алгоритмом и пользователем — именно контроль, прозрачность и встроенное обучение превращают ИИ в рабочий инструмент.

🔗 Полный разбор с примерами — в статье на TechInsider

Дайджест событий в области искусственного интеллекта

Промышленность, библиотеки, перевозки и создание интерфейсов — в феврале ИИ-технологии проникают в те сферы, где еще недавно не были распространены. Собрали главные новости месяца, чтобы вы оставались в курсе событий.

В России:
🧠 Ученые AIRI и МФТИ создали среду CAMAR для координации, обучения и тестирования алгоритмов множества ИИ-агентов.
🤖 «Т-Технологии» представили ИИ-инструмент для анализа разговоров сотрудников с клиентами в офлайн-точках для контроля качества сервиса.
🚛 «Яндекс» в этом году планирует запустить 70 автономных грузовиков, 200 беспилотных такси и 5 тыс. роверов.
🎓 «Сибур» и Центральный университет создадут кафедру ИИ и образовательную программу для подготовки кадров под производственные и бизнес-задачи.

В мире:
🤝 Samsung расширил мультиагентную экосистему Galaxy AI, добавив в нее ИИ-модель Perplexity. Пользователи смогут выбирать предпочтительного ассистента.
🆕 Google выпустила Gemini 3.1 Pro: модель заточена под сложные задачи рассуждения и анализа больших объемов данных.
🎨 Figma и Anthropic представили функцию Code to Canvas — она превращает код, написанный нейросетью, в готовые интерфейсы внутри редактора.
🎧 Google Docs теперь умеет собирать аудиосаммари текстов. Функция позволяет слушать краткое содержание документа, а не читать его целиком.

Аналитика:
💰 В Yadro подсчитали, что в 2025 году российские компании потратили около 60 млрд руб. на закупку серверов, оптимизированных под ИИ-нагрузки.
📊 Глава ИИ-направления в Microsoft, Мустафа Сулейман, считает, что в ближайшие 12-18 месяцев нейросети смогут автоматизировать большинство рутинных задач офисных сотрудников.
📈 Опрос UserGate показал, что 97% российских компаний уже используют ИИ, либо тестируют пилоты. Чаще всего технологии применяют для генерации отчетов и аналитики (42%).

#дайджест

Спрос государства на ИИ: от концепций к системным задачам

Цифровая трансформация госуправления перешла от теоретического концепта к решению прикладных задач. Сегодня запрос госзаказчика на технологии искусственного интеллекта формируется вокруг конкретных системных проблем, требующих прагматичных решений.

В условиях давления по срокам внедрения, жестких требований к безопасности и необходимости обеспечения технологического суверенитета, государство ищет инструменты, которые дают измеримый результат.

Анализируя текущую повестку и тренды в работе с госсектором, можно выделить ключевые направления, где интерес к ИИ сегодня наиболее высок и предметен:

➡️ Генеративный ИИ для работы с документами. Огромный массив текстов (обращений граждан, отчетов, нормативных актов) требует автоматизации. Здесь востребованы инструменты для автоматического составления проектов ответов, реферирования длинных документов и генерации вариантов текстов нормативных актов.

➡️ Малые языковые модели для работы с чувствительными данными. Запрос на обработку конфиденциальной информации без отправки во внешние контуры стимулирует интерес к малым языковым моделям. Они развертываются на внутренних серверах ведомств и решают задачи классификации входящих заявлений или извлечения значимых сущностей из документов.

➡️ Мультимодальность. Государству требуется анализ не только текста, но и визуальной информации. Например, проверка соответствия фотографий объекта строительства проектной документации или анализ потокового видео с городских камер для планирования развития территорий.

➡️ ИИ для кибербезопасности. Защита информационных систем остается приоритетом. Здесь востребованы системы, способные в реальном времени обнаруживать аномалии в поведении пользователей или идентифицировать признаки кибератак.

Объединяющим фактором для всех этих направлений является смещение фокуса с технологической новизны на управляемость и безопасность. Таким образом, интерес государства к ИИ сегодня глубоко прагматичен и сосредоточен на внедрении технологий, способных решать конкретные задачи при безусловном соблюдении требований безопасности и технологической независимости.

LLM, Deep Learning и интервью: канал с разбором инструментов и подходов

Разыскиваете свежие тренды в аналитике, big data и AI? Подписывайтесь на Data Place — здесь собраны лучшие материалы для дата-аналитиков, инженеров, архитекторов и всех, кто работает с данными.

О чём пишут на канале:
— Глубокое обучение при помощи Spark и Hadoop: знакомство #Deeplearning4j
— Что нужно знать дата-саентисту? (на англ. языке)
— 26 принципов построения промптов для LLaMA-1/2, GPT-3.5/4
— Как стать дата-инженером? Подборка статей и список вопросов и ответов для прохождения интервью

Присоединяйтесь к Data Place и прокачивайте навыки работы с данными!

Почему мощный ИИ может оказаться невостребованным без правильного интерфейса

Компании внедряют нейросети для анализа данных и автоматизации, но сотрудники продолжают работать по-старому. Часто дело не в качестве алгоритмов, а в сложности взаимодействия с ними.

На прошлой неделе мы уже рассказывали про вышедший на Techinsider материал от ведущего дизайнера интерфейсов Embedika, Евгении Чистяковой. Сегодня же детально разберем главные тезисы из материала.

✔️ О доверии и прозрачности:
ИИ часто формулирует ответы уверенно, даже если ошибается. Пользователь воспринимает результат как истину. Задача интерфейса — визуализировать сомнения системы: указывать на фрагменты с низкой уверенностью модели, давать ссылки на источники и показывать, на каких данных основан вывод.

✔️ Важность контроля со стороны человека:
Чат-боты приучили нас к формату «вопрос — готовый ответ». В корпоративных же сценариях такой подход не работает. Ответ нейросети не должен восприниматься как финальный. Интерфейс обязан давать инструменты для правки: позволять редактировать результат напрямую и требовать явного согласия пользователя на применение изменений (кнопки «Применить», «Вставить», а не автоматическая замена).

✔️ Система должна быть прозрачной:
Самое тревожное для пользователя — отсутствие сигнала о том, что система работает. Если сложный запрос обрабатывается минуту, а интерфейс молчит, у сотрудника возникает ощущение сбоя. Дизайн должен снимать эту тревогу: показывать статусы («Анализирую базы данных», «Формирую ответ»), предупреждать об ограничениях на этапе ввода и объяснять ошибки человеческим языком.

✔️ Обучение должно быть встроено в процесс:
Интерфейс сам должен учить пользователя работать с нейросетью: предлагать примеры запросов, подсказывать формулировки и уточняющие вопросы прямо в процессе, снижая когнитивную нагрузку.

Полный разбор — в статье на Techinsider.

Три главных барьера в работе с информацией в компаниях

Когда количество цифровых инструментов в компании растет, а скорость выполнения задач не увеличивается. Офисные специалисты могут тратить значительную часть рабочего времени на операции, которые потенциально поддаются автоматизации. В таком случае стоит проанализировать не мотивацию сотрудников, а архитектуру рабочих процессов.

Выделим три ключевые области, где разрыв архитектуре рабочих процессов проявляется наиболее остро.

1️⃣ Отсутствие системности в корпоративных данных
До 90% корпоративного контента остается неструктурированным и хранится разрозненно. Поиск информации превращается в отдельный процесс: сотрудник открывает одну систему, затем другую, обращается к почте и мессенджерам, чтобы восстановить контекст. Время тратится не на решение задачи, а на сбор данных из разных источников.

2️⃣ Сложные регламентные цепочки
Согласование документов часто растягивается во времени из-за необходимости ручного участия на каждом этапе. Любая правка документа способна запустить новый цикл передачи информации, а задержка на одном шаге останавливает весь процесс. В результате документы могут терять актуальность быстрее, чем проходят все стадии согласования.

3️⃣ Нецелевое распределение нагрузки на экспертов
Прежде чем приступить к профильной работе, специалисты выполняют серию подготовительных действий: вычитка текстов, сравнение версий, сбор данных для отчетов. Эти операции не требуют высокой квалификации, но отнимают время, которое эксперты могли бы направить на задачи, требующие профессионального опыта и принятия решений.

Эти проблемы — результат несистемной архитектуры рабочих процессов. Пока данные не структурированы, документы движутся медленно, а специалисты заняты подготовкой, ключевые ресурсы компании используются нерационально.

Далее на нашем канале мы покажем практические кейсы, как ИИ-инструменты помогают выстроить связанные процессы и устранить эти разрывы.