// AI на русском
Ари Джури сравнил несколько моделей машинного обучения для прогнозирования результатов футбольных матчей. Логистическая регрессия превзошла XGBoost благодаря лучшему балансу смещения и дисперсии в условиях ограниченного объёма данных. Проблема XGBoost — неверная калибровка из‑за чрезмерной уверенности в ошибочных прогнозах.
Анджела Ши описывает философию построения корпоративных систем RAG, подчёркивая, что такие системы должны усиливать, а не заменять экспертов. В основе архитектуры — четыре элемента (синтаксический анализ, анализ вопросов, поиск, генерация), каждый из которых должен отражать действия эксперта. Автор выделяет четыре условия и три принципа для эффективной реализации системы.
Пост посвящён созданию локального ИИ-агента с использованием различных инструментов. В качестве LLM задействована модель Gemma 4, для обслуживания модели применяется Ollama, среда выполнения агента строится на OpenAI Agents SDK, а в качестве внешнего инструмента — Tavily MCP. В результате получится агент, способный искать информацию в сети и синтезировать ответы.
Статья посвящена созданию базы знаний на базе LLM. Автор объясняет, почему такие базы становятся всё мощнее благодаря технологиям LLM, и описывает способы автоматического внесения и активного использования информации. Рассмотрены два подхода к работе с базой: активный запрос и пассивное использование инструментом в процессе работы.
Команда сократила расходы на ИИ за счёт маршрутизации запросов между дешёвой и дорогой моделями, но через несколько месяцев заметила падение удовлетворённости клиентов и рост оттока. Проблема в том, что существующая система измерений не позволяла отследить разрыв в качестве на разных уровнях маршрутизации. В качестве решения предложен каскадный подход к обработке запросов.