Stosowana inżynieria AI — szczegółowe informacje na temat oprogramowania, uczenia maszynowego i systemów za nimi stojących.
Dogłębne badania inżynierii oprogramowania, głębokiego uczenia się i technologii obsługujących nowoczesne systemy.
Polecane
Rozkład wektorów i podprzestrzenie: co matryca czyta i kasuje
Podziel wektory aktywacji na składowe i zbadaj cztery podstawowe podprzestrzenie macierzy za pomocą interaktywnych diagramów. Zobacz, które kierunki wejściowe wpływają na wyjście, które znikają w przestrzeni zerowej i dlaczego różne wektory aktywacji mogą dawać ten sam wynik.
Co robi macierz wag i dlaczego potrzebujemy nieliniowości
Podążaj czterema punktami XOR od wektorów wejściowych do ukrytych reprezentacji. Przeczytaj macierz wag według jej wierszy i kolumn, połącz jej obliczenia z poszczególnymi neuronami i użyj interaktywnych diagramów, aby zobaczyć, jak nieliniowa aktywacja sprawia, że klasy można oddzielić.
Dogłębna analiza: jak składać kontekst dla agenta LLM
Każdy agent CLI po cichu decyduje, co wysłać LLM w każdej turze — cały zapis, tylko ostatnie K, podsumowanie starszych części. To samo zadanie, inna decyzja, zupełnie inny koszt. Porównujemy cztery reprezentatywne strategie składania kontekstu na prawdziwym urządzeniu naprawiającym błędy, sprawdzamy, skąd biorą się katastrofalne pętle, gdy umierają pamięci podręczne, i omawiamy, w jaki sposób Claude Code, Codex i opencode dokonują tych samych kompromisów.
Budujemy Model Armor: wielowarstwowe filtrowanie bezpieczeństwa dla LLM
Google Model Armor otacza wywołania gen-AI w zarządzanym potoku bezpieczeństwa, który włączasz za pomocą flagi. W tym artykule przebudowujemy ten potok od podstaw — filtry oparte na regułach, klasyfikatory, sędziowie LLM, szybkie przepisywanie i moderowanie wyników — abyś wiedział, co tak naprawdę kupuje każda warstwa i gdzie znajdują się łączenia, gdy zamieniasz elementy na własny stos.
Zrozumieć CNN — konwolucje, mapy cech i pooling
Co właściwie oblicza splot i dlaczego układanie ich w stosy pozwala sieci zobaczyć krawędzie, potem tekstury, a na końcu obiekty. Zbudowane oddolnie z interaktywnymi demonstracjami: mapy funkcji, które można przeglądać, łączenie pokazywane w rzeczywistym zagęszczeniu wymiarów. Na koniec każdy diagram w gazecie CNN powinien brzmieć jak po angielsku.
Jak uczą się sieci neuronowe: propagacja wsteczna i spadek gradientu
Większość tutoriali macha przy opadaniu gradientowym i pomija podpory lub zakopuje je w notacji opartej na regułach łańcuchowych. W tym przypadku oba elementy są budowane od dołu do góry: czym jest gradient, dlaczego krzywe powierzchni strat są krzywe i w jaki sposób reguła łańcuchowa przenosi błędy wstecz przez sieć — za pomocą widżetów można przeglądać, aby zobaczyć ruch każdego elementu.