Прикладная инженерия искусственного интеллекта — глубокое погружение в программное обеспечение, машинное обучение и системы, лежащие в их основе.
Углубленные исследования в области разработки программного обеспечения, глубокого обучения и технологий, лежащих в основе современных систем.
Избранное
Векторная декомпозиция и подпространства: что читает и стирает матрица
Разбейте векторы активации на компоненты и исследуйте четыре фундаментальных подпространства матрицы с помощью интерактивных диаграмм. Посмотрите, какие входные направления влияют на выходные, какие исчезают в пустом пространстве, и почему разные векторы активации могут давать один и тот же результат.
Что делает матрица весов и зачем нужна нелинейность
Следуйте четырем точкам XOR от входных векторов до скрытых представлений. Прочтите матрицу весов по ее строкам и столбцам, соедините ее вычисления с отдельными нейронами и используйте интерактивные диаграммы, чтобы увидеть, как нелинейная активация делает классы разделимыми.
Подробный разбор: как собирать контекст для LLM-агента
Каждый агентный CLI молча решает, что отправлять LLM на каждом ходу — всю расшифровку, только недавнюю K, сводку старых частей. Та же задача, другое решение, совершенно разная стоимость. Мы тестируем четыре репрезентативные стратегии сборки контекста на реальном приспособлении для исправления ошибок, видим, откуда возникают катастрофические циклы при выходе из строя кэшей, и рассказываем, как Claude Code, Codex и opencode преодолевают одни и те же компромиссы.
Создаём Model Armor: многослойная фильтрация безопасности для LLM
Модель Armor от Google объединяет вызовы ген-ИИ в управляемый конвейер безопасности, который вы включаете с помощью флажка. В этой статье этот конвейер перестраивается с нуля — фильтры на основе правил, классификаторы, судьи LLM, быстрое переписывание и модерация вывода — чтобы вы понимали, что на самом деле дает вам каждый уровень и где находятся швы, когда вы меняете части в свой собственный стек.
Разбираемся в CNN — свёртки, карты признаков и пулинг
Что на самом деле вычисляет свертка и почему их объединение позволяет сети видеть края, затем текстуры, а затем объекты. Построено снизу вверх с интерактивными демонстрациями: карты функций, которые вы можете изучить, объединение показано в том виде, в каком оно действительно есть. К концу каждая диаграмма в статье CNN должна читаться как английская.
Как учатся нейросети: обратное распространение и градиентный спуск
Большинство руководств отмахиваются от градиентного спуска и пропускают обратное распространение или скрывают его в обозначениях цепных правил. В этом случае оба строятся снизу вверх: что такое градиент, почему кривая поверхности потерь и как правило цепочки пропускает ошибки назад по сети — с помощью виджетов вы можете просматривать движение каждой части.