Я радий оголосити про остаточний курс з Клода Кода, створений разом з @AnthropicAI і викладаний Елі Шоппіком @eschoppik. Якщо ви хочете використовувати високоагентичне кодування - коли штучний інтелект працює автономно протягом багатьох хвилин або довше, а не просто виконуючи фрагменти коду - це саме те. Claude Code кардинально змінив правила гри для багатьох розробників (включаючи мене!), але в правильному використанні є справжня глибина. Цей комплексний курс охоплює все: від основ до складних моделей. Після цього короткого курсу ви зможете: - Організуйте кілька субагентів Claude для одночасної роботи над різними частинами вашої кодової бази - Позначте Claude у випусках GitHub і надайте йому можливість автономно створювати, переглядати та зливати запити на злиття - Перетворіть безладні блокноти Jupyter на чисті, готові до виробництва приладові панелі - Використовуйте інструменти MCP, такі як Playwright, щоб Клод міг побачити, що не так з вашим інтерфейсом, і виправити це автономно. Незалежно від того, новачок ви в Claude Code або вже використовуєте його, ви відкриєте для себе потужні можливості, які можуть докорінно змінити спосіб створення програмного забезпечення. Я в захваті від того, що агентичне кодування дозволяє зараз робити всім. Будь ласка, пройдіть цей курс!

I'm thrilled @OpenAI has released two open weight models. Thank you to all my friends at OpenAI for this gift! I'm also encouraged that from my quick tests gpt-oss-120b looks strong (though we should still wait for rigorous 3rd party evals).

Оголошуємо про нашу нову подію - Buildathon: The Rapid Engineering Competition. Подробиці дивіться у відео, а також подавайте заявку на участь!

Анонсуємо новий курс Coursera: Retrieval Augmented Generation (RAG) Ви навчитеся створювати високопродуктивні, готові до виробництва системи RAG у цьому практичному, поглибленому курсі, створеному та викладаному @ZainHasan6, досвідченим інженером зі штучним інтелектом та машинним навчанням, дослідником і викладачем. RAG сьогодні є критично важливим компонентом багатьох додатків на основі LLM у підтримці клієнтів, внутрішніх системах запитань і відповідей компанії, навіть багатьох провідних чат-ботів, які використовують веб-пошук, щоб відповісти на ваші запитання. Цей курс детально навчить вас, як зробити так, щоб RAG працював добре. LLM можуть надавати загальні або застарілі відповіді, особливо коли їм задаються спеціалізовані питання, які не висвітлені в їх навчальних даних. RAG є найбільш широко використовуваною технікою для вирішення цієї проблеми. Він використовує дані з нових джерел даних, таких як внутрішні документи або останні новини, щоб надати LLM відповідний контекст для приватної, недавньої або спеціалізованої інформації. Це дозволяє йому генерувати більш обґрунтовані та точні відповіді. У цьому курсі ви навчитеся проектувати та впроваджувати кожну частину системи RAG, від ретриверів до векторних баз даних, від генерації до евалів. Ви дізнаєтеся про основні принципи, що лежать в основі RAG, і про те, як оптимізувати його як на рівні компонентів, так і на рівні всієї системи. У міру того, як розвивається штучний інтелект, розвивається і RAG. Нові моделі можуть обробляти довші контекстні вікна, ефективніше міркувати та можуть бути частинами складних агентних робочих процесів. Однією з захоплюючих областей зростання є Agentic RAG, в якій агент штучного інтелекту під час виконання (а не жорстко закодований під час розробки) автономно вирішує, які дані потрібно отримати, і коли/як зануритися глибше. Навіть з урахуванням цієї еволюції, доступ до високоякісних даних під час виконання має важливе значення, тому RAG є ключовою частиною багатьох додатків. На практичному досвіді ви навчитеся: - Побудуйте систему RAG з пошуком та оперативним доповненням - Порівняйте методи пошуку, такі як BM25, семантичний пошук і Reciprock Rank Fusion - Фрагментуйте, індексуйте та отримуйте документи за допомогою векторної бази даних Weaviate та набору даних новин - Розробити чат-бота, використовуючи LLM з відкритим вихідним кодом, розміщені Together AI, для вигаданого магазину, який відповідає на запитання про продукти та поширені запитання - Використовуйте evals для підвищення надійності та враховуйте мультимодальні дані RAG є важливою базовою технікою. Станьте хорошим у цьому курсі! Будь ласка, зареєструйтесь тут:

Моя доповідь у YC Startup School про те, як будувати AI-стартапи. Я ділюся порадами від @AI_Fund про те, як використовувати штучний інтелект для швидкого будівництва. Дайте мені знати, що ви думаєте!

Агентичне вилучення документів тепер підтримує видобування полів! У багатьох випадках використання вилучення документів витягують певні поля з форм та інших структурованих документів. Тепер ви можете ввести зображення або PDF-файл рахунка-фактури, запросити назву постачальника, список товарів і ціни, а також отримати назад витягнуті поля. Або введіть медичну форму та вкажіть схему для вилучення імені пацієнта, ідентифікатора пацієнта, номера страховки тощо. Одна цікава функція: якщо вам не хочеться самостійно писати схему (json специфікація того, які поля витягувати), завантажте один зразок документа і напишіть підказку природною мовою, в якій говориться, що ви хочете, і ми автоматично генеруємо схему для вас. Подробиці дивіться у відео!

Новий курс: Пост-тренінг LLM Навчіться виконувати LLM після навчання та налаштовувати LLM у цьому короткому курсі, який викладає @BanghuaZ, доцент Університету Вашингтона @UW та співзасновник @NexusflowX. Навчання LLM слідувати інструкціям або відповідати на запитання має два ключові етапи: до тренування та після тренінгу. На передтренувальній підготовці він вчиться передбачати наступне слово або токен з великої кількості немаркованого тексту. Після тренування він вивчає корисну поведінку, таку як дотримання інструкцій, використання інструментів та міркування. Посттренінг перетворює предиктора токенів загального призначення, навченого на трильйонах немаркованих текстових токенів, на помічника, який виконує інструкції та виконує конкретні завдання. Оскільки це набагато дешевше, ніж попереднє навчання, для набагато більшої кількості команд практично включати методи після тренування у свої робочі процеси, ніж попереднє навчання. У цьому курсі ви дізнаєтеся про три поширені методи після тренування — Supervised Fine-Tuning (SFT), Direct Preference Optimization (DPO) і Онлайн-навчання з підкріпленням (RL) — і про те, як ефективно використовувати кожен з них. За допомогою SFT ви тренуєте модель на парах вхідних та ідеальних вихідних відгуків. За допомогою DPO ви надаєте як бажану (вибрану), так і менш бажану (відхилену) відповідь і тренуєте модель віддавати перевагу бажаному виходу. За допомогою RL модель генерує вихідні дані, отримує оцінку винагороди на основі людського або автоматизованого зворотного зв'язку та оновлює модель для покращення продуктивності. Ви дізнаєтесь про основні концепції, поширені випадки використання та принципи зберігання високоякісних даних для ефективного навчання. Завдяки практичним лабораторіям ви завантажите попередньо навчену модель від Hugging Face і пройдете тренування за допомогою SFT, DPO та RL, щоб побачити, як кожна техніка формує поведінку моделі. Детальніше, ви: - Зрозумієте, що таке посттренувар, коли його використовувати і чим він відрізняється від передтренувального. - Побудуйте пайплайн SFT для перетворення базової моделі на модель інструктажу. - Дослідіть, як DPO змінює поведінку, мінімізуючи контрастні втрати, караючи за погані відповіді та підкріплюючи бажані. - Запровадьте пайплайн DPO, щоб змінити ідентичність чат-асистента. - Вивчіть онлайн-методи RL, такі як оптимізація проксимальних політик (PPO) та оптимізація групових відносних політик (GRPO), а також як розробляти функції винагороди. - Тренуйте модель за допомогою GRPO, щоб покращити її математичні можливості, використовуючи винагороду, яку можна перевірити. Пост-тренінг є одним з найбільш швидко розвиваються напрямків навчання LLM. Незалежно від того, чи створюєте ви високоточного помічника з урахуванням контексту, точно налаштовуєте тон моделі чи покращуєте точність конкретного завдання, цей курс надасть вам досвід роботи з найважливішими методами, що формують те, як LLM проходять пост-навчання сьогодні. Будь ласка, зареєструйтесь тут:

Я хотів би поділитися порадою щодо отримання більшої кількості практики побудови за допомогою штучного інтелекту — тобто, використання будівельних блоків штучного інтелекту для створення додатків або використання допомоги в кодуванні штучного інтелекту для швидкого створення потужних програм: якщо ви виявите, що у вас обмежений час на створення, зменшуйте обсяг свого проекту, доки ви не зможете створити щось за будь-який час, який у вас є. Якщо у вас є всього година, знайдіть невелику складову ідеї, від якої ви в захваті і яку ви можете побудувати за годину. З сучасними помічниками з кодування, такими як Claude Code від Anthropic (мій улюблений інструмент для розробки зараз), ви можете бути здивовані, як багато ви можете зробити навіть за короткий проміжок часу! Це дає вам поштовх, і ви завжди можете продовжити проект пізніше. Щоб досягти успіху в будівництві за допомогою штучного інтелекту, більшість людей повинні (i) вивчити відповідні методи, наприклад, пройшовши онлайн-курси зі штучного інтелекту, і (ii) попрактикуватися в побудові. Я знаю розробників, які місяцями виношують ідеї, не створюючи нічого — я теж це робив! — тому що ми відчуваємо, що не встигаємо почати. Якщо ви опинилися в такому становищі, я рекомендую вам продовжувати скорочувати початковий обсяг проекту, поки ви не визначите невеликий компонент, який ви можете створити відразу. Дозвольте мені проілюструвати це на прикладі — один з моїх численних невеликих, веселих проектів вихідного дня, які, можливо, ніколи нікуди не подінуться, але я радий, що це зробив. Ідея полягає в наступному: багато людей бояться публічних виступів. А публічні виступи складно практикувати, тому що важко організувати аудиторію. Тому я подумав, що було б цікаво побудувати симулятор аудиторії, щоб забезпечити цифрову аудиторію з десятків до сотень віртуальних людей на моніторі комп'ютера і дозволити користувачеві практикуватися, розмовляючи з ними. Одного суботнього дня я опинився в кав'ярні, маючи в запасі пару годин, і вирішив спробувати симулятор аудиторії. Моє знайомство з графічним кодуванням обмежене, тому замість того, щоб створювати складний симулятор великої аудиторії та писати програмне забезпечення зі штучним інтелектом для моделювання відповідних реакцій аудиторії, я вирішив значно скоротити масштаб до (а) симуляції аудиторії з однієї людини (яку я міг би відтворити пізніше, щоб імітувати N осіб), (б) пропустивши штучний інтелект і дозволивши людині-оператору вручну вибирати реакцію змодельованої аудиторії (подібно до прототипування Wizard of Oz), та (в) реалізація графіки за допомогою простого 2D-аватара. Використовуючи поєднання декількох помічників з кодування, я створив базову версію за той час, який у мене був. Аватар міг ледь помітно рухатися і моргати, але в іншому він використовував базову графіку. Незважаючи на те, що він далеко не дотягував до складного симулятора аудиторії, я радий, що створив це. Окрім того, що це просунуло проект вперед і дозволило мені досліджувати різні дизайни, це розширило мої знання з базової графіки. Крім того, наявність цього грубого прототипу, який я міг показати друзям, допомогла мені отримати відгуки користувачів, які сформували мої погляди на ідею продукту. У мене на ноутбуці лежить список ідей речей, які, на мою думку, було б цікаво побудувати. Більшість з них займуть набагато більше часу, ніж кілька годин, які мені може знадобитися, щоб спробувати щось в певний день, але, скоротивши їх масштаб, я можу приступити до роботи, а початковий прогрес у проекті допомагає мені вирішити, чи варто вкладати в нього подальші інвестиції. Як бонус, хакерство на найрізноманітніших додатках допомагає мені практикувати широкий спектр навичок. Але найголовніше, це виводить ідею з голови і, можливо, перед потенційними користувачами для зворотного зв'язку, що дозволяє проекту рухатися швидше. [Оригінальний текст: ]

Новий курс: ACP: Протокол зв'язку агентів Навчіться створювати агентів, які спілкуються та співпрацюють у різних фреймворках за допомогою ACP у цьому короткому курсі, створеному за допомогою BeeAI від @IBMResearch та викладається @sandi_besen, інженером-дослідником штучного інтелекту та керівником екосистеми в IBM, а також @nicholasrenotte, керівником відділу адвокації розробників штучного інтелекту в IBM. Побудова багатоагентної системи з агентами, створеними або використовуваними різними командами та організаціями, може стати складним завданням. Вам може знадобитися писати кастомні інтеграції щоразу, коли команда оновлює дизайн свого агента або змінює вибір фреймворку агентської оркестрації. Протокол зв'язку агентів (ACP) — це відкритий протокол, який вирішує цю проблему шляхом стандартизації способу спілкування агентів за допомогою уніфікованого інтерфейсу RESTful, який працює в різних фреймворках. У цьому протоколі ви розміщуєте агента всередині сервера ACP, який обробляє запити від клієнта ACP і передає їх відповідному агенту. Використання стандартизованого інтерфейсу клієнт-сервер дозволяє кільком командам повторно використовувати агентів у різних проектах. Це також полегшує перемикання між фреймворками, заміну агента на нову версію або оновлення мультиагентної системи без рефакторингу всієї системи. На цьому курсі ви навчитеся підключати агентів через ACP. Ви зрозумієте життєвий цикл агента ACP і його порівняння з іншими протоколами, такими як MCP (Model Context Protocol) і A2A (Agent-to-Agent). Ви будете створювати агентів, сумісних з ACP, і впроваджувати як послідовні, так і ієрархічні робочі процеси кількох агентів, які співпрацюють за допомогою ACP. За допомогою практичних вправ ви сформуєте: - Агент RAG з CrewAI та обгорнути його всередину сервера ACP. - Клієнт ACP для здійснення викликів на створений вами сервер ACP. - Послідовний робочий процес, який пов'язує сервер ACP, створений за допомогою Smolagents, з агентом RAG. - Ієрархічний робочий процес з використанням агента маршрутизатора, який перетворює запити користувачів на завдання, делеговані агентам, доступним через сервери ACP. - Агент, який використовує MCP для доступу до інструментів і ACP для зв'язку з іншими агентами. Ви закінчите, імпортувавши своїх агентів ACP на платформу BeeAI, реєстр з відкритим вихідним кодом для виявлення та обміну агентами. ACP забезпечує співпрацю між агентами в командах та організаціях. До кінця цього курсу ви зможете створювати агентів ACP та робочі процеси, які спілкуються та співпрацюють незалежно від фреймворку. Будь ласка, зареєструйтесь тут:

Представляємо "Будівництво з Llama 4". Цей короткий курс створено разом з @Meta @AIatMeta і викладає @asangani7, директор з партнерського інжинірингу команди штучного інтелекту Meta. Нова Llama 4 від Meta додала три нові моделі та представила архітектуру Mix-of-Experts (MoE) до свого сімейства моделей з відкритою вагою, що зробило їх більш ефективними в обслуговуванні. У цьому курсі ви будете працювати з двома з трьох нових моделей, представлених в Llama 4. Першою є Maverick, модель з параметрами 400B, зі 128 експертами та 17 активними параметрами. На другому місці – Scout, модель з параметрами 109B з 16 експертами та 17B активними параметрами. Maverick і Scout підтримують довгі контекстні вікна до мільйона токенів і 10 мільйонів токенів відповідно. Останнього достатньо для підтримки безпосереднього введення навіть досить великих репозиторіїв GitHub для аналізу! На практичних уроках ви будете створювати додатки, використовуючи нові мультимодальні можливості Llama 4, включаючи міркування на кількох зображеннях і заземлення зображень, в якому ви можете ідентифікувати елементи на зображеннях. Ви також будете використовувати офіційний API Llama, працювати з можливостями довгого контексту Llama 4 і дізнатися про найновіші інструменти Llama з відкритим вихідним кодом: інструмент швидкої оптимізації, який автоматично покращує системні підказки, і набір синтетичних даних, який генерує високоякісні набори даних для точного налаштування. Якщо вам потрібна відкрита модель, Llama — чудовий варіант, а сімейство Llama 4 є важливою частиною інструментарію будь-якого розробника GenAI. Завдяки цьому курсу ви навчитеся викликати Llama 4 через API, використовувати її інструменти оптимізації та створювати функції, які охоплюють текст, зображення та великий контекст. Будь ласка, зареєструйтесь тут: