Неискусственный интеллект

Даже агенту нужен контракт AI Ready-подход использует агентов для создания продуктов на данных: моделей машинного обучения, отчётов и дашбордов. До подключения языковой модели платформа должна подготовить данные, их описание, правила доступа и процессы разработки. Как это сделать, на IT Elements рассказали Павел Егоров из «Инфосистемы Джет» и Александр Анисимов из Arenadata. 👁 Работа начинается с аналитики и проектирования. Агент-аналитик собирает документацию, опросы бизнеса и сведения об источниках, готовит спецификацию продукта и связывает показатели с бизнес-глоссарием. Затем агент-проектировщик создаёт дата-контракт — описание структуры данных и правил их изменения, — а также модели хранения и бизнес-смысла. Информационные активы должны быть описаны, а качество данных проверено. Человек способен заметить недостающий контекст сам, агенту его нужно предоставить в цифровом виде. Источником становится дата-каталог: из него агент узнаёт, где хранятся данные, как рассчитывается показатель и насколько этим данным можно доверять. 💻 Затем подключается агент-разработчик. Он получает контекст от аналитика и проектировщика, формирует параметры модели dbt и выбирает шаблон для генерации кода. dbt описывает преобразования данных с помощью SQL и благодаря коннекторам работает с разными аналитическими движками. Airflow управляет очередностью и запуском задач. Дальше включается привычный конвейер разработки: скрипты проверки, автоматические тесты, контроль качества и согласование старшим разработчиком. Инструменты должны поддерживать шаблонную генерацию кода, встраиваться в CI/CD — автоматическую проверку и доставку релизов — и передавать агентам контекст через MCP-серверы. Такой подход делает результат стабильнее. При слишком широкой постановке разные запуски модели создают разные артефакты, а повторная загрузка всей документации раздувает расход токенов. Поэтому агент выдаёт параметры преобразования, код собирается из проверенных шаблонов, а человек контролирует ключевые решения. ❓ Сама платформа данных проходит три уровня подготовки. Первый — порядок. Iceberg обеспечивает надёжные транзакции, изменение структуры и доступ к предыдущим версиям таблиц. Hive Metastore служит каталогом метаданных, Schema Registry проверяет совместимость схем сообщений, Ranger управляет правами и аудитом, Vault хранит пароли, токены и другие секреты. Этот фундамент строили ради управляемости и безопасности. Агенты повышают его приоритет: то, что для человека было лучшей практикой, для машины становится обязательным условием. ℹ️ Второй уровень — контекст. Агент должен знать структуру таблиц и lineage — происхождение данных и маршрут их преобразований. К этому добавляются статистика, события и телеметрия. Для потоковых данных нужен такой же полный маршрут. Например, в CDC-пайплайне, фиксирующем изменения в исходной базе, агент должен видеть путь события от Debezium через Kafka до записи в Iceberg и понимать, что изменилось по дороге. 🤖 Третий уровень — целевая архитектура для машинных пользователей. API и единая SQL-точка входа дают программный доступ к платформе, а MCP-серверы должны описывать инструменты и правила их вызова. Функции для администраторов ещё предстоит превратить в ограниченные и понятные машине операции. Сам агент должен стать субъектом информационной безопасности: работать от имени конкретного пользователя, наследовать его права и оставлять журнал действий. После ошибки команда должна восстановить полученный моделью контекст, принятое решение и выполненную команду. AI Ready в итоге описывает зрелость всей платформы. Если изменение схемы замечает только человек, права агента определены приблизительно, а происхождение данных теряется по дороге, более сильная модель систему не спасёт. @anti_agi

Еще один единорог-«убийца» NVIDIA Positron AI привлек $875 млн при оценке $5 млрд. Стартап из Рино основан в 2023 году и делает железо только для инференса. Сейчас он продает серверы Atlas, больше 50 стоек которых разворачивают в Oracle Cloud, а в конце года отправит на TSMC собственный чип Asimov. Ставка Positron в том, чтобы вместо дефицитной HBM, на которой работают ускорители NVIDIA, использовать LPDDR5X из смартфонов и ставить до 2,3 ТБ памяти на один чип. Серийный выпуск запланирован на вторую половину 2027 года, до тех пор сравнения с NVIDIA остаются бумажными. Но есть и позитивная, на самом деле, сторона. Бум ИИ обычно ассоциируется с бесконечными LLM, ИИ-ассистентами и AI B2B SaaS, меньшая, но уже заметная часть денег уходит в кремний. Только за первый квартал этого года 80 полупроводниковых стартапов привлекли $8,4 млрд, 18 раундов превысили $100 млн, и большинство из них делает чипы для инференса или интерконнекты.Плюс NVIDIA купила активы Groq, за $20 млрд, AMD забрала Taalas. Для отрасли это хорошая новость, и дело не только в деньгах. Полупроводникам не хватает людей. По оценке McKinsey, SEMI и NSF, индустрии до 2030 года понадобится около 189 000 новых сотрудников, из них больше 104 000 инженеров, а нехватка может дойти до 157 000 человек. Три четверти опрошенных компаний жалуются на серьезные трудности с наймом инженеров. При этом, по более раннему подсчету McKinsey, в полупроводники ежегодно приходит около 1 500 инженеров, это всего 3% выпускников, которые вообще идут работать по инженерной специальности. Проектирование чипов долго считалось скучной нишей, где результаты работы видны не раньше чем через 3-5 лет. Но благодаря ИИ-хайпу отрасль становится заметнее, и студенты начинают к ней тянуться. В Purdue число студентов полупроводниковых программ за два с половиной года выросло в восемь раз, до 351 человека, в MIT запись на курсы по чипам прибавила около 20%. Ну и не будем забывать, каждый студент-схемотехник, возможно, человек, которого спасли от похода на gender studies. @anti_agi

Сбер представил GigaChat 3.5 Reasoning — флагманскую модель с режимом рассуждений Новая версия умеет последовательно решать сложные задачи. Сначала разбирает их на этапы и выстраивает план. Затем проверяет промежуточные результаты и исправляет ошибки. Ещё одна особенность релиза — экономный расход токенов. В среднем на математические расчёты здесь используется на 37% меньше токенов, чем у открытой ИИ-модели DeepSeek V4 Flash Preview. По сравнению с моделью без режима рассуждений GigaChat 3.5 Reasoning заметно улучшила результаты бенчмарков. В IFBench показатель вырос с 44 до 77 баллов, в Natural Plan — с 64 до 80, а в Live Code Bench v6 — с 56 до 85. Модель доступна бесплатно по лицензии MIT на HuggingFace и GitVerse. Её можно интегрировать в собственные продукты. Попробуйте обновлённый режим «Рассуждение» на giga.chat. А также читайте больше подробностей в статье на Хабре.