Big data world

olmOCR: разблокировка триллионов токенов в PDF-файлах с помощью моделей Vision Language https://github.com/allenai/olmocr

Новые тенденции в создании продуктов GenAI По мере того, как мы перемещаем программные продукты, использующие технологию генеративного ИИ, из проверки концепций в производственные системы, мы обнаруживаем ряд общих шаблонов. Оценки играют центральную роль в обеспечении того, чтобы эти недетерминированные системы работали в разумных границах. Большие языковые модели нуждаются в улучшении, чтобы предоставлять информацию за пределами общего и статического обучающего набора. В большинстве случаев мы можем сделать это с помощью Retrieval Augmented Generation (RAG), хотя базовый подход RAG требует нескольких шаблонов для преодоления своих ограничений. Когда RAG недостаточно, становится полезной тонкая настройка. https://martinfowler.com/articles/gen-ai-patterns

Какой лучший PDF Extractor для RAG? Я пробовал LlamaParse, Unstructured и Vectorize https://levelup.gitconnected.com/whats-the-best-pdf-extractor-for-rag-i-tried-llamaparse-unstructured-and-vectorize-4abbd57b06e0

20 важных статистических подходов, которые знает каждый специалист по данным🐱‍🚀 https://medium.com/@sarowar.saurav10/20-advanced-statistical-approaches-every-data-scientist-should-know-ccc70ae4df28

Обнаружение аномалий в машинном обучении с использованием Python https://blog.jetbrains.com/pycharm/2025/01/anomaly-detection-in-machine-learning

Агентские и RAG-системы обычно испытывают трудности с обновлением знаний в режиме реального времени и быстрым поиском данных. Сегодня давайте обсудим недавнюю статью Zep , в которой представлена ​​интересная архитектура графа знаний с учетом времени, призванная решить эту проблему. https://blog.dailydoseofds.com/p/build-human-like-memory-for-your

Изучите пять шаблонов проектирования агентского ИИ, которые повышают эффективность агентов ИИ https://blog.dailydoseofds.com/p/5-agentic-ai-design-patterns

Vision Search Assistant: Расширьте возможности моделей Vision-Language в качестве мультимодальных поисковых систем https://cnzzx.github.io/VSA

Ваша машина, ваш искусственный интеллект — наилучший локальный пакет производительности с Ollama https://blog.det.life/your-machine-your-ai-the-ultimate-local-productivity-stack-with-ollama-7a118f271479

Все, что вам нужно знать для создания собственного приложения RAG https://github.com/bRAGAI/bRAG-langchain

DeepSeek-R1 для чайников https://habr.com/ru/companies/airi/articles/879178/

Kimi k1.5: Масштабирование обучения с подкреплением с LLM https://github.com/MoonshotAI/Kimi-k1.5

Масштабирование во время тестирования — это многообещающий новый подход к языковому моделированию, который использует дополнительные вычисления во время тестирования для повышения производительности. Недавно модель OpenAI o1 продемонстрировала эту возможность, но не поделилась своей методологией публично, что привело к многочисленным попыткам репликации. Мы ищем самый простой подход для достижения масштабирования во время тестирования и высокой производительности рассуждений. https://github.com/simplescaling/s1

Как использовать DeepSeek R1 бесплатно в Visual Studio Code с Cline или Roo Code https://dev.to/dwtoledo/how-to-use-deepseek-r1-for-free-in-visual-studio-code-with-cline-or-roo-code-3an9

Beyond Jupyter — это сборник материалов для самостоятельного изучения проектирования программного обеспечения, в котором особое внимание уделяется приложениям машинного обучения. Он демонстрирует, как грамотное проектирование программного обеспечения может ускорить как разработку, так и эксперименты. https://transferlab.ai/trainings/beyond-jupyter

Основы компьютерного зрения https://yashshahh.notion.site/CV-Basics-1-163464be31028096bad4ffa3aca9851e

Используем HTTP API Gemini 2.0 бесплатно https://habr.com/ru/articles/876566/

Создание ИИ-агента для вашего фронтенд-проекта https://blog.logrocket.com/building-ai-agent-frontend-project

Дорожная карта по освоению машинного обучения в 2025 году https://machinelearningmastery.com/roadmap-mastering-machine-learning-2025

Краткое введение в использование векторной базы данных В которой мы узнаем, как создать простую векторную базу данных с использованием вложений Pinecone и OpenAI, и обнаружим, что это гораздо проще, чем мы могли ожидать. https://stevekinney.net/writing/using-a-vector-database