Технологии против Человека. Как мы будем жить, любить и думать в следующие 50 лет?

«Руководство по MLOps, LLMs и инфраструктуре ML для дата-сайентистов» Эпоха разрозненных команд аналитиков и разработчиков ушла. Сегодня большие языковые модели (LLM) — это фундамент бизнеса. Как превратить мощь нейросетей в надежные, масштабируемые продукты? Ведущие эксперты отрасли представляют комплексную платформу для создания приложений на базе искусственного интеллекта. Отслеживая создание реального продукта от идеи до внедрения, вы освоите современный MLOps-конвейер. Внутри: ▸ От теории к практике: сквозной пример разработки приложения на основе LLM с нуля. ▸ Индустриальный стандарт: версионирование данных, отслеживание экспериментов (MLflow) и мониторинг моделей в проде. ▸ Ответственный ИИ: этические аспекты интеграции алгоритмов и управление неструктурированными данными. ▸ Бизнес-ценность: стратегии бесшовного встраивания LLM в корпоративную инфраструктуру. ▸ Жизненный цикл: методы переобучения систем на новых данных без остановки сервиса. Эта книга изменит ваше представление о конвейере обработки данных. Перестаньте воспринимать машинное обучение как набор инструментов — начните строить целостные системы, которые формируют будущее вашего бизнеса. Об авторах Кристен КЕРЕР с 2010 года предлагает инновационные и практичные решения в области статистического моделирования. В 2018 году она была признана одним из лучших экспертов в области науки о данных и аналитики. Является основателем компании Data Moves Me, LLC. Калеб КАЙЗЕР — FullStack-инженер в компании Comet. Ранее Калеб входил в команду основателей Cortex Labs, работал в Scribe Media, создавая платформу для авторов.

ПИСАТЬ ТЕКСТЫ С ИИ — ЭТО ПРОСТО. И В ДВА РАЗА БЫСТРЕЕ. Нейросети уже умеют помогать с письмами, сообщениями и статьями. Они подсказывают формулировки, упрощают сложные мысли и помогают довести текст до понятного и аккуратного результата. Но как правильно использовать ИИ в работе с текстами? Как не получить шаблонный и «неживой» результат? И как сделать так, чтобы текст звучал естественно, а не как ответ робота? В ЭТОЙ КНИГЕ ВЫ УЗНАЕТЕ: - какие ИИ лучше подходят для работы с текстами [ChatGPT, Яндекс GPT, Gemini и другие) и как их использовать; - как писать письма, сообщения и статьи с помощью ИИ — от черновика до финальной версии; - готовые промпты для деловой переписки, постов, описаний и других задач; - как улучшать текст: сокращать, упрощать, делать понятнее и убедительнее; - типичные ошибки, из-за которых тексты получаются неудачными, и как их избежать. Эта книга — не о том, чтобы ИИ писал за вас. Это о том, как использовать его как инструмент: ускорять работу, находить точные формулировки и делать тексты понятными и живыми.

Простое руководство по дополненной генерации. Технология Retrieval Augmented Generation (RAG) позволяет значительно повысить точность и надежность генеративных моделей искусственного интеллекта. Вы получите четкое понимание основ RAG, изучив ключевые компоненты и стратегии построения эффективной системы. Все про RAG: • Компоненты системы • База знаний • Конвейер индексирования и генерации • Оценка системы • Расширенные стратегии • Инструменты, технологии и фреймворки Конкретные инструкции по применению концепции RAG в реальных проектах делают книгу незаменимым ресурсом для инженеров, разработчиков и всех желающих освоить современные технологии генеративного искусственного интеллекта. Читатели смогут ознакомиться со множеством примеров кода на Python и приобрести ценные навыки для успешного внедрения RAG-технологий в практику, расширяя профессиональные горизонты. Книга идеально подходит для самостоятельного освоения материала и может служить справочным пособием для опытных профессионалов. После ее прочтения вы будете готовы внедрять инновационные решения в сфере искусственного интеллекта и развивать карьеру в динамично меняющемся мире AI-технологий. Об авторе Абхинав КИМОТИ — опытный специалист в области искусственного интеллекта. Более 15 лет он разрабатывает передовые решения в сфере ИИ и машинного обучения. Руководил ИИ-проектами в области аналитики, предиктивного машинного обучения, обработки естественного языка (NLP) и генеративного ИИ. «Кимоти предлагает фундаментальный структурированный подход. Книга ценна архитектурным взглядом. Автор четко разделяет пайплайны индексации и генерации, раскладывает их на атомарные компоненты (от загрузки данных и чанкинга до эмбеддингов и векторных баз), а затем демонстрирует, как эти компоненты взаимодействуют в стеке RAGOps. Это не просто учебник, а хорошо структурированная энциклопедия RAG, которая станет настольным справочником для технических специалистов — от системных аналитиков до разработчиков и архитекторов данных, стремящихся не просто "сделать RAG", а спроектировать надежную, масштабируемую и измеримую систему». — Евгений Васюков, ведущий системный аналитик ИЦ «Ай-Теко»

ИИ-агенты уже умеют брать на себя больше, чем простой ответ на запрос. Главное — понять, какие задачи им можно доверить и как правильно ими управлять. Нейросети больше не ограничиваются тем, что пишут тексты, подсказывают идеи или отвечают на вопросы. ИИ-агенты могут действовать по шагам: собирать информацию, сравнивать варианты, готовить отчеты, помогать с планированием, обучением, покупками и повседневными делами. Но если поставить задачу расплывчато, результат будет таким же расплывчатым. Эта книга поможет разобраться, как работают ИИ-агенты, чем они отличаются от обычных ассистентов и как делегировать им задачи без потери контроля. В этой книге вы узнаете: - что такое ИИ-агент и чем он отличается от чат-бота, ассистента и обычной автоматизации; - какие задачи можно делегировать агенту в работе, учебе и повседневной жизни; - как правильно формулировать цель, ограничения и формат результата; - почему ИИ-агенты ошибаются и как проверять их выводы; - как использовать готовые промпты для отчетов, планов, анализа, писем, обучения и организации дел. Эта книга — не про то, чтобы передать ИИ всю жизнь на автопилот. Она о том, как снять с себя рутину, быстрее разбираться в задачах и использовать ИИ-агентов как полезный рабочий инструмент.