▶️Генератор изображений Kandinsky стал быстрее, умнее и удобнее

⏩Разработчики Сбера презентовали обновление модели генерации изображений Kandinsky до версии 3.1. В сравнении с предшественницей она стала значительно быстрее, проще в использовании за счёт сокращения вводимого запроса, а также появилась возможность работы с уже имеющимися изображениями.

⏩В сравнении с Kandinsky 3.0 новую модель удалось ускорить почти в 20 раз — генерация происходит всего за четыре прохода через U-Net вместо 50 шагов ранее. На скорость повлиял тот факт, что нейросеть из диффузионной модели превратилась в GAN, обученную с хорошей начальной инициализацией весов после претрейна. Впрочем, ценой этого ускорения стало качество понимания текста.

⏩Чтобы уменьшить необходимость вводить слишком подробные текстовые запросы для получения детализированного изображения, разработчики встроили функцию бьютификации — способ улучшения и добавления деталей к запросу пользователя с помощью большой языковой модели (LLM). Фактически к описанию пользователя автоматически добавляется инструкция с просьбой улучшить запрос.

⏩Ещё одним улучшением стала возможность генерации изображения не только по текстовому запросу, но и/или с помощью визуальной подсказки в виде загружаемого изображения. Таким образом, можно редактировать и изменять уже имеющуюся картинку.

⏩Было также улучшено восстановление изображения по исходному описанию, что позволяет заменять один объект на другой. Кроме того, появилась возможность получать изображения в разрешении 4K, для чего была обучена диффузионная модель повышения разрешения KandiSuperRes.

📎 Подробнее

Аналитика данных

📌Что такое дрифт ML-моделей и как его мониторить?

Даже при наличии качественных входных данных качество предсказаний ML-модели со временем ухудшается.
В этой статье рассмотрим, как можно вовремя обнаруживать дрифт моделей и пробежимся по open source библиотекам для определения дрифта.

🟡План статьи:
├╼ Почему важен мониторинг дрифта
├╼ Задачи мониторинга
├╼ Методы определения дрифта ML-моделей
├╼ Open source-библиотеки для определения дрифта
╰╼ Архитектура решений

📎 Статья

Аналитика данных

🌟 Яндекс обновил диффузионную нейросеть YandexART до версии 1.3

🟡Совсем недавно обновили диффузионную нейросеть YandexART до версии 1.3.
Главное изменение в том, что нейросеть перешла на технологию латентной диффузии. Кроме того, датасет, на котором обучалась модель, был увеличен в 2,5 раза. Благодаря этому новая версия YandexART лучше понимает текстовые запросы и создаёт ещё более реалистичные изображения.

🟡YandexART 1.3 уже применяется в Шедевруме, пробуйте)
В нём у пользователей появилась возможность создавать изображения в разных форматах, таких как 16:9, 4:3 или 3:4.
Позднее обновлённая нейросеть начнёт применяться и в других сервисах Яндекса.

Аналитика данных

📌Решающие деревья и случайные леса

🟡Цель этого ноутбука — знакомство с решающими деревьями, с их параметрами и свойствами.
В ноутбуке рассмотрены примеры применения решающих деревьев для решения задач классификации и регрессии.
Уверен, будет полезно)

▶️ Jupyter Notebook

Аналитика данных