Около двух лет назад OpenAI заявила, что искусственный интеллект общего назначения (Artificial General Intelligence, AGI), который также называнию сильным ИИ или ИИ уровня человека, «может возвысить человечество» и «предоставить всем невероятные новые возможности». Теперь же генеральный директор OpenAI Сэм Альтман (Sam Altman) пытается снизить градус ожидания от появления AGI.

Источник изображения: OpenAI Forum

«Я предполагаю, что мы достигнем AGI раньше, чем думает большинство людей в мире, и это будет иметь гораздо меньшее значение. И многие опасения по поводу безопасности, о которых говорили мы и другие стороны, на самом деле не возникнут в момент создания AGI. AGI можно создать. Мир после этого будет в основном развивается примерно так же, как и сейчас. Некоторые вещи начнут выполняться быстрее. Но переход от того, что мы называем AGI, до того, что мы называем сверхинтеллектом — это очень долгая дорога», — сказал Альтман во время интервью на саммите The New York Times DealBook в среду.

Альтман уже не первый раз преуменьшает значимость, казалось бы, теперь точно неизбежного создания искусственного интеллекта общего назначения, о котором когда-то говорилось в уставе самой компании OpenAI, и который, как она же заявляла, сможет «автоматизировать большую часть интеллектуального труда» человечества. Недавно глава OpenAI намекнул, что это может произойти уже в 2025 году и будет достижимо с помощью актуального специализированного программного и аппаратного обеспечения. Ходят слухи, что OpenAI просто объединит все свои большие языковые модели и назовёт это AGI.

Последующее заявление Альтмана об AGI прозвучало так, как будто OpenAI больше не рассматривает создание искусственного интеллекта общего назначения как нечто грандиозное, что способно решить все проблемы человечества: «Мне кажется, что экономические трудности в мире будут продолжаться немного дольше времени, чем думают люди, потому что в обществе много инерции. Поэтому в первые пару лет [после создания AGI], возможно, будет не так много изменений. А потом, возможно, последует много изменений».

Те надежды и возможные достижения, которые OpenAI ранее приписывала AGI, компания теперь возлагает на так называемый «сверхинтеллект», который как недавно спрогнозировал Альтман, может появиться «через несколько тысяч дней».

Научный поиск вскоре может претерпеть коренные изменения — искусственный интеллект показал себя в качестве непревзойдённого человеком инструмента для анализа невообразимых объёмов специальной литературы. В поставленном эксперименте ИИ смог точнее людей-экспертов дать оценку фейковым и настоящим научным открытиям. Это облегчит людям научный поиск, позволив машинам просеивать тонны сырой информации в поисках перспективных направлений.

Источник изображения: ИИ-генерация Кандинский 3.1/3DNews

С самого начала разработчики генеративных ИИ (ChatGPT и прочих) сосредоточились на возможности больших языковых моделей (LLM) отвечать на вопросы, обобщая обширные данные, на которых они обучались. Учёные из Университетского колледжа Лондона (UCL) поставили перед собой другую цель. Они задались вопросом, могут ли LLM синтезировать знания — извлекать закономерности из научной литературы и использовать их для анализа новых научных работ? Как показал опыт, ИИ удалось превзойти людей в точности выдачи оценок рецензируемым работам.

«Научный прогресс часто основывается на методе проб и ошибок, но каждый тщательный эксперимент требует времени и ресурсов. Даже самые опытные исследователи могут упускать из виду важные выводы из литературы. Наша работа исследует, могут ли LLM выявлять закономерности в обширных научных текстах и прогнозировать результаты экспериментов», — поясняют авторы работы. Нетрудно представить, что привлечение ИИ к рецензированию далеко выйдет за пределы простого поиска знаний. Это может оказаться прорывом во всех областях науки, экономя учёным время и деньги.

Эксперимент был поставлен на анализе пакета научных работ по нейробиологии, но может быть распространён на любые области науки. Исследователи подготовили множество пар рефератов, состоящих из одной настоящей научной работы и одной фейковой — содержащей правдоподобные, но неверные результаты и выводы. Пары документов были проанализированы 15 LLM общего назначения и 117 экспертами по неврологии человека, прошедшими специальный отбор. Все они должны были отделить настоящие работы от поддельных.

Все LLM превзошли нейробиологов: точность ИИ в среднем составила 81 %, а точность людей — 63 %. В случае анализа работ лучшими среди экспертов-людей точность повышалась до 66 %, но даже близко не подбиралась к точности ИИ. А когда LLM специально обучили на базе данных по нейробиологии, точность предсказания повысилась до 86 %. Исследователи говорят, что это открытие прокладывает путь к будущему, в котором эксперты-люди смогут сотрудничать с хорошо откалиброванными моделями.

Проделанная работа также показывает, что большинство новых открытий вовсе не новые. ИИ отлично вскрывает эту особенность современной науки. Благодаря новому инструменту учёные, по крайней мере, будут знать, стоит ли заниматься выбранным направлением для исследования или проще поискать его результаты в интернете.

Поставки настольных и мобильных компьютеров с ускорителями для приложений искусственного интеллекта достигли 13,2 млн единиц в третьем квартале 2024 года, что составляет 20 % от всех поставок ПК за указанный период, по подсчётам агентства Canalys. Во втором квартале объём поставок таких компьютеров составлял 8,8 млн единиц.

Источник изображения: Microsoft

Сразу стоит отметить, что к «ИИ-совместимым» персональным компьютерам аналитики Canalys относят все настольные и мобильные компьютеры, оснащённые специализированным ИИ-ускорителем NPU или «его аналогом». Таким образом к данной категории относятся не только системы на Copilot+PC на новейших чипах AMD, Intel и Qualcomm, но и Windows-компьютеры на чипах Intel и AMD прошлого поколения, а также все Apple Mac на процессорах M-серии.

Источник изображения: Canalys

Согласно свежему анализу Canalys, на системы с Windows пришлось более половины (53 %) поставок ПК с ИИ в третьем квартале, тогда как доля Apple снизилась до 47 %. Во втором квартале лидером являлась как раз компания Apple с 59 % поставок систем с поддержкой ИИ, тогда как на долю систем с Windows приходилось 41 % поставок.

Несмотря на прогресс в развитии ПК с поддержкой ИИ производителям по-прежнему приходится убеждать покупателей в том, что покупка такой системы, а стоят они зачастую дороже, того стоит. Некоторые наблюдатели утверждают, что рост поставок таких компьютеров не обязательно связан с тем, что люди ищут именно ПК с ИИ. Просто многие современные системы изначально оснащены ИИ-ускорителем.

Источник изображения: Canalys

Главный аналитик Canalys Ишан Датт (Ishan Dutt) рассказал, что проведённый в ноябре опрос компаний, занимающихся продажами компьютеров, показал, что 31 % не планирует продавать системы Copilot+PC в следующем году, а 34 % респондентов ожидают, что такие устройства составят менее десятой части от общего объёма продаж в 2025 году. Для получения заветного обозначения Copilot+PC компания Microsoft требует от производителей ПК, чтобы система оснащалась ИИ-движком (NPU), производительность которого составляет не менее 40 TOPS (триллионов операций в секунду).

В любом случае поставки и продажи ИИ-совместимых ПК в ближайшие месяцы должны вырасти, поскольку до даты окончания поддержки Windows 10, не имеющей функции ИИ, осталось меньше года. По данным StatCounter, Windows 10 по-прежнему занимает более 60 % рынка настольных ПК на базе Windows во всём мире. С прекращением поддержки многие потребители перейдут на новые ПК с Windows 11 в 2025 году.

Делимся подборкой коротких курсов, чтобы быстро внедрить в работу новые знания и решать более сложные задачи. Они подойдут руководителям, HR-специалистам, продакт-менеджерам и другим специалистам. А ещё сейчас их можно купить со скидкой 20 %.

Навыки аргументации для руководителей

9 дней живой практики с наставниками, в которой студенты моделируют реальные рабочие ситуации и решают их. Вы освоите алгоритм, который поможет готовиться к важным встречам и аргументировать свою точку зрения. Курс подойдёт руководителям, менеджерам и всем, кто стремится к руководящей позиции.

Юнит-экономика

За 18 дней курс научит разбираться в экономике продукта и принимать прибыльные бизнес-решения. Подойдёт аналитикам, руководителям отделов, владельцам бизнеса, действующим и начинающим продакт-менеджерам.

Инструменты начинающего руководителя

За 1 месяц начинающие руководители смогут освоить эффективные фреймворки управления командой и почувствовать себя увереннее в работе. Вы научитесь ставить понятные и измеримые задачи, выстраивать коммуникацию, делегировать и контролировать выполнение задач, а также давать и получать обратную связь.

Основы управления проектами

1,5 или 3 месяца обучения в зависимости от выбранного формата. Навыковый курс по запуску и реализации проектов для специалистов с опытом и тех, кто никогда раньше этого не делал. Вы научитесь работать над целями и потребностями заказчиков, ресурсами проекта и команды, а также управлять изменениями и рисками. В курс включены более 20 инструментов и методологий.

Навыки критического мышления

2 месяца, за которые вы научитесь избегать логических ловушек и манипуляций, противостоять логическим уловкам, выявлять причинные связи и добывать недостающие данные, точно доносить мысль, находить аргументы, конструктивно критиковать и не только. Курс для продактов и проджектов, руководителей, разработчиков и других специалистов.

Основы продакт-менеджмента

За 3 месяца курс поможет освоить бизнес-подходы на примере В2В- и В2С-кейсов Яндекса. Вы научитесь всем основам продуктового подхода: как приоритизировать задачи, опираясь на прибыль, как использовать метрики и продуктовые фреймы, как проверять идеи на жизнеспособность и многому-многому другому.

HR-аналитика

За 3 месяца разовьёте аналитические навыки, которые помогут вам продвигаться в карьере. По данным hh.ru, медианная зарплата HR-специалиста с навыками в аналитике выше на 27%. Поэтому курс полезен специалистам разного уровня: начинающим HR-менеджерам и рекрутерам, HR BP и HR-дpженералистам.

Управление командой

За 4 месяца вы научитесь управлять большим потоком задач, повышать эффективность команды, сохранять авторитет, разрешать конфликты и внедрять изменения. Курс подходит текущим и будущим руководителям, предпринимателям и продактам.

Чёрная пятница

Начните любой курс Яндекс Практикума бесплатно: пройдите первую тему и получите скидку 20% на оплату обучения до 30 ноября.

Легендарные The Beatles вновь номинированы на музыкальную премию «Грэмми» спустя более 50 лет после распада группы. Их последняя песня «Now and Then», отреставрированная в прошлом году с помощью искусственного интеллекта, претендует на звание «Запись года» наряду с песенными хитами Билли Айлиш (Billie Eilish) и Тейлор Свифт (Taylor Swift).

Источник изображения: Now And Then / YouTube

Песня «Now and Then» была выпущена в ноябре 2023 года, но её история началась ещё в конце 1970-х годов. Тогда Джон Леннон (John Lennon) записал демоверсию этой композиции не в студийных условиях. Позднее запись, вместе с другими треками «Free As A Bird» и «Real Love», была передана оставшимся участникам группы в 1990-х годах для включения в проект The Beatles Anthology. Однако «Now and Then» так и не была завершена из-за технических ограничений того времени, которые не позволяли качественно отделить вокал Джона Леннона от инструментального сопровождения.

Изменить ситуацию удалось только в 2021 году, когда режиссёр Питер Джексон (Peter Jackson) и его команда, снимавшие документальный фильм о «Битлз», использовали технологию машинного обучения. Это позволило ныне живущим Полу Маккартни (Paul McCartney) и Ринго Старру (Ringo Starr) завершить работу над песней, отделив голос от фортепиано и создав полноценный трек с сопровождением музыкальных инструментов. «Теперь, благодаря ИИ, мы смогли вернуть эту песню к жизни», — отметил Маккартни.

Несмотря на то, что «Now and Then» была закончена с использованием искусственного интеллекта, она соответствует правилам «Грэмми» в отношении ИИ. Правила гласят, что «только люди имеют право быть номинированными или выиграть премию Grammy, но работы, содержащие элементы ИИ, имеют право участвовать в соответствующих категориях». Церемония «Грэмми» состоится 2 февраля 2025 года, а песне The Beatles придётся конкурировать с современными хитами известных артистов.

Специалисты, стремящиеся к профессиональному росту, постоянно учатся новому. Однако полагаться исключительно на силу воли в процессе учёбы может оказаться неэффективным.

Источник изображения: «Яндекс Практикум»

Важно понять, как работает мотивация, и создать благоприятные условия для достижения целей. Такой подход не только облегчит обучение, но и сделает его более продуктивным и осознанным, помогая сохранить интерес и энергию.

Причины снижения мотивации

• Отсутствие поддерживающей среды. Это особенно важно для долгосрочного обучения. Занятия необходимо внести в расписание и систематически уделять им время — иначе всегда найдётся что-то более важное и срочное. Если близкие не оказывают поддержки, можно обратиться за советом и помощью в профессиональные сообщества.
• Страх перед трудностями. Если подойти к обучению или карьере недостаточно осознанно, есть риск, что при первых сложностях руки опустятся. Завышенные ожидания к себе также могут навредить.
• Неправильно выбранное направление. Иногда, человек преследует навязанную цель. Например, при переходе в IT мотивацией может быть исключительно повышение дохода — так можно столкнуться с разочарованием в выбранном пути.
• Неподходящий уровень сложности. Обучение может быть или слишком простое, или слишком сложное. В первом случае будет скучно, а во втором слишком мало положительного подкрепления, чтобы поддерживать мотивацию.

Как поддерживать мотивацию

✅Напоминать себе о первоначальной цели. Для чего я решился на обучение, может ли оно изменить мою жизнь в лучшую сторону? Если ответ «да», сразу окажется, что усилия стоят того, чтобы их прикладывать. Следующим шагом будет — изменить инфраструктуру своей жизни, построить удобный график и интегрировать в него обучение.

✅Делегировать другие обязанности. Чтобы интегрировать в график учёбу, иногда стоит делегировать какие-то другие дела. Например, попросить супруга забирать детей из садика, а освободившееся время уделить обучению.

✅Быть готовым отложить какие-то дела на короткое время. Иногда — например, во время сдачи учебного проекта — приходится уделять учёбе больше времени. В такое время, скорее всего, придётся откладывать встречи с друзьями или отказываться от развлечений в пользу обучения.

✅Отказаться от иллюзии, что учиться можно «между делом». Бывает, что мы откладываем выполнение домашнего задания, прохождение учебного тренажёра и т. д. на то время, когда будем ехать в метро на работу, на обеденный перерыв или какой-то другой небольшой промежуток времени. Микролёрнинг — вещь хорошая, но всегда есть риск, что человек не успеет достаточно погрузиться в материал, и учёба не принесёт желаемых результатов.

В «Яндекс Практикуме» вы не останетесь один на один с учёбой: вас поддержат куратор, наставник, ревьюер, сообщество сокурсников. Ваша цель — наша цель. Если вы хотите найти новую работу или повысить уровень компетенций, мы вам в этом поможем.

Исследователи из Массачусетского технологического института (MIT) разработали собственный метод обучения роботов новым навыкам. Вместо стандартного набора сфокусированных данных, которые обычно используются при обучении роботов, они задействовали большие массивы данных, тем самым имитируя процесс обучения больших языковых моделей (LLM).

Источник изображения: MIT

По мнению исследователей из MIT, имитационное обучение, когда робот учится на действиях человека, выполняющего ту или иную задачу, может оказаться неэффективным при несущественном изменение окружающей обстановки. К примеру, у робота могут возникнуть трудности после обучения, если он попадёт в обстановку с другим освещением или предметами.

В своей работе исследователи задействовали разные LLM, такие как GPT-4, чтобы повысить качество обучения методом перебора данных. «В области языковых моделей все данные — это просто предложения. В робототехнике, учитывая всю неоднородность данных, если вы хотите проводить предварительное обучение аналогичным образом, то потребуется другая архитектура», — рассказал один из авторов исследования Лируй Ванг (Lirui Wang).

Исследователи разработали новую архитектуру под названием Heterogeneous Pretrained Transformers (HPT), которая объединяет информацию, получаемую от разных датчиков и из разных сред. Собираемые таким образом данные объединяются в обучаемые модели с помощью «трансформера». Конечному пользователю нужно лишь указать дизайн робота, его конфигурацию и навык, которому он должен обучиться.

«Мы мечтаем о создании универсального мозга робота, который можно было бы загрузить и использовать в своём роботе без какого-либо обучения. Пока мы находимся на ранних стадиях, но мы собираемся продолжать упорно работать и надеемся, что масштабирование приведёт к прорыву в робототехнике, как это было с большими языковыми моделями», — рассказал один из авторов исследования Дэвид Хелд (David Held).

Компания Google без лишнего шума представила новый образовательный сервис на основе искусственного интеллекта под названием Learn About, анонс которого состоялся на прошедшей в мае конференции Google I/O. Сервис призван изменить подход к обучению чему-либо, превращая этот процесс в увлекательный диалог вместо стандартного чтения текста и просмотра сопутствующих изображений.

Источник изображения: maginative.com

Инструмент Learn About ориентирован на людей, которые регулярно используют поисковые системы для изучения чего-то нового. Однако в данном случае на смену традиционным методам обучения, в которых информация преподносится статично в процессе чтения текста и просмотра изображений, приходит метод, предлагающий персонализированное интерактивное обучение.

В некотором смысле новый сервис можно назвать своеобразным виртуальным репетиром, которому можно задавать вопросы или предоставлять собственные материалы. Возможно изучение специально подобранных тем широкого спектра, начиная от повседневных вопросов и заканчивая сложными академическими предметами. Алгоритмы на базе нейросетей генерируют контент, который поможет разобраться в теме, связать основные понятия, углубить понимание вопроса. Learn About объединяется традиционный обучающий контент, такой как видео, статьи и изображения, с возможностями искусственного интеллекта, и позиционируется Google как новый вид цифрового помощника по обучению.

Learn About обладает большим потенциалом, но Google даёт понять, что на данном этапе это всё ещё эксперимент, поскольку сервис может предоставлять неточную или вводящую в заблуждение информацию. Пользователям рекомендуется проверять факты и оставлять отзывы по итогам взаимодействия с сервисом. Отмечается, что на данный момент Learn About не сохраняет данные о взаимодействии с пользователями, история чата исчезнет, как только будет закрыта веб-страница.

Среди американских IT-гигантов зародилась новая забава — соревнование, у кого больше кластеры и твёрже уверенность в превосходстве своих мощностей для обучения больших языковых моделей ИИ. Лишь недавно глава компании Tesla Илон Маск (Elon Musk) хвастался завершением сборки суперкомпьютера xAI Colossus со 100 тыс. ускорителей Nvidia H100 для обучения ИИ, как об использовании более 100 тыс. таких же ИИ-ускорителей сообщил глава Meta✴ Марк Цукерберг (Mark Zuckerberg).

Источник изображения: CNET/YouTube

Глава Meta✴ отметил, что упомянутая система используется для обучения большой языковой модели нового поколения Llama 4. Эта LLM обучается «на кластере, в котором используется больше 100 000 графических ИИ-процессоров H100, и это больше, чем что-либо, что я видел в отчётах о том, что делают другие», — заявил Цукерберг. Он не поделился деталями о том, что именно уже умеет делать Llama 4. Однако, как пишет издание Wired со ссылкой на заявление главы Meta✴, их ИИ-модель обрела «новые модальности», «стала сильнее в рассуждениях» и «значительно быстрее».

Этим комментарием Цукерберг явно хотел уколоть Маска, который ранее заявлял, что в составе его суперкластера xAI Colossus для обучения ИИ-модели Grok используются 100 тыс. ускорителей Nvidia H100. Позже Маск заявил, что количество ускорителей в xAI Colossus в перспективе будет увеличено втрое. Meta✴ также ранее заявила, что планирует получить до конца текущего года ИИ-ускорители, эквивалентные более чем полумиллиону H100. Таким образом, у компании Цукерберга уже имеется значительное количество оборудования для обучения своих ИИ-моделей, и будет ещё больше.

Meta✴ использует уникальный подход к распространению своих моделей Llama — она предоставляет их полностью бесплатно, позволяя другим исследователям, компаниям и организациям создавать на их базе новые продукты. Это отличает её от тех же GPT-4o от OpenAI и Gemini от Google, доступных только через API. Однако Meta✴ всё же накладывает некоторые ограничения на лицензию Llama, например, на коммерческое использование. Кроме того, компания не сообщает, как именно обучаются её модели. В остальном модели Llama имеют природу «открытого исходного кода».

С учётом заявленного количества используемых ускорителей для обучения ИИ-моделей возникает вопрос — сколько электричества всё это требует? Один специализированный ускоритель может съедать до 3,7 МВт·ч энергии в год. Это означает, что 100 тыс. таких ускорителей будут потреблять как минимум 370 ГВт·ч электроэнергии — как отмечается, достаточно для того, чтобы обеспечить энергией свыше 34 млн среднестатистических американских домохозяйств. Каким образом компании добывают всю эту энергию? По признанию самого Цукерберга, со временем сфера ИИ столкнётся с ограничением доступных энергетических мощностей.

Компания Илона Маска, например, использует несколько огромных мобильных генераторов для питания суперкластера из 100 тыс. ускорителей, расположенных в здании площадью более 7000 м² в Мемфисе, штат Теннесси. Та же Google может не достичь своих целевых показателей по выбросам углерода, поскольку с 2019 года увеличила выбросы парниковых газов своими дата-центрами на 48 %. На этом фоне бывший генеральный директор Google даже предложил США отказаться от поставленных климатических целей, позволив компаниям, занимающимся ИИ, работать на полную мощность, а затем использовать разработанные технологии ИИ для решения климатического кризиса.

Meta✴ увильнула от ответа на вопрос о том, как компании удалось запитать такой гигантский вычислительный кластер. Необходимость в обеспечении растущего объёма используемой энергии для ИИ вынудила те же технологические гиганты Amazon, Oracle, Microsoft и Google обратиться к атомной энергетике. Одни инвестируют в разработку малых ядерных реакторов, другие подписали контракты на перезапуск старых атомных электростанций для обеспечения растущих энергетических потребностей.

Рекомендации книг для начинающих и продолжающих DevOps-инженеров. Помогут понять базовые принципы и узнать о различных концепциях, без привязки к конкретным инструментам и без готовых решений.

Источник изображения: «Яндекс Практикум»

«Руководство по DevOps. Как добиться гибкости, надежности и безопасности мирового уровня в технологических компаниях» Ким, Дебуа, Уиллис, Хамбл

Наиболее полное и исчерпывающее руководство по DevOps, написанное ведущими мировыми специалистами. Книга будет полезна абсолютно всем, кто прямо или косвенно связан с IT и управлением.

«Site Reliability Engineering. Надёжность и безотказность как в Google» Бейер, Джоунс, Петофф, Мёрфи

Систематизированный перечень подходов Google для обеспечения надёжности сервисов, где DevOps — лишь один из инструментов. Книга организована как сборник статей от разных авторов. Полезна всем, кто занимается организацией надёжности высоконагруженных сервисов.

«Программирование инфраструктуры. Как создаются адаптивные облачные системы» Моррис

В книге рассказывается, как эффективно использовать принципы, паттерны и практики DevOps, чтобы успешно обслуживать инфраструктуры облачного века. Будет полезна системным администраторам, разработчикам, архитекторам, тимлидам и DevOps-специалистам.

«Безопасность контейнеров. Фундаментальный подход к защите контейнеризированных приложений» Райс

В этой книге, предназначенной для специалистов-практиков, изучаются ключевые технологии, с помощью которых разработчики и специалисты по защите данных могут оценить риски для безопасности и выбрать подходящие решения.

«Ускоряйся! Наука DevOps. Как создавать и масштабировать высокопроизводительные цифровые организации» Форсгрен, Хамбл, Ким

Основу книги составляют исследования с использованием строгих статистических методов, включая данные, собранные из отчетов о состоянии DevOps. В этой книге представлены как результаты, так и научные подходы, которые стоят за этими исследованиями, чтобы вы могли применять всё это на практике.

В «Яндекс Практикуме» есть курсы для тех, кто уже имеет опыт в разработке и хочет расширить свои компетенции и перейти на новый уровень. Практика с первого дня обучения, поддержка наставников и кураторов, обратная связь от экспертов, интерактивный учебник, возможность начать учиться бесплатно — переходите по ссылкам, чтобы узнать о всех преимуществах каждого курса.

«Эксплуатация и разработка в Kubernetes» — за 3 месяца освоите и примените на практике технологии оркестрации контейнеров. Программу составляли инженеры и тимлиды, которые давно работают с Kubernetes. Благодаря этому, вы будете учиться только тому, что на самом деле пригодится в работе. Ближайший старт — 14 ноября.

«Apache Kafka для разработки и архитектуры» — 3-месячный курс для тех, кто хочет влиять на масштабируемость и надёжность систем. С этой технологией вы будете работать с более сложными продуктами и сможете повысить грейд. Есть бесплатная вводная часть. Ближайший старт — 21 ноября.

«Архитектура программного обеспечения» — за 6 месяцев освоите лучшие практики архитектуры и научитесь решать сложные архитектурные задачи. Есть бесплатная вводная часть. Ближайший старт — 24 октября, 28 ноября и 12 декабря.

Бесплатно начните любой курс «Яндекс Практикума», пройдите первую тему и получите скидку 20 % на оплату обучения до 30 ноября.

Open Source Initiative (OSI), десятилетиями определяющая стандарты открытого программного обеспечения (ПО), ввела определение для понятия «открытый ИИ». Теперь, чтобы модель ИИ считалась действительно открытой, OSI требует предоставления доступа к данным, использованным для её обучения, полному исходному коду, а также ко всем параметрам и весам, определяющим её поведение. Эти новые условия могут существенно повлиять на технологическую индустрию, поскольку такие ИИ-модели, как Llama компании Meta✴ не соответствуют этим стандартам.

Источник изображения: BrianPenny / Pixabay

Неудивительно, что Meta✴ придерживается иной точки зрения, считая, что подход OSI не учитывает особенностей современных ИИ-систем. Представитель компании Фейт Айшен (Faith Eischen) подчеркнула, что Meta✴, хотя и поддерживает многие инициативы OSI, не согласна с предложенным определением, поскольку, по её словам, «единого стандарта для открытого ИИ не существует». Она также добавила, что Meta✴ продолжит работать с OSI и другими организациями, чтобы обеспечить «ответственное расширение доступа к ИИ» вне зависимости от формальных критериев. При этом Meta✴ подчёркивает, что её модель Llama ограничена в коммерческом применении в приложениях с аудиторией более 700 млн пользователей, что противоречит стандартам OSI, подразумевающим полную свободу её использования и модификации.

Принципы OSI, определяющие стандарты открытого ПО, на протяжении 25 лет признаются сообществом разработчиков и активно им используются. Благодаря этим принципам разработчики могут свободно использовать чужие наработки, не опасаясь юридических претензий. Новое определение OSI для ИИ-моделей предполагает аналогичное применение принципов открытости, однако для техногигантов, таких как Meta✴, это может стать серьёзным вызовом. Недавно некоммерческая организация Linux Foundation также вступила в обсуждение, предложив свою трактовку «открытого ИИ», что подчёркивает возрастающую значимость данной темы для всей ИТ-индустрии.

Исполнительный директор OSI Стефано Маффулли (Stefano Maffulli) отметил, что разработка нового определения «открытого ИИ» заняла два года и включала консультации с экспертами в области машинного обучения (ML) и обработки естественного языка (NLP), философами, представителями Creative Commons и другими специалистами. Этот процесс позволил OSI создать определение, которое может стать основой для борьбы с так называемым «open washing», когда компании заявляют о своей открытости, но фактически ограничивают возможности использования и модификации своих продуктов.

Meta✴ объясняет своё нежелание раскрывать данные обучения ИИ вопросами безопасности, однако критики указывают на иные мотивы, среди которых минимизация юридических рисков и сохранение конкурентного преимущества. Многие ИИ-модели, вероятно, обучены на материалах, защищённых авторским правом. Так, весной The New York Times сообщила, что Meta✴ признала наличие такого контента в своих данных для обучения, поскольку его фильтрация практически невозможна. В то время как Meta✴ и другие компании, включая OpenAI и Perplexity, сталкиваются с судебными исками за возможное нарушение авторских прав, ИИ-модель Stable Diffusion остаётся одним из немногих примеров открытого доступа к данным обучения ИИ.

Маффулли видит в действиях Meta✴ параллели с позицией Microsoft 1990-х годов, когда та рассматривала открытое ПО как угрозу своему бизнесу. Meta✴, по словам Маффулли, подчёркивает объём своих инвестиций в модель Llama, предполагая, что такие ресурсоёмкие разработки по силам немногим. Использование Meta✴ данных обучения в закрытом формате, по мнению Маффулли, стало своего рода «секретным ингредиентом», который позволяет корпорации удерживать конкурентное преимущество и защищать свою интеллектуальную собственность.

Собрали курсы для специалистов с опытом, которые можно пройти в любое удобное время в своём темпе. Курсы охватывают разные темы: от облачных сервисов и алгоритмов до основ Go и навыков наставничества.

Источник изображения: «Яндекс Практикум»

«Инженер облачных сервисов» — научитесь использовать облачные сервисы и познакомитесь с возможностями платформы Yandex Cloud. Курс для системных администраторов, разработчиков и инженеров данных, а также всех, кто интересуется облачными технологиями.

Программа рассчитана примерно на 70 часов. Вы выполните 60 практических работ в своём облаке в Yandex Cloud и сможете получить сертификат о прохождении курса.

«Подготовка к алгоритмическому собеседованию» — узнаете, как проходят алгоритмические собеседования и как к ним подготовиться. Курс для разработчиков, которые ещё не изучали алгоритмы, и для тех, кто хочет оценить уровень своей подготовки к алгоритмическому интервью.

Для изучения теоретического материала понадобится 10 часов. Время прохождения практики зависит от вашей подготовки.

«Основы Go» — обучитесь основам Go на реальном коде и задачах, получите навыки тестирования и исправления ошибок. Курс для тех, у кого есть опыт в программировании на других языках. Программа рассчитана примерно на 30 часов.

«Наставник в IT» — за 4 часа узнаете, как давать обратную связь, мотивировать команду и решать конфликты. Курс для тимлидов (настоящих и будущих), а также менеджеров и всех тех, кто хочет лучше работать с командой.

Практикум знает, как сделать учебу интересной. Для этого у нас над курсами работает большая команда, авторы и методисты, которые знают, где лучше поставить теорию на паузу и попробовать применить знания на практике. Бесплатно начните любой курс Яндекс Практикума, пройдите первую тему и получите скидку 20% на оплату обучения до 30 ноября. Мы снизили цену, но оставили в курсах всё то, что помогает добиваться цели, какой бы она ни была:

Вебинары и живые лекции

Чтобы вы не оставались с теорией один на один.

Практика на реальных задачах

Во время которой вы соберёте портфолио и подготовитесь к будущей работе.

Поддержка YaGPT и наставников

Команда сопровождения поможет не сдаться на полпути, а технологии Яндекса упростят учёбу.

Помощь с трудоустройством

Если в целях была новая работа, то мы поможем добиться желаемого.

А ещё скидку можно применить на курсы английского — для этого вам нужно просто записаться на консультацию.

Начните учёбу для качественных изменений в карьере и жизни.

Последние несколько лет спрос на специалистов по 1С на российском рынке остаётся стабильно высоким, даже на стажёров. Это обусловлено тем, что всё больше организаций переходят на отечественную платформу автоматизации бизнеса «1С:Предприятие», отказываясь от западных аналогов из-за санкций и реализуя поддерживаемые государством программы импортозамещения ПО.

«1С:Предприятие» — один из самых популярных в России и СНГ программных комплексов для автоматизации процессов документооборота, ведения бухгалтерского учёта, управления предприятиями различных сфер деятельности и решения прочих задач в корпоративной среде

О востребованности экспертов по 1С говорит рост количества вакансий и предлагаемых зарплат — только на площадке hh.ru насчитывается свыше 11 тысяч для разработчиков. При этом предложения по заработной плате варьируются в зависимости от региона РФ и стартуют с 50 тысяч рублей для начинающих специалистов и с 200 тысяч рублей для профессионалов с опытом работы (согласно данным сервиса «Хабр Карьера»).

По данным банка «Точка», за последние два года медианные зарплаты в IT-сегменте выросли на 15 %, и больше всего повысились зарплаты разработчиков 1С — на 46 % относительно 2022 года. Однако вместе с зарплатами растут и требования — для входа в профессию нужны опыт и знания. Одним из вариантов освоить новую профессию могут стать онлайн-курсы. У Яндекс Практикума есть курсы «Разработчик 1C» и «1С‑аналитик». Они ориентированы на тех, кто только начинает свой путь в новой профессии, а также может подойти тем, кто уже начал свой путь в 1С-разработке или аналитике самостоятельно. Для обучения главное — иметь компьютер и достаточно времени для занятий.

Первый курс — «Разработчик 1C» — позволяет за 6 месяцев освоить с нуля 1С — один из самых востребованных языков программирования, в котором можно писать код как на английском, так и на русском. Авторы курса — эксперты по 1С из Яндекса и других крупных компаний с опытом 10+ лет. Курс совмещает наглядную теорию с непрерывной практикой и позволяет научиться создавать информационные системы на базе 1С, программировать в среде «1С:Предприятие», разрабатывать собственные конфигурации на платформе 1С, интегрировать 1С со сторонними сервисами, разрабатывать мобильные версии приложений на базе 1С, поддерживать работоспособность готовых информационных систем и решать прочие, отвечающие требованиям рынка и заказчиков задачи. Программа курса одобрена учебным центром 1С и соответствует современным технологиям разработки на 1С. По завершении обучения выпускник получит диплом о профессиональной переподготовке и свидетельство от учебного центра 1С. Также Практикум поможет с трудоустройством: в карьерном центре расскажут, как оформить резюме и портфолио, а также как откликаться на вакансии.

Курс «Разработчик 1C»

Продолжительность второго курса — «1С‑аналитик» — составляет 8 месяцев. За это время студенты научатся анализировать и моделировать бизнес-процессы, а также описывать их с помощью нотаций, взаимодействовать с 1С‑программистами: ставить задачи и контролировать их выполнение, выбирать инструменты и методы интеграции 1С, подбирать оптимальные конфигурации 1С и писать документацию. Студент успеет сделать девять практических работ и четыре проекта для портфолио. На всех этапах обучения студентов ждёт поддержка команды сопровождения, наставники — опытные специалисты — проводят вебинары и отвечают на сложные вопросы по теории и практике; ревьюеры проверяют домашние работы и проекта, а кураторы помогают не потеряться в учебном процессе. Учёбе потребуется уделять от 15 часов в неделю. Заниматься можно в любое время, главное — вовремя сдавать проекты на проверку.

Курс «1С‑аналитик»

Практикум использует технологии для помощи в обучении, поэтому студенты могут пользоваться YandexGPT, чтобы получить быстрый ответ на вопрос или сделать конспект урока.

У обоих курсов есть бесплатные части на 2 и 6 часов, которые помогут погрузиться в профессию и понять, подходит ли такой формат обучения и стоит ли развиваться в выбранном направлении. Если решите продолжить, необязательно оплачивать курс целиком — можно частями или в кредит. Желаем успеха в освоении новых специальностей!

Одним из источников данных для обучения систем генеративного искусственного интеллекта являются общедоступные веб-ресурсы. Apple предоставила их владельцам возможность отказаться от сбора данных для обучения системы Apple Intelligence, и многие из крупнейших ресурсов этой возможностью воспользовались. Среди них значатся Facebook✴ и Instagram✴, а также крупные новостные и медийные ресурсы, включая New York Times и The Atlantic.

В течение последних лет Apple применяла веб-сканер под названием AppleBot — собранные им данные использовались для обучения Siri и поисковой машины Spotlight. А совсем недавно компания подключила к AppleBot и Apple Intelligence. Это спорная практика, поскольку современный ИИ вольно обходится с защищёнными авторским правом материалами — в узких областях, где материалов вообще не так много, системы почти без изменений цитируют целые абзацы.

Apple уверяет, что производит сбор информации с учётом этических норм, отсеивая персональные данные, пользуясь только лицензированными материалами и общедоступными данными, которые поступают от сканера AppleBot. Чтобы дать веб-мастерам возможность отказаться от сбора информации только для обучения ИИ, компания использовала псевдоним Applebot-Extended — стандартная поисковая индексация при запрете этого псевдонима остаётся.

Отказ осуществляется внесением соответствующей директивы в общедоступный на веб-ресурсах файл robots.txt, а значит, у любого желающего есть возможность увидеть, кто из издателей заблокировал к себе доступ Apple Intelligence. Это сделали Facebook✴, Instagram✴, Craigslist, Tumblr, New York Times, Financial Times, The Atlantic, Vox Media, сеть USA Today и Condé Nast, установил журнал Wired. Чуть более четверти крупных американских новостных сайтов (294 из 1167) отказались пускать к себе ИИ от Apple, уточнил журналист Бен Уэлш (Ben Welsh).

По неподтверждённой информации, Apple заключила с некоторым медиакомпаниями сделки, заплатив им за право использовать их материалы для обучения ИИ. Вероятно, эти соображения сдерживают и остальные ресурсы — они просто ждут денег.

Чтобы успешно двигаться вперёд и достигать своих целей, нужна карьерная стратегия. Ошибки на этом пути неизбежны, и это нормально. Важно их осознавать и корректировать.

Вот возможные зоны роста, над которыми можно работать.

1. Отсутствие связи карьерных и жизненных целей. Например, человек хочет завести семью, написать книгу или посетить 30 стран. При этом он, не раздумывая, соглашается на новые оферы, повышения, берётся за решение новых задач. Он успешен в карьере, но забывает о своих мечтах.

Проверяйте, не мешает ли карьера вашим ценностям и потребностям. Сначала определите жизненные цели, а затем уже карьерные, которые их поддержат.

2. Страх перемен. С детства мы усваиваем, что стабильность — это хорошо. Сейчас контекст тоже не добавляет спокойствия. Бывает, человеку настолько важно мнение окружающих, что это останавливает его от перемен в жизни.

Будьте смелее и помните: удачного времени не бывает, действовать можно уже сейчас. Запишитесь на курсы и расширяйте кругозор, чтобы повысить уверенность и открыть новые карьерные возможности.

3. Отсутствие поддержки. Если человек решился на перемены, а семья и близкие его не поддерживают, в перспективе это может стать большой проблемой.

Заручитесь командой поддержки, присоединяйтесь к профессиональному сообществу. Если чувствуете, что вокруг нет тех, кто вас поддерживает, сформируйте эту среду самостоятельно.

4. Отсутствие гибкости. Например, есть чёткая карьерная цель: войти в IT и стать бизнес-аналитиком. Человек прошёл обучение, прощупал рынок и понял, что быстро устроиться не получится, но можно претендовать на роль менеджера проектов.

Скорректировать стратегию достижения цели — не значит сдаться. Если проявить гибкость, можно войти в ІТ как проектный менеджер, потом в той же компании или через несколько компаний сделать горизонтальный переход.

5. Игнорирование своих талантов, потребностей, личных особенностей, мотивации. Например, если человек раз за разом берётся за суперамбициозные проекты, хотя в прошлый уже выгорал в похожей ситуации. Или остаётся в компании, которая ему не нравится, потому что в ней есть возможности для роста.

Осознавайте свои потребности и работайте над синдромом самозванца, чтобы защитить себя от выгорания. Решать такие дилеммы помогают менторы, наставники или коучи.

Чтобы развиваться в профессии, нужно непрестанно учиться. Часто приходится совмещать обучение с основной работой или другими задачами. Здесь не обойтись без внешней поддержки — близких, друзей или товарищей по учёбе.

На курсах в «Яндекс Практикуме» никто не остаётся наедине с трудностями. Поддержку и совет всегда можно получить в сообществе студентов и выпускников, а опытные наставники и ревьюеры разберут ошибки, подскажут, что улучшить, и поделятся кейсами из своей практики.

Присмотритесь к курсам для специалистов с опытом, если хотите вырасти из джуна в мидла, сменить специальность и начать решать более сложные задачи. Обучайтесь новым навыкам и растите в профессии с поддержкой практиков и технологий Яндекса.