Этот блог — про инженерную часть прикладного AI: как модель обучается под конкретную задачу, что при этом ломается и сколько это стоит по времени. Не про то, что «нейросети меняют бизнес». Про то, сколько кадров нужно собрать, чтобы модель нашла недолив на линии, и почему на трёх из них она не научится.
Почему не обзоры технологий
Обзоров достаточно и без нас. Чего почти нет на русском — это замеров с конкретного производства: какая латентность получается на edge-GPU в цеху, где классический RAG проседает против графового, что происходит с точностью, когда на линии меняется освещение.
Мы можем писать об этом, потому что делали. За каждым внедрением, доведённым до продакшена, остаются цифры, которых нет в документации.
Что будет в каждой статье
Три вещи, от которых мы не отступаем.
Ответ в начале. Заголовок задаёт вопрос, первый абзац на него отвечает. Если дальше читать не нужно — не читайте.
Цифра из практики в каждом разделе. Не «высокая точность», а сколько именно и на какой выборке.
Раздел о том, где не работает. У любого подхода есть граница, за которой он не окупается. Мы её называем — в том числе когда выгоднее поставить фотодатчик, а не обучать модель.
Кто пишет
Инженеры, которые вели эти проекты. Под каждой статьёй — имя человека, который делал, а не редакции. Если у вас есть вопрос по тексту, спрашивать имеет смысл именно его.
Темы ближайших материалов: сколько данных нужно для детекции брака, Graph RAG против классического, edge-инференс против облака, из чего складывается стоимость внедрения.