До конца ноября специальные цены на выделенный ассортимент товаров брендов Thomson, Hansa, Miele, Midea. Узнавайте наличие и конечную стоимость на оптовые закупки у менеджеров АБСОЛЮТ
Уважаемые партнеры! Приглашаем вас принять участие в маркетинговой акции «Гаджеты по магической цене». Закупайте электронные книги и портативную электронику DIGMA в период действия акции и получите фиксированный бонус до 30 000 рублей в зависимости от объёма закупок. Дополнительный бонус 30 000 ...
Компании PROWAY и Urovo рады объявить о запуске совместной промопрограммы на терминал сбора данных CT58C. Терминал сбора данных Urovo CT58C — это профессиональное решение для розничной торговли, транспортной отрасли и других сфер, где требуется интенсивная работа с штрихкодами. • Операционная ...
Внедрение ИИ обещает бизнесу сокращение издержек, но на практике его рекомендации не всегда приводят к ожидаемому финансовому результату и могут требовать дополнительной проверки. Проблема не в алгоритмах, а в данных — противоречивых или некорректных. Как неподтвержденные данные превращают любую ML-модель или языкового агента в генератор ошибок и что с этим делать бизнесу, разбираемся вместе с Арутюном Саргсяном, руководителем направления по управлению данными компании «Навикон». Два пути плохих данных: ML и LLM Российские компании одна за другой запускают пилоты с генеративным ИИ. По данным Ассоциации больших данных (АБД) и Аналитического центра при Правительстве РФ, объем российского рынка искусственного интеллекта (ИИ) по итогам 2025 года составил 520 млрд рублей, а его доля в ВВП достигла 0,22%. Однако уже в 2026–2027 годах часть этих проектов рискует пополнить статистику провалов. В вопросе качества данных для ИИ важно различать два класса систем. Классический machine learning (ML) — это прогнозные модели: скоринг, управление цепочками поставок, рекомендательные движки. Большие языковые модели (LLM), которые сейчас у всех на слуху, — это другое: поиск по базе знаний, генерация отчетов, text-to-sql агенты. Некачественные данные бьют по их эффективности одинаково, но механизмы разные. В случае ML модель обучается на исторических выборках. Если в исторических данных присутствуют дубли, нарушены связи между сущностями или показатели искажены аномалиями, результат прогноза ... читать далее.
Мы используем cookie-файлы, возможности LiveInternet, Яндекс.Метрики и SberAds для наилучшего представления нашего сайта в соответствии с Политикой обработки персональных данных. Если Вы согласны с этим, пожалуйста, нажмите кнопку «Принять». Продолжая пользоваться сайтом, Вы подтверждаете, что были проинформированы об использовании сайтом cookie-файлов, LiveInternet, Яндекс.Метрики и SberAds, и согласны с Политикой обработки персональных данных.