Прикладна інженерія штучного інтелекту — глибоке вивчення програмного забезпечення, машинного навчання та систем, що за ними стоять.
Поглиблені дослідження програмної інженерії, глибинного навчання та технологій, які забезпечують сучасні системи.
Рекомендовані
Векторне розкладання та підпростори: що читає та стирає матриця
Розбийте вектори активації на компоненти та досліджуйте чотири фундаментальні підпростори матриці за допомогою інтерактивних діаграм. Подивіться, які напрямки введення впливають на вихід, які зникають у нульовому просторі та чому різні вектори активації можуть давати однаковий результат.
Що робить вагова матриця і навіщо потрібна нелінійність
Дотримуйтеся чотирьох точок XOR від вхідних векторів до прихованих представлень. Прочитайте вагову матрицю за її рядками та стовпцями, зв’яжіть її обчислення з окремими нейронами та використовуйте інтерактивні діаграми, щоб побачити, як нелінійна активація робить класи роздільними.
Як зібрати контекст для LLM-агента: докладний розбір
Кожен агент CLI мовчки вирішує, що надсилати LLM кожного ходу — усю стенограму, лише останній K, короткий виклад старіших частин. Те саме завдання, інше рішення, надзвичайно різна вартість. Ми перевіряємо чотири репрезентативні стратегії збирання контексту на реальному пристрої для виправлення помилок, бачимо, звідки виникають катастрофічні цикли, коли кеш-пам’ять вмирає, і розповідаємо, як Claude Code, Codex і opencode вирішують ті самі компроміси.
Створюємо Model Armor: багаторівнева фільтрація безпеки для LLM
Модель Armor від Google об’єднує виклики Gen-AI у керований конвеєр безпеки, який ви вмикаєте за допомогою прапора. Ця стаття перебудовує цей конвеєр з нуля — фільтри на основі правил, класифікатори, судді LLM, оперативне переписування та модерування результатів — щоб ви зрозуміли, що кожен шар насправді купує вам і де шви, коли ви міняєте частини у свій власний стек.
Як працюють CNN: згортки, карти ознак і пулінг
Що насправді обчислює згортка і чому їх стекування дозволяє мережі бачити краї, потім текстури, а потім об’єкти. Створено знизу вгору з інтерактивними демонстраціями: карти функцій, до яких ви можете торкнутися, об’єднання, що відображається як насправді є зменшенням розмірності. Наприкінці кожна діаграма в газеті CNN повинна читатися як англійська.
Як навчаються нейронні мережі: зворотне поширення та градієнтний спуск
Більшість навчальних посібників махають градієнтним спуском і пропускають опорну опору або ховають її в нотації ланцюгового правила. Цей створює обидва знизу вгору: що таке градієнт, чому криві поверхні втрат і як правило ланцюга переміщує помилки назад через мережу — за допомогою віджетів, які ви можете очищати, щоб побачити рух кожної частини.