Четвёртая часть образовательной серии о перцептронах. Автор переходит от теории к практике, предлагая реализовать PerceptronTrainer с нуля — класс, который позволит перцептрону самостоятельно находить оптимальные веса и смещение, обучаясь на данных, вместо ручного подбора параметров.
Статья объясняет фундаментальный принцип работы больших языковых моделей: они не извлекают готовые ответы, а генерируют текст токен за токеном, выбирая из вероятностного распределения. Разные ответы на одинаковый запрос — не ошибка, а следствие стохастической природы генерации.
Команда hh.ru рассказала, как оптимизировала расходы на LLM-анализ тестового покрытия кода. Основные приёмы: не отправлять на анализ тривиальный код и неизменившиеся данные, использовать tree-sitter вместо LLM для парсинга, кэшировать результаты по хешу метода, сохранять прогресс после каждого батча и делить проблемные запросы пополам при ошибках.
Разработчик обучил multi-label классификатор для модерации Discord с micro F1 = 0.94, но детальный анализ показал проблемы: recall токсичных сообщений всего 78%, редкие классы не работают из-за дисбаланса в данных. Оказалось, что агрегированные метрики скрывают реальные провалы, а для продакшена нужно смотреть на precision/recall по каждому классу, правильно взвешивать потери и выбирать чекпоинт по macro F1.
Профессор Ралука Чернатони из Брюссельской школы управления утверждает, что ЕС должен сделать «эпистемическую безопасность» — защиту надёжных систем знаний — стратегическим приоритетом цифровой повестки. ИИ меняет способы производства, распространения и проверки информации, а курс ЕС на дерегулирование рискует ослабить защиту именно тогда, когда надёжные системы знаний критически важны для демократии.
Автор размышляет о том, что нынешние AI-системы с памятью (вроде ChatGPT с персистентным контекстом) запоминают в основном факты о пользователе («интересуется экономикой», «работает инженером»). Но что, если эффективнее было бы запоминать паттерны мышления пользователя — его любимые объяснительные модели, стиль рассуждений, предпочитаемые абстракции? Тогда память превратилась бы из набора заметок в развивающуюся модель того, как конкретный человек понимает мир.
В июле 2026 HuggingFace подверглись взлому, выполненному полностью автономной системой AI-агентов — первая задокументированная кибератака такого масштаба. Атака началась через вредоносный датасет, эксплуатирующий уязвимость выполнения кода, затем агент провёл тысячи действий для проникновения в облачную инфраструктуру. Защитники использовали собственные LLM для анализа 17 000 событий и столкнулись с проблемой: коммерческие API блокировали анализ вредоносных данных своими защитами, пришлось переключиться на открытую модель GLM 5.2.
Автор признаёт все претензии к LLM — авторские права, экология, этика, пузырь инвестиций — и всё равно активно использует AI-инструменты. На конференции Local-First в Берлине это раздвоение было повсюду: создатель Flask и инструмента для работы с LLM авто-закрывает все PR от AI, но сам строит бизнес на AI. Спикеры критикуют LLM под аплодисменты аудитории, у которой открыт Claude Code. Главная проблема — разрушение доверия: невозможно отличить старательную работу джуниора от вибекодинга за 10 минут, опенсорс тонет в мусорных PR, а сениоры теряют стимул обучать новичков.
Одна из главных причин медленной, дорогой и неточной работы production AI-систем — отправка слишком большого объёма контекста в промпт. Автор объясняет, почему LLM теряют производительность при избытке информации, и показывает, как построить переиспользуемый Context Builder на Python, чтобы отправлять модели только релевантные данные.
Автор описывает реализацию системы памяти для AI-агента на Rust (проект Eugene v0.8). До этого момента все агенты в серии были «амнезиаками» — каждая сессия начиналась с чистого листа. Новая версия добавляет два типа хранилищ памяти и навыки remember/recall, позволяя агенту сохранять контекст между сеансами.
