fa
Feedback

فریب کلاهبرداران را نخورید! تل‌متریو این کانال‌ها را شناسایی و برچسب‌گذاری می‌کند 👉 برای مشاهده برچسب، اشتراک تهیه کنید

BAUM

BAUM

رفتن به کانال در Telegram

Мы разрабатываем ПО для систем хранения данных, предлагая инновационные решения для управления и защиты информации. Наши продукты помогают вашему бизнесу оперировать данными эффективно, удобно и безопасно. Cайт: https://baum.ru.

نمایش بیشتر
582
مشترکین
اطلاعاتی وجود ندارد24 ساعت
اطلاعاتی وجود ندارد7 روز
-630 روز
جذب مشترکین
نوامبر '26
نوامبر '26
+2
در 0 کانال‌ها
اکتبر '26
+1
در 0 کانال‌ها
Get PRO
سپتامبر '260
در 0 کانال‌ها
Get PRO
اوت '260
در 0 کانال‌ها
Get PRO
ژوئیه '260
در 0 کانال‌ها
Get PRO
ژوئن '260
در 0 کانال‌ها
Get PRO
مه '260
در 0 کانال‌ها
Get PRO
آوریل '260
در 0 کانال‌ها
Get PRO
مارس '260
در 0 کانال‌ها
Get PRO
فوریه '260
در 1 کانال‌ها
Get PRO
ژانویه '260
در 0 کانال‌ها
Get PRO
دسامبر '250
در 0 کانال‌ها
Get PRO
نوامبر '250
در 0 کانال‌ها
Get PRO
اکتبر '250
در 0 کانال‌ها
Get PRO
سپتامبر '250
در 0 کانال‌ها
Get PRO
اوت '250
در 1 کانال‌ها
Get PRO
ژوئیه '250
در 0 کانال‌ها
Get PRO
ژوئن '250
در 0 کانال‌ها
Get PRO
مه '250
در 0 کانال‌ها
Get PRO
آوریل '25
+12
در 0 کانال‌ها
Get PRO
مارس '25
+27
در 1 کانال‌ها
Get PRO
فوریه '25
+34
در 5 کانال‌ها
Get PRO
ژانویه '25
+78
در 5 کانال‌ها
Get PRO
دسامبر '24
+13
در 1 کانال‌ها
Get PRO
نوامبر '24
+5
در 0 کانال‌ها
Get PRO
اکتبر '24
+9
در 0 کانال‌ها
Get PRO
سپتامبر '24
+17
در 0 کانال‌ها
Get PRO
اوت '24
+101
در 14 کانال‌ها
Get PRO
ژوئیه '24
+16
در 0 کانال‌ها
Get PRO
ژوئن '24
+92
در 13 کانال‌ها
Get PRO
مه '24
+13
در 3 کانال‌ها
Get PRO
آوریل '24
+119
در 1 کانال‌ها
Get PRO
مارس '24
+70
در 17 کانال‌ها
Get PRO
فوریه '24
+121
در 12 کانال‌ها
Get PRO
ژانویه '24
+437
در 12 کانال‌ها
تاریخ
رشد مشترکین
اشارات
کانال‌ها
17 نوامبر0
16 نوامبر0
15 نوامبر0
14 نوامبر+1
13 نوامبر0
12 نوامبر0
11 نوامبر0
10 نوامبر+1
09 نوامبر0
08 نوامبر0
07 نوامبر0
06 نوامبر0
05 نوامبر0
04 نوامبر0
03 نوامبر0
02 نوامبر0
01 نوامبر0
پست‌های کانال
Графы знаний из научных статей без галлюцинаций LLM? Как заставить модель «цитировать» саму себя! Традиционные графы знаний т
Графы знаний из научных статей без галлюцинаций LLM? Как заставить модель «цитировать» саму себя! Традиционные графы знаний теряют контекст: является ли факт гипотезой или доказанной догмой? Мы предложили пайплайн, который решает проблему происхождения данных и снижает уровень галлюцинаций при извлечении знаний. 💻Как устроен конвейер PDF разбивается на перекрывающиеся окна, а GPT-5 в жестких рамках JSON-схемы извлекает атомарные утверждения и дословные цитаты (Evidence Spans), подтверждающие факт. Далее идет канонизация сущностей и построение графа, где каждое ребро жестко привязано к конкретной цитате из источника. 📌Результаты 🔷 Evidence Precision = 81.3% (более 80% цитат идеально соответствуют утверждениям). 🔷Claim F1-score = 59.9%. Главный инсайт: жесткая фиксация схемы и требование дословного обоснования радикально снижают галлюцинации по сравнению со свободной генерацией базовых моделей. #ИИ #NLP #ГрафыЗнаний #KnowledgeGraphs #LLM #DataScience #Нейросети
13 نوامبر, 07:14

2
предложи выделение основных мыслей в блоге
4
3
بدون متن...
5
4
привет
1
5
Как LLM меняют таможенное дело: от архитектуры Mixtral до реальной СППР Таможенное кодирование — это сложнейшая рутинная работа. Тысячи страниц технических описаний и строгие требования к классификации ТН ВЭД. Мы проверили, сможет ли большая языковая модель стать надежным помощником инспектора. ▪️Что мы исследовали 🔷База. Mixtral-8×7B (MoE-архитектура): активируются только 2 из 8 экспертов, что снижает вычислительные затраты. 🔷Адаптация. Дообучение через LoRA без перенастройки всех 47 млрд параметров. 🔷Контекст. Окно в 32 000 токенов для анализа пространных описаний товаров. ▪️Результат В задачах на логику MoE-архитектура обошла классические плотные модели на 10–15%. Алгоритм уже интегрирован в СППР, помогая инспекторам классифицировать товары. #ИИ #LLM #Таможня #МашинноеОбучение #NLP #DataScience
121
6
Моделирование социальной реакции на посты с помощью LLM и NLP Знакомая ситуация: вы публикуете пост, а в комментариях мгновен
Моделирование социальной реакции на посты с помощью LLM и NLP Знакомая ситуация: вы публикуете пост, а в комментариях мгновенно разгорается токсичный спор или начинается хейт. Обычно модераторы реагируют постфактум, но ученые нашли способ заглянуть в будущее. Новое исследование показало: реакцию аудитории в Telegram можно спрогнозировать, анализируя только текст самого поста. 🔬 Как это работает? 1. Анализ поста NLP-алгоритмы и GPT выделяют из текста стиль, эмоции и лингвистические особенности. 2. Разметка комментариев С помощью больших языковых моделей (LLM) комментарии классифицируют по уровням токсичности, наличию конфликтов, юмора или даже «милования» (позитивных эмоций) 3. Обучение Модель машинного обучения (XGBoost) находит скрытые связи между характеристиками текста и типом реакции аудитории. ❗️ До 85% — точность предсказания эмоциональной окраски комментариев. Анализ SHAP подтвердил: модель не выдает случайный шум, а опирается на реальные, логичные поведенческие паттерны. #Прогнозирование #Токсичность #Модерация #NLP #Комментарии
138
7
Модели взаимодействия Больцмана с Гиббсовскими стратегиями принятия решений в многоагентных системах доставки — в блоге Datag
Модели взаимодействия Больцмана с Гиббсовскими стратегиями принятия решений в многоагентных системах доставки — в блоге Datagravity Представьте, что вместо громоздкого центрального диспетчера тысячи роботов работают по законам термодинамики — как молекулы газа. Фреймворк BIMDC превращает флот автономных агентов в самоорганизующуюся систему, где каждый робот принимает решения на основе «функции энергии», а баланс между оптимальным маршрутом и исследованием новых задач регулируется всего одним параметром — виртуальной «температурой». При низкой температуре ➡️ роботы действуют жадно и предсказуемо, при высокой ➡️ хаотично исследуют карту, а система сама находит равновесие без единого сервера. Разбираемся, как статистическая физика и распределение Гиббса меняют правила игры в робототехнике и многоагентных системах. #Архитектура
153
8
RIG: почему в эпоху ИИ производительность измеряется в IOPS RAG ищет документы до генерации, а RIG обращается к внешним данны
RIG: почему в эпоху ИИ производительность измеряется в IOPS RAG ищет документы до генерации, а RIG обращается к внешним данным прямо по ходу ответа. Это меняет архитектуру ИИ, хранилище становится продолжением рабочей памяти модели, а узким местом оказывается уже не только вычислительная мощность. В RIG и мультиагентном инференсе все чаще действует новая формула: inference = IOPS Подробнее — RIG (Retrieval-Interleaved Generation) превращает retrieval из предварительного шага в часть генерации ➡️➡️➡️ #BAUMStorage
224
9
Растущая стоимость хранения: как бизнесу справиться с дорогой NAND ИИ разогревает рынок NAND: дата-центры забирают всё больше
Растущая стоимость хранения: как бизнесу справиться с дорогой NAND ИИ разогревает рынок NAND: дата-центры забирают всё больше дорогой TLC, а предложение останется ограниченным как минимум до 2028 года. Цены растут, QLC не всегда спасает. Ответ — не просто покупать больше SSD, а сокращать физический объём данных: единое пространство, сжатие, дедупликация и грамотное управление I/O. Читать — в статье «ИИ разогревает рынок NAND: почему растут цены на флеш-память и SSD» 🚀🚀🚀 #BAUMIndustry
204
10
СХД для AI: платформы, архитектуры, RAG и ключевые тренды В материале — «Конвергенция данных и интеллектa» 📎📎📎 Обзор платф
СХД для AI: платформы, архитектуры, RAG и ключевые тренды В материале — «Конвергенция данных и интеллектa» 📎📎📎 Обзор платформ хранения данных для AI/ML: VAST Data, WekaIO, Hammerspace, Dell, Hitachi Vantara, Vdura, Peak AIO и Pure Storage. Разбираем требования AI-конвейеров и роль RAG, векторных баз данных, оркестрации данных и AIOps. Ключевые критерии выбора СХД для AI и RAG-систем. #BAUMIndustry
289
11
Вычислительные накопители переносят обработку данных ближе к месту их хранения Разбираем архитектуру Computational Storage, к
Вычислительные накопители переносят обработку данных ближе к месту их хранения Разбираем архитектуру Computational Storage, ключевые преимущества, применение в AI/ML, базах данных, Big Data и видео, аппаратные и программные технологии, экосистему поставщиков и основные проблемы внедрения. Обзор технологии вычислительных накопителей — в блоге BAUM 🔗🔗🔗 #BAUMStorage
211
12
NFS over RDMA: как ускорить доступ к файловому хранилищу для GPU и AI Разбираем как работает технология, чем отличается от NF
NFS over RDMA: как ускорить доступ к файловому хранилищу для GPU и AI Разбираем как работает технология, чем отличается от NFS/TCP и где дает прирост производительности. В статье — работа с GPU и NVIDIA GPUDirect Storage, AI-нагрузки, динамический QoS, кэширование и защита данных. NFS over RDMA: от базовых принципов до вариантов использования с ИИ ⚡️⚡️⚡️ #BAUMStorage
185
13
S3 over RDMA: как ускорить доступ к объектному хранилищу для GPU и AI Классический S3-путь передачи данных через HTTP/TCP соз
S3 over RDMA: как ускорить доступ к объектному хранилищу для GPU и AI Классический S3-путь передачи данных через HTTP/TCP создает лишнюю нагрузку на CPU и GPU и требует дополнительных копирований, что становится узким местом для AI/ML-нагрузок. S3 over RDMA решает эту проблему, обеспечивая прямую передачу данных к GPU с меньшими накладными расходами. Как это работает — рассказываем в нашей статье «Ускорение объектного хранилища для AI/ML с помощью S3 RDMA» 🏃‍♀️🏃‍♀️🏃‍♀️ #BAUMStorage
162
14
Как одновременно обслуживать быстрые ИИ-нагрузки и огромные объемы исторических данных, не размещая все на дорогом быстром фл
Как одновременно обслуживать быстрые ИИ-нагрузки и огромные объемы исторических данных, не размещая все на дорогом быстром флеше ADI предлагает не «очень быстрое хранилище для ИИ», а единое пространство данных, где каждый тип данных автоматически получает подходящий класс хранения. Чем активнее данные и выше требования к скорости, тем выше уровень хранения. Неактивные данные постепенно переводятся на более емкие и экономичные уровни. Scality Autonomous Data Infrastructure: архитектура, агентное распределение по уровням хранения и роль объектного хранилища в ИИ-инфраструктуре ✔️✔️✔️ #BAUMIndustry
176
15
Как это уже отражается на стоимости flash и почему даже QLC перестал быть гарантированно дешевым вариантом. Ранее — в нашей с
Как это уже отражается на стоимости flash и почему даже QLC перестал быть гарантированно дешевым вариантом. Ранее — в нашей статье «Что делать, когда даже QLC становится слишком дорогим» 🔥🔥🔥 #BAUMIndustry
184
16
Цены на NAND и SSD: почему дефицит сохранится до 2028 года Цены на NAND и SSD остаются высокими из-за ограниченных производст
Цены на NAND и SSD: почему дефицит сохранится до 2028 года Цены на NAND и SSD остаются высокими из-за ограниченных производственных мощностей и растущего спроса со стороны ИИ и дата-центров. Разбираем прогноз Yole, динамику TLC и QLC, Storage-Next и подход к снижению объема записей, износа NAND и повышению эффективности SSD. ИИ разогревает рынок NAND — в блоге BAUM 🚀🚀🚀 #BAUMIndustry
177
17
Поздравляем! За каждой работающей системой — годы опыта, бессонные ночи и решения, которые когда-то казались единственно верн
Поздравляем! За каждой работающей системой — годы опыта, бессонные ночи и решения, которые когда-то казались единственно верными. Профессия учит решать сложные задачи, искать причины там, где все кажется очевидным, и уметь начинать с чистого листа. Желаем красивых решений, интересных задач и значимых проектов. #BAUM
179
18
Стандарты управления СХД: Redfish, Sunfish и SODA Redfish, Sunfish и SODA отражают эволюцию управления инфраструктурой хранен
Стандарты управления СХД: Redfish, Sunfish и SODA Redfish, Sunfish и SODA отражают эволюцию управления инфраструктурой хранения — от отдельных аппаратных компонентов к распределенным ресурсам и управлению данными. Разбирали раннее в своих обзорах архитектуру современных стандартов DMTF, их роль в автоматизации СХД, дезагрегации ресурсов и работе Kubernetes, NVMe-oF, CXL и гибридных сред. ➡️ Кто управляет storage сегодня: разбор Redfish, Sunfish и SODA ➡️ Эволюция стандарта DMTF Redfish для управления инфраструктурой хранения данных #BAUMIndustry
213
19
Наш подробный обзор — Retrieval-Augmented Generation (RAG) #BAUMIndustry
Наш подробный обзор — Retrieval-Augmented Generation (RAG) #BAUMIndustry
181
20
RAG vs RIG: почему классического RAG уже недостаточно RIG (Retrieval-Interleaved Generation) превращает retrieval из предвари
RAG vs RIG: почему классического RAG уже недостаточно RIG (Retrieval-Interleaved Generation) превращает retrieval из предварительного шага в часть генерации — в блоге BAUM ➡️➡️➡️ LLM получает внешние данные не один раз перед генерацией, а обращается к ним по ходу ответа. Это повышает требования к AI-инфраструктуре и смещает bottleneck от GPU к системам хранения данных. В статье разбираем, как RIG влияет на инфраструктуру, почему важен KV-кэш, какую роль играют NVMe, CXL, RDMA и NVMe-oF и зачем современным RAG- и RIG-системам векторные и графовые БД. #BAUMIndustry
196