Mastodawn

Mx. Chara Aznable (they/them) of Pnictogen 1d ago

Anyway, after I finally got booted from Caltech (quite deservedly I assure you, even if the process was hastened by mostly terrible teaching and a hideously toxic student culture) I took up #programming in earnest with the help of SDSU because I was wretched at autodidactism (self-teaching) and thus welcomed being forced along by a definite curriculum and class schedule. In earlier years I'd worked with BASIC and Pascal, but now I was put onto C and C++ mostly, ornamented by Common Lisp and Java, and I got my first exposure to "object orientation", at least of the Java / C++ sort. (I made very little use of the CLOS in Lisp; I don't recall that it ever felt necessary for the exercises in #artificial_intelligence which I did at SDSU.)

I'm struggling to remember what I was taught about #OOP. I recall at least that it was very heavily sold, and when I finally got work as a programmer, I was frequently dealing with "objects". Heck I worked for a time at a San Diego firm that sold an implementation of CORBA, an "object request broker" that permits calling methods on remote or distributed objects. Does CORBA get used for anything these days? I haven't heard the name in years and years.

[4/???]

Habr 1d ago

Испанский в кармане: Архитектура Telegram-бота с локальным Whisper.cpp, AI-диалогами и оценкой произношения

Привет, Хабр! Меня зовут Vlad, я начинающий Python‑разработчик и энтузиаст изучения языков. Недавно я столкнулся с классической проблемой полиглота‑самоучки: учебники дают теорию, аудиокурсы — пассивное восприятие, но нет главного — обратной связи по произношению. Репетиторы дороги, а разговорные клубы требуют уровня, которого у меня еще не было. Я решил закрыть эту боль кодом. Моя цель была амбициозной: создать Telegram‑бота, который: 1. Слушает голосовые сообщения и распознает речь без дорогих облачных API. 2. Оценивает точность произношения в процентах, сравнивая с эталоном. 3. Поддерживает живой диалог через LLM, исправляя ошибки на лету. 4. Работает быстро и экономно на слабом VPS. В этой статье я подробно разберу архитектуру проекта, покажу, как интегрировать бинарный whisper.cpp в асинхронный aiogram 3.x, реализую алгоритм оценки речи и расскажу про управление состояниями (FSM). Под капотом — Python, нейросети и немного магии.

https://habr.com/ru/articles/1014888/

#Python #Telegram_Bot #Aiogram #Whisper #Speech_Recognition #Machine_Learning #NLP #Artificial_Intelligence #Асинхронность #Испанский_язык

Испанский в кармане: Архитектура Telegram-бота с локальным Whisper.cpp, AI-диалогами и оценкой произношения

Привет, Хабр! Меня зовут Vlad, я начинающий Python-разработчик и энтузиаст изучения языков. Недавно я столкнулся с классической проблемой полиглота-самоучки: учебники дают теорию, аудиокурсы —...

Хабр

Francis Mangion (M)1d ago

#Meta #EU #batteries #Artificial_Intelligence #AI

Meta’s New Display Glasses Withheld From EU Over Battery Rules, Supply Shortages - Bloomberg.

https://www.bloomberg.com/news/articles/2026-03-25/meta-s-new-display-glasses-withheld-from-eu-over-battery-rules-supply-shortages

Meta Glasses Withheld From EU Over Battery Rules, Supply Snags

Meta Platforms Inc.’s rollout of new display-equipped Ray-Ban smart glasses in the European Union has been hampered by battery and artificial intelligence regulations in addition to supply constraints.

Bloomberg.com

Habr 2d ago

Stable Diffusion XL: так ли сложно использовать локальную модель?

Когда звучит фраза «нарисовать картинку нейросетью», под этим обычно подразумевается отправка запроса в какой-нибудь условно-бесплатный сервис вроде Nano Banana или ChatGPT. Еще можно заплатить за подписку на Midjourney и смириться с тем, что твои промпты видит вся дискорд-галерея. Есть, конечно, и еще один путь — поднять открытую модель вроде Stable Diffusion на собственном компьютере, однако для большинства пользователей он всё ещё ощущается как «очень сложно» или «очень дорого». Книга, о которой мы хотим сегодня рассказать, решает как минимум первую проблему. И как же именно?

https://habr.com/ru/companies/bhv_publishing/articles/1014232/

#ИИ #AI #ml #artificial_intelligence #stablediffusion #stable_diffusion #stable_diffusion_нейросеть #нейронные_сети #нейросети #генерация_изображений

Stable Diffusion XL: так ли сложно использовать локальную модель?

Хабр

Geekland 2d ago

OpenCode Enterprise: Implementación para Platform Engineering #artificial_intelligence #unix___*bsd___gnu_linux
https://red-orbita.com/opencode-enterprise-implementacion-para-platform-engineering/

OpenCode Enterprise: Implementación para Platform Engineering – Red-Orbita

Show thread

Mx. Chara Aznable (they/them) of Pnictogen 5d ago

Not all the SDSU CompSci classes were completely valueless, I will admit, and at least being in that degree program allowed me to meet sci-fi writer (now departed) Vernor Vinge, who signed my copy of A Fire upon the Deep (which I eventually lost somewhere between moves). I took elective classes in #artificial_intelligence and learned some Common Lisp. But most of what I remember of the #compsci curriculum at SDSU in the 1990s was rather faddish, and I expect that's typical of most such curricula. I wasn't getting a well-structured and rigorous academic discipline; I was getting a collection of vocational exercises, learning how to use #programming tools that happened to be popular at the time. So I ended up doing a lot of C++ homework, and in my last term (when I hurriedly took a bunch of CS classes I'd been putting off because I was putting far more effort into my Classics curriculum) I had to do #Java homework, for a required "object-oriented programming" class.

Ah, #OOP. The very acronym suggests a blunder.

Habr Mar 20

Графы знаний в юридическом домене: как не потерять сложность при построении RAG-системы

Ни одна современная AI-система в юридическом домене не обходится без RAG: юридические данные слишком специфичны, слишком изменчивы и никогда слишком редко составляли значимую часть обучающей выборки LLM, чтобы доверять ей без внешней базы знаний. Обычно при построении RAG-системы используют модуль поиска, основанный на векторных БД. Однако в таких сложно организованных областях знаний, как юридическая, архитектура, основанная на поиске в хранилище "плоских" эмбеддингов, может не справиться. Векторный поиск позволяет находить семантически близкие (схожие) фрагменты текстов, тогда как юридический домен также требует понимания многочисленных связей между сущностями , рассеянными по множеству документов . Кажется, что область знаний, организованная таким образом, идеально может быть представлена в виде графа знаний, особенно после появления современных инструментов, позволяющих автоматически строить такие графы на тысячах документов и использовать их в качестве хранилища знаний для RAG-систем. Однако все имеет свою цену: неполнота или неточность построенного графа может свести на нет все вложенные ресурсы и оставить вас с системой, которая хуже "наивного" векторного поиска. Какие преимущества поиска по графу знаний по сравнению с классическим векторным поиском, а также каковы критерии, когда использование графового поиска действительно необходимо для построения RAG-системы в юридическом домене?

https://habr.com/ru/articles/1012556/

#RAG #retrievalaugmented_generation #ai #artificial_intelligence #llm #large_language_models #vector_database #graph_database #knowledge_graphs #graphrag

Графы знаний в юридическом домене: как не потерять сложность при построении RAG-системы

Графы знаний в RAG-системах - будущее интеллектуального поиска Ни одна современная AI‑система в юридическом домене сегодня не обходится без Retrieval Augmented Generation (RAG): она...

Хабр