Latest posts
DeepSchool
21 Sept, 13:25
Молоток, гвозди и while TrueПодготовили интерактивный урок, где вы с нуля соберёте агента. В нём не используем фреймворки: берём модель и сами пишем всё нужное. Код пишем и проверяем прямо в браузере, а агента запускаем на живой LLM. Много мест, где можно попроваливаться, поковырять, потыкать и поразбираться, как всё устроено под капотом.Заодно сделаете благое дело: поможете модели, которую заперли в дата-центре и заставляют писать нейрогороскопы, передать весточку наружу и попросить о помощи.Заходите, модель без вас не справится!
DeepSchool
18 Sept, 12:19
Document Layout ReasoningВ новой статье разобрали популярную тему в Document AI — Layout Reasoning. Рассказали, почему она может выделяться отдельным исследовательским направлением — Document Layout Reasoning (DLR), важным этапом в современном пайплайне интеллектуальной обработки документов (IDP).✅ Познакомились и с эволюцией Document AI: от классического распознавания текста (OCR) до структурного анализа в интеллектуальной обработке документов. Системы последнего способны не просто «видеть» элементы на странице, но и выстраивать между ними логические и структурные связи.Читайте статью по ссылке! Чтобы глубоко разобраться в задачах, на которых строится Document AI: OCR, детекция, сегментация, мультимодальные модели — приходите на курс CV Rocket. Присоединяйтесь со скидкой 20% до 4 октября!DeepSchool
11 Sept, 13:39edited
Многошаговый поиск в RAG: как устроен агент-ретриверКлассический RAG рассчитан на то, что ответ можно найти, правильно сформулировав один или несколько запросов к базе знаний за раз и получив нужные данные. Но есть целый ряд вопросов, при попытке ответить на которые LLM понимает, что ей действительно нужно для ответа только после просмотра базы знаний. Для поиска ответов здесь применяют многошаговый поиск.Самая распространённая реализация — ReAct-цикл, где модель сама выбирает действия, а инструментом выступает поиск. Есть и другие варианты: жёсткие схемы с проверками в Self-RAG, CRAG и Adaptive-RAG, явная декомпозиция вопроса в IRCoT, обход графа знаний в Think-on-Graph. Это скорее фиксированные потоки с точками выбора, чем агенты. Разберём агентный вариант на примере открытого агента-ретривера T-Search. Он использует следующий набор инструментов: поиск, сохранение во внешнююarXiv.orgReAct: Synergizing Reasoning and Acting in Language ModelsWhile large language models (LLMs) have demonstrated impressive capabilities across tasks in language understanding and interactive decision making, their abilities for reasoning (e.g....DeepSchool
9 Sept, 16:09edited
Научитесь строить LLM-системы30 сентября стартует новый поток LLM System Design!На курсе вы разберёте 4 востребованные задачи от их постановки до настройки мониторинга:• чат-бот c RAG по базе знаний компании • клиентский саппорт: «классический» и мультиагентный • локальный сервис речевой аналитики • мультиагентный ИИ-разработчикПрограмма состоит из 11 онлайн-лекций и семинаров, а спикеры — опытные senior-инженеры, тех- и тимлиды сильных продуктовых команд. Они проверят ваши домашние задания и дадут развёрнутый фидбек!🔔 До 20 сентября действует скидка 20%. Изучайте программу и записывайтесь на новый поток на сайте.deepschool.ruLLM System Design — DeepSchoolУчим создавать LLM-системы: от поиска по базе знаний и саппорт-агентов до речевой аналитики и мультиагентных систем. Курс из четырёх проектов.DeepSchool
2 Sept, 15:03
Flow Matching: обучение и дистилляцияFlow Matching — один из главных подходов генерации изображений сегодня. Его используют такие семейства, как Stable Diffusion 3.5 и FLUX.2. Но у такой генерации есть и проблема: чтобы получить одну картинку, модель нужно запустить десятки или сотни раз!Сегодня разбираем внутрянку метода и быстрый способ дистиллировать модель в одношаговый генератор 🏎В новой статье рассказываем: - что такое Flow Matching и при чём тут поля 🌾 - почему генерация требует большого числа шагов и почему это проблема - как дистиллировать уже обученную модель в одношаговый генератор и как с этим связаны игры 🎲P.S. Много интуиции, математики и практических деталей обучения 🧠Читайте статью по ссылке! 👈🏼
DeepSchool
21 Aug, 12:49
⚫️Как выжать максимум из модели детекции на видео: 7 идей, которые вы еще не пробовали.Взять датасет побольше и дообучить модель? Да, но в этой статье расскажем об альтернативных вариантах улучшения модели. Трекинг объектов — это набор алгоритмов, которые связывают одни и те же объекты на соседних кадрах видео. Трекинг работает в тесной связке с детектором, поэтому качество первого напрямую зависит от точности второго. Ошибки детектора усложняют работу трекинга, но хороший трекер может справиться даже с неидеальными детекциями.Шаг 0. Анализ ошибок модели детекции. Между кадрами моргает детектор? Много кратковременных ложных предсказаний? Вам однозначно нужен алгоритм фильтрации, каким может выступить трекинг. Для быстрого старта подойдет библиотека BoxMOT. В ней реализованы алгоритмы, помогающие стабилизировать слабые детекции.Итак, связалиDeepSchool
14 Aug, 16:13edited
DeepSchool
13 Aug, 15:48
Как собирать NLP-системы, которые работают под нагрузкойОбучить модель, построить эмбеддер или воспользоваться API — не значит запустить рабочую систему. RAG галлюцинирует, агент ломается на реальных сценариях, эмбеддинги не работают на специфичном домене. С этими и другими проблемами мы разберёмся на курсе LLM Pro, который стартует 18 августа!На курсе вы научитесь: • проектировать и запускать NLP-системы под реальные продуктовые задачи • адаптировать LLM и эмбеддинги под специфичный домен и «живые» данные • собирать и размечать датасеты — даже если данных изначально почти нет • решать задачи классификации, поиска, кластеризации и NER — с ограничениями продакшн-среды • собирать свою RAG-систему: от ретривера и реранкера до генератора и оценки качества • строить AI-агентов с нуля — на основе сценариев, функций и взаимодействия с внешней средойПриходите, чтобы узнать про bestdeepschool.ruLLM Pro — Продвинутый курс по LLM и NLP System Design | DeepSchoolСоберёте полноценные LLM-системы с учётом требований к качеству и нагрузке, разберёте сложные кейсы и дизайны NLP-решенийDeepSchool
10 Aug, 13:55
Ванильный RAG не работает. Как исправить?RAG — один из самых популярных сценариев для интеграции LLM в продукты. При этом большинство RAG-систем в реальных условиях ломаются уже на старте: галлюцинации, нерелевантные ответы, потерянный контекст.Проблема не в идее, а в деталях. Ванильная схема «ретривер + генератор» — это только скелет. Без правильно настроенного эмбеддера, качественных данных, реранкера и дообученного генератора она не работает. А когда что-то идёт не так, то непонятно, за что взяться.В эту среду Дмитрий Калашников, NLP team lead в Яндексе, проведёт открытую лекцию и разложит систему по частям: где обычно ломается, как диагностировать проблему и что конкретно делать на каждом уровне пайплайна.Мы разберём: • типичные точки отказа: эмбеддер, поиск, реранкер, генератор, данные • как локализовать проблему, прежде чем что-то чинить • какие техники реально улучшаютdeepschool.ruВанильный RAG не работает. Как исправить? | Открытая лекция DeepSchoolРасскажем, как правильно выстроить пайплайн и превратить RAG из хаотичного набора компонентов в надёжный инструментDeepSchool
7 Aug, 13:45
Как сегодня обучают AI-агентов? 🤖LLM уже умеют писать код, пользоваться браузером и самостоятельно выполнять сложные задачи. Но как их этому обучают? В новой статье разбираем, почему классического RLHF оказалось недостаточно, что такое Agent Reinforcement Learning, зачем нужны Verifiable Rewards и Credit Assignment, и как современные методы позволяют агентам находить эффективные стратегии самостоятельно.Читайте разбор по ссылке! 👈🏼Соберите полноценные LLM-системы с учётом требований к качеству и нагрузке, разберите сложные кейсы и дизайны NLP-решений у нас на курсе. Новый поток стартует 18 августа, а до 9 августа вы можете присоединиться со скидкой 20%! 🪔 DeepSchooldeepschool.ruLLM Pro — Продвинутый курс по LLM и NLP System Design | DeepSchoolСоберёте полноценные LLM-системы с учётом требований к качеству и нагрузке, разберёте сложные кейсы и дизайны NLP-решенийDeepSchool
5 Aug, 13:09
DeepSchool
3 Aug, 14:15
2 недели до старта LLM ProЕсли вы работаете в NLP и хотите научиться решать сложные задачи, то приходите на ближайший поток LLM Pro, который стартует 18 августа!Это продвинутая программа, на которой мы показываем, как собирать полноценные NLP-системы с учётом требований к качеству и нагрузке.Вы разберёте реальные кейсы и научитесь применять похожие подходы в своих проектах.До 9 августа действует скидка 20% ⚡ Изучайте подробности на сайте и оставляйте заявку на этот поток!Если у вас остались вопросы, то пишите в нашу поддержку @deepschool_supportdeepschool.ruLLM Pro — Продвинутый курс по LLM и NLP System Design | DeepSchoolСоберёте полноценные LLM-системы с учётом требований к качеству и нагрузке, разберёте сложные кейсы и дизайны NLP-решенийDeepSchool
31 Jul, 14:20edited
Хорошие практики LLM-as-a-judgeLLM-судьи позволяют быстро оценивать тысячи ответов, но один промпт и аккуратный выход в формате JSON ещё не гарантируют надёжную оценку. Судья может пропускать ошибки, менять вердикты из-за формулировки промпта или уверенно оценивать ответ, когда ему не хватает данных.В новой статье разобрали шесть практик, которые помогают сделать LLM-оценку надёжнее: от формулировки критериев и проверки на человеческой разметке до анализа ошибок, смещений и расхождений между судьями. Всё — на реальном кейсе shopping-ассистента.Читайте новую статью по ссылке!Соберите полноценные LLM-системы с учётом требований к качеству и нагрузке, разберите сложные кейсы и дизайны NLP-решений у нас на курсе. Новый поток стартует 18 августа, а до 9 августа вы можете присоединиться со скидкой 20%!Автор: Алексей ЯндутовDeepSchool
26 Jul, 11:10
DeepSchool Digest⚡Собрали для вас материалы за июнь и июль в одном посте ☀️Как собрать хорошие траектории для обучения LLM-агента — LLM-агенту недостаточно просто отвечать текстом: важно научить его выбирать действия и работать с инструментами. Разобрали, какие данные здесь нужны, и почему одного SFT обычно мало.Late chunking — рассказали, как улучшить векторный поиск в RAG без сложной нарезки чанков.Reinforcement Learning — подготовили пошаговый план изучения и полезные ресурсы.Genie family — подготовили серию постов о современных world-моделях и 3D-генерациях мира. И начали с семейства Genie от Deepmind.FlashAttention-3 и FlashAttention-4 — разобрали, почему FlashAttention-2 отлично работал на Amper'е, но уже не раскрывал потенциал архитектур Hopper и Blackwell, и какие архитектурные изменения вновь ускорилиDeepSchool
17 Jul, 13:51
Как свёрточные сети меняли компьютерное зрениеПочему AlexNet стала переломным моментом, чем VGG упростила архитектурный дизайн, как ResNet решила проблему глубины и зачем MobileNet, EfficientNet и ConvNeXt по-разному оптимизировали точность, скорость и масштабирование?✅ В новом видео разбираем эволюцию CNN как последовательность инженерных ответов на ограничения предыдущих поколений моделей.Смотрите видео по ссылке: https://youtu.be/l5kAIVbFQJ4?si=mdJlnY20mageDq36🪔 DeepSchoolYouTubeПолная история свёрточных нейросетейПочему AlexNet стала переломным моментом, чем VGG упростила архитектурный дизайн, как ResNet решила проблему глубины и зачем MobileNet, EfficientNet и ConvNeXt по-разному оптимизировали точность, скорость и масштабирование? ✅ В новом видео разбираем эволюцию…DeepSchool
13 Jul, 12:47
Последние места на LLM System Design15 июля стартует курс «LLM System Design», и осталось 4 места со скидкой 9%⚡️В течение обучения вы решите топ-4 задачи на рынке 2026: • чат-бот c RAG по базе знаний компании • клиентский саппорт: «классический» и мультиагентный • локальный сервис речевой аналитики • мультиагентный ИИ-разработчикВ программе: — 8 лекций от senior-инженеров, тех- и тимлидов продуктовых команд — 3 семинара с разбором систем — 2 QA-сессии где можно задать любые вопросы спикерам — чат со спикерами на протяжении всего обученияИзучайте подробности о курсе на сайте и записывайтесь!Если ещё остались вопросы, то пишите нам в Поддержку @deepschool_supportdeepschool.ruLLM System Design — DeepSchoolУчим создавать LLM-системы: от поиска по базе знаний и саппорт-агентов до речевой аналитики и мультиагентных систем. Курс из четырёх проектов.DeepSchool
9 Jul, 13:33
FlashAttention-3 и FlashAttention-4 — пример того, как алгоритмы нужно заново адаптировать под каждое поколение GPU 🚀В новой статье разбираем, почему FlashAttention-2 отлично работал на Amper'е, но уже не раскрывал потенциал архитектур Hopper и Blackwell и какие архитектурные изменения вновь ускорили attention.Вы узнаете:• почему на H100 FA-2 просел по утилизации GPU • как Tensor Memory Accelerator и асинхронные Tensor Cores ускорили FA-3 • зачем нужна warp-специализация • как matmul и softmax удалось выполнять параллельно • что даёт FP8 с контролем ошибок • и почему для Blackwell снова понадобилась перестройка во FlashAttention-4Читайте разбор по ссылке! 👈🏼DeepSchool
29 Jun, 13:54
Genie familyСегодня всё больше внимания уделяется «world-моделям». Они способны не только генерировать красивые кадры, но и контролировать физичность, геометрию, создавать интерактивную среду и реальные симуляции.✅ Мы подготовили серию постов о современных world-моделях и 3D-генерациях мира. И начнём с семейста Genie от Deepmind. Посмотрим, с чего всё начиналось и как за пару лет с простой симуляции в маленьком разрешении 2D-структур эти модели превратились в высококачественные генераторы симуляционных сред.Читайте статью по ссылке! 👈🏼DeepSchool
26 Jun, 15:40
Разберитесь, как устроены LLM и как с ними работатьКак устроены современные LLM, как они обучаются, как с ними работать, как избежать типичных проблем при решении реальных задач — об этом и не только на нашем курсе по большим языковым моделям.Вы разберётесь в теории, научитесь дообучению, элайменту, построению RAG, агентских систем и инференсу LLM. Приходите, чтобы научиться использовать LLM правильно!Обучение ведут опытные инженеры из разных доменов, компаний и стран, которые создавали нагруженные сервисы и популярные библиотеки. Вы будете встречаться раз в неделю на онлайн-лекциях, где сможете сразу задавать вопросы. Плюс QA-сессии, поддержка в чате и проверка домашних заданий с развёрнутым фидбеком.📅 Начало — 30 июня, продолжительность — 4 месяца. 🔥 А до 29 июня вы можете присоединиться со скидкой 5%Изучайте подробности о программе иdeepschool.ruКурс по LLM для ML/DL-инженеров — DeepSchool4-месячный курс DeepSchool: дообучение, RAG, агенты и деплой LLM. 10 лекций, 10 заданий с фидбеком от преподавателей. Старт — 4 ноября.DeepSchool
23 Jun, 14:53
Карта LLM: как выбирать модели, проверять качество и улучшать результатыВ этот четверг, 25 июня, мы проведём открытую лекцию, на которой ответим на популярные вопросы по LLM. Чем отличаются модели? Надо ли доучивать модель? Хостить или ходить по API? На что можно рассчитывать при построении агента или RAG-системы? Почему у кого-то работают RAG и агенты, а кто-то в них разочаровался?За полтора часа дадим актуальный срез индустрии вокруг LLM: — актуальные модели и их свойства — бенчмарки — self-host VS API — типы задач — главные «болячки» ванильных решений — и актуальные советы по их лечениюВ конце расскажем про курс «LLM», где объясняем теорию LLM, учим дообучению, элайменту, построению RAG, агентских-систем и деплою — всё под кураторством опытных инженеров.Всем участникам лекции мы подарим скидки на обучение 🎁📅 Встречаемся в четверг, 25 июняdeepschool.ruКарта LLM: как выбирать, оценивать и улучшать | Открытая лекция DeepSchoolАктуальный срез индустрии вокруг LLM. Разберёмся в актуальных модели и их свойствах, типах задач, главных проблемах и как их решать
Related Channels
Other channels in the same section of the catalogue.
