#машинноеобучение — посты и обсуждения

ПАО «ГМК „Норильский никель“» (торговый код на Мосбирже: #GMKN) расширяет применение цифровых решений на производственных площадках. Компания внедрила систему видеоаналитики на основе нейросетей для обнаружения рудозасоряющих тел — это позволит сократить простои и защитить оборудование.

Где уже работает система

Решение запущено на трёх предприятиях Заполярного филиала:

рудник «Маяк»;

рудник «Комсомольский»;

Норильская обогатительная фабрика.

Ключевые преимущества перед традиционными системами

В отличие от металлоотделителей, новая система обнаруживает не только металлические, но и неметаллические предметы в рудопотоке перед участком дробления. Это снижает риск:

повреждения дробильного оборудования;

незапланированных простоев;

дополнительных затрат на ремонт.

Как устроено решение

Комплекс включает:

камеры видеонаблюдения;

инфраструктуру для их работы;

самоочищающиеся кожухи для защиты оптики от загрязнений;

проводную передачу данных;

ПО видеоаналитики на базе нейросетей.

Программное обеспечение разработано совместно с технологической компанией «Рексофт».

Показатели эффективности

Качество работы системы оценивали по стандартным метрикам машинного обучения:

Precision (точность): 100 % на двух объектах, 95 % на третьем (отсутствие ложных срабатываний);

Recall (полнота): от 90 % до 98 %;

F1 (интегральная метрика): от 0,960,96 до 0,980,98.

Дополнительные функции

Помимо обнаружения инородных тел, система:

выявляет дефекты конвейерной ленты (порезы, пробои, глубокие царапины);

предоставляет данные через веб‑интерфейс и дашборды:

операторы видят ситуацию на участке в режиме реального времени;

руководители получают статистику по предприятию, переделу и цеху.

Перспективы и влияние на бизнес‑показатели

«Норникель» планирует тиражировать решение на другие активы. Масштабное внедрение может привести к:

снижению операционных расходов за счёт сокращения простоев и ремонтов;

повышению общей эффективности производственных линий;

улучшению показателей надёжности оборудования;

росту рентабельности добычи и переработки.

Теги: #Норникель #ГМКНорникель #добывающаяпромышленность #видеоаналитика #ИИ #машинноеобучение #цифроваятрансформация #промышленнаябезопасность #эффективностьпроизводства #Рексофт #инновации

Торговая модель может выглядеть прибыльной не из-за найденной закономерности, а из-за технической утечки будущих данных. В этом кейсе ансамбль из шести моделей показывал на 11 месяцах истории AUC 0,74–0,78, тогда как в реальном времени его преимущество исчезало. Признаки четырёхчасового таймфрейма фактически сообщали ранним 15-минутным барам данные на 3 часа 45 минут вперёд.

После исправления реальный сигнал сохранился, но стал примерно вдвое слабее. Long-only ветку с holdout win-rate 59,5% пришлось закрыть: ни одна из 72 комбинаций параметров не прошла честную валидацию. Для разработчиков торговых систем вывод прямой: проверяйте агрегированные признаки на каждом временном срезе, иначе оценка доходности и риска будет построена на информации, которой в момент сделки не существовало.

Читайте полный разбор и добавьте позиционный тест в проверку новых признаков:

Подробнее: https://ai-digest.ru/go/finbazar/3240/

#машинноеобучение #трейдинг #риски

Голосовой ИИ уже умеет превращать текст в речь. Но гораздо интереснее другое: способен ли один инструмент одновременно создавать естественную речь, клонировать голос, менять его характер и создавать совершенно новые голосовые образы?

В первой статье «Нейросреды» разбираем MiniMax Speech 2.8 — технологию, которая объединяет синтез речи, voice cloning и Voice Design.

Поговорим о том, почему короткой записи иногда достаточно для создания голосового образа, чем отличается обычный TTS от клонирования и почему красивое демо ещё не означает, что технологию можно без проблем использовать в реальном проекте.

А главное — попробуем посмотреть на голосовой ИИ глазами не только пользователя, но и разработчика.

Если вы хотите прочитать наш урок полностью то переходите по ссылке

#MiniMax #MiniMaxSpeech #Speech28 #искусственныйинтеллект #ИИ #нейросети #голосовойИИ #синтезречи #TTS #TextToSpeech #VoiceCloning #клонированиеголоса #VoiceDesign #генерацияголоса #AIVoice #цифровойголос #голосовыетехнологии #аудиотехнологии #машинноеобучение #технологиибудущего #разработкаИИ #API #созданиеконтента #озвучка #диктор #видеоконтент #подкасты #автоматизация #Нейросреда #Алексей

Что случилось

Китайский разработчик нейросетей DeepSeek нанял брокера CITIC Securities для подготовки к выходу на биржу . IPO пройдёт на шанхайской площадке STAR Market — она специализируется на технологических компаниях .

Стартап рассчитывает привлечь свежие деньги на разработки в сфере ИИ, а также удержать сотрудников от перехода к конкурентам — ByteDance, Xiaomi и другим .

Какие цифры

В июне 2026 года DeepSeek привлекла $7,4 млрд в ходе раунда финансирования . Оценка компании превысила $50 млрд . По данным Reuters, готовится ещё один раунд, после которого оценка может вырасти до $75 млрд .

Даты, объём размещения и оценка в рамках IPO пока не раскрываются .

Почему это важно

DeepSeek в начале 2026 года вызвала переполох на рынках — её модели ИИ показали результаты, сравнимые с решениями OpenAI, но с меньшими затратами . IPO на STAR Market станет проверкой интереса инвесторов к китайскому ИИ-сектору.

DeepSeek привлекла миллиарды, оценка растёт, и теперь компания готовится к IPO. Станет ли это крупнейшим размещением в китайском ИИ-секторе или повторит судьбу других горячих стартапов?

#DeepSeek #IPO #Китай #искусственныйинтеллект #ИИ #STARMarket #CITICSecurities #технологии #инвестиции #стартап #факты #новоститехнологий #китайскийИИ #разработкаИИ #IPO2026 #финансирование #рыноккапитала #китайскиетехнологии #AI #NLP #машинноеобучение #инновации #фондовыйрынок #инвесторы #технологическийсектор #новостиIPO #CITIC

Три термина — искусственный интеллект (ИИ), машинное обучение (МО) и глубокое обучение (ГО) — сегодня на слуху, но их часто путают или используют как синонимы. Между тем за этими понятиями стоит не только иерархия технологий, но и драматичная история научных взлётов и разочарований, разные математические парадигмы и инженерные практики. Понимание этих различий критично не только для исследователей, но и для бизнеса, который выбирает между простой регрессией и многомиллиардной языковой моделью.

В этой статье мы разберём эволюцию подходов, объясним ключевые архитектуры, сравним классическое машинное обучение и глубокое обучение с точки зрения данных, вычислений, интерпретируемости и жизненного цикла. Мы также затронем вопросы MLOps и этики, без которых невозможно построить надёжную промышленную систему.

1. Иерархия технологий: луковица интеллекта

Искусственный интеллект — это широкая область информатики, цель которой — создание систем, имитирующих когнитивные функции человека: восприятие, рассуждение, обучение, планирование. Однако способы достижения этой цели исторически менялись.

- Искусственный интеллект включает любые интеллектуальные системы: от экспертных систем, основанных на правилах, до современных нейросетевых моделей.

- Машинное обучение — подход, при котором система не программируется явно, а обучается на данных, выявляя закономерности.

- Глубокое обучение — метод машинного обучения, использующий многослойные нейронные сети для автоматического извлечения иерархических признаков.

Таким образом, ГО ⊂ МО ⊂ ИИ. Но чтобы понять, почему эти слои сформировались именно так, нужно обратиться к истории.

2. Исторический контекст: зимы и возрождения ИИ

Развитие ИИ никогда не было линейным. Оно шло через циклы завышенных ожиданий, провалов и возрождений.

2.1. Символический ИИ и первая зима (1950–1970-е)

Первые системы ИИ (1950–1960-е) строились на символьных вычислениях: логических правилах, деревьях поиска, экспертных базах знаний. Считалось, что интеллект можно описать формальными символами и манипуляциями над ними. Однако к началу 1970-х стало ясно: машинный перевод далёк от совершенства, а универсальные решатели задач упираются в комбинаторный взрыв. Финансирование (особенно от DARPA) резко сократилось — наступила первая «зима ИИ».

2.2. Экспертные системы и вторая зима (1980-е — начало 1990-х)

В 1980-х наступил ренессанс: коммерческий успех экспертных систем (например, XCON для конфигурации компьютеров DEC) привлёк инвестиции. Появились специализированные Lisp-машины, японский проект Fifth Generation обещал создать компьютер нового поколения. Но рынок рухнул: экспертные системы оказались дорогими в сопровождении, хрупкими и плохо масштабировались. К началу 1990-х вторая зима похоронила символический подход.

2.3. Статистическое обучение: тихое возрождение (1990-е — 2000-е)

Пока символисты доминировали, статистические методы — байесовские сети, SVM, ансамбли — постепенно набирали силу. Именно они легли в основу современного машинного обучения. Алгоритмы вроде Random Forest и градиентного бустинга показали, что можно строить точные модели на табличных данных без попыток воспроизвести «мышление». Этот период ознаменовал переход от «инженерии знаний» к «обучению на данных»...

#DST #DSTGlobal #ДСТ #ДСТГлобал #Искусственныйинтеллект #машинноеобучение #глубокоеобучение #LLM #ChatGPT #ГаллюцинацииLLM #EUAIAct #DataDrift #ConceptDrift #StableDiffusion #DALLE #BERT #GPT #AlphaGo #DARPA

Источник: https://dstglobal.ru/club/1254-iskusstvennyi-intellekt-mashinnoe-i-glubokoe-obuchenie