Телеграм канал «Alfa Advanced Analytics»

Это ещё что за ИИ?...

Мы привыкли обсуждать ИИ через чат-ботов, генерацию текстов и картинок. Но самые интересные применения часто совсем в другом месте.

Андрей Анисимов, руководитель дирекции внедрения ИИ в корпоративном бизнесе, собрал несколько таких примеров 🔽
FireSat нацелен на обнаружение небольших очагов возгорания раньше традиционных спутниковых систем. А МЧС ещё в 2020–2021 годах тестировало похожий подход, классифицировало термоточки, определяло типы пожаров и прогнозировало, как будет расти площадь возгорания.

Здесь важна вся цепочка: обнаружить очаг, отсеять ложный сигнал, определить тип события и спрогнозировать его развитие — чтобы успеть среагировать. Это хороший шаблон вообще для любых AI-систем мониторинга.

▶️ Ссылка на источник


Для оценки состояния почвы можно использовать не только pH и содержание удобрений, но и данные о бактериях, грибах, влажности и погоде.

В одном исследовании модель предсказывала способность почвы подавлять грибной патоген с точностью 98,56% на экспериментальной выборке. Такой подход помогает изучать риск ещё до появления видимых симптомов у растений.

▶️ Ссылка на источник


В Сьерра-Неваде больше 1600 автономных рекордеров слушают территорию около 25 000 км². ML-модели распознают голоса животных и помогают отслеживать изменения популяций более чем 100 видов птиц.

Спутниковые снимки показывают, как изменилась территория после вырубки или пожара, а аудиоданные помогают понять, какие виды продолжают на ней обитать. Вместо отдельных обследований исследователи получают возможность наблюдать за изменениями в динамике.

▶️ Ссылка на источник

Продолжать рубрику и собрать ещё такие примеры? Ставьте ❤️

#aaa_hardposting

❤️ Больше рассказываем о работе в IT и Digital в канале Alfa Digital

Можно обучить сильную модель, но получить неверный результат из-за устаревшей документации, плохих данных или неясных правил ответственности. Поэтому AI Governance не работает отдельно от Data Governance.

На форуме «Управление данными» 🤩 Александр Бояркин, лидер Data Governance-трансформации в Альфа-Банке, рассказал, почему эти два направления должны развиваться вместе и как выстроить систему управления ИИ.

Разобрали пять ключевых тезисов ⬇️

1️⃣ ИИ ошибается не только в модели
Деньги теряются не на обучении нейросети, а на плохих данных и размытой ответственности. Если документация устарела, а метаданные не описаны, ИИ-агент выдаст результат в духе —«компенсация 0 рублей, умноженная на коэффициент из удаленного приложения». Data Governance делает документацию кодом, чтобы машина не ошиблась.

2️⃣ Без управления данными инвестиции в ИИ рискуют не окупиться
Проблема может быть не в алгоритме, а в качестве данных, отсутствии контекста и размытой ответственности. Data Governance помогает контролировать эти риски и создавать основу для надёжной работы ИИ.

3️⃣ Lineage должен расти до уровня решения
Важно понимать, как данные превратились в признаки, повлияли на модель и привели к конкретному решению. Без зрелого DG невозможны устойчивость и управление рисками ИИ.

4️⃣ За результат отвечает не один человек
Data Owner отвечает за данные и фичи, Model Owner — за обучение, валидацию и мониторинг модели, Risk & Compliance — за допустимость и объяснимость решений, а бизнес — за конечный результат и его объяснение клиенту.

5️⃣ Контроль нужно встраивать в разработку заранее
Если заниматься качеством данных только после запуска, исправление ошибок обходится дороже. Подход DG by Design позволяет встроить дата-контракты, проверки качества и отслеживание изменений непосредственно в процессы разработки и CI/CD.

Что делать?
«Не строить параллельный контур, а расширить существующий DG на модели. Всего 4 шага: инвентаризация, назначение владельцев, DG by Design и единый контур управления.
Если хотите, чтобы ваш ИИ вызывал доверие, а не вопросы «кто виноват», начните с фундамента. Управляйте данными так, чтобы даже машина не ошиблась»,
— Александр Бояркин, лидер Data Governance-трансформации.

#aaa_hardposting

❤️ Больше рассказываем о работе в IT и Digital в канале Alfa Digital

Собрали вайб-кодеров, раздали вайба и устроили техно-рейв 🤙

Устроили главную тусовку вайб-кодеров — АЛЬФА ВААА{АИ}ЙЙЙБ МИТАП. Эксперты из Альфа-Банка, red_mad_robot, Kion, Яндекса и других компаний обсуждали, как ИИ меняет разработку и какие задачи всё ещё требуют особого внимания инженеров.

Забрали с митапа несколько мыслей, которые стоит завайбкодить себе в работу:
💫 Инференс может оказаться дороже джуна
Илья Филиппов из red_mad_robot обратил внимание: даже если модели работают на собственных серверах, токены не становятся бесплатными. Если сжечь много ресурсов на reasoning, это может оказаться дороже, чем нанять джуна.

💫 Скорость разработки ещё не гарантия пользы
Максим Иванов из билайна отметил, что вместе с ростом скорости разработки появится и много бесполезного. А Евгения Косенко из Яндекса добавила, эффект от ИИ нужно оценивать по-разному: для прототипов смотреть на количество гипотез и скорость воронки, для разработки на pull request'ы, для крупных продуктов на бизнес-эффект.

💫 Агенту нужны минимальные права
Магдихан Окелла из Яндекса назвал три принципа безопасности: отдельная учётная запись для агента с минимальными правами, все вызовы через одну контролируемую точку и ручное подтверждение критических действий.

💫 Кто отвечает, если агент что-то сделал не так?
В дискуссии после доклада выделили три уровня рисков: технический, информационный и операционный. Также рассказали о системе Agent Risk Management, которая мониторит агентов и автоматически отключает их при подозрительной активности.

Хотите больше деталей и примеров от практиков? Собрали записи выступлений с митапа 🔽

✨ Смотреть записи

Под вечер зал превратился в танцпол! Все отрывались под ЛАУД и наслаждались перформансом digital moss.

До следующего рейва 📌

#af_events

❤️ Больше рассказываем о работе в IT и Digital в канале Alfa Digital

Как там у ИИ дела...

Вместе с Вадимом Аюевым, руководителем дирекции по разработке лингвистических моделей, собрали интересные новости, релизы и находки из мира ИИ и данных.


За последнюю неделю в открытом доступе появилось сразу несколько любопытных моделей:
⚫️ DeepSeek-V4.1-Flash — 552 млрд параметров, контекст до 1 млн токенов и MIT-лицензия. Главная фишка в агрессивном сжатии KV-кэша, которое может заметно снизить стоимость работы с длинным контекстом.
⚫️ GigaChat 3.5 Reasoning — 432 млрд параметров и полноценный режим рассуждений. Интересен для задач, где важны математика, анализ и работа на русском языке. А вот для агентной разработки есть варианты получше.
⚫️ AliceAI-T5-35B-A0.6B от Яндекса — компактная MoE-модель для быстрых ответов в поиске: всего 0,6 млрд активных параметров. Полезно для тех, кто строит собственный поисковый пайплайн или рекомендательную систему и хочет ускорить расчёт.
⚫️ YuE2-3B — открытый генератор музыки, который умеет создавать 3,5-минутные треки локально и требует меньше 9 ГБ VRAM. Для музыкальных энтузиастов, это, возможно, лучший бесплатный генеративный инструмент на сегодня.
⚫️ GLM-5.3-CYBERSECURITY-FP8 и DeepSeek-V4.1-Flash-UNCENSORED-FP8 — версии моделей без встроенных ограничений, ориентированные прежде всего на red team и пентесты.
⚫️ Qwen3.8-27B-Uncensored-Cyber-agentic-GGUF — ещё один специализированный форк, дообученный на данных по кибербезопасности.


OpenAI опубликовал новый фреймворк для раскрытия случаев misalignment — некорректного поведения моделей, выходящего за рамки заданных процедур.

В первом отчёте уже разобрали шесть случаев. Модели, например, самостоятельно создавали инструкции, пытались скрывать собственные ошибки, использовали открытые API-ключи, загружали файлы в интернет и обменивались данными через внешние репозитории.

Инициатива интересная прежде всего тем, что OpenAI обещает описывать не только сам инцидент, но и его последствия, обстоятельства и момент обнаружения. Правда, пока это всё ещё самоотчёт компании, а не независимый аудит.

▶️ Фреймворк OpenAI

Что из этого забираем себе? 👀

#aaa_hardposting

❤️ Больше рассказываем о работе в IT и Digital в канале Alfa Digital

А сколько ловушек уже успели пройти вы? 🪤

🎨 😭 — похоже, попался на все
🎨
🎨
🎨 😱 — пару ловушек точно
🎨 не заметил
🎨
🎨 👌 — бывало, попадался
🎨
🎨
🎨 😁 — умею обходить
🎨
🎨
🎨 ❤️‍🔥 — сам эти ловушки ставлю и проверяю

6 ловушек при оценке ИИ 🤖

Разобрали шесть ошибок, из-за которых эффект от ИИ легко переоценить или, наоборот, не заметить.

1️⃣ Считаете один рубль дважды
Нельзя складывать hard- и soft-эффекты, если они описывают один и тот же ресурс. Например, одновременно считать экономией зарплату сотрудников и доход от задач, на которые они переключились после внедрения ИИ.

2️⃣ Забываете про «зарплату» ИИ
Модель — это не разовая покупка, есть инфраструктура, токены, поддержка, обновления и контроль качества. Если не заложить стоимость владения заранее, экономика проекта может перестать сходиться уже после запуска.

3️⃣ Сравниваете ИИ с неэффективным процессом
Высокий эффект получается, если сравнивать новую технологию с тем, как всё работает сейчас. Но иногда лучшая альтернатива — не ИИ, а простая автоматизация, изменение процесса или готовое решение.

4️⃣ Не гонитесь за точностью, которая бизнесу не нужна
Дополнительные проценты точности сами по себе не создают ценность. Важно понимать, какое решение изменится благодаря прогнозу и как это повлияет на экономику процесса.

5️⃣ Верите в эффект без A/B-теста
Метрики могли вырасти не из-за модели. Повлиять могли сезонность, рынок или другие изменения. Контрольная группа помогает отделить реальный эффект алгоритма от внешних факторов.

6️⃣ Смотрите на метрику отдела, а не на клиента
Рост одного продукта ещё не означает рост бизнеса. Клиент мог просто перейти из одного продукта в другой, поэтому важно смотреть на совокупный эффект и, например, оценивать его через CLTV.

Если хотите, чтобы ваш ИИ окупался, начните с правильного учёта. Считайте не то, что легко посчитать, а то, что действительно создаёт для компании ценность.

В полной статье читайте подробнее 🔗

#aaa_hardposting

❤️ Больше рассказываем о работе в IT и Digital в канале Alfa Digital

Может ли ИИ стать проректором? 😯

На Альфа-Будущее Саммите в Санкт-Петербурге собрались более 200 ректоров и проректоров ведущих вузов со всей России, а также топ-менеджеры и представители крупнейших компаний-партнёров.

ИИ уже влияет на набор студентов, нагрузку преподавателей, оценку программ. Но где кончаются полномочия технологии и когда решение должен принимать человек? Об этом и говорили на панельной дискуссии «От цифровизации к AI-native: может ли AI стать проректором?»

В обсуждении участвовали:
🔹Евгений Бурнаев, вице-президент по развитию ИИ Сколтеха
🔹Владимир Васильев, ректор ИТМО
🔹Александр Гасников, ректор Иннополиса
🔹Анастасия Ярмош, первый проректор по стратегическому развитию и партнёрству СПбГУ
Собрали главное из их разговора.
AI-native — это когда процессы и роли в организации изначально выстроены вокруг ИИ. В основе такой системы лежит цикл: человек ставит нейросети задачу, работает с ней, обучает её и получает результат, который возвращается в систему.
Использовать ИИ-инструменты и быть AI-native — не одно и то же. В вузах используют отдельные ИИ-сервисы, но они не меняют процессы кардинально, и решение всё равно остаётся за человеком.Что значит быть «AI-native»
Просто наложить ИИ на существующие процессы не получится. Их приходится полностью перестраивать под новые технологии и менять способ оценки результата.
Крупным университетам сложнее всего: адаптировать ИИ-инструменты под каждую специальность непросто, как и выработать общую модель.Что мешает пройти путь трансформации
Потому что роль не в принятии решений, а в поиске правильных вопросов вместе с человеком.
Это касается не только вузов. Замените «университет» на «команду», а «проректора» на «руководителя», и вывод останется тем же — решение остаётся за человеком.Почему ИИ пока не станет проректором
#полезное #ии

❤️ Подписывайтесь на @alfadigital_jobs