))
#49 Почему искусственный интеллект не работает без настоящего инженера | Андрей Татаринов
Fetch error
Hmmm there seems to be a problem fetching this series right now.
Last successful fetch was on November 02, 2025 14:36 (
What now? This series will be checked again in the next hour. If you believe it should be working, please verify the publisher's feed link below is valid and includes actual episode links. You can contact support to request the feed be immediately fetched.
Manage episode 488895062 series 3585626
محتوای ارائه شده توسط Кирилл Мокевнин. تمام محتوای پادکست شامل قسمت‌ها، گرافیک‌ها و توضیحات پادکست مستقیماً توسط Кирилл Мокевнин یا شریک پلتفرم پادکست آن‌ها آپلود و ارائه می‌شوند. اگر فکر می‌کنید شخصی بدون اجازه شما از اثر دارای حق نسخه‌برداری شما استفاده می‌کند، می‌توانید روندی که در اینجا شرح داده شده است را دنبال کنید.https://fa.player.fm/legal
В этом выпуске мы поговорили с Андреем Татариновым, инженером, который каждый день работает с языковыми моделями и внедряет ИИ в реальные продукты. Обсудили, как устроены LLM: что на самом деле происходит под капотом ChatGPT, почему ИИ часто галлюцинирует, и как с этим работать.
Разобрали, зачем нужен fine-tuning и RAG, как промт превращается в инженерную задачу, и почему без человека модели пока не справляются. Поделились практическим опытом автоматизации, примерами из реальных кейсов и мнением о том, в каком направлении развивается рынок ИИ.
Вы узнаете, как реально применять языковые модели, какие ошибки совершают новички, и что нужно, чтобы ИИ стал помощником, а не источником проблем.
- (00:00) - Введение и анонс
- (01:31) - От Яндекса до Epoch 8: путь Андрея Татаринова
- (04:54) - Бустинги, логрег и берты: как мы пришли к GPT
- (08:23) - Почему GPT-системы сокрушили прошлое
- (12:10) - Иллюзия экспоненты: будет ли у ИИ потолок?
- (16:01) - Новая реальность: как теперь проектируются AI-системы
- (19:53) - Под капотом LLM: инференс, рантаймы и матрицы
- (23:22) - Проблема масштаба: почему модель ≠ база данных
- (27:27) - Векторные базы и RAG: как накормить модель знаниями
- (31:20) - Промт не магия: где заканчивается здравый смысл LLM
- (35:04) - Файнтюнинг: учим GPT понимать нас лучше
- (38:31) - Пределы модели: почему знания «вытесняются»
- (42:27) - LEGO, Copilot и код: генерация, где работает, где нет
- (46:20) - Заменит ли GPT ревьюера? Хекслет тестирует
- (50:34) - Проблема смыслов: почему даже с правилами модель врёт
- (54:28) - Что такое разум у LLM: reasoning и цепочки размышлений
- (58:19) - MCP и агенты: когда LLM делают больше, чем отвечают
- (01:02:36) - Автоматизация задач: мечта об ИИ-помощнике
- (01:07:02) - За пределами промтов: новый взгляд на разум
- (01:11:19) - Автономные агенты: размах MCP в продакшне
- (01:15:34) - Инциденты под контролем: SRE + агентный подход
- (01:19:59) - Оркестрация инструментов: когда API + MCP не хватает
- (01:24:24) - Покупать или делать самому: стратегия внедрения
- (01:28:49) - MCP как стандарт: реальные шаги или маркетинг?
- (01:33:14) - Архитектурные тренды: готовимся к агентам заранее
- (01:37:39) - Команды и экосистема: как вести IT-лидеров
- (01:42:04) - Безопасность и контексты: бизнес, observability, security
- (01:46:29) - MCP next layer: от работы в одиночку к рынку агентов
- (01:50:54) - Оценка зрелости: когда агенты перестают быть хайпом
- (01:55:19) - Call to action: малые эксперименты — большие изменения
- (01:59:44) - Ключевые выводы и приглашение к диалогу
67 قسمت
اشتراک گذاری
