AI-агенты

Тенденции в изменении механик восприятия информации в интернете

Обложка: Тенденции в изменении механик восприятия информации в интернете

В статье рассматривается, как за последние годы изменился путь пользователя к информации в интернете. Речь идет не только о росте популярности коротких видео, нейросетей или новых поисковых интерфейсов. Более заметное изменение связано с тем, кто теперь отбирает информацию, в каком виде человек получает первый ответ и насколько часто он вообще доходит до исходного источника. В материале сопоставляются данные Reuters Institute, Pew Research Center, Google, Яндекса, ВЦИОМ и ряда академических исследований. Отдельно разбираются алгоритмические ленты, AI-summary, мультимодальный поиск, короткие видео, доверие к ссылкам и сценарии, в которых пользователь получает достаточно информации без перехода на сайт. Основной вывод статьи состоит в том, что привычная схема «запрос — выдача — переход на источник» постепенно дополняется другими моделями.

Читать далее

ZOLT JOURNAL / ДАЛЬШЕ

Обложка: Sandflow открыла датасет из 106 тысяч 3D‑моделей
AI-агентыHabr AI

Sandflow открыла датасет из 106 тысяч 3D‑моделей

Французский стартап Sandflow выпустил Sand3D — открытый датасет и 106 тыс. 3D‑моделей различных объектов. Каждая модель сопровождается кодом на Python, который строит объект из независимых деталей. Датасет предлагают использовать для обучения моделей создавать и редактировать 3D‑модели.

Обложка: Пять футурологических сценариев сосуществования человека и искусственного разума
AI-агентыHabr AI

Пять футурологических сценариев сосуществования человека и искусственного разума

Представим, что ИИ уже умеет выполнять любую работу, получил юридические права и тела роботов. Кто тогда владеет фабриками, принимает последнее решение и остается автором будущего? Разбираем пять устойчивых обществ и два предела, за которыми сосуществовать уже некому.

Обложка: ASR для AI-разработки: как я замерял качество распознавания технических терминов
AI-агентыHabr AI

ASR для AI-разработки: как я замерял качество распознавания технических терминов

В этой статье я расскажу о том, как бенчмарк распознавания речи при AI-разработке голосом. Поговорим про сам замер, фабрики софта, постановку задач, особенности речи и датасет, посмотри на циферки и разберемся почему классический WER — очень коварная метрика, особенно в разработке. Ну что, лонг-тапнем на диплинк и деплоим на шпрот?