магИИя

Генеративный ИИ в секторе недвижимости Поддержка клиентов 24/7💬 Copilot для различных взаимодействий с клиентами, включая ответы на запросы клиентов по обслуживанию жилой и нежилой недвижимости. Переговоры по коммерческой аренде 🎙 При переговорах с арендатором офиса, склада или объекта розничной торговли – ИИ может собрать всю информацию об арендаторе, объекте недвижимости и рынке и составить план и стратегию переговоров. Анализ документации 📎 ГенИИ может быть применен к анализу внутренней документации по строительству, продаже, аренде, эксплуатации, которое может быть объемным и наполненным специальной терминологией, что затрудняет анализ и поиск информации сотрудниками многих объектов недвижимости. Перонализация и продажи 🎮 ГенИИ может помочь потенциальному арендатору точно представить, как будет выглядеть квартира в предпочитаемом им стиле, например с отделкой из дерева. Затем эти данные можно использовать обратно в ИИ-модели, чтобы предсказать, какие типы мебели и отделки лучше всего подходят для различных сегментов клиентов, улучшая конверсию и помогая принятию будущих решений о капитальных затратах. Принятие более быстрых и точных инвестиционных решений 📊 С помощью генИИ можно провести многосторонний анализ внешних и внутренних данных и получить ответ на разные вопросы, например: «Какие 25 лучших складских объектов, выставленных на продажу, в которые мне следует инвестировать?» или «Какие торговые центры, скорее всего, будут развиваться в будущем?» Создание архитектурных планов🖥 Система на базе генИИ может использовать разные данные, собираемые с помощью IoT-датчиков и алгоритмов компьютерного зрения и разрабатывать более эффективные архитектурные планы *Исследование McKinsey #GenAI

Несмотря на критику Google продолжает запускать новые модели 🚀 Модель Genie генерирует 2D управляемое игровое видео с помощью промпта или изображения. Модель обучалась исключительно на основе видеороликов > 200 тысяч часов видео из Интернета. Как пишут разработчики, Genie позволит обучать универсальных агентов в будущем. 🔗https://sites.google.com/view/genie-2024/ #Genie

🖼 Генерация фона для товаров на Яндекс.Маркете! Теперь нет необходимости тратить время и ресурсы на профессиональную фотосессию ваших товаров. Яндекс представляет функцию - YandexART, позволяющую создавать виртуальный фон для товаров с помощью искусственного интеллекта! Как это работает? 1. Загрузите фотографию товара. 2. Нажмите на значок карандаша и выберите опцию "Создать фон с YandexART". 3, Просмотрите сгенерированные варианты и сохраните понравившийся! 4. Для лучшего результата рекомендуется использовать фотографии товаров на белом или светлом однотонном фоне, хорошего качества и без лишних предметов в кадре. #карточка_товара

🌟 Исследование рынка нишевых маркетплейсов России от Тинькофф X Data Insight. • Нишевые маркетплейсы – это быстрорастущий сегмент, который может превысить 1 трлн рублей в ближайшие годы. • Они представляют собой качественный дополнительный канал продаж для предпринимателей с уникальной лояльной аудиторией и высокой конверсией в продажу. • Покупатели выбирают нишевые маркетплейсы за широкий выбор качественных товаров в определенной категории. • Нишевые маркетплейсы не конкурируют с универсальными, но могут использоваться для увеличения продаж и поиска новых покупателей. • Существуют различные сценарии появления нишевых маркетплейсов: переквалификация категорийного интернет-магазина, трансформация из офлайна в онлайн, запуск с нуля и замыкание экосистемы. • Нишевые маркетплейсы предлагают преимущества для селлеров, такие как дополнительный канал продаж, лояльная аудитория, высокая конверсия и прибыльность, а также специализированная инфраструктура под категорию товаров. #карточка_товара

🚀 Новая фишка на Avito: генеративный ИИ для описаний объявлений!🚀 📸 Avito тестирует генеративный ИИ для создания описаний объявлений. При загрузке фото товара, приложение автоматически предложило название для объявления 📸. Эта функция была и раньше, но теперь генерируемые названия объявлений стали сильно лучше. Более того, Авито пошли дальше и, похоже, ИИ теперь может создавать и описания для объявления, основываясь на названии объявления и информации, введенной пользователем. В результате авито генерирует заполненное описание и оставляет пропуски для того, что бы пользователь не забыл добавить полезную информацию. ✨ Пользователи могут редактировать предложенный шаблон или написать описание сами. Есть даже кнопка «Создать автоописание» для корректировки текста. Пока официальных анонсов не было, но мы в восторге от интеграции и ждём подробностей! #карточка_товара P.S. В нашей команде у нескольких человек появился такая фишка, пишите в комментариях доступна ли эта опция у вас.

🚀 Новая фишка на Avito: генеративный ИИ для описаний объявлений!🚀 👔 Наш коллега, размещая объявление о продаже костюма , обнаружил, что Avito тестирует генеративный ИИ для создания описаний объявлений. При загрузке фото товара, приложение автоматически предложило название для объявления 📸. Эта функция была и раньше, но теперь генерируемые названия объявлений стали сильно лучше. Более того, Авито пошли дальше и, похоже, ИИ теперь может создавать и описания для объявления, основываясь на названии объявления и информации, введенной пользователем. Пользователи могут редактировать предложенный шаблон или написать описание сами ✍️. Есть даже кнопка «Создать автоописание» для корректировки текста ✨. Пока официальных анонсов не было, но мы в восторге от интеграции и ждём подробностей! 🎉 P.S. нативная реклама пиджака 😉

Мы тут вчера немного отвлеклись и сразу два крутых анонса прошли мимо магИИя🤫 ⚡️Мультимодальная Gemini 1.5 от Google Работает с контекстным окном до 1 млн токенов (токен - это символ или слово). Размер контекста - это сколько текста можно передать в модель для использования в подготовке ответа. Вы можете отправить в модель Gemini 1.5 100 статей одновременно и использовать их для написания доклада или можете отправить часовое видео и 10 часовое аудио и получить краткий анализ. https://storage.googleapis.com/deepmind-media/gemini/gemini_v1_5_report.pdf ⚡️ Модель генерации видео Sora от OpenAI Позволяет создавать видеоролики по текстовому описанию продолжительностью до минуты с очень высоким качеством. https://openai.com/research/video-generation-models-as-world-simulators

Сегодня участвовали были на конференции, где разные большие компании из топливно-энергетического комплекса говорили про цифровизацию систем закупок и не только💬 Из интересного: - Компании накопили профильную и комплементарную экспертизу и хотят ее монетизировать через консалтинговые и ИТ- продукты - В случае ИТ, это написанный своими или чужими руками софт, который улучшает внутреннюю работу в компании. Но есть понимание, что подобные решения могут быть полезны и для других бизнесов, которые сталкиваются с теми же болями. В основном это классические энтерпрайз решения - Были представлены отдельные кейсы отпочковавшихся команд, которые предлагают услуги заказной разработки - Мало говорили про ИИ, в основном с позиции сотрудничества с внешними стартап проектами 🙂 Мы рассказывали про ИИ в закупках и про наш продукт Copilot в закупках

Генеративный ИИ: второй акт 🙂 Sequa Capital выпустили статью про рынок генеративного ИИ. Первый год или «Акт 1» - это появление генеративного ИИ. Начался он с выхода базовых моделей и быстрого успеха стартапов, делающих приложения для глобального рынка - ChatGPT, Midjourney и другие. Рынок рос очень быстро, доход более 1 миллиарда долларов только от стартапов (рынку SaaS потребовались на это годы , а не месяцы). Сейчас рынок переходит к «Акту 2», который будет развиваться уже от клиента. Акт 2 полностью решит человеческие проблемы. Эти приложения отличаются от первых выпущенных приложений. Они используют базовые модели как часть более комплексного решения, а не как целое решение. Они представляют новые интерфейсы для более удобных и качественных рабочих процессов. Выше карта ИИ-стартапов, который показываем масштаб этого рынка 🔗Ссылка на статью

Поздравляем всех влюблённых с прекрасным праздником Святого Валентина🙄🙃 В честь праздника Suno добавила немного испанской романтики в трек про магИИю 🔝(тут оригинал https://t.me/magic09ai/633) Вы также можете создать и отправить музыкальную валентинку https://v-day.suno.ai 😉

Продолжаем рубрику RAG. Планируем писать много про RAG🤔 Оценка качества работы RAG систем: обзор некоторых метрик (2-я часть) Метрики для оценивания всей системы из Ragas. Answer semantic similarity (Семантическая близость ответа) – мера семантического сходства генерируемых ответов с соответствующими их вопросам истинными ответами. В процессе используется кросс-энкодер для получения степени сходства. Метрика принимает значение от 0 до 1. Answer Correctness (Корректность ответа) – мера точности сгенерированного ответа по сравнению с истиной. Включает комбинацию из степеней семантического и фактического сходств выдаваемого ответа и истинным ответом. Метрика принимает значение от 0 до 1. 1-я часть была про метрики покомпонентной оценку тут https://t.me/magic09ai/687 Автор поста Эльдар @aempresario #RAG

Продолжаем рубрику RAG. Планируем писать много про RAG🤔 Оценка качества работы RAG систем: обзор некоторых метрик (2-я часть) Метрики для оценивания всей системы из Ragas. Answer semantic similarity (Семантическая близость ответа) – мера семантического сходства генерируемых ответов с соответствующими их вопросам истинными ответами. В процессе используется кросс-энкодер для получения степени сходства. Метрика принимает значение от 0 до 1. Answer Correctness (Корректность ответа) – мера точности сгенерированного ответа по сравнению с истиной. Включает комбинацию из степеней семантического и фактического сходств выдаваемого ответа и истинным ответом. Метрика принимает значение от 0 до 1. 1-я часть была про метрики покомпонентной оценку тут Автор поста Эльдар @aempresario #RAG

Продолжаем рубрику RAG. Планируем писать много про RAG🤔 Оценка качества работы RAG систем: обзор некоторых метрик (2-я часть) Метрики для оценивания всей системы из Ragas. Answer semantic similarity (Семантическая близость ответа) – мера семантического сходства генерируемых ответов с соответствующими их вопросам истинными ответами. В процессе используется кросс-энкодер для получения степени сходства. Метрика принимает значение от 0 до 1. Answer Correctness (Корректность ответа) – мера точности сгенерированного ответа по сравнению с истиной. Включает комбинацию из степеней семантического и фактического сходств выдаваемого ответа и истинным ответом. Метрика принимает значение от 0 до 1. 1-я часть была про метрики покомпонентной оценку тут https://t.me/magic09ai/687 Автор поста Эльдар @aempresario #RAG

Мультимодальный ИИ😉 Много бизнес сфер, где для принятия решения или решения какой-то определенной задачи нужно проанализировать разнообразные данные - текст, изображение, таблицы, аудиозаписи. В ИИ за такой анализ отвечают мульмодальные модели, которые могут понимать и реагировать на разнообразные данные. Мультимодальный ИИ находится в зачаточном состоянии, но модели быстро развиваются. Google Gemini первая изначально мультимодальная модель. Мультимодальные фичи также присутствует в GPT-4V (Text, image 2 text), в моделях Inflection -2 (Text 2 text, image), в моделя ALEPH ALPHA ( image 2 text). Другие LLM разработчики заявляют о планах реализовать мультимодельность Появляются первые юзкейсы коммерческого применения мультимодального ИИ, например в сфере здравоохранения, автомобилестроения, розничной торговли и производства. ✔️Google планирует добавить Gemini в семейство базовых моделей MedLM, специально настроенных для использования в сфере здравоохранения. ✔️Ghost Autonomy исследует возможность использования мультимодальных LLM в автономном вождении ✔️Meta предлагает потребителям мультимодальный искусственный интеллект с помощью своих умных очков Ray-Ban ✔️Мультимодальная модель Google PaLM-E нацелена на робототехнику, сочетая язык с сенсорными данными роботов. ✔️Ну и конечно, крутейшие мультимодальные AR очки Frame от Brilliant Labs. Позиционируется как первые в мире очки со встроенным мультимодальным помощником ИИ.

MERA руссоязычных ИИ MERA - независимый бенчмарк для оценки руссоязычных моделей.Тест содержит 21 задачу в разных областях: от знаний о мире до умения писать код. Результаты теста показывают уровень навыков написания текстов, поиска информации, подготовки аналитики. Разработан командами MTS AI, Сбера,Skoltech AI и НИУ ВШЭ. Результаты пока есть по 27 моделям, которые подали заявку на участие. В основном это опенсорсные модели и модели Сбера. На русском языке в топе оказались open-source модели - Mixtral , Llama-2 и Yi-6B и 34B Статья ➡️

Современный стек ИИ ❓ Интересная статья 🔗 Выделяют уровни инфраструктуры и архитектуры ИИ продуктов: Уровень 1: Расчеты и базовые модели (Compute and foundation models) Уровень 2: Данные (Data) Уровень 3: Развертывание (Deployment) Уровень 4: Наблюдаемость (Observability). Несколько фаз развития таких моделей: Фраза 1: Только модели с закрытым исходным кодом (Closed-source models only). Это то, что сейчас. Фокус разработчиков в основном на foundation models. Лидеры OpenAI, Anthropic и другие Фаза 2: Генерация, дополненная поиском или RAG (Retrieval-augmented generation ). В будущем корпорации будут сфокусированы на уровне данных, а не на уровне моделей Фаза 3: Развертывание гибридной модели (Hybrid model deployment). Закрытые модели сливаются с открытыми (open source) моделями и данными, чтобы закрывать специфичные кейсы. Фаза 4 и выше: Пользовательские модели (Custom models). Создание собственных моделей. Тренды в выстраивании современного стека ИИ: -95% затрат на AI приходится на анализ данных (прогоны) против pre-training; -60% компаний используют несколько моделей и потом выбирают рабочую модель; -RAG является доминирующим в подходе к архитектуре ИИ для корпоративных пользователей; Что может ждать в будущем: -Повышение использования RAG в Next-Gen AI Applications; -Небольшие модели будут иметь большее значение в современном AI Stack; -Появятся новые инструменты для observability и оценки моделей.

Оценка качества работы RAG систем: обзор некоторых метрик🙂 Совершенствование RAG систем требует использование опеределённого набора метрик качества их работы. Для оценки почти всегда используются другие нейросети. Рассмотрим несколько метрик из Ragas. Метрики делятся на 2 группы: метрики для покомпонентного оценивания и оценивания всей системы. Сегодня рассмотрим 1-ю группу. Метрики для оценки генерации: Faithfulness (Верность) – мера фактической согласованности сгенерированного ответа с поданным на вход контекстом. Сгенерированный ответ считается верным, если все утверждения, содержащиеся в нем, могут быть выведены из данного контекста. Для этого сначала определяется набор утверждений из сгенерированного ответа. Затем каждое из этих утверждений перекрестно проверяется с заданным контекстом, чтобы определить, может ли оно быть выведено из данного контекста или нет. Метрика принимает значение от 0 до 1. Чем выше значение, тем лучше. Answer Relevance (Релевантность ответа) – мера того, насколько сгенерированный ответ соответствует заданному запросу. Ответы, которые являются неполными или содержат избыточную информацию, получают более низкий балл. Метрика принимает значение от 0 до 1. Чем выше значение, тем ответ релевантнее. Метрики для оценки поиска информации: Context Precision (Точность контекста) – мера наличия всех корректных кусочков информации, присутствующих в контекстах, в топе выдачи. В идеале все релевантные фрагменты должны оказаться на верхних строчках. Эта метрика вычисляется на основе вопроса и контекстов, а ее значения варьируются от 0 до 1, где более высокие баллы означают более высокую точность. Context Relevancy (Релевантность контекста) – мера релевантности найденного контекста. Рассчитывается на основе вопроса и контекста. В идеале, найденный контекст должен содержать исключительно важную информацию для ответа на запрос. Метрика принимает значение от 0 до 1. Чем выше значение, тем релевантнее. Context Recall (Полнота контекста) – мера соответствия найденного контекста аннотированному ответу, принятому за базовую истину. В процессе оценки каждое предложение в ответе анализируется на предмет того, может ли оно быть отнесено к извлеченному контексту или нет. В идеальном случае все предложения в истинном ответе должны быть отнесены к найденному контексту. Рассчитывается на основе базовой истины и найденного контекста, а значения лежат в диапазоне от 0 до 1. Чем выше, тем лучше. Автор поста @aempresario