API для управления клеевыми головами на станке. Было сложно...
Недавно у меня появилась прикладная инженерная задача: сделать API для нескольких промышленных клеевых установок.
Технические статьи
Заметки и практические материалы о машинном обучении, AI-системах и инженерной работе.
Как собрать локального ИИ-агента для заводской документации
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.
Shadow inference на заводе: как проверить ML на реальном станке и ничего не сломать?
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.
Чистим PLC-сигналы для ML и про подвох с режимами станка
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 для предсказания брака: всё упёрлось не в модель, а в точность заводских данных
ML модель начинается с вопроса: а мы вообще понимаем, что нам отдаёт оборудование?
Аудит брака на производстве: неочевидная, но важная задача для ML
Как бы это не было неочевидно - ML модель не начинается с Python. Она начинается с вопроса: что вообще считать браком?
Настройка Grafana для мониторинга PLC: как я подружил её с ClickHouse
Если у Вас много данных (вы их собираете или работаете с big data) то их надо не только хранить, но и нормально показывать.
Как я разбирался с сигналами PLC: от «какой-то бит горит» до нормальной диагностики
Продолжаем цикл статей "ML на заводе". Прежде чем строить модели, прогнозы и красивые графики, надо научиться понимать, что вообще приходит из оборудования.
Как я приводил заводские данные в порядок: документация, миграция и ClickHouse
Я недавно работаю на заводе ML-инженером, и довольно быстро понял простую вещь: модель — это не только ноутбук, фичи и метрики.
Как я готовлю заводской станок к ML: не читаю всё подряд, а собираю смысл
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.
Вайбкодинг, или почему теперь важно не просто писать код
Есть такое ощущение, что разработка за последние пару лет немного поехала кукухой.
OpenEffect вышел в мир
Пару месяцев назад я анонсировал новый проект.
Делаем сервис распознавания паспорта РФ в текст
Недавно я собирал небольшой OCR-сервис для распознавания паспорта РФ
PaddleOCR - распознаем текст на фото
Где-то около года назад я затеял пилить небольшой коммерческий продукт с говорящим названием Зада4кин...
Модели для генерации видео — Kling и Wan
Как это устроено и почему здесь промт критически важен (в отличие от LLM)
Как на самом деле работает кредитный скоринг (на простом примере)
Намедни решил я погуглить свою кредитную историю. Для общего развития. Вот что из этого вышло.
Дебаг и чтение чужого кода ключевой навык в век нейросетей
Сейчас практически каждый слышал о новом модном слове “вайбкодинг”. Но можно ли назвать вайбкодерами всех кто генерирует код с помощью нейросетей?
Пайплайн: как сделать RAG-сервис из видео
Тут я подробно расскажу, с чем я столкнулся на этапе создания своего N-GPT RAG LLM Service
RAG - что это?
Вы сталкиваетесь с этим каждый день, но, вероятно, не до конца понимаете, что это
Автоматизировал поиск вакансий на Яндекс Карьере
Я устал вручную просматривать нерелевантные вакансии и собрал...
Чанкование в RAG
Почему ML инженеры часто его недооценивают. Как размер чанка влияет на качество всей LLM+RAG системы
Динамические цены на такси. Почему?
Простое объяснение того, почему цены на такси постоянно меняются: спрос, предложение, коэффициент, поправки и роль машинного обучения...
ИИ уже захватил мир…
Как алгоритмы машинного обучения решают, какие видео и посты вы увидите в своей ленте.
Да кто такой этот ваш ИИ?
Простое объяснение, что такое машинное обучение и как на самом деле работает искусственный интеллект.