Эволюция архитектур нейросетей в компьютерном зрении: сегментация изображений

Новый материал на habr-странице SL Soft — продолжение цикла статей про ключевые события в развитии архитектур нейросетей. В прошлый раз Агеев Александр рассказал о классификации изображений, в этот раз — про сегментацию. Статья охватывает FCN, U‑Net, SegNet, DeepLab, PSPNet, Mask R‑CMM и HRNet.

↗️↗️ Подробнее

#habr

Эволюция архитектур нейросетей в компьютерном зрении: детекция объектов 👀

Детекция объектов — это задача в области компьютерного зрения, целью которой является обнаружение и локализация объектов определенных классов в изображении или видео. Задача включает в себя идентификацию (классификацию) и определение местоположения объектов в виде ограничительных рамок (bounding boxes).

Это завершающая статья в серии по эволюции архитектур нейронных сетей в компьютерном зрении. Она будет полезна тем, кто только погружается в сферу и пробует систематизировать свои знания, поэтому автор осознанно не погружает читателей в глубокие расчеты и вычисления. Посмотрим на R‑CNN, Fast R‑CNN, Faster R‑CNN, Mask R‑CNN, SSD, RetinaNet, EfficientDet, YOLO.

✅ Читайте в habr

#habr

В 2016 году Минфин заявил, что потребность в бухгалтерах в ближайшие годы будет стремиться к нулю. Однако через два года прогноз скорректировали: оказалось, что без бухгалтеров невозможно обойтись. Вместе с тем автоматизация отдельных сфер их деятельности может быть оправданной и весьма эффективной.

Мирза, руководитель проектов ROBIN компании SL Soft, рассказывает про интеллектуальную автоматизацию и делится своим опытом внедрения платформы ROBIN для трансформации бухгалтерских процессов на примере одного проекта, реализованного для крупного продуктового ритейлера.

Читайте на нашем habr ➡️ Как роботы забрали скучную работу у бухгалтеров

#habr #ROBIN

✳️Применение LLM + RAG для диалоговых систем в службе поддержки✳️

Автоматизация клиентской поддержки с помощью больших языковых моделей — перспективное направление, но без доработки они не всегда способны дать точные и релевантные ответы. Михаил Крюков, технический директор платформы Robovoice (SL Soft), в этой статье рассказал, как усиливать LLM с помощью RAG.

Используя реальный кейс, он рассказал о выборе LLM (сравнивали GigaChat MAX, GPT-4o, LLaMA 3.1 70B, YandexGPT 4 и Gemma 2 9b) и RAG (RagFlow, Dify и LangChain Custom + Vector database). Разобрал ключевые сложности при интеграции — подготовку датасетов, настройку RAG, борьбу с «галлюцинациями» моделей, затронул вопросы экономики проекта и способов удешевления стоимости диалога.

Статья будет полезна разработчикам и бизнесу, планирующим автоматизировать первую линию поддержки с помощью ИИ.

✨ Читайте на нашем habr-канале

#habr