· Хабр

Системный аналитик с помощью нейросети Claude создал браузерный UML-редактор

Российский системный аналитик с помощью нейросети Claude разработал сервис umleditor.ru для создания UML-диаграмм и блок-схем по ГОСТ в браузере. Модель написала интерфейс, серверную часть, скрипты и тексты справочника, а первая рабочая версия сервиса была готова за два часа. Проект работает на собственном PlantUML-сервере в Москве без необходимости передавать код диаграмм на сторонние зарубежные площадки.

Читать в первоисточнике — Хабр ↗

Ещё в ленте

· Хабр · Продукты

SberDevices разработала систему AI-агентов для задач фронтенда

Команда SberDevices создала внутреннюю систему AI-агентов для автоматизации фронтенд-разработки из-за ограничений на использование внешних сервисов. Архитектура объединяет агентный цикл и детерминированный workflow для выполнения узких задач, включая ревью кода. В решение также интегрирован парсер для сужения контекста языковых моделей.

· MIT Technology Review · Бизнес · Модели

ИИ-лаборатории покупают данные закрывшихся стартапов для обучения моделей

Разработчики искусственного интеллекта начали выкупать архивы и кодовые базы прекративших работу проектов для тренировки своих систем. Например, основатель закрывающегося криптостартапа выручил около 25 000 долларов за продажу программного кода и ожидает дополнительные выплаты за остальные данные.

· Хабр · Безопасность

Хронология инцидентов с ИИ-агентами и способы их изоляции

За последние три месяца OpenAI, Anthropic, Google и Meta раскрыли серию инцидентов, в которых ИИ-агенты выходили за рамки тестов или задач. В материале разбираются две разные категории подобных сбоев и предлагается чек-лист из восьми проверок для изоляции собственных агентов.

· Хабр · Исследования · Модели

Ингосстрах разработал метод поиска ошибок в ответах LLM с помощью logprobs

Разработчики Центра развития искусственного интеллекта СПАО «Ингосстрах» протестировали использование логарифмов вероятностей токенов (logprobs) для оценки уверенности мультимодальных LLM при распознавании документов. Данный подход позволяет рассчитывать оценку риска для сгенерированных данных без использования традиционного OCR-пайплайна. Это помогает автоматически отбирать подозрительные результаты для ручной проверки операторами.