Эксперт в геопространственных технологиях с 20-летним опытом в ИТ, геоаналитике и Data Science.
Специализируюсь на проектах в транспортe и логистике, телекоммуникационной инфраструктуре, урбанистике, недвижимости и финансах. Работала в Luxoft, Boeing, Ренессанс Капитале и ВТБ. Образование: МИФИ ("Прикладная математика"), Executive MBA в Стокгольмской школе экономики. В 2020 основала Epsilon Metrics - российскую платформу геоаналитики с поддержкой искусственного интеллекта.
33 статей
AI-агенты позволяют получать бизнес-аналитику без навыков SQL — достаточно задать вопрос в формате разговорной речи и получить готовый отчёт.
Искусственный интеллект (AI) эффективен настолько, насколько качественными являются данные, на которых он обучен. В этой статье разберём, как подготовить данные для AI: от очистки и стандартизации до автоматизации контроля качества. AI-ready данные становятся основой для точных моделей и надёжной аналитики.
Графы знаний отлично отражают взаимосвязи и контекст данных, что делает их идеальным дополнением к технологиям Retrieval-Augmented Generation (RAG). В этой статье мы разберём, как технология Graph RAG объединяет сильные стороны графов знаний и RAG, улучшает точность ответов и ускоряет разработку AI-приложений. Рассмотрим, где Graph RAG приносит наибольшую пользу и как внедрить эту технологию для улучшения контекста, который вы передаёте большим языковым моделям (LLM).
Эмбеддинги помогают преобразовать текст в векторы, что позволяет большим языковым моделям (LLM) понимать контекст и давать точные ответы. Они служат «языком», на котором модели «общаются» с нами. Разобравшись, как работают эмбеддинги, можно использовать LLM для решения бизнес-задач.
Извлечение данных — это первый этап в процессе ETL (Extract, Transform, Load), который помогает превратить разрозненные данные из различных источников в ценный ресурс для анализа и ИИ-приложений. Разберёмся, почему извлечение данных играет ключевую роль, как оно работает для различных типов данных, и какие инструменты помогают его автоматизировать.
Представьте, что вы можете просто «поговорить» с документом. Именно это делают ИИ-приложения типа «Talk to your PDF» (или «Chat with your docs») — загружаете PDF или другой документ, задаёте вопросы по его содержимому и получаете ответы. Эта возможность ИИ стала одной из самых востребованных для тех, кто работает с многостраничными документами. Однако есть одно «но»:… Читать далее Мультимодальные RAG и VLM против OCR + LLM: Как откровенно поговорить с вашими PDF?
Консолидация данных — это шаг к получению целостного представления о бизнесе. Расскажем, как и зачем консолидировать данные из разных источников, какие методы и инструменты помогут упростить этот процесс, а также поделимся практическими советами и реальными примерами. Покажем, как правильно организовать процессы консолидации, чтобы ускорить аналитику и оптимизировать работу с машинным обучением.
Рассмотрим, как работать с LLM в serverless средах при создании LLM-приложений. На примерах разберём архитектурные шаблоны, такие как последовательная и параллельная обработка промптов, использование кэша и обработка ошибок, которые помогают оптимизировать производительность и снизить затраты на управление LLM-приложениями.
Рассмотрим, как использование no-code конвейеров данных помогает компаниям упростить и ускорить внедрение генеративного искусственного интеллекта (genAI — generative artifitial intelligence) и машинного обучения (ML). Как автоматизировать процессы подготовки, интеграции и анализа данных без необходимости программирования, что делает технологии машинного обучения и ИИ доступными для бизнеса любого масштаба и уровня технической подготовки.
