ИИ в горах | обучение машинному обучению

Лекция 2 на мирере, там уже есть презентация и домашка + тесты

🔥10 октября в Москве — конференция «ИИ: Наука в действии»

Sber AI Lab и Университет ИТМО собирают исследователей, инженеров и лидеров индустрии, чтобы обсудить переход от передового AI-ресерча к реальным продуктам.

🔆В программе:
🔘15 докладов от топовых исследователей из Сбера, ИТМО, МФТИ, Сколтеха, AIRI и T-Bank.
🔘Панельная дискуссия «От науки к бизнес-внедрению» с участием топовых ученых от Skoltech, ВШЭ, МФТИ и бизнеса.
🔘Международный keynote спикер.

🔆Ключевые темы:
🔘Фабрики LLM-агентов, управление знаниями и мультиагентные системы для автоматизации исследований и разработки.
🔘Эффективный инференс, сжатие MoE-моделей и оптимизация контекста в RAG-системах.
🔘Надежность и оценка LLM: детекция галлюцинаций, доверие к моделям и LLM-as-Judge.
🔘Обработка банковских данных и внедрение ИИ-решений.

Зачем быть очно?
☑️Разобрать практический опыт внедрения
☑️Задать вопросы авторам исследований напрямую
☑️Нетворкинг с командами Sber AI Lab

📍Москва, Офис Сбера
📆10 октября (суббота), 11:00–19:00

➡️Программа и регистрация по ссылке!

✈@sb_ai_lab

Завтра, 3 октября, в 13:00 — второе занятие курса «Автономные агенты и их построение»

Встречаемся во втором гуманитарном корпусе МГУ, аудитория 428. Поговорим об инструментах агента: как модель выбирает действие, кто его выполняет и как проверить результат. Разберём также, чем инструмент отличается от навыка и где здесь MCP

Ссылка на трансляцию

Материалы и объявления будут в группе курса. До встречи!

Ниже представлены актуальные задачи и проекты, которые можно рассмотреть для публикации на A* и работы в рамках текущего курса (это задачи на этот семестр). Можете записываться на эти проекты и выполнять. Хочется, чтобы задачи доводились до конца, поэтому необходимо быть готовым уделять достаточное врем под эти проекты. От нас вы получите кауие-то ресурсы + возможность совместной публикации

К сожалению, не получилось настроить трансляцию и тут видео обрезано… в следующие разы лучше организую

Завтра, 26 сентября в 13:00, пройдёт первое занятие курса «Автономные агенты и их построение»

Встречаемся во втором гуманитарном корпусе МГУ, аудитория 428. Начнём с того, что такое агент, какие задачи ему можно поручить и как устроен цикл его работы (постараюсь настроить трансляцию и скину ссылку для слушателей не из МГУ)

❗️Студенты МГУ смогут зачесть курс как спецкурс по выбору

Материалы и объявления по занятиям будут в группе курса. Буду рад если поделитесь этим курсом с друзьями и до встречи на занятиях!

P.S. напоминаю, что есть группа-обсуждение, где можно делиться новостями, задавать вопросы и просто болтать про ML)

@mountainai_info

А вот и расписание курса «Автономные агенты и их построение»!

Встречаемся каждую субботу в 13:00 во втором гуманитарном корпусе МГУ, аудитория 428

Можно приходить очно или подключаться к онлайн-трансляции (если не являетесь студентом МГУ). Записи занятий будут доступны на Teach-in, а все материалы курса — в группе в Мирере

Возможно, добавятся дистанционные семинары. Расписание и преподаватель пока уточняются, об этом сообщу отдельно

Присоединиться к курсу

До встречи на занятиях! | @mountainai_info

За 11 занятий пройдём от первого агента с инструментами до системы, которая сама предлагает изменения и проверяет их в экспериментах. Будем постепенно собирать своего агента, а к концу получится пет-проект, который можно оформить на GitHub и добавить в резюме

Разрабатывать будем на CARL и LangChain: разберём основные идеи и посмотрим, как они реализуются в разных библиотеках

Сегодня в Мирере появится вводный материал по Python — для тех, кому нужно освежить знания перед началом. Домашние задания будут в Мирере и в ноутбуках Google Colab, где попробуем запускать открытые языковые модели для работы агентов.

День недели и время занятий сообщу отдельно. Пока можно присоединиться к группе курса в Мирере или поделиться этим курсом с друзьями

@mountainai_info

Программа курса

Присоединиться к курсу

@mountainai_info

Всем привет! Этим летом я надолго пропал (погрузился полностью в работу), надеюсь, успели от меня отдохнуть :)

Пора включаться в работу. В этом семестре прочитаю курс «Автономные агенты и их построение», а время от времени буду проводить отдельные лекции и воркшопы на интересные темы.

Как построить систему, которая не просто отвечает на вопросы, а планирует действия, использует инструменты и проверяет результат? На курсе пройдём путь от первых агентов на основе языковых моделей до систем, способных улучшать свои решения и способы работы.

Начнём с основ: что такое агент, как устроен цикл его работы и какие задачи ему можно поручить. Разберём инструменты, планирование, память и совместную работу нескольких агентов. На практике будем собирать агентные системы, анализировать их ошибки и оценивать качество, стоимость и надёжность.

Затем перейдём к самоулучшающимся системам: как агент может использовать обратную связь, накапливать опыт и менять свою стратегию. Обсудим автоматическую оптимизацию инструкций и агентных цепочек, поиск и эволюционные подходы и то, как проверить, что изменения действительно помогают.

По ходу курса будем разбирать научные статьи: обсуждать идеи, эксперименты и ограничения, а также пробовать отдельные методы в коде.

Начинаем на следующей неделе. День недели и время пока уточняются. Будут очные занятия и записи, возможно, прямые эфиры. Материалы и работа по курсу в Мирере

Пока присоединяйтесь к группе курса в Мирере

@mountainai_info

Yandex ML Prize 2026 в наших руках!
А точнее, в руках наших исследователей🙂

▶️Иван Оселедец, доктор физико-математических наук, профессор РАН, генеральный директор AIRI и декан факультета ИИ МГУ
▶️Антон Конушин, кандидат физико-математических наук, руководитель группы «Пространственный интеллект»

— получили премию за вклад в развитие области ML-образования в категории «Зал славы».

В зал славы включают уникальных учёных и наставников, благодаря которым выросло сообщество исследователей и инженеров мирового уровня. Они изменили подход к обучению, науке и технологиям и продолжают вдохновлять новые поколения. Лауреаты этой категории не подают заявки самостоятельно — их выбирают по итогу опроса лауреатов премии предыдущих лет.

Научную премию Яндекса в номинации «Начинающие преподаватели» получили⤵️

▶️Альбина Бурлова, младший научный сотрудник группы «Прикладное NLP»
▶️Константин Пчелин, младший научный сотрудник группы «Мультимодальные архитектуры ИИ»

Поздравляем их сердечками ❤️

Скоро я выйду на связь, а пока победа!

Проект сильно переработан, так что советую оценить новую версию, так же он будет активно развиваться. А скоро (до среды) здесь появится информация о старте курса по агентным системам!

Состоялся релиз обновления экосистемы MAESTRO!

Всем привет! Мы выпустили MAESTRO: open-source экосистему AIRI для создания, запуска, версионирования и улучшения AI-агентов с помощью.

Теперь MAESTRO превращает текстовый запрос в исполняемую агентную цепочку действий в формате CARL. Такую цепочку можно проверить, сохранить, повторно запустить, сравнить с другими версиями и улучшать по метрикам.

CARL - открытый формат описания агентных цепочек рассуждений и действий, он является одним из ключевых продуктов экосистемы MAESTRO. Он превращает агентную логику из набора промптов и скриптов в понятную структуру: с шагами, инструментами, зависимостями, контекстом выполнения и ожидаемым результатом

Благодаря формату CARL цепочку можно не только запустить, но и сохранить, проверить, передать другой команде, сравнить с новой версией и развивать дальше.

Что это меняет на практике?
- Каждый шаг исполнения виден, а код исполняется в изолированной среде.
- Production-цепочка фиксируется под стабильным идентификатором.
- Лучшие версии отбираются по измеримым метрикам.
- Генерация, исполнение, хранение и улучшение цепочек объединены в одном контуре.

Из чего состоит MAESTRO?
- Модуль MAGE собирает переиспользуемую агентную цепочку по текстовому запросу.
- Библиотека CARL задаёт единый формат описания цепочки.
- Модуль GigaEvo Memory хранит цепочки, версии и историю изменений.
- Модуль GigaEvo Platform отвечает за отбор и улучшение цепочек по метрикам.

Как запустить?
Достаточно иметь pip или uv, чтобы установить решение локально:
uvx maestro-install
maestro

Вам потребуется:
- ключ API одного из веб-поисков (Tavily / Brave / SerpAPI),
- ключ, адрес и название модели LLM-провайдера (любой OpenAI-like - например, OpenRouter)
- установленный Docker (для локального размещения модулей памяти и эволюции)
Важно! Лучше использовать сильные модели, поскольку качество модели влияет напрямую на качество работы любой агентной системы. Рекомендуемые модели: Qwen3-Coder / GLM-5.2 / Kimi 2.6

MAESTRO также можно подключить как навык к Claude Code, Codex, Hermes или OpenClaw, чтобы делегировать ему сборку и запуск агентных цепочек из привычной среды. Подробнее - в документации.

Страница проекта: https://airi-maestro.github.io/care-page
Документация: https://airi-maestro.github.io/care-docs/ru/

А вот и окончательно

Обновленная GPT‑5.5‑Cyber обошла Mythos на поиске уязвимостей в коде

openai.com/index/daybreak-securing-the-world/

OpenAI объявили, что выводят модель из превью, и теперь партнерам и отдельным кибербезопасникам будет доступна полная версия GPT-5.5-Cyber.

На CyberGym – основном крупном бенче по работе с уязвимостями – модель набрала 85.6%. Mythos на нем же набирает 83.8%.

Самое интересное, что в списке партнеров, которым предоставляется модель, фигурируют не только американские компании. Наверное, правительство США должно это ограничить, как и в случае с Anthropic. Правда? Правда же?…

За обновлениями экосистемы MAESTRO и GigaEvo можно следить в нашем чате:
t.me/maestrogigaevo

@mountainai_info | сайт