Умеете ли вы программировать? 🔵

Мы часто обсуждаем AI — модели, агенты и автоматизацию, но за каждым уровнем системы стоят конкретные инструменты и языки.

И здесь возникает логичный вопрос: если AI — это архитектура из нескольких слоёв, то на каком уровне находитесь вы?

❤️ — Да, пишу регулярно
🔥 — Знаю основы (Python или другой язык)
🤩 — Понимаю логику, но сам(а) не пишу
🤔 — Нет, работаю с AI без кода

Python — основной язык? 🔵

Есть мнение, что для AI это не актуально, потому что Python — это только верхний слой.

Python действительно стал точкой входа в искусственный интеллект: на нём удобно быстро стартовать, проводить эксперименты, обучать модели и работать в исследовательской среде. Тем большая часть ML-экосистемы строится вокруг него.

Однако когда речь заходит о продакшене, в игру часто вступают C++ и Rust. Здесь важны контроль памяти, предсказуемая производительность и минимальная задержка. Inference в реальном времени, edge-устройства, системы с жёсткими требованиями к latency — всё это требует более низкоуровневого контроля.

И нередко именно на этом уровне живёт настоящий AI продукта, тогда как Python остаётся обвязкой или инструментом для прототипирования.

Если вы работаете с компьютерным зрением или большими NLP-моделями, вы неизбежно сталкиваетесь с GPU. Даже если вы не пишете CUDA-код напрямую, вы уже работаете с вычислительным стеком.

CUDA, Triton, OpenCL — это слой оптимизации, где решаются вопросы batching, memory layout, kernels и эффективного использования видеопамяти. На практике именно здесь часто определяется скорость и стоимость работы модели, а не выбор фреймворка.

Кроме того, модель редко существует сама по себе. Она встраивается в инфраструктуру: становится микросервисом, интегрируется в существующий стек, масштабируется под нагрузкой.

Так что на данный момент, AI — многослойная система, и мы думаем, что эта тенденция сохранится.

@onlinetsu

Если технологии бегут вперёд, самое разумное — бежать вместе с ними. И лучше не догонять, а опережать 😅

❤️ — если знакомо!

Как магистранты решают реальные задачи бизнеса? 🔵

В этом видео кандидат технических наук, руководитель онлайн-магистратуры «Компьютерное зрение и нейронные сети» Артём Осинцев разбирает реальный кейс от московской транспортной компании — разработку системы подсчёта пассажиров в общественном транспорте на основе компьютерного зрения.

В этом ролике вы увидите:

🟦 как из реальной проблемы заказчика создаётся учебный кейс,
🟦 как мы выстраиваем работу с крупными индустриальными партнёрами,
🟦 какие этапы проходит проект: от постановки задачи до MVP,
🟦 как проходит code-review студенческой работы,
🟦 на что обращаем внимание при оценке модели и кода,
🟦 и что делать после разработки MVP.

Реальный проект, реальные данные и разбор решения, приближенного к внедрению. Если вам интересно, как обучение превращается в работу с индустрией — включайте видео.

@onlinetsu

Из чего собирают AI: железо 🔵

Когда говорят об искусственном интеллекте, чаще всего обсуждают модели и алгоритмы, но любая AI-модель всегда работает на конкретном железе с ограничениями по памяти, вычислительной мощности и пропускной способности. И именно эти параметры во многом определяют, каким будет итоговое решение.

GPU напоминает целую технологическую экосистему. Например, решения NVIDIA строятся вокруг стека CUDA и оптимизированных библиотек, которые давно стали индустриальным стандартом. У AMD — собственная среда ROCm со своими особенностями. В экосистеме Apple Silicon разработка идёт через Metal и Core ML, где акцент делается на энергоэффективность и интеграцию с устройствами.

Выбор платформы влияет на архитектуру модели, стратегию обучения, скорость работы модели и стоимость масштабирования. Аппаратная база становится частью инженерного решения — её нельзя игнорировать.

В проектах с большими моделями подключаются TPU (Tensor Processing Unit) и специализированные ускорители. Они оптимизированы под матричные операции и высоконагруженные вычисления. Здесь важна не только производительность, но и экономика: энергопотребление и стоимость вычислений на единицу результата напрямую влияют на жизнеспособность проекта.

Отдельная история — периферийные устройства. Сюда входят камеры, дроны, автономные системы и даже мобильные телефоны. В этой среде ограничения по памяти, энергии и задержке обработки особенно жёсткие, поэтому модели приходится оптимизировать и адаптировать под конкретное устройство. Решение, которое стабильно работает в центре обработки данных, не всегда применимо без серьёзной переработки.

➡️

Главный принцип прост:

модель адаптируется под аппаратную среду, не наоборот.

Это и есть архитектурный выбор, от которого зависит, сможет ли ваш AI выйти из лаборатории и начать работать в реальном мире.

@onlinetsu

Сборная онлайн-магистратур: как мы ищем идеальных преподавателей 🔍

Ирина Бичева, менеджер онлайн-программ высшего образования НИ ТГУ, отвечает на щепетильный вопрос, который волнует многих наших абитуриентов.

🟦 Какой главный критерий при отборе преподавателей?
🟦 Что для нас важнее: научный или практический опыт?
🟦 По какому принципу мы формируем преподавательскую команду?

За 3 минуты развеем сомнения. Включайте видео 🤍

@onlinetsu

🗣 Самый частый миф про AI звучит так: «есть модель, и она работает».

На практике модель лишь один компонент системы. Чтобы искусственный интеллект действительно работал в продукте, вокруг неё приходится проектировать целую инфраструктуру.

➡️ Во-первых, это процессы обработки данных (data pipeline). Система должна уметь собирать данные, очищать их, хранить версии и регулярно обновлять наборы данных. Без этого модель быстро начинает работать хуже: данные в реальном мире постоянно меняются.

➡️ Во-вторых, нужно продумать, как модель будет выдавать предсказания (inference). Здесь выбирают между пакетной обработкой данных (batch) и обработкой в реальном времени (real-time), балансируют между скоростью ответа системы (latency) и количеством запросов, которое она может обработать (throughput). Обычно также закладывают механизмы подстраховки (fallback) и мониторинг качества предсказаний.

➡️ Следующий слой — инфраструктура: контейнеризация приложений (Docker), системы управления контейнерами (Kubernetes), инструменты для развертывания моделей (model serving), например ONNX Runtime или Triton, и интерфейсы взаимодействия сервисов (API) на базе протоколов gRPC или REST.

При этом систему нужно проектировать с учетом надёжности. Что произойдёт, если модель ошибется? Если данные не поступят? Если сервис окажется недоступен или нагрузка резко вырастет?

👉 Поэтому в реальных проектах архитектура ML-системы часто важнее самой модели. Именно она определяет, сможет ли AI стабильно работать в продукте и масштабироваться.

Чтобы прокачивать такие навыки, инженеры тренируются не только в моделях, но и в алгоритмах и архитектурах. Например, появилась платформа TensorTonic — своего рода аналог Leetcode для ML-инженеров. Там можно реализовать более 200 алгоритмов машинного обучения и решать инженерные задачи.

Внутри разборы исследований с поэтапным повторением архитектур, объяснения тем с интерактивными визуализациями и система достижений с прогрессом по уровням сложности.

@onlinetsu

🗣 Продолжаем рубрику кураторских советов. Страх презентаций: как от него избавиться?

Представить всех в зале нагими? Нет! Сегодня будут советы другого характера. Делится ими куратор онлайн-магистратур ТГУ Сергей Раевских.

За его спиной выступления в КВН перед аудиторией от 300 до 800 человек. Но страх сцены знаком каждому: неважно, выступаете вы перед большим залом или просто защищаете доклад перед преподавателем.

Смотрите ролик, если хотите разобраться, как с этим справиться.

👉 смотреть по ссылке