Заметки и практические материалы о машинном обучении, AI-системах и инженерной работе.
В прошлых статьях я писал о сборе данных с PLC для построения временных рядов. Но пару месяцев назад появился новый потребитель - MES система управления производством и началась неразбериха.
Недавно у меня появилась прикладная инженерная задача: сделать API для нескольких промышленных клеевых установок.
На производстве у нас есть типичная заводская боль: документации много, она разная, часть на русском, часть на английском, часть на китайском, а искать по ней надо быстро и желательно без ошибок.
В прошлой статье я писал о том, как чистил PLC-сигналы, убирал leakage, отделял реальные предвестники от обычных режимов станка и вообще пытался понять, что именно нашла модель.
Итак у нас есть несколько тысяч сигналов из PLC, первая мысль такая: отлично. Данных много - значит, модели будет из чего выбирать. Но оказалось все почти наоборот.
ML модель начинается с вопроса: а мы вообще понимаем, что нам отдаёт оборудование?
Как бы это не было неочевидно - ML модель не начинается с Python. Она начинается с вопроса: что вообще считать браком?
Если у Вас много данных (вы их собираете или работаете с big data) то их надо не только хранить, но и нормально показывать.
Продолжаем цикл статей "ML на заводе". Прежде чем строить модели, прогнозы и красивые графики, надо научиться понимать, что вообще приходит из оборудования.
Я недавно работаю на заводе ML-инженером, и довольно быстро понял простую вещь: модель — это не только ноутбук, фичи и метрики.
Когда я начал вкатываться в embodied AI, я думал, что быстро упрусь в нейросети, датасеты и архитектуры моделей. Но реальность оказалась другой: сначала я упёрся в завод.
Есть такое ощущение, что разработка за последние пару лет немного поехала кукухой.
Пару месяцев назад я анонсировал новый проект.
Недавно я собирал небольшой OCR-сервис для распознавания паспорта РФ
Где-то около года назад я затеял пилить небольшой коммерческий продукт с говорящим названием Зада4кин...
Как это устроено и почему здесь промт критически важен (в отличие от LLM)
Намедни решил я погуглить свою кредитную историю. Для общего развития. Вот что из этого вышло.
Сейчас практически каждый слышал о новом модном слове “вайбкодинг”. Но можно ли назвать вайбкодерами всех кто генерирует код с помощью нейросетей?
Тут я подробно расскажу, с чем я столкнулся на этапе создания своего N-GPT RAG LLM Service
Вы сталкиваетесь с этим каждый день, но, вероятно, не до конца понимаете, что это
Я устал вручную просматривать нерелевантные вакансии и собрал...
Почему ML инженеры часто его недооценивают. Как размер чанка влияет на качество всей LLM+RAG системы
Простое объяснение того, почему цены на такси постоянно меняются: спрос, предложение, коэффициент, поправки и роль машинного обучения...
Как алгоритмы машинного обучения решают, какие видео и посты вы увидите в своей ленте.
Простое объяснение, что такое машинное обучение и как на самом деле работает искусственный интеллект.