We built and trained our own embedding model from scratch today.

#ai #embeddings #machinelearning

RAG в enterprise: 70-80% проблем не в модели, а в данных

Эта статья родилась из работы над

https://habr.com/ru/companies/alpinadigital/articles/1036196/

#RAG #enterprise_AI #retrieval_augmented_generation #embeddings #GraphRAG #Agentic_RAG #BM25 #chunking #LLM #AlpinaGPT

24 hours until the CfP for "Conf42 Large Language Models (LLMs) 2026" closes: https://papercall.io/cfps/6473/submissions/new

#cfp #conference #Tokenization #Context #Inference #Alignment #Prompting #Embeddings #Reasoning #Fine-tuning #Latency #Hallucination

We started with nothing, built an embedding model, and will fix it.

#pytorch #embeddings #machinelearning

Notion + RAG + Telegram: архитектура AI-копирайтера для сети ресторанов

В таком сценарии копирайтеру недостаточно просто писать тексты. Ему нужно помнить факты о каждом заведении: часы работы, фирменные блюда, формат кухни, имена шеф-поваров, особенности интерьера, правила коммуникации, ограничения по формулировкам и стиль бренда. Если ресторанов девять, эта задача быстро перестаёт быть только творческой и превращается в задачу управления знаниями. У заказчика была именно такая проблема: сеть ресторанов по России, у каждого заведения отдельная концепция и свой стиль общения с гостями. Большая часть ресурсов уходила на ежедневную текстовую работу: описания ресторанов, переводы на разные языки, пресс-релизы, рассылки, описания блюд, мероприятий, посты для социальных сетей и тексты в Tone of Voice каждого бренда. Задача заключалась не в том, чтобы заменить редактора, а в том, чтобы вынести рутинную часть генерации текстов в AI-систему. Один-два редактора должны были управлять контентом всей сети: ставить задачи, получать черновики, проверять факты, корректировать стиль и доводить материалы до публикации.

https://habr.com/ru/articles/1035628/

#llm #rag #автоматизация #telegramбот #генерация_контента #notion_ai #embeddings #векторная_база_данных #prompt_engineering

Клиент — это тоже вектор? Как мы хотели улучшить ML-модель, а построили similarity engine

Поговорим о том, как превращать последовательности пользовательских событий в векторы, зачем обучать BERT на "языке" клиентского поведения и почему embedding-пространство может неожиданно начать отражать будущую ценность пользователей

https://habr.com/ru/articles/1034880/

#машинное_обучение #анализ_данных #bert #deep_learning #machine_learning #embeddings #transformers

Show HN: Chat with UFO Files

GitHub에 공개된 'Chat with UFO Files'는 사전 임베딩된 SQLite 데이터베이스를 활용해 UFO 관련 문서들과 대화할 수 있는 UI를 제공하는 프로젝트입니다. 사용자는 직접 채팅 인터페이스를 통해 데이터에 접근할 수 있으며, 데모는 제한된 시간과 요청 동시성으로 운영됩니다. OpenRouter와 Cloudflare 프록시를 활용해 서비스가 배포되어 있습니다.

https://news.ycombinator.com/item?id=48067733

#sqlite #embeddings #chatui #openrouter #cloudflare

CancionesCortasIA (@CancionesChorri)

Zipf 법칙과 인간 언어의 중복성이 임베딩 붕괴를 유발한다면, 기하 구조를 제어할 수 있는 상징적 프로토콜을 설계해 사실, 행동, 논리 구조를 분리한 요인화 표현을 만드는 것이 좋겠다는 아이디어를 제시한다. AI 표현학습과 임베딩 설계에 관한 기술적 제안이다.

https://x.com/CancionesChorri/status/2052869230614261916

#embeddings #representationlearning #llm #symbolicai #nlp

Akshay (@akshay_pachaar)

RAG 시스템의 검색 성능이 5천 개 문서에서는 90%였지만 50만 개 문서로 확장하자 50%로 급락하는 사례를 제시하며, 동일한 임베딩 모델과 리트리버를 써도 문서 규모 증가가 성능 저하를 유발할 수 있음을 짚는다. 대규모 RAG 설계의 핵심 문제를 묻는 LLM 인터뷰 질문이다.

https://x.com/akshay_pachaar/status/2052371239520629243

#rag #llm #embeddings #retrieval #nlp

GitHub Projects Community (@GithubProjects)

CocoIndex는 코드베이스, 문서, PDF, Slack, 회의 노트, 영상까지 AI 에이전트용 최신 컨텍스트로 변환한다. 전체 RAG 파이프라인을 매번 재구축하지 않고 변경분(delta)만 재계산해 fresh embeddings와 summaries를 유지하는 것이 핵심이다.

https://x.com/GithubProjects/status/2052445636637888932

#rag #aiagents #contextengineering #embeddings #opensource