· Хабр

Anthropic запустила бета-тест Claude Meetings для Google Meet

Anthropic начала бета-тестирование функции Claude Meetings, которая подключает ассистента к видеозвонкам отдельным участником. Во время созвона агент следит за разговором, конспектирует его и выполняет поручения в реальном времени. На текущий момент сервис работает только с Google Meet.

Читать в первоисточнике — Хабр ↗

Ещё в ленте

· Хабр · Модели · Исследования

Агентный ИИ: как языковые модели переходят от генерации текста к решению задач

Автор обобщил материалы своих выступлений в РАН и ТулГУ, посвященных развитию агентного искусственного интеллекта. В статье рассматриваются архитектура автономных агентов, способы их координации, а также отличия таких систем от стандартных языковых моделей. Особое внимание уделено применению ИИ-агентов в научных исследованиях и вопросам доверия к результатам их работы.

· Хабр · Продукты · Бизнес

Lenta Tech запустила MCP-сервер для покупок через ИИ-помощников

Команда Lenta Tech подключила официальный MCP-сервер, который позволяет нейросетям обращаться к каталогу товаров сети «Лента». Пользователи могут искать продукты прямо через диалог с ИИ в приложениях с поддержкой протокола MCP. Интеграция выполняется добавлением адреса сервера в клиентскую программу.

· Хабр · Безопасность

Анализ поверхности атаки и AI Red Team для защиты приложений на базе LLM

С появлением приложений на базе LLM для обеспечения безопасности требуется не только проверка кода и инфраструктуры, но и тестирование работающего AI-интерфейса. AI Red Team проверяет поведение модели под воздействием атакующих запросов и измеряет устойчивость к нежелательному контенту. Такой подход позволяет отслеживать регрессии между версиями и встраивать защиту ИИ-функций в инженерный цикл разработки.

· Хабр · Исследования · Модели

Проблемы оценки важности признаков с помощью MDI, Permutation Importance и SHAP

Методы оценки важности признаков, включая MDI, Permutation Importance и SHAP, могут приписывать случайному шуму больший вес, чем реальным факторам, и искажать значимость коррелированных данных. В материале на синтетических примерах разбираются причины появления таких ошибок в графиках feature_importances_. Анализ помогает корректно выявлять шум и учитывать корреляции, избегая неверных решений при отборе признаков.