Architecture on ntdim

Как ИИ научился играть: обучение с подкреплением от Q-learning до AlphaGo

Wed, 05 Aug 2026 00:00:00 +0000

Все алгоритмы, о которых мы говорили — регрессии, бустинг, CNN, диффузия — учатся на статичных данных. Датасет лежит в файле, модель читает примеры, корректирует веса. Но есть целый класс задач, где так учиться нельзя: там нужно действовать и учиться на последствиях.

Как научить LLM читать ваши документы: RAG на примере System Design Wizard

Wed, 05 Aug 2026 00:00:00 +0000

LLM по своей природе — закрытая книга. Модель знает то, что видела в момент обучения, и ничего больше. Спросите её о вчерашних новостях — придумает. О внутренней архитектуре вашей системы — придумает тоже, причём уверенно. Это свойство, галлюцинация, не баг, а следствие того, что модель просто предсказывает следующий токен.

Как нейросети генерируют картинки: от GAN к диффузии

Wed, 05 Aug 2026 00:00:00 +0000

Все алгоритмы, о которых мы говорили до сих пор — линейная регрессия, бустинг, свёрточные сети — анализируют данные. Они берут картинку и говорят «кошка», берут таблицу и предсказывают число. Но самая заметная часть современного AI делает обратное: она создаёт данные. Stable Diffusion рисует картины по текстовому описанию, DALL-E придумывает логотипы, Midjourney генерирует портреты. Как?

Как нейросети научились видеть: свёртки, фильтры и архитектура CNN

Wed, 05 Aug 2026 00:00:00 +0000

В прошлой статье мы разбирали классическое машинное обучение — алгоритмы, которые подбирают функцию под табличные данные. Но у таблиц есть предел: они не описывают изображения. Картинка 224×224 — это 150 тысяч чисел (пикселей), и связывать каждый пиксель с каждым, как делает полносвязная сеть, бессмысленно: слишком много параметров, слишком мало сигнала, слишком сильное переобучение.

Карта AI: 38 алгоритмов одним взглядом

Wed, 05 Aug 2026 00:00:00 +0000

Искусственный интеллект часто представляют как магию: «нейросеть научилась», «модель поняла». Но за каждым «чудом» стоит конкретный алгоритм — иногда пятидесятилетней давности, иногда свежий. И этих алгоритмов не бесконечное множество: фундамент современной индустрии AI держится примерно на тридцати восьми ключевых методах.

Эта статья — карта материка. Она не уходит вглубь ни в одном алгоритме (для этого есть отдельные статьи серии «Как работают LLM»), а показывает, как алгоритмы связаны между собой, в каком историческом порядке появлялись и зачем нужны. Если вы только начинаете в AI и не понимаете, куда смотреть — это ваша точка входа.

Почему логистическая регрессия всё ещё бьёт нейросети: основы классического ML

Wed, 05 Aug 2026 00:00:00 +0000

Каждый раз, когда ChatGPT делает что-то умное, заголовки кричат про «революцию нейросетей». И возникает обманчивое впечатление, что старые алгоритмы — линейная регрессия, решающие деревья — это вчерашний день, музей ML. Но зайдите в любой банк, страховую компанию или e-commerce, посмотрите, что реально предсказывает отток клиентов, оценивает кредитный риск или ранжирует товары в выдаче. С вероятностью 80% там работает не LLM, а градиентный бустинг — алгоритм, которому в этом году исполняется 22 года.

Как LLM выбирает инструменты: от function calling к Model Context Protocol

Thu, 09 Jul 2026 00:00:00 +0000

Языковая модель по своей природе умеет делать только одну вещь — предсказывать следующий токен. Вы даёте ей текст, она продолжает текст. Всё. Никаких баз данных, никаких API-вызовов, никакой возможности посмотреть, который час.

Но вы читаете этот текст через LLM, которая прямо сейчас обращается к файлам на сервере, читает логи и запускает bash-команды. Как модель, внутри которой — только слои Self-Attention и матрицы весов, вдруг научилась «брать в руки» инструменты?

Три взгляда на «Я»: почему открытый индивидуализм меняет правила игры для ИИ

Mon, 04 May 2026 00:00:00 +0000

В предыдущем материале мы разбирали теорию информации Шеннона: как данные, неожиданность и энтропия формируют основу для работы LLM. Но там было одно молчаливое допущение: мы предполагали, что существует кто-то, кто эту информацию получает.

Что такое это «я», которое читает текст, запускает инференс модели или чувствует боль? Философ Даниель Колак (Daniel Kolak) в книге «I Am You» (2004) предложил удобную классификацию из трёх вариантов ответа на этот вопрос. И если применить их к ИИ, привычная картина мира начинает трещать по швам.