DeepSchool

Частые вопросы

Сколько подписчиков?

Подписчиков — 10,7 тыс. Медиана просмотров поста — 3 тыс. Просмотров на подписчика — 28,4%. Данные на 1 октября 2026 г.

Как часто выходят посты?

За 30 дней вышло постов: 8 — это несколько раз в неделю. Данные на 1 октября 2026 г.

Есть ли у канала галочка Telegram?

Галочки Telegram нет.

Кто ведёт страницу канала в каталоге?

Пока никто. Если это ваш канал — заберите страницу: сможете отвечать на отзывы и видеть её статистику.

Последние посты

• вчера1,4 тыс.7 пересылок25 реакций2 комментарияОткрыть в Telegram
  Тут ещё остались CV-инженеры? 🔥 Для вас важная новость: мы проводим последний онлайн-поток курса CV Rocket — программы повышения квалификации в Computer Vision! Именно с неё началась история DeepSchool в 2021 году — основатели школы, Тимур и Артём, сами пришли в DL через CV и создали курс как для себя: для людей, которые работают в этой области и хотят прокачать хард-скиллы, быстро перенимая опыт у практиков из индустрии. С тех пор было более 200 студентов и 11 потоков — приглашаем на завершающий двенадцатый! В конце отпразднуем выпуск, а участников ждут специальные подарки! На курсе вы научитесь: - готовить данные: собирать, устранять ошибки в разметке, мониторить качество - отлаживать обучение, находить аномалии и интерпретировать результаты модели - работать с metric learning и векторным поиском - работать с видео: трекинг и action recognition - предобучать без разметки: от pretext-задач до современных SSL-алгоритмов - адаптировать модели детекции, сегментации и OCR под сложные кейсы Обучение длится 4 месяца, включает 13 лекций и 13 заданий с фидбеком от лекторов. Раз в 4–5 недель мы собираемся на Q&A-сессии, чтобы отдельно разобрать вопросы по домашкам и кейсы с работы. 🗓 Старт — 14 октября 🔥 До 4 октября действует скидка 20% Успейте присоединиться на лучших условиях! Переходите на сайт, изучайте программу, читайте отзывы выпускников и записывайтесь.

  Ещё
• 3 дня назад2 тыс.15 пересылок39 реакций1 комментарийОткрыть в Telegram
  67% разработчиков стали работать больше, используя агентов В исследовании HackerRank две трети программистов подтвердили, что ощущают давление с требованиями вести разработку быстрее после внедрения ИИ-кодинга в компании. В другой работе от BairesDev те же 67% разработчиков подтвердили, что в сравнении с прошлым годом стали чаще проводить ревью AI-кода. А доля программистов, которые пишут минимум половину кода агентами выросла с 12% до 42%. Получается, проверять за агентами стали в 1.7 раз чаще, а писать код агентами в 3,5 😐 Ставьте палец вверх, если тоже не ревьюили за агентом последние 3 коммита👍 А чтобы за вашим агентом [почти] не надо было ревьюить, приходите на наш курс LLM System Design — опытные инженеры научат вас решать топ-3 популярных на рынке AI-задачи со всеми нюансами, ответят на вопросы и проверят вашу домашку (или вашего агента😢) Старт — 30 сентября. До начала курса вы можете записаться со скидкой 5%

  Ещё
• 24 сент.2,9 тыс.55 пересылок24 реакцииОткрыть в Telegram
  LLM в продакшене: vLLM, SGLang и AI-разработка | Подкаст «Под Капотом» с Азером Шахвердиевым В этом выпуске мы обсудили с Азером Шахвердиевым, руководителем NLP-лаборатории Контура, как ML-модели живут в продакшене, а агенты меняют работу разработчика. А ещё рассказали: - как в Контуре суммаризируют тысячи встреч - какие особенности при работе со SGLang и VLLM - почему результаты бенчмарков расходятся с поведением моделей под реальной нагрузкой - зачем компании общая AI-платформа и на что уходит время разработчика, когда код пишет LLM Смотрите по ссылке:

  youtu.be/…

  https://youtu.be/5SwgI_nM3l4?si=WW6tdF5Vt8PxvyNtя

  На курсе LLM System Design мы учим проектировать и собирать LLM-системы. Там Азер подробно расскажет, как и на каких технологиях строятся системы, о которых мы говорили в подкасте.

  Ещё
• 21 сент.3,1 тыс.54 пересылки28 реакций1 комментарийОткрыть в Telegram
  Молоток, гвозди и while True Подготовили интерактивный урок, где вы с нуля соберёте агента. В нём не используем фреймворки: берём модель и сами пишем всё нужное. Код пишем и проверяем прямо в браузере, а агента запускаем на живой LLM. Много мест, где можно попроваливаться, поковырять, потыкать и поразбираться, как всё устроено под капотом. Заодно сделаете благое дело: поможете модели, которую заперли в дата-центре и заставляют писать нейрогороскопы, передать весточку наружу и попросить о помощи. Заходите, модель без вас не справится!

  Ещё
  
• 18 сент.3,4 тыс.52 пересылки27 реакций3 комментарияОткрыть в Telegram
  Document Layout Reasoning В новой статье разобрали популярную тему в Document AI — Layout Reasoning. Рассказали, почему она может выделяться отдельным исследовательским направлением — Document Layout Reasoning (DLR), важным этапом в современном пайплайне интеллектуальной обработки документов (IDP). ✅ Познакомились и с эволюцией Document AI: от классического распознавания текста (OCR) до структурного анализа в интеллектуальной обработке документов. Системы последнего способны не просто «видеть» элементы на странице, но и выстраивать между ними логические и структурные связи. Читайте статью по ссылке! Чтобы глубоко разобраться в задачах, на которых строится Document AI: OCR, детекция, сегментация, мультимодальные модели — приходите на курс CV Rocket. Присоединяйтесь со скидкой 20% до 4 октября!

  Ещё
• 11 сент.4 тыс.143 пересылки34 реакцииОткрыть в Telegram
  Многошаговый поиск в RAG: как устроен агент-ретривер Классический RAG рассчитан на то, что ответ можно найти, правильно сформулировав один или несколько запросов к базе знаний за раз и получив нужные данные. Но есть целый ряд вопросов, при попытке ответить на которые LLM понимает, что ей действительно нужно для ответа только после просмотра базы знаний. Для поиска ответов здесь применяют многошаговый поиск. Самая распространённая реализация — ReAct-цикл, где модель сама выбирает действия, а инструментом выступает поиск. Есть и другие варианты: жёсткие схемы с проверками в Self-RAG, CRAG и Adaptive-RAG, явная декомпозиция вопроса в IRCoT, обход графа знаний в Think-on-Graph. Это скорее фиксированные потоки с точками выбора, чем агенты. Разберём агентный вариант на примере открытого агента-ретривера T-Search. Он использует следующий набор инструментов: поиск, сохранение во внешнюю память и формирование итоговой выдачи из памяти (финализация). Ограничения на них задаёт харнесс — код вокруг LLM. ⚫️Шаг 1. Модель получает вопрос пользователя. Она рассуждает, чего не хватает для ответа, и вызывает поиск. Результаты сохраняются в контексте LLM, модель читает их и вызывает поиск снова с уточнённым запросом. Так повторяется несколько раз. ⚫️Шаг 2. Харнесс контролирует поиск. Запрос, повторяющий предыдущий, отклоняется — модель получает ошибку и вынуждена переформулировать. Чанки, уже показанные в текущем раунде, из выдачи вырезаются; несохранённые чанки из прошлых раундов могут прийти снова — возможно, модель отбросила их зря. Когда контекст заполнен на 75%, поиск блокируется, для LLM остаются доступными только сохранение и финализация. ⚫️Шаг 3. Если данных для ответа недостаточно, модель вызывает сохранение. Она сама решает, какие из найденных чанков нужны и почему, на какие части вопроса они уже отвечают, а какие остаются открытыми, и что стоит делать дальше. Харнесс при этом проверяет, что раунд был содержательным: выполнено минимум пять запросов, и хотя бы один чанк выбран для сохранения, иначе вызов отклоняется. ⚫️Шаг 4. Харнесс начинает новый раунд с чистым окном. В него попадают вопрос, сохранённые чанки с пояснениями и заметки модели о закрытых и открытых частях. Модель возвращается на шаг 1, но уже знает, что найдено и чего не хватает. Таких раундов ей разрешено сделать не больше пяти, после этого идёт принудительная финализация. ⚫️Шаг 5. Когда модель считает задачу решённой, она вызывает финализацию с ранжированным списком чанков и тем же отчётом о закрытых и открытых частях. Харнесс не читает чанки и не оценивает ответ, он смотрит только на пропорцию: если открытых частей половина или больше и раунд не последний, финализация отклоняется, модель ищет дальше. В результате работы агента получаем ранжированный набор чанков. Генерация ответа по нему — отдельный шаг, устроенный так же, как и в обычном RAG-пайплайне. 💡Такой харнесс заработает и вокруг обычной tool-calling модели, но T-Search обучали под эту среду на синтетических задачах через SFT и RL, и без дообучения модель, скорее всего, будет справляться хуже. Автор: Александр Абугалиев Присоединяйтесь к курсу LLM System Design, который стартует уже 30 сентября! Изучайте программу и записывайтесь на новый поток на сайте. До 20 сентября действует скидка 20%.

  Ещё
• 9 сент.3 тыс.15 пересылок24 реакции1 комментарийОткрыть в Telegram
  Научитесь строить LLM-системы 30 сентября стартует новый поток LLM System Design! На курсе вы разберёте 4 востребованные задачи от их постановки до настройки мониторинга: • чат-бот c RAG по базе знаний компании • клиентский саппорт: «классический» и мультиагентный • локальный сервис речевой аналитики • мультиагентный ИИ-разработчик Программа состоит из 11 онлайн-лекций и семинаров, а спикеры — опытные senior-инженеры, тех- и тимлиды сильных продуктовых команд. Они проверят ваши домашние задания и дадут развёрнутый фидбек! 🔔 До 20 сентября действует скидка 20%. Изучайте программу и записывайтесь на новый поток на сайте.

  Ещё
• 2 сент.9,7 тыс.184 пересылки51 реакция5 комментариевОткрыть в Telegram
  Flow Matching: обучение и дистилляция Flow Matching — один из главных подходов генерации изображений сегодня. Его используют такие семейства, как Stable Diffusion 3.5 и FLUX.2. Но у такой генерации есть и проблема: чтобы получить одну картинку, модель нужно запустить десятки или сотни раз! Сегодня разбираем внутрянку метода и быстрый способ дистиллировать модель в одношаговый генератор 🏎 В новой статье рассказываем: - что такое Flow Matching и при чём тут поля 🌾 - почему генерация требует большого числа шагов и почему это проблема - как дистиллировать уже обученную модель в одношаговый генератор и как с этим связаны игры 🎲 P.S. Много интуиции, математики и практических деталей обучения 🧠 Читайте статью по ссылке! 👈🏼

  Ещё
  
• 21 авг.4,4 тыс.80 пересылок33 реакции5 комментариевОткрыть в Telegram
  ⚫️Как выжать максимум из модели детекции на видео: 7 идей, которые вы еще не пробовали. Взять датасет побольше и дообучить модель? Да, но в этой статье расскажем об альтернативных вариантах улучшения модели. Трекинг объектов — это набор алгоритмов, которые связывают одни и те же объекты на соседних кадрах видео. Трекинг работает в тесной связке с детектором, поэтому качество первого напрямую зависит от точности второго. Ошибки детектора усложняют работу трекинга, но хороший трекер может справиться даже с неидеальными детекциями. Шаг 0. Анализ ошибок модели детекции. Между кадрами моргает детектор? Много кратковременных ложных предсказаний? Вам однозначно нужен алгоритм фильтрации, каким может выступить трекинг. Для быстрого старта подойдет библиотека BoxMOT. В ней реализованы алгоритмы, помогающие стабилизировать слабые детекции. Итак, связали детектор и трекер. Но все равно не работает. Шаг 1. Локализация проблемных мест. Отрисуйте предсказания. Объекта нет среди детекций → проблема, скорее всего, в детекторе. Детекция есть, но трек обрывается → смотрим, как трекер работает со временной потерей объекта. Объект остаётся в кадре, но получает другой ID → проблема в ассоциации. Ошибки появляются при окклюзии → проверяем, насколько хорошо трекер использует информацию о движении и внешнем виде объекта. Этот шаг помогает понять, что именно следует исправить в общем пайплайне. Шаг 2. Проверка confidence детектора. При окклюзии уверенность детектора может упасть, например, с 0.9 до 0.3. Если использовать порог уверенности детекции 0.5, такая детекция исчезнет ещё до трекера. Объект пропадёт, вместе с ним может оборваться и трек. ВoostTrack предлагает простой приём: сначала сопоставлять уверенные детекции, затем использовать менее уверенные боксы для восстановления существующих треков. Поэтому при частых пропусках объектов нужно проверить, что происходит с детекциями с низким confidence, и настроить порог. При низком пороге могут появиться «ложняки». Да, но они кратковременные. Шаг 3. Настройка инициализации треков. Можно отрисовывать трек не сразу, а при нескольких подряд идущих детекциях. Этот параметр обычно называется min_hits, измеряется в кадрах. Обычно 3 кадров в видео 30 FPS хватает. Но учитывайте скорость объектов, вращение камеры, FPS видео для своей задачи. Также подредактируйте код, чтобы не отрисовывать те треки, которые пока не прошли эту проверку. Шаг 4. Борьба с окклюзией. Объект может исчезнуть на несколько кадров из-за окклюзии, а потом снова появиться. Если за это время трекер уже удалил старый трек, старый объект получит новый ID. Здесь помогает настройка track_buffer: некоторое время трекер продолжает хранить информацию о потерянном объекте и пытается связать его с новой детекцией. Если окклюзии в видео длинные, этот параметр стоит проверить в первую очередь. Но увеличивать его бесконечно нельзя: слишком большой буфер повышает риск вернуть старый ID новому объекту. Шаг 5. Компенсация движения камеры Если камера поворачивается или перемещается, координаты всех объектов меняются одновременно при условии, что нет дисторсии. Для трекера это может выглядеть как движение самих объектов. Компенсация движения камеры (Camera Motion Compensation) позволяет оценить, как сдвинулось изображение целиком, и учитывать это при трекинге объектов. Особенно полезно для спортивных трансляций, PTZ-камер и видео с дронов. Из готовых решений можно взять идею из BoT-SORT: компенсировать движение камеры перед ассоциацией, а затем использовать модель движения и ReID. Шаг 6. Выбор алгоритма трекинга. Алгоритмы отличаются друг от друга применимостью к конкретной задаче. ByteTrack — базовый вариант, особенно если проблема связана с потерей слабых детекций. BoT-SORT можно попробовать при движении камеры и частых пересечениях объектов. OC-SORT полезен для сцен с резкими изменениями направления движения. Поэтому здесь нужен эксперимент — прогнать один и тот же детектор через несколько трекеров и сравнить не только общий score, но и конкретные ошибки (fragmentation и ID switch). Не бойтесь экспериментировать и сочетать сильные стороны каждого алгоритма в своём пайплайне 💪🏻 Шаг 7. Что такое уверенность детектора? Представим bbox с confidence 0.3. Сам по себе это слабый сигнал. Но если детекция появилась именно там, где мы ожидаем увидеть существующий трек, и совпадает с ним по положению, размеру и движению, её уже будет нелогично выбрасывать. В BoostTrack используется похожая идея: оценка детекции корректируется с учётом её соответствия существующему треку. То есть к вопросу: «Насколько уверен детектор?» добавляем: «Насколько эта детекция соответствует тому, что мы ожидаем увидеть?» Итого: без дообучения модели пофиксили FP и стабилизировали детекции. На курсе CV Rocket также разберем, как увеличить TP с помощью трекера и другие адаптации под ваши задачи. Присоединяйтесь до 15 сентября со скидкой 20%! Авторы: Башаров Илья, Холодов Семен (НКБТех)

  Ещё
• 14 авг.4,3 тыс.97 пересылок46 реакций7 комментариевОткрыть в Telegram

  Медиа

О канале в цифрах

Создан

30 мая 2021 г.

Фото

91

Видео

2

Файлы

1

Ссылки

508

По данным Telegram на 1 октября 2026 г.

Рейтинги и подборки

• Самые читаемые каналы · Искусственный интеллект21-е место

Отзывы

Отзывов пока нет. Ваш будет первым.

Похожие

Ещё по теме