Тестирование ML-моделей на срезах данных для поиска скрытых ошибок
Рост общих метрик эффективности ML-модели может маскировать падение качества на отдельных сегментах данных. На примере классификатора объявлений рассмотрен метод проверки модели на срезах для выявления подобных проблем. Этот подход позволяет точнее определить готовность алгоритма к релизу в продакшен.
Читать в первоисточнике — Хабр ↗
Ещё в ленте
Разработка альтернативного клиента для робота LOOI с интеграцией Ollama
Разработчик представил собственный клиент на Kotlin для робота LOOI в качестве альтернативы облачному официальному приложению. Система использует смартфон для управления моторами по Bluetooth и отдельный Node-хост в локальной сети для диалогов, синтеза речи и работы модели через Ollama. Архитектура разделяет ручные и автономные контуры движения, а также изолирует логику перемещения от разговорной модели.
Локальный запуск GLM-5.3-Flash усиливает угрозы кибербезопасности
Модель GLM-5.3-Flash способна работать локально на доступном оборудовании, включая домашние серверы и Mac Studio. Злоумышленники используют модифицированные версии нейросети для ускоренного поиска уязвимостей в ПО и проведения атак. В ответ специалисты по безопасности разрабатывают меры для защиты интернет-инфраструктуры, госорганизаций и финансовой индустрии.
Анализ выявил речевые паттерны и привычки 12 нейросетей в рабочих текстах
Исследование 84 рабочих текстов показало характерные особенности генерации 12 моделей. Выяснилось, что Gemini начинает 9 из 10 текстов со слова «Вот», а Kimi и Claude Sonnet регулярно предлагают доработать материал в конце ответов.
Разработка внешней памяти MemShelf для сохранения данных ИИ-агентов
Автор разработал проект независимой памяти MemShelf для решения проблемы потери данных моделью при сжатии контекста в длинных сессиях. Система позволяет ИИ-агенту сохранять информацию за пределами диалогового окна независимо от встроенных механизмов очистки контекста.