AGIU
AGIU
НИИ Общего Искусственного Интеллекта
ANTHEMIUM
ANTHEMIUM
AGI (proto)
Российский бренд AGI, зафиксированный
в блокчейн
в блокчейн
ОБЗОРЫ
ОБЗОРЫ
(β) Цифровые активы AGIU
(β) Цифровые активы AGIU
Справочник
Справочник
это третье поколение искусственных нейронных сетей, принцип работы которых ближе всего к биологическому мозгу. В отличие от классических нейросетей, где информация передается в виде непрерывных значений (“веса”), SNN оперируют короткими электрическими импульсами — спайками, аналогичными потенциалам действия в живых нейронах.
Ключевые особенности SNN:
SNN — это не просто математическая абстракция, а попытка воплотить динамику работы настоящего мозга в кремнии или коде, что открывает новые горизонты для ИИ и вычислительных систем будущего
Ключевые особенности SNN:
- Каждый искусственный спайковый нейрон моделирует накопление электрического заряда (мембранного потенциала) и генерирует спайк, если достигается определённый порог. Этот сигнал затем передаётся далее по сети, как и в биологическом мозге.
- Кодирование информации реализовано не величиной выхода нейрона, а временем и частотой появления спайков (spike train), то есть по сути “сигнал” — это последовательность временных событий.
- В SNN нейроны могут быть разного типа: возбуждающие, тормозящие, со своим паттерном реакции на входные импульсы.
- Обработка и обучение SNN принципиально иная: обычно применяется Хеббовское обучение (“нейроны, активирующиеся вместе, связываются сильнее”), имитируя биологическую пластику и самообучаемость мозга.
- SNN обладают высокой энергоэффективностью и устойчивостью к шумам; они лучше подходят для реализации на нейроморфных чипах и специализированном оборудовании, а не на традиционных CPU или GPU.
- SNN активно исследуются для создания энергоэффективных автономных систем, нейроморфных вычислений, сенсорных систем, робототехники, а также для моделирования когнитивных процессов на уровне, близком к природному мозгу.
- Промышленные реализации SNN пока встречаются редко, но академический интерес к ним очень высок благодаря богатому и разнообразному поведению, а также перспективе получения новых эффектов, недоступных классическим нейросетям.
SNN — это не просто математическая абстракция, а попытка воплотить динамику работы настоящего мозга в кремнии или коде, что открывает новые горизонты для ИИ и вычислительных систем будущего
это область вычислений и операций с многомерными массивами (тензорами), играющая ключевую роль в искусственном интеллекте и машинном обучении.
Что такое тензор?
Тензорные вычисления позволяют эффективно работать с большими, сложными структурами данных и реализовывать современные алгоритмы искусственного интеллекта, обеспечивая их производительность, масштабируемость и точность
Что такое тензор?
- Тензор — это общее математическое понятие для массивов с разным числом измерений: скаляр (0D), вектор (1D), матрица (2D), трёхмерные и более массивы (3D+) — всё это тензоры разной размерности.
- Например, цветное изображение 256×256×3 — это тензор размерности 3 (высота, ширина, цветовой канал).
- Базовые операции искусственных нейросетей (например, свёртки, пулинг, матричное умножение, вычисление градиентов) происходят над тензорами.
- На этапе обучения и инференса (предсказания) все внутренние данные, веса и входы ИИ-моделей представлены в виде тензоров.
- Благодаря поддержке параллельных тензорных операций (особенно на GPU и специальных “тензорных ядрах”) сложные алгоритмы можно считать быстро и эффективно даже на очень больших объёмах данных.
- Тензорные вычисления — “сердце” современных нейронных сетей: сверточные (CNN), рекуррентные (RNN), трансформеры и другие модели.
- Используются для анализа и обработки изображений, аудио, текста, времени, статистических данных и т.д.
- GPU последних поколений (от NVIDIA, AMD и др.) оборудованы специализированными блоками — тензорными ядрами — которые ускоряют именно такие вычисления и критически важны для ИИ и машинного обучения.
Тензорные вычисления позволяют эффективно работать с большими, сложными структурами данных и реализовывать современные алгоритмы искусственного интеллекта, обеспечивая их производительность, масштабируемость и точность
HLAI (Human-Level Artificial Intelligence) — это термин, обозначающий искусственный интеллект, который способен выполнять те же интеллектуальные задачи, что и человек, и обладает человеческим уровнем мышления, восприятия, обучения и решения проблем.
В контексте AI различают три уровня:
В контексте AI различают три уровня:
- Narrow AI (узкий ИИ): система, способная решать только специализированные задачи (например, перевод текста, игра в шахматы).
- AGI (Artificial General Intelligence) и HLAI — практически синонимы: это искусственный интеллект, который может генерализовать знания и опыт, учиться новому, адаптироваться к незнакомым ситуациям и выполнять широкий спектр задач на уровне человека или выше.
- Superintelligence (SAI): уровень ИИ, значительно превосходящий человека по всем интеллектуальным параметрам.
- Умение рассуждать, обобщать, делать выводы по аналогии.
- Возможность учиться не только из собственного опыта, но и на основе языка, описаний, наблюдений за другими (языковая и социальная обучаемость).
- Способность к самостоятельному принятию решений в новых условиях, не ограниченных заранее заданными алгоритмами.
- Гибкость поведения и адаптация, сопоставимые с человеком.
это элемент, имитирующий работу биологического синапса, то есть соединения между нейронами в мозге, отвечающего за передачу и обработку сигналов и обучение. В нейроморфных системах, предназначенных для моделирования когнитивных функций человека, искусственные синапсы выполняют ключевую роль. Современные подходы включают создание искусственных синапсов на основе мемристоров, плёнок нанокристаллических оксидов и других новых материалов, в том числе гибких и оптоэлектронных структур.
это один из крупнейших международных научных проектов, посвящённых исследованию мозга человека. Проект реализовался с 2013 по 2023 год при поддержке Европейского Союза и собрал более 500 учёных из 120+ институтов и исследовательских центров по всему миру.
Ключевые цели и задачи HBP:
Human Brain Project стал флагманом в области цифровых и мультидисциплинарных исследований мозга, заложил фундамент для новых открытий в нейронауках, ИИ, медицине и создал уникальную инфраструктуру для будущих поколений учёных и инженеров
Ключевые цели и задачи HBP:
- Создать первую в истории комплексную цифровую модель головного мозга человека и животных.
- Развить исследовательскую инфраструктуру для науки о мозге, медицины, вычислений и нейроинформатики, чтобы облегчить совместную работу учёных разных дисциплин и стран.
- Разработать и внедрить облачные платформы (например, EBRAINS) для обмена данными, моделями, симуляциями и инструментами анализа мозговых структур и функций.
- Нейроинформатика и сбор данных о мозге (анатомия, физиология, патология и др.).
- Мозговое моделирование — создание компьютерных симуляций, “виртуальных” моделей мозговых структур и функционирования мозга.
- Высокопроизводительная вычислительная техника и аналитика для обработки “больших нейро-данных”.
- Медицинская информатика — использование накопленных данных для диагностики, новых терапий, персонализированной медицины.
- Нейроморфные вычисления — ИИ и вычислительные решения, вдохновлённые архитектурой мозга.
- Нейророботика — экспериментальные платформы для тестирования мозговых моделей в робототехнике.
- Было создано множество карт (“атласов”) мозга, включая 3D-карты и подробные данные о связях между областями мозга (connectome).
- Разработана платформа EBRAINS, объединяющая данные, облачные вычисления, симуляции и инструменты для анализа и открытая для научного сообщества.
- HBP привёл к появлению новых методов изучения мозга, а также вдохновил развитие когнитивных наук, искусственного интеллекта, медицины и нейроэтики.
Human Brain Project стал флагманом в области цифровых и мультидисциплинарных исследований мозга, заложил фундамент для новых открытий в нейронауках, ИИ, медицине и создал уникальную инфраструктуру для будущих поколений учёных и инженеров
это специализированная модель представления знаний, в которой объекты, свойства и отношения внутри большой и сложной предметной области формализуются и организуются в виде графовой структуры. Вот ключевые моменты:
Онтологический граф — это формализованный граф знаний на основе онтологии, который применяется для моделирования, хранения, интеграции и анализа больших, сложных и взаимосвязанных данных, делая такие данные доступными для эффективного поиска, вывода нового знания и визуализации
Популярные инструменты и библиотеки:
- Онтология — это формальное описание понятий, объектов и их связей в определённой предметной области. Она создаёт семантическую основу для структурирования данных, включает терминологический словарь и утверждения о моделируемых объектах.
- Онтологический граф — это реализация этой онтологии в виде набора узлов (объектов, понятий, событий) и рёбер (их отношений). Каждый узел — это сущность или класс, а каждое ребро — тип связи между ними.
- Для больших данных (Big Data) онтологические графы позволяют:
- Структурировать и интегрировать разнородные и объёмные данные из разных источников.
- Описывать сложные взаимосвязи, выявлять скрытые паттерны и зависимости, которые невозможно вручную выделить в огромных массивах информации.
- Обеспечивать универсальный и машиночитаемый формат знаний, что критично для автоматизации анализа, поисковых и рекомендательных систем, а также при использовании LLM/AI для работы с данными.
- Пример: в биоинформатике онтологические графы (например, Gene Ontology) используются для интеграции данных о генах, белках и биологических процессах, где каждый элемент формально описан и связан с другими элементами через причинные, иерархические и функциональные отношения.
Онтологический граф — это формализованный граф знаний на основе онтологии, который применяется для моделирования, хранения, интеграции и анализа больших, сложных и взаимосвязанных данных, делая такие данные доступными для эффективного поиска, вывода нового знания и визуализации
Популярные инструменты и библиотеки:
- Protégé – визуальный редактор для построения и тестирования онтологий (OWL/RDF, бесплатный, с поддержкой графических плагинов для визуализации структуры).
- Owlready2 (Python) – библиотека для программной работы с OWL-онтологиями и онтологическими графами. Позволяет загружать, изменять и “спрашивать” (query) онтологии, поддерживает экспорт в графовые базы данных (например, Neo4j).
- NetworkX и Graph-tool (Python) – мощные библиотеки для построения, анализа и визуализации произвольных графов, включая онтологические структуры.
- RDFLib (Python) – работа с триплетами RDF, построение графов знаний, доступна интеграция с SPARQL.
- Ontodia, Metaphactory – платформы для визуализации и управления онтологическими графами на предприятии.
- Neo4j + Cypher – популярная графовая база данных, куда можно интегрировать онтологию и использовать для масштабного хранения и анализа графовых знаний.
- D3.js (JavaScript) – интерактивная визуализация графов в браузере, подходит для собственных решений веб-визуализации онтологий.
это новое направление машинного обучения, которое сочетает методы топологии (раздела математики, изучающего свойства объектов, сохраняющиеся при деформациях — растяжении, скручивании, но не разрыве) с классическими алгоритмами машинного обучения.
Главные идеи TML:
Главные идеи TML:
- Представление данных как топологического пространства, где важны не только значения, но и связность, «дыры», контуры и другие топологические признаки.
- Использование топологических инвариантов (например, из топологического анализа данных — TDA) для выявления структуры и скрытых закономерностей в сложных данных, что бывает невозможно или крайне сложно для традиционных методов ML.
- TML включает такие методы, как persistent homology (устойчивая гомология — выявляет и количественно характеризует топологические структуры на разных масштабах) и Mapper-алгоритм (создаёт граф, отображающий топологические свойства высокоразмерных данных).
- Анализ изображений (поиск контуров и форм)
- Геномика и биоинформатика (поиск структур в данных ДНК)
- Анализ социальных и коммуникационных сетей (выявление кластеров и сложных связей)
это открытая нейроинформатическая платформа для построения, моделирования и симуляции индивидуализированных моделей работы мозга человека (и животных) на основании данных нейровизуализации и нейроанатомии.
Основные особенности и возможности:
Основные особенности и возможности:
- Позволяет создавать так называемых “виртуальных двойников мозга” — цифровые копии конкретных пациентов на основе их МРТ, ЭЭГ, МЭГ, fMRI и других данных.
- Имитирует динамику крупных сетей мозга и генерирует данные, которые можно напрямую сравнивать с результатами клинических исследований. Это позволяет проводить анализ причин патологии, прогнозировать исходы хирургических вмешательств, тестировать разные сценарии лечения без риска для пациента.
- Использует мультиуровневое моделирование: интегрирует нейроанатомические, морфологические и физиологические параметры как целых областей мозга, так и их соединений (connectome).
- Программная инфраструктура построена с применением современных методов вычислительной нейронауки, теории графов, анализа сетей, позволяет исследовать такие параметры, как эффективность, интеграция, сегрегация мозговых узлов и связей.
- Применяется в фундаментальных нейронауках, индивидуализированной медицине (эпилепсия, инсульт, психиатрия), образовательных и исследовательских задачах.
- Открытый код и web-интерфейс позволяют использовать TVB по всему миру для совместных исследований и клинической работы.
- С 2024 года развивается направление создания виртуальных двойников для персонализированной терапии психиатрических расстройств (Virtual Brain Twin project) на базе платформы EBRAINS, с акцентом на симуляцию микроциркуляции, динамики и подбору терапии для отдельных пациентов, включая ИИ-предсказания и поддержание высокой клинической точности.
это направление развития ИИ, в рамках которого алгоритмы, архитектуры и методы построения интеллектуальных систем берут за основу принципы работы мозга и нервной системы живых существ.
Основные особенности нейроинспирированного ИИ
Основные особенности нейроинспирированного ИИ
- Искусственные нейронные сети
- Наиболее известная технология, имитирующая строение и работу биологических нейронов.
- Используется для распознавания образов, речи, перевода, генерации текста, принятия решений и других задач.
- Глубокое обучение (Deep Learning)
- Это архитектуры ИИ с большим числом слоёв “нейронов”, что позволяет выявлять сложные зависимости в данных.
- Архитектурные разновидности: сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), трансформеры (Transformers).
- Обучение с подкреплением
- Вдохновлено тем, как животные обучаются через опыт, получая “награды” и “штрафы”.
- Используется для задач оптимизации, игры и управления роботами.
- Самоорганизация и пластичность
- Примеры: самообучающиеся сети, нейросети с динамической структурой, синаптическая пластичность.
- Моделируют способность мозга изменять структуру в зависимости от опыта.
- Спайковые нейронные сети (Spiking Neural Networks, SNN)
- Более точная биологическая модель, где информация передаётся дискретными “импульсами” (спайками).
- Обещает повысить энергоэффективность и скорость обработки данных.
- Мозг остается самой эффективной, гибкой и устойчивой системой обработки информации в природе.
- Изучение механизмов восприятия, обучения, памяти вдохновляет учёных на поиск новых путей решения сложнейших проблем ИИ.
- Компьютерное зрение: Сверточные сети копируют обработку зрительной информации в коре мозга.
- Распознавание речи: Рекуррентные сети имитируют обработку последовательностей, как мозг интерпретирует речь.
- Робототехника: Сенсомоторные петли повторяют взаимодействие сенсоров и моторики, как у живых организмов.
- Гибридные архитектуры: Комбинируют разные “нейроподсистемы” для решения сложных задач.
- Увеличение энергоэффективности (нейроморфное железо, “силиконовые мозги”)
- Объяснимость (разработка ИИ, который лучше объясняет свои решения, как это делают люди)
- Новые формы искусственной “интуиции” и обобщения
это направление в искусственном интеллекте, робототехнике и информационных технологиях, которое опирается на принципы устройства, поведения и адаптации живых организмов при проектировании вычислительных систем, алгоритмов и аппаратных решений.
Главные идеи биомиметических вычислений
Биомиметические вычисления позволяют создавать интеллектуальные системы, которые:
Главные идеи биомиметических вычислений
- Вдохновение из живой природы
- Биомиметика (biomimetics или biomimicry) — подражание природе, копирование её успешных решений для сложных задач.
- Биомиметические вычисления используют эволюцию, иммунитет, коллективное поведение, регуляцию и восстановление (“самолечение”), встречающиеся у живых существ.
- Механизмы и подходы:
- Эволюционные алгоритмы: компьютерные методы, повторяющие принципы естественного отбора, мутаций и “выживания наиболее приспособленных”. Применяются для поиска оптимальных решений и генерации новых идей.
- Рой интеллект (swarm intelligence): использование принципов совместной работы и самоорганизации сообществ (например, муравьи, пчёлы, рыбы) для разработки коллективных алгоритмов поисков, маршрутизации, распределения ресурсов.
- Иммунные алгоритмы: имитация механизмов иммунной системы (распознавание “своё-чужое”, реакция на вредоносные воздействия, саморегуляция и “обучение” иммунитета).
- Нейроморфные вычисления: аппаратная реализация ИИ, которая имитирует работу мозга на уровне нейронов, синапсов и передачи “импульсов”.
- Цели и преимущества:
- Адаптивность: системы могут приспосабливаться к изменяющимся условиям и “извлекать уроки” из нового опыта.
- Энергоэффективность: подражая природным мозгам, такие системы расходуют меньше энергии на вычисления.
- Устойчивость и самовосстановление: вдохновившись биологическими организмами, системы становятся способными к восстановлению после сбоев или повреждений.
- Масштабируемость и гибкость: коллективное поведение роя или клеток легко масштабируется, как это работает у простейших и сложных организмов.
- Генетические алгоритмы (Genetic Algorithms): поиск решений путём скрещивания, мутаций и отбора лучших особей (т.е., вариантов решений).
- Муравьиные алгоритмы (Ant Colony Optimization): решение задач маршрутизации, вдохновлённое поиском пищи муравьями.
- Искуственные нейронные сети: принципиально — это часть биомиметики, т.к. модель нейрона и синапса взята из биологии.
- Рой пчёл, косяки рыб, стаи птиц — основа для коллективного машинного обучения и распределённых вычислений.
- Иммунные сети: защита информации, обнаружение вредоносной активности, адаптивные фильтры.
Биомиметические вычисления позволяют создавать интеллектуальные системы, которые:
- Быстрее обучаются и восстанавливаются после сбоев.
- Легко масштабируются на большое количество компонентов.
- Работают устойчиво в сложных, динамических и шумных средах.
- Могут находить решения там, где прямой математический анализ невозможен.
— это направление искусственного интеллекта, которое специализируется на прогнозировании будущих событий, поведении или направлении на основе анализа больших массивов данных. Система такого рода не просто анализирует прошлое, а дает вероятностные прогнозы относительно того, что произойдет в будущем
Агенты разработки программного обеспечения — это AI-агенты с открытым исходным кодом (открытого кода), которые автоматически исправляют баги и решают задачи в различных репозиториях GitHub с помощью широких языковых моделей, таких как GPT-4 или Claude. SWE-Agent был создан исследователями Принстонского университета и стал первым, кто продемонстрировал сильные результаты на тестах SWE-bench.
Ключевые особенности SWE-Агента:
Ключевые особенности SWE-Агента:
- Использует языковые модели для поиска, анализа и автоматического исправления ошибок в коде.
- Работает на этапах, связанных с инженерным процессом: определяет микроцели, вносит изменения, запускает тесты, итеративно определяет результат с участием или без участия человека.
- Отличается высокой скоростью: среднее время решения одной задачи — 93 секунды.
- Включает инструменты для кибербезопасности (например, режим EnIGMA).
- Имеет любой открытый код, поэтому может быть интегрирован в рабочие процессы, образовательные программы, CI/CD и дорабатываться исходя из нужд пользователя.
- Демонстрирует прогрессивную эффективность с лучшими собственными аналогами, но при этом остается полностью включенной и открытой.
Evolution AI Agents — это сервис (или архитектура), предназначенный для создания автономных ИИ-агентов, которые способны самостоятельно анализировать данные, планировать действия и адаптироваться к изменяющимся условиям среды. В рамках Evolution AI Agents можно создавать мультиагентные системы, где до 5 разных ИИ-агентов работают вместе для решения бизнес-задач. Взаимодействие между агентами обеспечивается протоколом «Агент-агент» (A2A)
A2A ADK расшифровывается как Agent Development Kit (набор для разработки агентов) с поддержкой протокола «агент-агент» (A2A). Это модульный фреймворк (от Google), который позволяет создавать и организовывать мультиагентные системы, где агенты общаются друг с другом по открытым технологиям, а не через кастомные API. Ключевые свойства:
A2A ADK расшифровывается как Agent Development Kit (набор для разработки агентов) с поддержкой протокола «агент-агент» (A2A). Это модульный фреймворк (от Google), который позволяет создавать и организовывать мультиагентные системы, где агенты общаются друг с другом по открытым технологиям, а не через кастомные API. Ключевые свойства:
- Каждый агент может быть развёрнут отдельно и взаимодействовать с другими через стандартные сообщения.
- Протокол A2A гарантирует совместимость и взаимодействие между агентами даже из разных экосистем и платформ.
- ADK содержит утилиты для логирования, Диптихов, маршрутизации сообщений и обеспечения безопасности (например, через децентрализованные идентификаторы).
- Быстрое построение горизонтально масштабируемых систем ИИ-агентов, которые могут решать задачи, задачи и опыт без необходимости ручного руководства.
- Модульная разработка новых агентов и применяется для автоматизации различных бизнес- и технических задач.
SGR (Schema Guided Reasoning) — современный подход к обучению и использованию крупных языковых моделей (LLM), при котором рассуждения модели структурируются по заданным схемам.
Основные принципы SGR AI
Основные принципы SGR AI
- Строгая схема рассуждения: Модели решают задачи по заранее заданному сценарию, разбивая процесс на последовательные, прозрачные шаги. Это могут быть: анализ условий задачи, разложение на подзадачи, формирование аргументов, вывод решения.
- Structured Output: Схема служит шаблоном, которому должна следовать модель, тем самым убирает неоднозначность и ошибки свободного текста — каждый reasoning step фиксируется и становится доступен для аудита и дообучения.
- Cascade, Routing, Cycle: Часто применяются паттерны маршрутизации и каскадной обработки для сложных задач и интеграции нескольких моделей/агентов.
- Повышение прозрачности: Каждый шаг reasoning становится проверяемым и понятным пользователю, разработчику, заказчику.
- Предсказуемое и стабильное поведение: Меньше ошибок в сложных задачах и практическая гарантия корректности решений.
- Повышение качества вывода: Тесты показывают прирост точности результатов до 5-10% при переходе на SGR-схемы.
- Легче внедрять экспертные знания: Создание кастомных схем reasoning, перевод domain expert checklist в структуру prompt.
- GPT OSS 20B, GPT OSS 120B — открытые модели OpenAI, которые показали рекордные результаты в SGR Benchmark, структурно анализируя задачи и минимизируя ошибки reasoning благодаря схематическим шаблонам вывода.
- SG²: Schema-Guided Scene-Graph Reasoning — итеративное взаимодействие нескольких агентов-LLM по строгой схеме для пространственной, смысловой и причинно-следственной обработки сложных данных
это архитектура нейронных сетей, в которой вычисления делегируются множеству специализированных подсетей («экспертов»), а специальная управляющая сеть («gating network») решает, какие эксперты будут задействованы для обработки каждого входа.
Как работает MoE
Как работает MoE
- Эксперты: Каждый эксперт — независимая (обычно feed-forward) нейросеть, обученная для решения определённых шаблонов задач. Это могут быть паттерны генерации кода, логики, математики, языковой обработки и т.д.
- Gating network: внешний управляющий слой определяет, какой эксперт наиболее релевантен для конкретного входного токена/запроса, и активирует только их.
- Sparse activation: в отличие от традиционных плотных моделей, одновременно используются лишь некоторые эксперты, а не весь параметрический «объем» модели
это новый тип архитектуры в искусственном интеллекте, который позволяет ИИ строить «ментальную карту» или симуляцию окружающей среды. Их задача — научить машину понимать физический и причинно-следственный контекст мира, чтобы прогнозировать последствия своих действий и быстро обучаться в сложных, изменяющихся условиях.
Ключевые компоненты World Models
Ключевые компоненты World Models
- Внутреннее представление среды: Модель строит абстракцию реального или воображаемого мира на основе различных типов данных (текст, изображение, видео, звук), генерируя симуляцию с законами физики, объектами и событиями.
- Генерация интерактивных окружений: Новейшие модели (например, Genie 3 от Google DeepMind) способны по текстовому описанию порождать детализированные 3D-миры, в которых агенты могут свободно действовать, учиться, оценивать ситуации и планировать.
- Физическая консистентность: Модель отслеживает историю симуляции, поддерживает законы движения, света, гравитации, чтобы действия агентов оставались реалистичными и воспроизводимыми по времени.
- Мультимодальность и каузальность: World Models учатся на изображениях, видео, аудио, текстах, структурируя эти данные в единую когнитивную карту, соединяя наблюдаемые события в причинно-следственные структуры.
- Тренировка AGI-агентов: Позволяют искусственному интеллекту быстро учиться в разных сценариях, не требуя миллионы часов «реального» опыта. Виртуальная среда ускоряет обучение, формируя гибкие обобщения и навыки.
- Понимание контекста и адаптация: Модели мира нужны, чтобы агент мог перейти от абстрактного reasoning к реальному взаимодействию с физическим, социальным и виртуальным пространством.
- Робототехника, автономные системы, планирование: World Models лежат в основе новых роботов (Gemini Robotics), автономных транспортных средств, видеоигр, мультимодальных агентных платформ, где ИИ должен предугадывать последствия своих шагов.
- Genie 3 (Google DeepMind): первый универсальный World Model, способный генерировать минуты интерактивного 3D-видео, поддерживать память об истории симуляции и создавать любые миры — от фотореалистичных до стилизованных — на основе текстового описания.
- Cosmos Foundation Models (Nvidia): физически осознанные World Models для обучения агентов в робототехнике, помощи в навигации и оптимизации действия.
- Veo 3 (DeepMind): генерация видео с пониманием физических законов.
- Gemini Agentic AI (Google): создание мультимодальных AGI-агентов, которые используют World Models для reasoning и действий в реальном пространстве.
- World Models — необходимый слой для перехода от «чистых» языковых моделей к подлинно общему ИИ, для которого важно не только отвечать на вопросы, но и действовать, учиться, строить сложные сценарии в непредсказуемом мире.
- Являются мостом между восприятием, генерацией, ассоциативным обучением и планированием, позволяют моделям быстро «переигрывать» разные ситуации и формировать навыки, как у людей
Генеративные модели (LLM, Vision Transformers) учатся работать с текстом, изображениями, звуком, видео и сенсорными потоками одновременно. Мультимодальность значительно расширяет возможности reasoning и взаимодействия с реальным миром
AI сам проектирует архитектуру: генеративные нейросети (например, Dreamcatcher от Autodesk) создают оптимальные решения по параметрам задач. Neural Architecture Search позволяет автоматически искать наиболее эффективную структуру нейросети под задачу
Для достижения AGI потребуется не только прогрессивные алгоритмы, но и новые аппаратные решения — квантовые вычисления, энергоэффективные схемы, специализированные чипы для нейро- и reasoning-вычислений
Гибридные архитектуры, объединяющие символический и коннекционистский (нейросетевой) подходы — один из самых перспективных трендов в развитии AI и AGI последних лет. Они направлены на то, чтобы совместить сильные стороны двух парадигм и преодолеть их ограничения.
Краткая характеристика подходов
Гибридная архитектура строится по следующим принципам:
Краткая характеристика подходов
- Символический ИИ — работает с логическими правилами, онтологиями, семантикой, высокоуровневыми абстракциями. Отличается высокой интерпретируемостью, но плохо масштабируется и не всегда способен справляться с шумными или неструктурированными данными.
- Коннекционистский ИИ (нейронные сети, глубокое обучение) — хорошо работает с большими объёмами данных, извлекает закономерности, реализует обучение без жесткой структуры, но страдает недостатком интерпретируемости и «знаний по правилам».
Гибридная архитектура строится по следующим принципам:
- Модульность: в системе присутствуют отдельные модули для нейросетевого inference (извлечение признаков, генерация текста, кластеризация) и для символического reasoning (верификация выводов, логический анализ, построение онтологий).
- Векторное представление знаний: используемые методы embedding позволяют нейросетям переводить данные в формат, пригодный для логической работы символической части. Например, BERT-подобные модели эффективно выделяют факты и связи.
- Обратная связь: корректировка весов нейросети производится с учётом результатов логического reasoning — это снижает количество ошибок (галлюцинаций) и делает выводы модели более осмысленными.
- Динамическое управление: система может автоматически выбирать, какие задачи решать нейросетевыми средствами, а какие — логическими, что позволяет повысить производительность и точность.
- Модуль извлечения знаний — использует предварительно обученный трансформер (например, ruBERT) для анализа текстов, выделения сущностей и связей.
- Символический движок — валидирует и структурирует выводы, переводя их в формализованную онтологию, уточняя причино-следственные связи («Ошибка_X → Вызывает → Симптом_Y»).
- Инкрементное обучение — адаптация моделей без полного переобучения, что снижает ресурсоёмкость и делает гибрид быстро адаптирующимся.
- Точность и интерпретируемость: гибрид выигрывает у «чистых» нейронных сетей в логических задачах и объяснении выводов.
- Скорость обработки: оптимизированная схема распределяет задачи между подходами, снижая общие затраты времени.
- Гибкость для корпоративных решений: особенно ценятся такие архитектуры для управления большими объёмами документации, сложными правилами и динамическими задачами.
- Динамическое управление знаниями (корпоративные системы, техническая документация, комплексные базы знаний)
- Медицинские, юридические, финансовые системы — где важна не только точность вывода, но и объяснимость решений системы
- AGI-прототипы — симуляция сложных сценариев, планирование действий в условиях недостатка данных, интеграция с физическим миром
Управляемая архитектура STRL (Strategic, Tactical, Reactive, Layered) — это многоуровневая интеллектуальная система управления, широко применяемая в робототехнике, беспилотных летательных аппаратах и автономных системах. Она строится на трех основных уровнях:
В целом, STRL — эталон для современных интеллектуальных систем, обеспечивающий иерархическое разделение задач от высокоуровневого планирования до низкоуровневого реагирования
- Стратегический уровень (Strategic) — отвечает за высшие интеллектуальные функции, построение комплексных планов и принятие решений. Здесь формируются цели, задачи и обмен стратегической информацией (часто в формате знаковых моделей), особенно важно при коллективной работе роботов или БПЛА.
- Тактический уровень (Tactical) — занимается навигацией, среднесрочным планированием движения и реализацией задач SLAM (одновременное построение карты и локализация). Также он отвечает за интеграцию данных со стратегического и реактивного уровня, синтезируя оперативные действия и распределяя роли среди участников в случае коллективных задач.
- Реактивный уровень (Reactive) — реализует непосредственное управление объектом: стабилизацию, реакцию на изменения среды, выполнение траекторий движения. Здесь действуют алгоритмы, обеспечивающие быстрое реагирование, опираясь на математические методы управления и анализ данных от сенсоров.
- Layered — подчеркивает, что архитектура реализуется в виде слоёв, каждый из которых выполняет свои функции и взаимодействует с соседними слоями для обеспечения целостности системы.
В целом, STRL — эталон для современных интеллектуальных систем, обеспечивающий иерархическое разделение задач от высокоуровневого планирования до низкоуровневого реагирования
это алгоритм обучения с подкреплением, который сочетает классическое Q-обучение с глубокими нейронными сетями для работы в сложных средах с большим числом состояний (например, видеоигры, робототехника). Вместо таблицы Q(s,a)Q(s,a) для хранения ожидаемых наград, DQN использует нейросеть для аппроксимации Q-функции, что позволяет работать с высокоразмерными и непрерывными состояниями.
Ключевые элементы DQN:
DQN оказался революционным для обучения агентов в задачах типа Atari, где агент получает на вход “сырые” пиксели экрана и выдает действие, например, передвигать джойстик. Алгоритм используется в робототехнике, игровых симуляторах и управлении реальными системами.
Итог
Ключевые элементы DQN:
- Сценарий работы: агент взаимодействует с окружающей средой, имея пространство состояний, действий и функцию награды. Цель — выучить оптимальную стратегию, максимизирующую среднюю награду по времени.
- Replay Memory: буфер для хранения предыдущих переходов (состояние, действие, награда, следующее состояние). Из этого буфера случайно берутся мини-пакеты данных для обучения, что снижает корреляцию между обновлениями и стабилизирует обучение.
- Глубокая нейронная сеть: сеть принимает на вход состояние и выдаёт Q-значения для всех возможных действий. Ее параметры обновляются с помощью обратного распространения ошибки и стохастического градиентного спуска.
- Целевая (target) сеть: для расчёта целевых Q-значений используется отдельная копия основной сети, параметры которой обновляются периодически. Это предотвращает “убегание” оценок и стабилизирует процесс.
- Эпсилон-жадная стратегия: во время обучения агент действует с вероятностью ε случайно, иначе — действует оптимально согласно Q-оценке. Это балансирует исследование и использование уже полученных знаний.
- Обучение по уравнению Беллмана: Q-функция оптимизируется так, чтобы удовлетворять уравнению Беллмана для оценки долгосрочных наград через вычисление ошибки TD (temporal-difference).
- Double DQN: помогает избежать постоянного завышения Q-оценок, раздельно используя текущую и целевую сети при выборе и оценке действий.
- Dueling DQN: разделяет на отдельные компоненты оценку ценности состояния и преимущества действия.
- Prioritized Experience Replay: делает отбор обучающих примеров неравномерным, в зависимости от ошибки, чтобы обучаться особенно на “важных” переходах.
- Rainbow DQN: объединяет несколько ключевых оптимизаций (dueling, double, prioritized replay и др.) для увеличения стабильности и скорости обучения.
DQN оказался революционным для обучения агентов в задачах типа Atari, где агент получает на вход “сырые” пиксели экрана и выдает действие, например, передвигать джойстик. Алгоритм используется в робототехнике, игровых симуляторах и управлении реальными системами.
Итог
- Deep Q-Network (DQN) — один из фундаментальных алгоритмов глубокого обучения с подкреплением, сочетающий гибкость нейросетей и теоретически обоснованную схему Q-обучения для решения задач, где пространство состояний огромно и табличные методы не применимы
— это открытый стандарт и протокол, предназначенный для обеспечения беспрепятственного взаимодействия между ИИ-агентами, независимо от используемых фреймворков, языков программирования или инфраструктур. ACP обеспечивает универсальный язык общения для агентов и устраняет проблему фрагментации, при которой агенты живут изолированно в различных системах и с разными API.
Основные особенности ACP:
Таким образом, ACP можно рассматривать как универсальный коммуникационный протокол или «эсперанто» для ИИ-агентов, позволяющий им совместно работать в рамках сложных систем и процессов.
Основные особенности ACP:
- Основан на REST, что облегчает интеграцию и совместимость в продакшен-средах с использованием привычных HTTP-инструментов.
- Позволяет агенты взаимодействовать асинхронно (основной режим) и синхронно.
- Поддерживает обнаружение агентов даже в оффлайн-режиме.
- Протокол agnostic к внутренней реализации агентов, работает с любыми технологиями.
- Способствует созданию многоагентных систем, где специализированные агенты могут совместно решать задачи.
Таким образом, ACP можно рассматривать как универсальный коммуникационный протокол или «эсперанто» для ИИ-агентов, позволяющий им совместно работать в рамках сложных систем и процессов.
сложные вычислительные процессы, которые происходят внутри дендритных ветвей нейронов. Дендриты, являющиеся разветвленными отростками нейронов, выполняют интеграцию и обработку синаптической информации, а также способны генерировать потенциалы действия и влиять на выходной сигнал нейрона. В отличие от классического представления, что нейрон — это просто интегратор входов с последующей передачей сигнала аксонном, дендриты участвуют в нелинейных вычислениях, способных обрабатывать несколько сегментов информации одновременно.
Ключевые особенности дендритных вычислений включают:
Ключевые особенности дендритных вычислений включают:
- Нелинейность вычислений в дендритных ветвях за счет локальных дендритных спайков и пластичности синапсов.
- Способность нейронов благодаря дендритам выполнять сложные логические операции и разделение образов.
- Вклад в избирательность нейронов к направлениям движения и другим специфическим особенностям обработки информации.
- Наличие двунаправленной активности: передача информации не только от дендритов к аксону, но и локальные дендритные потенциалы, которые влияют на поведение нейрона.
- Таким образом, дендритные вычисления расширяют классическое понимание нейронных функций, позволяя одному нейрону выполнять задачи, которые ранее считались возможными только в больших нейронных сетях. Это активно исследуемое направление в нейронауках, важное для понимания механизмов памяти, восприятия и общей работы мозга.
это принципиально новая архитектура искусственного интеллекта, вдохновлённая работой человеческого мозга и строящаяся на взаимодействии двух рекуррентных модулей: высокоуровневого (стратегического) и низкоуровневого (оперативного).
Принцип работы
HRM перспективна для задач, где необходимы сложные, иерархические рассуждения, поиск стратегий и последовательная детализация решения, особенно в условиях ограниченных вычислительных ресурсов и объёмов данных.
Принцип работы
- Высокоуровневый модуль (H-модуль) осуществляет медленное, абстрактное планирование — это стратег, определяющий общую схему решения задачи.
- Низкоуровневый модуль (L-модуль) отвечает за быстрый перебор вариантов, локальный поиск, уточнение деталей и реализацию частных шагов — это исполнитель, который решает конкретные подзадачи или уточняет промежуточные решения.
- Отличия и преимуществаHRM показала выдающиеся результаты на тестах логического мышления и абстракции (например, ARC-AGI или сложные головоломки судоку), превосходя крупные языковые модели при минимуме параметров (например, ~27 млн параметров против миллиардов).
- За счёт архитектурной гибкости и "скрытых рассуждений" HRM менее уязвима к ошибкам разложения задачи по цепочке, чем chain-of-thought (CoT) у LLM.expinet
- Модель способна динамически регулировать глубину размышлений в зависимости от сложности проблемы (механизм адаптивной остановки).
HRM перспективна для задач, где необходимы сложные, иерархические рассуждения, поиск стратегий и последовательная детализация решения, особенно в условиях ограниченных вычислительных ресурсов и объёмов данных.
это открытая библиотека для машинного обучения, разработанная компанией Google, которая предназначена для создания, обучения и развертывания моделей искусственного интеллекта, в первую очередь — нейронных сетей.
Основные особенности TensorFlow
Основные особенности TensorFlow
- TensorFlow реализует вычисления в виде потока данных через вычислительные графы, где данные представлены многомерными массивами — тензорами, а операции между ними — вершинами графа.
- Библиотека широко применяется для задач машинного и глубокого обучения: распознавание речи и изображений, обработка естественного языка, прогнозирование временных рядов и другие интеллектуальные задачи.
- TensorFlow поддерживает работу на разных платформах и устройствах (CPU, GPU, TPU), а также интеграцию с популярными языками программирования, прежде всего Python.
- Используется специалистами по машинному обучению для создания и обучения моделей разной сложности: от простых моделей регрессии до сложных глубоких нейронных сетей.
- Открытый исходный код, активная поддержка сообщества и множество готовых инструментов позволяют использовать TensorFlow как для научных исследований, так и для внедрения в бизнес-приложения.
- Название связано с тензорами (массивами данных) и потоками (flows), отражая принципы работы библиотеки
Crew AI
- Crew AI — быстрый open source Python-фреймворк для организации команд AI-агентов.
- Ключевые компоненты: Crew (целая команда), Agents (специализированные роли — исследователь, писатель и др.), Process (описание рабочих процессов), Tasks (единицы работ/таски).
- Управляет взаимодействием, делегированием, сохранением состояния и выполнением сложных сценариев — например, совместная генерация контента, исследовательская работа, автоматизация бизнес-процессов.
- Особенно хорош для сложных, творческих и креативных задач, коллективной работы агентов, где важны автономия и совместная координация.
- LangGraph — Python-библиотека для построения stateful (с отслеживанием состояния) мультимодальных и многоактёрных LLM-приложений; расширяет возможности LangChain.
- Позволяет строить графы состояний, где узлы — агенты/функции, а ребра — переходы между задачами, включая циклы и условные маршруты.
- Позволяет проектировать сложные рабочие процессы: email-парсеры, координация нескольких агентов, декомпозиция задач, интеграция сторонних сервисов.
- Можно использовать как вместе с LangChain, так и отдельно — основной фокус на автоматизацию сложных сценариев и управление зависимостями.
- AutoGen — библиотека и платформа от Microsoft для создания и оркестрации AI-агентов, поддерживает как одиночные, так и многоагентные решения.
- Основа: гибкая настройка поведения агента, памяти, сценариев взаимодействия, маршрутизации задач, композиции разных специалистов.
- Поддерживает масштабирование, расширяемость за счёт интеграций с внешними инструментами и API; акцент на стабильности и промышленном использовании.
- Хорошо подходит для корпоративной автоматизации, построения сложных автономных ассистентов и бизнес-процессов.
- SmolAgents — python-фреймворк, ориентирован на простоту: позволяет строить и запускать агентов буквально за считанные строки кода.
- Позволяет создавать multi-agent системы через создание специальных агентов-менеджеров, которые делегируют задачи профильным агентам.
- В MAS каждый агент автономен и может специализироваться (например, один для поиска, другой для генерации изображений); акцент на коллаборации и простоте внедрения.
- Хороший вариант для быстрого старта и прототипирования, а также для образовательных целей.
- Swarm — open-source фреймворк от OpenAI для изучения базовых принципов MAS и их экспериментов.
- Ориентирован на обучение и hands-on прототипирование, а не корпоративные задачи: позволяет легко эксперементировать с оркестрацией, взаимодействием, построением простых взаимодействий агентов.
- Идеален для старта: можно собрать простую систему из 2–3 агентов и постепенно добавлять сложность.
- Фокус — обучение, понимание основ и постепенное освоение MAS-подходов
LangChain — это базовый фреймворк для построения приложений с использованием LLM, а LangGraph — расширение для проектирования сложных рабочих процессов через графовую структуру поверх LangChain. Основное различие: LangChain реализует линейные цепочки (“chain”), а LangGraph позволяет строить нелинейные, циклические и условные графы состояний для MAS и сложных агентных сценариев.
Что такое LangChain
Что такое LangChain
- LangChain — open source библиотека (Python/JS), которая предоставляет инструменты для интеграции LLM (как OpenAI, Gemini, Hugging Face) в свои приложения.
- Фокус: соединение LLM с источниками данных (документы, поисковые системы), инструментами (API, парсеры), организация последовательности действий (chain), быстрое прототипирование чат-ботов, RAG-систем, инструменты для данных и поиска.
- Применяется для простых линейных сценариев: извлечение, генерация, анализ, чат.
- LangGraph — библиотека для построения stateful (контролируемых по состоянию) многоагентных систем поверх LangChain.
- Позволяет создавать рабочие процессы в виде графа с узлами (агенты, шаги) и ребрами (условия перехода, циклы).
- Удобен для сложных сценариев: циклы, обкатка повторов, условные ветвления, декомпозиция задач между множеством агентов.
- Используется для orchestrating MAS, сложных пайплайнов, воспроизводимости и гибкого управления логикой.
В контексте мульти-агентных систем re-ranking (реранжирование) — это дополнительный этап переупорядочивания списка результатов, полученного от одного или нескольких агентов, с целью выбрать наиболее релевантные или эффективные (например, для пользователя или задачи) решения.
Что такое re-ranking
Что такое re-ranking
- Re-ranking — это техника, когда после первоначального отбора вариантов (ответов, документов, решений) применяется второй “ранжирующий” агент или специализированная модель, чтобы более точно оценить полученные результаты и расставить их в новом порядке по качеству или релевантности.
- Обычно используется для повышения точности и релевантности: например, в поиске, retrieval-augmented generation (RAG), диалогах, выборе стратегии, совокупном решении задач командой агентов.
- В мульти-агентных системах один агент (или несколько агентов) могут сформировать “кандидатский” список, а дальше специальный re-ranker-агент или модель определяет, что лучше подходит под задачу на основе дополнительных признаков, сигналов, scoring-функций или LLM.
- RAG-системы: агенты-ретриверы ищут кандидаты-документы, а re-ranker оценивает их по контексту запроса и задачи, выбирая лучший порядок.
- Командная работа агентов: несколько агентов предлагают свои решения или идеи, затем один из агентов (или внешний модуль) проводит re-ranking, чтобы выбрать наиболее перспективные действия.
- Обучение агентов: re-ranking может выступать как часть механизмов обучения: агенты оценивают друг друга (peer evaluation), вносят метки, обучаются за счёт обратной связи по итоговому порядку решений.
- Re-ranking и value iteration (итерация по оценочным функциям) могут быть связаны: value iteration — метод из обучения с подкреплением, где итеративно переоцениваются “ценности” состояний/действий, а re-ranking переподнимает более сильные состояния/действия в топ на каждом шаге.
- То есть, оба подхода нацелены на улучшение качества финального выбора для мульти-агентных или RL-сценариев, но делают это по-разному: value iteration в динамической среде, re-ranking — как независимый этап после получения кандидатов.
- Re-ranking — ключевой механизм доработки решений внутри командных и поисковых многоагентных систем, позволяющий гибко улучшать выбор финального действия или ответа пользователя
внутренняя модель среды, которую агент учится строить, чтобы предсказывать, что произойдет дальше в ответ на его действия и внешние события
1. LLM — Large Language ModelЭто базовая и наиболее известная разновидность ИИ-моделей, например GPT или Claude.
Назначение: обработка и генерация текста.
Как работает: обучается на огромных корпусах текста, предсказывая следующее слово или токен.
Примеры задач: чат-боты, копирайтинг, переводы, анализ документов, программирование.
2. LCM — Latent Concept ModelФокусируется на понимании скрытых концептов и связей между понятиями.
Назначение: семантическое осмысление контекста, выявление смысловых паттернов.
Как работает: строит латентные представления (векторные смыслы), объединяя близкие концепты.
Примеры задач: поиск по смыслу, рекомендации, анализ знаний.
3. LAM — Language-Action ModelМодель, связывающая язык с действием.
Назначение: интерпретация текстовых инструкций с последующим выполнением действий в среде.
Как работает: превращает команду (“перемести файл”, “включи свет”) в конкретное действие.
Примеры: голосовые ассистенты, управляемые роботы, automation-агенты.
4. MoE — Mixture of ExpertsАрхитектура, состоящая из множества специализированных “экспертов”, каждый отвечает за свой тип данных.
Назначение: повышение эффективности и масштабируемости больших моделей.
Как работает: маршрутизатор выбирает, какой “эксперт” обрабатывает вход, оптимизируя вычисления.
Примеры: Gemini 1.5, Mixtral; ускоренные гига-модели.
5. VLM — Vision-Language ModelСоединяет обработку изображения и языка.
Назначение: понимание визуальной информации с помощью слов.
Как работает: объединяет визуальные признаки и текстовые описания в единое пространство.
Примеры: GPT‑4V, Claude 3 Opus, Gemini Vision; подписи к изображениям, анализ видео.
6. SLM — Speech-Language ModelРаботает с аудио и текстом.
Назначение: понимание речи, генерация речи, транскрибация.
Как работает: сочетает NLP и распознавание речи, часто используется энкодер-декодер архитектура.
Примеры: Whisper, GPT‑4 Voice, Speechify; голосовые боты.
7. MLM — Multimodal Language ModelСамый универсальный тип, объединяющий текст, изображения, видео, аудио и другие данные.
Назначение: межмодальное понимание и генерация.
Как работает: обучается на данных разных модальностей и умеет связывать их.
Примеры: Gemini 2.0, GPT‑5 Omni, Claude 3.5 Sonnet; мультимедийный анализ.
8. SAM — Segment Anything ModelМодель от Meta, предназначенная для сегментации изображений (выделение объектов).
Назначение: компьютерное зрение, разметка, графический анализ.
Как работает: принимает изображение, “понимает” объекты и выделяет их границы.
Примеры: SAM, Segment-Anything 2; применяется в медицине, дизайне, робототехнике.
Назначение: обработка и генерация текста.
Как работает: обучается на огромных корпусах текста, предсказывая следующее слово или токен.
Примеры задач: чат-боты, копирайтинг, переводы, анализ документов, программирование.
2. LCM — Latent Concept ModelФокусируется на понимании скрытых концептов и связей между понятиями.
Назначение: семантическое осмысление контекста, выявление смысловых паттернов.
Как работает: строит латентные представления (векторные смыслы), объединяя близкие концепты.
Примеры задач: поиск по смыслу, рекомендации, анализ знаний.
3. LAM — Language-Action ModelМодель, связывающая язык с действием.
Назначение: интерпретация текстовых инструкций с последующим выполнением действий в среде.
Как работает: превращает команду (“перемести файл”, “включи свет”) в конкретное действие.
Примеры: голосовые ассистенты, управляемые роботы, automation-агенты.
4. MoE — Mixture of ExpertsАрхитектура, состоящая из множества специализированных “экспертов”, каждый отвечает за свой тип данных.
Назначение: повышение эффективности и масштабируемости больших моделей.
Как работает: маршрутизатор выбирает, какой “эксперт” обрабатывает вход, оптимизируя вычисления.
Примеры: Gemini 1.5, Mixtral; ускоренные гига-модели.
5. VLM — Vision-Language ModelСоединяет обработку изображения и языка.
Назначение: понимание визуальной информации с помощью слов.
Как работает: объединяет визуальные признаки и текстовые описания в единое пространство.
Примеры: GPT‑4V, Claude 3 Opus, Gemini Vision; подписи к изображениям, анализ видео.
6. SLM — Speech-Language ModelРаботает с аудио и текстом.
Назначение: понимание речи, генерация речи, транскрибация.
Как работает: сочетает NLP и распознавание речи, часто используется энкодер-декодер архитектура.
Примеры: Whisper, GPT‑4 Voice, Speechify; голосовые боты.
7. MLM — Multimodal Language ModelСамый универсальный тип, объединяющий текст, изображения, видео, аудио и другие данные.
Назначение: межмодальное понимание и генерация.
Как работает: обучается на данных разных модальностей и умеет связывать их.
Примеры: Gemini 2.0, GPT‑5 Omni, Claude 3.5 Sonnet; мультимедийный анализ.
8. SAM — Segment Anything ModelМодель от Meta, предназначенная для сегментации изображений (выделение объектов).
Назначение: компьютерное зрение, разметка, графический анализ.
Как работает: принимает изображение, “понимает” объекты и выделяет их границы.
Примеры: SAM, Segment-Anything 2; применяется в медицине, дизайне, робототехнике.
Контакты
Политика обработки персональных данных
1. Общие положения
1.1. Настоящая политика обработки персональных данных (далее – Политика) разработана и утверждена в соответствии с Федеральными законами от 27 июля 2006 г. № 149-ФЗ «Об информации, информационных технологиях и о защите информации» и от 27 июля 2006 г. № 152-ФЗ «О персональных данных», иными нормативно-правовыми актами по вопросам персональных данных.
1.2. Назначением Политики является обеспечение защиты прав и свобод субъекта персональных данных при обработке его персональных данных (далее – ПДн) Оператором.
1.3. Термины, используемые в тексте настоящей Политики, подлежат применению и толкованию в значении, установленном Федеральным законом от 27 июля 2006 г. № 152-ФЗ «О персональных данных».
1.4. Основные права и обязанности субъекта персональных данных:
§ предоставляя свои персональные данные, субъект персональных данных соглашается на их обработку Оператором;
2. Цели сбора и обработки персональных данных
2.1. ПДн собираются и обрабатываются Оператором в целях:
2.2. Оператор не принимает решений, порождающих для субъекта юридические последствия или иным образом затрагивающих права и законные интересы субъекта на основании исключительно автоматизированной обработки персональных данных.
3. Правовые основания обработки персональных данных
3.1. Правовыми основаниями обработки ПДн являются:
4. Объем и категории обрабатываемых персональных данных, категории субъектов персональных данных
4.1. Персональные данные, разрешенные к обработке в рамках настоящей Политики, предоставляются субъектом персональных данных путем заполнения регистрационной формы на сайтах Оператора, предоставления информации в сообщениях, направляемых Оператору, или другим образом свободно, своей волей и в своем интересе.
4.2. Категориями субъектов персональных данных являются:
§ фамилию, имя, отчество;
§ e-mail;
§ для адвоката: номер в реестре, дата присвоения статуса, адвокатскую палату, статус, специализацию;
§ IP-адрес устройств субъекта персональных данных, информацию куки (cookies), информацию о программе, с помощью которой субъект персональных данных осуществляет доступ к Сайту, время доступа субъекта персональных данных к Сайту и историю всех действий субъекта персональных данных на Сайте.
4.4. Оператор защищает данные, которые автоматически передаются в процессе просмотра субъектом персональных данных рекламных блоков, в том числе информацию куки (сookies).
4.5. Оператор осуществляет сбор статистики об IP-адресах своих посетителей. Данная информация используется с целью выявления технических проблем.
4.6. Оператор не проверяет достоверность персональных данных, предоставленных субъектом, и не имеет возможности оценить его дееспособность. Однако Оператор исходит из того, что субъект персональных данных предоставляет достоверные и достаточные данные и поддерживает эту информацию в актуальном состоянии.
5. Порядок и условия обработки персональных данных
5.1. Оператор осуществляет сбор, запись, систематизацию, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передачу (распространение, предоставление, доступ), обезличивание, блокирование, удаление и уничтожение персональных данных.
5.2. Обработка персональных данных осуществляется Оператором следующими способами:
5.5. Условием прекращения обработки персональных данных может являться достижение целей обработки персональных данных, истечение срока действия согласия или отзыв согласия субъекта персональных данных на обработку его персональных данных, а также выявление неправомерной обработки персональных данных.
6. Безопасность персональных данных
6.1. Для обеспечения безопасности персональных данных при их обработке Оператор принимает необходимые и достаточные правовые, организационные и технические меры для защиты персональных данных от неправомерного или случайного доступа к ним, их уничтожения, изменения, блокирования, копирования, предоставления, распространения, а также от иных неправомерных действий в отношении персональных данных согласно Федеральному закону от 27 июля 2006 г. № 152-ФЗ «О персональных данных» и принятым в соответствии с ним нормативным правовым актам.
6.2. Оператором приняты локальные акты по вопросам безопасности персональных данных. Сотрудники Оператора, имеющие доступ к персональным данным, ознакомлены с настоящей Политикой и локальными актами по вопросам безопасности персональных данных.
7. Актуализация и уничтожение персональных данных, ответы на запросы субъектов на доступ к персональным данным
7.1. В случае подтверждения факта неточности персональных данных или неправомерности их обработки, персональные данные подлежат их актуализации Оператором, обработка прежних при этом прекращается.
7.2. При достижении целей обработки персональных данных, а также в случае отзыва субъектом персональных данных согласия на их обработку персональные данные подлежат уничтожению, если иное не предусмотрено иным соглашением между Оператором и субъектом персональных данных.
7.3. Субъект персональных данных имеет право на получение информации, касающейся обработки его персональных данных. Для получения указанной информации субъект персональных данных может отправить письменный запрос по email aiminister@mail.ru
.
8. Ссылки на сайты третьих лиц
8.1. На сайте могут быть размещены ссылки на сторонние сайты и службы, которые не контролируются Оператором. Оператор не несет ответственности за безопасность или конфиденциальность любой информации, собираемой сторонними сайтами или службами
1.1. Настоящая политика обработки персональных данных (далее – Политика) разработана и утверждена в соответствии с Федеральными законами от 27 июля 2006 г. № 149-ФЗ «Об информации, информационных технологиях и о защите информации» и от 27 июля 2006 г. № 152-ФЗ «О персональных данных», иными нормативно-правовыми актами по вопросам персональных данных.
1.2. Назначением Политики является обеспечение защиты прав и свобод субъекта персональных данных при обработке его персональных данных (далее – ПДн) Оператором.
1.3. Термины, используемые в тексте настоящей Политики, подлежат применению и толкованию в значении, установленном Федеральным законом от 27 июля 2006 г. № 152-ФЗ «О персональных данных».
1.4. Основные права и обязанности субъекта персональных данных:
§ предоставляя свои персональные данные, субъект персональных данных соглашается на их обработку Оператором;
- субъект персональных данных имеет право на получение у Оператора информации, касающейся обработки его персональных данных;
- субъект персональных данных вправе требовать от Оператора уточнения его персональных данных, их блокирования или уничтожения в случае, если персональные данные являются неполными, устаревшими, неточными, незаконно полученными или не являются необходимыми для заявленной цели обработки, а также принимать предусмотренные законом меры по защите своих прав;
- если субъект персональных данных считает, что Оператор осуществляет обработку его персональных данных с нарушением требований законодательства или иным образом нарушает его права и свободы, субъект персональных данных вправе обжаловать действия или бездействие Оператора в уполномоченный орган по защите прав субъектов персональных данных или в судебном порядке;
- субъект персональных данных имеет право отозвать согласие на обработку персональных данных;
- субъект персональных данных имеет право на защиту своих прав и законных интересов, в том числе на возмещение убытков и (или) компенсацию морального вреда в судебном порядке.
- предоставлять субъекту персональных данных по его письменному запросу информацию, касающуюся обработки его персональных данных, либо на законных основаниях предоставить отказ в предоставлении такой информации в срок, не превышающий тридцати дней с момента получения Оператором соответствующего запроса;
- по письменному требованию субъекта персональных данных уточнять обрабатываемые персональные данные, блокировать или удалять, если персональные данные являются неполными, устаревшими, неточными, незаконно полученными или не являются необходимыми для заявленной цели обработки, в срок, не превышающий тридцати дней с момента получения Оператором соответствующего требования;
- в случае достижения цели обработки персональных данных третьих лиц незамедлительно прекратить обработку персональных данных и уничтожить соответствующие персональные данные в срок, не превышающий тридцати дней с даты достижения цели обработки персональных данных, если иное не предусмотрено договором, стороной которого, выгодоприобретателем или поручителем по которому является субъект персональных данных, иным соглашением между Оператором и субъектом персональных данных;
- в случае отзыва субъектом персональных данных согласия на обработку своих персональных данных прекратить обработку персональных данных и уничтожить персональные данные в срок, не превышающий тридцати дней с даты поступления указанного отзыва, если иное не предусмотрено соглашением между Оператором и субъектом персональных данных;
- при обработке персональных данных Оператор принимает необходимые правовые, организационные и технические меры для защиты персональных данных третьих лиц от неправомерного или случайного доступа к ним, уничтожения, изменения, блокирования, копирования, предоставления, распространения персональных данных, а также от иных неправомерных действий в отношении персональных данных.
2. Цели сбора и обработки персональных данных
2.1. ПДн собираются и обрабатываются Оператором в целях:
- регистрации субъекта персональных данных на сайте https://agiu.ru для предоставления доступа к отдельным его разделам;
- создания уникальной учетной записи (личного кабинета) субъекта персональных данных на сайте Оператора;
- предоставления субъекту персональных данных информации о профильных услугах и мероприятиях Оператора;
- обеспечения участия субъекта персональных данных в Мероприятиях Оператора;
- коммуникации с субъектом персональных данных, когда он обращается к Оператору;
- организации участия субъекта персональных данных в проводимых Оператором мероприятиях и опросах;
- направления субъекту персональных данных новостных материалов;
- сбора и оформления статистических данных;
- исполнения уставных положений Оператора;
- для других целей с согласия субъекта персональных данных.
2.2. Оператор не принимает решений, порождающих для субъекта юридические последствия или иным образом затрагивающих права и законные интересы субъекта на основании исключительно автоматизированной обработки персональных данных.
3. Правовые основания обработки персональных данных
3.1. Правовыми основаниями обработки ПДн являются:
- Федеральный закон от 27 июля 2006 г. № 149-ФЗ «Об информации, информационных технологиях и о защите информации»;
- Федеральный закон от 27 июля 2006 г. № 152-ФЗ «О персональных данных»;
- Закон РФ от 27 декабря 1991 г. № 2124-1 «О средствах массовой информации»;
- Федеральный закон от 31 мая 2002 г. № 63-ФЗ «Об адвокатской деятельности и адвокатуре в Российской Федерации»;
- Положение об особенностях обработки персональных данных, осуществляемой без использования средств автоматизации (утв. Постановлением Правительства Российской Федерации от 15 сентября 2008 г. № 687);
- Постановления от 1 ноября 2012 г. № 1119 «Об утверждении требований к защите персональных данных при их обработке в информационных системах персональных данных»;
- Приказ ФСТЭК России от 18 февраля 2013 г. № 21 «Об утверждении состава и содержания организационных и технических мер по обеспечению безопасности персональных данных при их обработке в информационных системах персональных данных»;
- Приказ Роскомнадзора от 5 сентября 2013 г. № 996 «Об утверждении требований и методов по обезличиванию персональных данных»;
- иные нормативные правовые акты Российской Федерации и нормативные документы уполномоченных органов государственной власти;
- локальные нормативные акты Оператора;
- согласие на обработку персональных данных.
4. Объем и категории обрабатываемых персональных данных, категории субъектов персональных данных
4.1. Персональные данные, разрешенные к обработке в рамках настоящей Политики, предоставляются субъектом персональных данных путем заполнения регистрационной формы на сайтах Оператора, предоставления информации в сообщениях, направляемых Оператору, или другим образом свободно, своей волей и в своем интересе.
4.2. Категориями субъектов персональных данных являются:
- пользователи сайта https://agiu.ru
§ фамилию, имя, отчество;
§ e-mail;
§ для адвоката: номер в реестре, дата присвоения статуса, адвокатскую палату, статус, специализацию;
§ IP-адрес устройств субъекта персональных данных, информацию куки (cookies), информацию о программе, с помощью которой субъект персональных данных осуществляет доступ к Сайту, время доступа субъекта персональных данных к Сайту и историю всех действий субъекта персональных данных на Сайте.
4.4. Оператор защищает данные, которые автоматически передаются в процессе просмотра субъектом персональных данных рекламных блоков, в том числе информацию куки (сookies).
4.5. Оператор осуществляет сбор статистики об IP-адресах своих посетителей. Данная информация используется с целью выявления технических проблем.
4.6. Оператор не проверяет достоверность персональных данных, предоставленных субъектом, и не имеет возможности оценить его дееспособность. Однако Оператор исходит из того, что субъект персональных данных предоставляет достоверные и достаточные данные и поддерживает эту информацию в актуальном состоянии.
5. Порядок и условия обработки персональных данных
5.1. Оператор осуществляет сбор, запись, систематизацию, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передачу (распространение, предоставление, доступ), обезличивание, блокирование, удаление и уничтожение персональных данных.
5.2. Обработка персональных данных осуществляется Оператором следующими способами:
- неавтоматизированная обработка персональных данных;
- автоматизированная обработка персональных данных с передачей полученной информации по информационно-телекоммуникационным сетям или без таковой;
- смешанная обработка персональных данных.
- установленных целей обработки персональных данных;
- сроков действия договоров с субъектами персональных данных и согласий субъектов персональных данных на обработку их персональных данных;
- сроков, определенных Приказом Минкультуры России от 25 августа 2010 г. № 558 «Об утверждении “Перечня типовых управленческих архивных документов, образующихся в процессе деятельности государственных органов, органов местного самоуправления и организаций, с указанием сроков хранения”».
5.5. Условием прекращения обработки персональных данных может являться достижение целей обработки персональных данных, истечение срока действия согласия или отзыв согласия субъекта персональных данных на обработку его персональных данных, а также выявление неправомерной обработки персональных данных.
6. Безопасность персональных данных
6.1. Для обеспечения безопасности персональных данных при их обработке Оператор принимает необходимые и достаточные правовые, организационные и технические меры для защиты персональных данных от неправомерного или случайного доступа к ним, их уничтожения, изменения, блокирования, копирования, предоставления, распространения, а также от иных неправомерных действий в отношении персональных данных согласно Федеральному закону от 27 июля 2006 г. № 152-ФЗ «О персональных данных» и принятым в соответствии с ним нормативным правовым актам.
6.2. Оператором приняты локальные акты по вопросам безопасности персональных данных. Сотрудники Оператора, имеющие доступ к персональным данным, ознакомлены с настоящей Политикой и локальными актами по вопросам безопасности персональных данных.
7. Актуализация и уничтожение персональных данных, ответы на запросы субъектов на доступ к персональным данным
7.1. В случае подтверждения факта неточности персональных данных или неправомерности их обработки, персональные данные подлежат их актуализации Оператором, обработка прежних при этом прекращается.
7.2. При достижении целей обработки персональных данных, а также в случае отзыва субъектом персональных данных согласия на их обработку персональные данные подлежат уничтожению, если иное не предусмотрено иным соглашением между Оператором и субъектом персональных данных.
7.3. Субъект персональных данных имеет право на получение информации, касающейся обработки его персональных данных. Для получения указанной информации субъект персональных данных может отправить письменный запрос по email aiminister@mail.ru
.
8. Ссылки на сайты третьих лиц
8.1. На сайте могут быть размещены ссылки на сторонние сайты и службы, которые не контролируются Оператором. Оператор не несет ответственности за безопасность или конфиденциальность любой информации, собираемой сторонними сайтами или службами
Правила пользования Сайтом AGIU.RU
Правила пользования Сайтом AGIU.RU
1. Настоящие Правила пользования Сайтом AGIU.RU (далее – Правила) определяют порядок и условия использования сайта AGIU.RU
2. Использование сайта AGIU.RU означает безоговорочное и полное принятие Пользователем настоящих Правил и Политики в области обработки и защиты персональных данных AGIU.RU, а также согласие Пользователя на обработку сведений о нем (в том числе персональных данных) на условиях, определенных в указанных документах.
3. AGIU.RU осуществляет обработку сведений о Пользователях Сайта (в том числе персональных данных) в соответствии с настоящими Правилами и Политикой в области обработки и защиты персональных данных Коллегии адвокатов AGIUNI.RU, с которой можно ознакомиться в соответствующем разделе нашего Сайта.
4. На нашем Сайте применяются сервисы для анализа посещаемости сайтов Яндекс.Метрика от ООО «Яндекс» (далее – «Яндекс»). Данные сервисы используют так называемые «cookie» («куки»): текстовые файлы, которые сохраняются на компьютере пользователя и позволяют анализировать использование им Сайта.
5. Информация об использовании Сайта, сгенерированная с помощью файла «cookie» (включая IP-адрес пользователя, дату и время посещения сайта, типы браузера и операционной системы, тип и модель мобильного устройства), может отправляться, в том числе, на серверы Яндекс.
6. Яндекс на основании соглашений с AGIU.RU обрабатывают полученную информацию для анализа использования Сайта, составления отчетов об активности посетителей и оказания AGIU.RU других услуг, связанных с использованием Сайта и Интернета.
7. В подавляющем большинстве случаев сопоставление получаемых данных с конкретным лицом невозможно, и такая цель не ставится. Получаемые данные обрабатываются только с целью анализа эффективности веб-ресурса (скорость загрузки, маршрут пользователей), оценки медийных, поисковых и социальных рекламных каналов; анализа конверсии и адаптации Сайта к бизнес-целям, а также оценки количества «мобильного» трафика. Никакой другой анализ данных не производится, кроме обработки для получения статистических сведений со строгим соблюдением условий конфиденциальности и анонимности.
8. Сведения о том, как отключить сбор сведений о вас с использованием сервисов Яндекс.Метрика, приведены на сайтах соответствующих компаний.
9. Если у вас возникли вопросы по поводу сбора, обработки или использования ваших персональных данных, обращайтесь к нам. Соответствующие обращения, а также претензии и отзывы о работе Сайта можно отправлять по e-mail: aiminister@mail.ru
10. В случае если вы не согласны с настоящими Правилами и/или Политикой в области обработки и защиты персональных данных AGIU.RU, просим вас не пользоваться нашим Сайтом.
1. Настоящие Правила пользования Сайтом AGIU.RU (далее – Правила) определяют порядок и условия использования сайта AGIU.RU
2. Использование сайта AGIU.RU означает безоговорочное и полное принятие Пользователем настоящих Правил и Политики в области обработки и защиты персональных данных AGIU.RU, а также согласие Пользователя на обработку сведений о нем (в том числе персональных данных) на условиях, определенных в указанных документах.
3. AGIU.RU осуществляет обработку сведений о Пользователях Сайта (в том числе персональных данных) в соответствии с настоящими Правилами и Политикой в области обработки и защиты персональных данных Коллегии адвокатов AGIUNI.RU, с которой можно ознакомиться в соответствующем разделе нашего Сайта.
4. На нашем Сайте применяются сервисы для анализа посещаемости сайтов Яндекс.Метрика от ООО «Яндекс» (далее – «Яндекс»). Данные сервисы используют так называемые «cookie» («куки»): текстовые файлы, которые сохраняются на компьютере пользователя и позволяют анализировать использование им Сайта.
5. Информация об использовании Сайта, сгенерированная с помощью файла «cookie» (включая IP-адрес пользователя, дату и время посещения сайта, типы браузера и операционной системы, тип и модель мобильного устройства), может отправляться, в том числе, на серверы Яндекс.
6. Яндекс на основании соглашений с AGIU.RU обрабатывают полученную информацию для анализа использования Сайта, составления отчетов об активности посетителей и оказания AGIU.RU других услуг, связанных с использованием Сайта и Интернета.
7. В подавляющем большинстве случаев сопоставление получаемых данных с конкретным лицом невозможно, и такая цель не ставится. Получаемые данные обрабатываются только с целью анализа эффективности веб-ресурса (скорость загрузки, маршрут пользователей), оценки медийных, поисковых и социальных рекламных каналов; анализа конверсии и адаптации Сайта к бизнес-целям, а также оценки количества «мобильного» трафика. Никакой другой анализ данных не производится, кроме обработки для получения статистических сведений со строгим соблюдением условий конфиденциальности и анонимности.
8. Сведения о том, как отключить сбор сведений о вас с использованием сервисов Яндекс.Метрика, приведены на сайтах соответствующих компаний.
9. Если у вас возникли вопросы по поводу сбора, обработки или использования ваших персональных данных, обращайтесь к нам. Соответствующие обращения, а также претензии и отзывы о работе Сайта можно отправлять по e-mail: aiminister@mail.ru
10. В случае если вы не согласны с настоящими Правилами и/или Политикой в области обработки и защиты персональных данных AGIU.RU, просим вас не пользоваться нашим Сайтом.
Индивидуальный предприниматель
КУЗНЕЦОВ РОМАН АЛЕКСЕЕВИЧ
КУЗНЕЦОВ РОМАН АЛЕКСЕЕВИЧ
ИНН 772774368458
ОГРНИП 322774600407632
Основной ОКВЭД
73.11 Деятельность рекламных агентств
Дополнительные коды ОКВЭД
62.01 Разработка компьютерного программного обеспечения
62.02.1 Деятельность по планированию, проектированию компьютерных систем
63.12 Деятельность web-порталов
70.22 Консультирование по вопросам коммерческой деятельности и управления
73.12 Представление в средствах массовой информации
73.20 Исследование конъюнктуры рынка и изучение общественного мнения
ОГРНИП 322774600407632
Основной ОКВЭД
73.11 Деятельность рекламных агентств
Дополнительные коды ОКВЭД
62.01 Разработка компьютерного программного обеспечения
62.02.1 Деятельность по планированию, проектированию компьютерных систем
63.12 Деятельность web-порталов
70.22 Консультирование по вопросам коммерческой деятельности и управления
73.12 Представление в средствах массовой информации
73.20 Исследование конъюнктуры рынка и изучение общественного мнения
