aleksei__p

140

подписчиков

22

подписки

AI/ML инженер (US, CA), прикладная математика. Занимаюсь AI “до того, как это стало мейнстримом”. Пишу про инвестиции в связке с современными технологиями. APlab.dev — AI‑студия: консалтинг и внедрение.

Не является индивидуальной инвестиционной рекомендацией

aleksei__p
aleksei__p

11 марта

[AI05] AI системы: одной LLM недостаточно Самым популярным примером AI системы сейчас являются AI агенты. Рассмотрим пример, Допустим, пользователь пишет в чат (агенту): “Назначь встречу с Иваном на следующей неделе, найди свободное окно на час и отправь приглашение.” Если бы использовалась только Large Language Model (LLM), на выходе был бы просто текстовый ответ. Например: “Лучше всего подойдёт вторник в 15:00.” Но этого недостаточно. Нужно не просто ответить, а выполнить действие в реальной системе. Именно здесь начинается агентный контур. Как он обычно устроен: • LLM-ядро Преобразует человеческий запрос в структуру задачи: с кем встреча, на какой неделе, какой длительности, что именно нужно сделать. • Инструкции Задают правила работы: рабочие часы, длительность встречи, запрет на пересечения, подтверждение при неоднозначности, формат результата. • Инструменты Позволяют не только генерировать текст, но и обращаться к внешним функциям: посмотреть календарь, найти контакт, создать событие, отправить приглашение. • Среда исполнения Это уже реальные системы, где действия происходят: календарь, почта, контакты, уведомления. В такой системе цикл выглядит так: запрос → интерпретация → вызов инструментов → действие в системе → результат Именно поэтому агент — это не “умная модель, способная решить задачу”, а модель, встроенная в исполняемый контур. LLM отвечает за интерпретацию и выбор следующего шага. Инструкции задают рамку. Инструменты дают доступ к действиям. Среда исполнения превращает решение в реальный результат. Каждый этап делает большой вклад в качество системы целиком. Что с этим всем делать? Ценность от успехов в сфере AI создаётся не только на уровне foundation models, но и на уровне систем вокруг них, к которым выдвигаются серьезные требования: жонглирование инструментами, быстрый доступ к чистым данным, удобный и понятный интерфейс, масштабируемость на большое количество пользователей, классические требования к ПО такие как безопасность, надежность и отказоустойчивость. То есть все что у нас было в IT секторе, остается, но многие процессы ускоряются. $YDEX $SBER $VKCO $POSI #инвестиции #технологии #искусственныйинтеллект #llm #ииагенты #машинноеобучение #datascience
Card image 1
1
2
aleksei__p
aleksei__p

10 марта

[AI04] LLM: “text in → text out” Large Language Model (LLM) формально решает одну задачу: по данному текстовому контексту предсказать наиболее вероятное — или, точнее, достаточно удовлетворительное — продолжение последовательности токенов (~слов). То есть базовая схема в любом случае выглядит так: text → LLM → text Благодаря такой широкой постановке один и тот же класс моделей может использоваться как универсальный интерфейс для очень широкого спектра задач, если они могут быть представлены в текстовой форме. То есть буквально: • вопрос на естественном языке — текст • сложное дифференциальное уравнение, описывающее движение жидкости, — тоже текст • код приложения — текст • транскрибированная речь — текст Различия между моделями возникают из-за масштаба, данных, архитектуры и инженерных компромиссов, а именно: • архитектура и размер модели • объём и качество данных обучения • post-training логика • длина контекста • стоимость и скорость инференса • готовность к multimodal и tool-based использованию В каждом из этих направлений за последние 6 лет была проделана огромная исследовательская и инженерная работа и потрачены миллионы и миллиарды долларов. Что значит, что модель “учится”? Во время тренировки параметры модели подбираются таким образом, чтобы её выход как можно лучше соответствовал тому, что считается желательным. В простейшем случае задача может выглядеть так: “Спутник Земли — это …” → “Луна.” В более сложном случае требуется получить такой ответ, который устроит пользователя. Но сама постановка здесь уже намного более размыта. Например, пользователю дают на выбор два варианта ответа, и он выбирает более предпочтительный. Это один из самых наглядных примеров того, как кожаные обучают AI. Именно таким, довольно неявным, способом модель может, например, научиться почти всегда занимать сторону спрашивающего. Отсюда и все истории, когда ChatGPT готов поддержать практически любую дичь, которой с ним поделились. Долгое время пальму первенства по большинству направлений удерживали модели OpenAI. Но сейчас в сообществе в целом признаётся, что модели Anthropic часто сильнее в code generation и tools orchestration. Модели Google Gemini заметно выделяются в мультимодальности. Более того, Google AI Studio предлагает много готовых инструментов для решения дизайнерских и других прикладных задач. Хотя LLM или мультимодальная модель остаётся ядром любой AI-системы, возможность встроить её в конкретный домен является ключевым критерием в тот момент, когда пользователь решает, кому платить за API-вызовы. Чтобы оценивать модели в разных задачах, существуют различные бенчмарки: • science • coding • long context • tool use • multilingual • и многие другие Но в итоге всё равно приходится искать компромисс под конкретную прикладную задачу: качество, стоимость, скорость. Что с этим всем делать? На российском рынке $YDEX и $SBER в большей степени занимаются именно фундаментальными моделями, и это важно с точки зрения технологического суверенитета. При этом AI-сообщество, как и IT-сообщество в целом, остаётся в значительной степени открытым. Open-source модели часто показывают сопоставимое качество по сравнению с моделями того же класса. Это соотношение ещё может измениться, и наличие специалистов с достаточной экспертизой остаётся необходимым, чтобы избежать технологического отставания. Эта задача остаётся одной из ключевых на уровне государства. #инвестиции #технологии #искусственныйинтеллект #AI #llm #машинноеобучение #datascience
Card image 1
2
3
aleksei__p
aleksei__p

9 марта

[AI03] AI-агент: что обычно имеется в виду на практике Под “AI-агентом” обычно понимается не отдельная модель, а система, в которой модель встроена в контур принятия и исполнения решений. В современных AI-приложениях в роли ядра часто используется модель, но сама система обычно строится как многослойный контур. На практике чаще всего встречаются несколько вариантов: • Large Language Model (LLM, text-to-text) — ядро для текста, кода, диалога и формализованных рассуждений • speech-контур — отдельные модели для распознавания речи (Automatic Speech Recognition, ASR) и синтеза речи (Text-to-Speech, TTS), которые подключаются вокруг LLM • Computer Vision (CV) и другие мультимодальные модели — если в систему входят изображения, видео или смешанные типы входа • нативно мультимодальные модели, где часть этих функций уже объединена внутри одной модели Для простоты дальше в серии будет рассматриваться прежде всего LLM-based контур, потому что именно он сегодня чаще всего имеется в виду, когда говорят об “AI-агентах”. При этом важно понимать, что голос, зрение и другие модальности обычно либо подключаются как внешние слои, либо постепенно встраиваются в более мультимодальные модели. Ключевой момент состоит в том, что сама по себе Large Language Model ещё не образует агентную систему. Чтобы появился агентный контур, вокруг модели обычно добавляются следующие слои: • context — информация, доступная модели в момент вызова • memory / state — накопленное состояние процесса и история предыдущих шагов • tools — внешние функции, базы данных, сервисы и API • guardrails — ограничения, проверки, policy-слой, допустимые границы действий • execution — фактическое выполнение команд • audit / logs — журнал данных, решений и действий Поэтому агент обычно описывается не как “одна модель”, а как цикл: получить контекст → интерпретировать → выбрать действие → выполнить → обновить состояние На практике значительная часть того, что сегодня строится вокруг Large Language Models, сводится к управлению контекстом. Именно контекст определяет: • что модели известно в данный момент • какие данные считаются релевантными • какими инструментами разрешено пользоваться • в каком формате должен быть выдан результат • какие ограничения должны быть учтены до и после ответа В этом смысле современная LLM-based система во многом представляет собой архитектуру управления контекстом: нужно не просто вызвать модель, а правильно собрать, отфильтровать, упорядочить и ограничить информацию, которая ей доступна. Что с этим всем делать? С одной стороны, продолжается гонка за более сильные foundation models: выше качество, длиннее контекст, ниже стоимость, лучше мультимодальность, надёжнее поведение. (OpenAI, Anthropic, Google gemini, Alibaba) С другой — строятся прикладные системы вокруг моделей: управление контекстом, инструменты, память, ограничения, интеграция в реальные процессы. Практический смысл этого различия особенно важен в финансах, коде и операционных системах. Качество текста — только верхний слой. Ключевое значение имеют: • доступ к данным • корректность контекста • набор доступных инструментов • ограничения на действия • возможность восстановить причинно-следственную цепочку после выполнения $YDEX $SBER $ASTR #инвестиции #технологии #искусственныйинтеллект #llm #машинноеобучение #datascience
Card image 1
1
aleksei__p
aleksei__p

8 марта

[AI02] AI сверху, математика снизу: как устроена лестница технологий Сейчас слово “AI” чаще всего означает уже готовый интерфейс: чат, генератор, голосовой ассистент, агент, Copilot. Но это только верхний слой. Под ним обычно находится длинная лестница абстракций (ниже очень грубое очертание). AI — это верхний уровень: уже готовая система, которая решает прикладную задачу. Ниже — Machine Learning. Это модели, которые учатся на данных и умеют обобщать на новые случаи. Рядом (и пересекается) — Data Science. Это слой, где формулируется задача, выбираются метрики, проверяются гипотезы и принимается решение, что вообще стоит строить и как измерять результат. $SBER Под этим — теория вероятностей и математическая статистика. Именно они отвечают за работу с неопределённостью, шумом, риском, оценками и корректными выводами из данных. Ещё ниже — линейная алгебра, математический анализ и оптимизация. Это фундамент, на котором стоит большая часть современных моделей (да и, в принципе, инженерных систем). И внизу всегда остаются алгоритмы, инженерия и инфраструктура. Потому что модель сама по себе — это ещё не продукт и не система. $ASTR Поэтому современный AI — это не совсем "черный ящик”. Это высокий слой над большой математической и инженерной конструкцией. Хорошая новость в том, что уровень абстракции вырос очень сильно. Сегодня уже можно решать большую часть прикладных задач высокоуровневыми инструментами, не погружаясь до самого фундамента. Но есть и вторая сторона: чем ближе задача к границе качества, стоимости, скорости, надёжности и цены ошибки — тем быстрее заканчиваются готовые рецепты и тем важнее становится фундаментальное понимание. Поэтому в практическом смысле картина обычно такая: высокоуровневые инструменты закрывают большую часть типовых задач, а самые сложные и дорогие 20% по-прежнему требуют глубокого понимания того, что происходит под капотом. $MOEX $TMOS@ #инвестиции #технологии #искусственныйинтеллект #ИИ #машинноеобучение #datascience #экономика
Card image 1
8
9
aleksei__p
aleksei__p

7 марта

[AI01] AI - это очередная индустриальные революция Каждая крупная технологическая волна в истории влияла на спектр востребованных профессий, за счет оптимизации решения целых классов задач. Первая промышленная революция автоматизировала тяжёлый повторяемый физический труд. Пар, механизация, фабрики - и операции вроде ручного прядения и ткачества резко подешевели. Там, где раньше результат зависел от большого количества ручного труда, его начали давать машины. Вторая - автоматизировала массовое повторение. Электричество, конвейер, стандартизация - и стало выгоднее строить производство вокруг системы, а не вокруг отдельного мастера. Классический пример - сборочные линии Ford: важной стала не только машина, но и сам процесс. Третья - автоматизировала вычисления, документы и рутинные цифровые операции. Компьютеры, электронные таблицы, базы данных, ERP, интернет - и огромный пласт back-office работы, ручных расчётов, бумажного документооборота и простой офисной координации резко подешевел. Сейчас происходит следующая волна. Автоматизируется уже не только физический труд и не только документооборот, а часть когнитивной работы: • базовый ресёрч • базовый дизайн • рутинная работа с документами • типовая коммуникация • часть шаблонного кодинга и аналитики Важно: как и раньше, исчезают не профессии целиком, а отдельные типы задач внутри них. Поэтому AI имеет смысл рассматривать не как “ещё одну технологию”, а как новый слой автоматизации труда. Раньше автоматизировали мышцы. Потом производство. Потом вычисления. Теперь - части мышления. $SBER @YNDX $MOEX Что с этим всем делать? Рынок будет переоценивать не только “AI-компании”, но и инфраструктуру, на которой это работает, а также бизнесы, где значимая часть издержек сидит в повторяемом интеллектуальном труде. #инвестиции #технологии #искусственныйинтеллект #ИИ #автоматизация #экономика
Card image 1
11
12
aleksei__p
aleksei__p

6 марта

[F02.4/4] Откуда берётся процент по депозиту: 1 000 000 → 1 100 000. “Цена денег” на практике ($MOEX $TMOS@ $SBMX $SBER ) Если депозит - обязательство банка, то процент по депозиту - это цена этого обязательства. Вклад 1 000 000 ₽ под 10% → через год 1 100 000 ₽. Для вкладчика это доход. Для банка - расход: банк увеличивает своё обязательство перед клиентом на +100 000 ₽. Откуда банк оплачивает этот расход: • процентный доход по активам (кредиты, облигации, денежный рынок) • итоговая экономика банка - это спред: доходность активов минус стоимость фондирования, минус потери/резервы/расходы Почему ставка по депозиту - полезный индикатор режима: Депозитная ставка - это рыночная цена фондирования: уровень ставок в системе + премия за срок + премия за риск/конкуренцию за деньги. Поэтому депозитные ставки могут оставаться высокими даже когда “в теории” ставка уже должна снижаться: банкам может быть нужно удерживать/привлекать фондирование. Что с этим всем делать? • Для банков важен спред: когда стоимость депозитов растёт быстрее доходности активов, маржа сжимается - это отдельный фактор для банковского сектора • Высокие депозитные ставки = высокая “планка доходности” для любых риск-активов. Если безрисковая/квази-безрисковая доходность высокая, рынку сложнее расти “на ожиданиях” • Для акций это напрямую конкурирующая альтернатива: часть денег естественно уходит в “доходность ожидания” (вклады/денежный рынок $TMON@ ), а цена риска становится выше • При текущих, все еще, высоких ставках по депозитам, в случае ощутимого снижения ставок, можно ожидать переток денег с депозитов в другие классы активов, например акции или недвижимость #инвестиции #экономика #депозиты #ставка #деньги #кредит #риск #sber #lqdt #sbgb
5
6
aleksei__p
aleksei__p

5 марта

[F02.3/4] Иерархия денег: что такое “квазиденьги” и почему в стресс они ведут себя не как кэш ($MOEX $TMOS@ $SBMX $LQDT) В спокойные периоды кэш, депозит и “денежный рынок” выглядят взаимозаменяемыми. В стресс выясняется, что у денег есть иерархия по качеству. Условная лестница (от максимально надёжного/ликвидного): - Наличные и деньги ЦБ - Банковские депозиты (обязательство конкретного банка) - Квазиденьги - инструменты, которые ведут себя как деньги, пока всё спокойно Что такое квазиденьги на практике: Это инструменты, которые обычно можно быстро превратить в деньги и которые используются как “парковка” ликвидности: • денежный рынок / фонды денежного рынка (пример: $LQDT) • очень короткие облигации, в т.ч. ОФЗ-прокси (пример: $SBGB как “якорь ставки”) • репо/овернайт-инструменты и близкие по смыслу “почти кэш” конструкции В обычное время они воспринимаются как “кэш с доходностью”. Почему в стресс это ломается: Потому что “почти деньги” всё равно остаются финансовыми инструментами с рыночной ценой и механикой продажи/расчётов. Когда резко растёт спрос на ликвидность: • ухудшается исполнение и расширяются спрэды • растут корреляции - продается то, что проще продать • появляется скидка “за немедленную ликвидность” (именно это и отличает квазиденьги от кэша) Что с этим всем делать? • Имеет смысл держать портфель “по этажам”: мгновенная ликвидность → быстрая ликвидность → риск-слой • Чем выше концентрация/плечо/короткий горизонт - тем сильнее результат зависит от режима ликвидности • В “дорогих деньгах” цена ошибки выше: по $MOEX часто доминирует режим ликвидности, а не частные новости #инвестиции #экономика #деньги #ликвидность #денежныйрынок #офз #риск #акции #moex
3
4
aleksei__p
aleksei__p

4 марта

[F02.2/4] Депозит - это обязательство банка. На чём держатся банковские деньги и почему это важно инвестору ($MOEX $TMOS@ $SBMX $SBER) Если в прошлом посте депозит был бухгалтерской записью, следующий шаг, что это за “запись”? Банковский депозит - это обязательство банка перед клиентом. Деньги на счёте: требование к банку в рамках договора и платёжной системы. Банковские деньги держатся на доверии к устойчивости системы. Это доверие поддерживается ограничениями. Что не позволяет банку “создавать деньги бесконечно”: • Капитал: убытки по кредитам съедают капитал • Ликвидность: межбанковские платежи и массовый отток требуют ликвидности “здесь и сейчас” • Надзор: нормативы и лимиты на риск • Инфраструктура: правила расчётов и механизмы стабилизации В РФ были периоды, когда у отдельных банков возникали ограничения на выдачу/платежи на фоне кризиса доверия - заметно после 1998 года и в 2004 году. Механика одна: активы могут быть “на бумаге”, а ликвидности на одновременные требования всех вкладчиков - нет. Что с этим всем делать? • Важно различать платёжеспособность и ликвидность - для портфеля критично “можно ли распоряжаться деньгами вовремя” • В стресс часто доминирует продажа ради ликвидности, а не фундаментал → корреляции растут, падает то, что проще продать • Риск-контур - часть стратегии: размер позиций, ликвидный буфер (кэш/денежный рынок), лимиты, заранее заданные правила выхода • Режим “дорогих денег” обычно = выше цена риска и жёстче финансовые условия; это полезно учитывать в ожиданиях по $MOEX #инвестиции #экономика #банки #депозиты #ликвидность #риск #акции #moex #tmos #lqdt
4
5
aleksei__p
aleksei__p

3 марта

[F02.1/4] Деньги = запись на балансе. “Кредит создаёт депозит” - почему это важно инвестору ($MOEX $TMOS@) Термин “деньги печатают” часто используют как упрощение действий центрального банка. Корректнее различать два уровня: • ЦБ управляет базовыми деньгами (наличность и резервы банков) и задаёт цену денег через ключевую ставку и операции ликвидности. • Коммерческие банки формируют основную часть денежной массы в экономике через кредитование, создавая банковские депозиты. Ключевой механизм: Кредит создаёт депозит. При выдаче кредита банк одновременно делает две бухгалтерские записи. Банк: • Актив: + кредит (клиент должен банку) • Обязательство: + депозит (банк должен клиенту) Клиент: • Актив: деньги на счёте • Обязательство: долг банку То есть “денег в системе” становится больше в момент выдачи кредита. А когда кредит погашается - эта часть денег исчезает (депозит уменьшается). Что с этим всем делать? • Рынок (особенно акции) чувствителен к тому, расширяется кредит или сжимается: доступный кредит поддерживает спрос/оборот/прибыль и риск-аппетит, а дорогой/ограниченный — действует в обратную сторону через рост риск-премии и ужесточение финансовых условий • Ключевая ставка и кредитные условия - это цена денег в системе • Режим “деньги дорожают/дешевеют” важен прежде всего для настройки риска (экспозиция, кэш, лимиты), а не для подбора точек входа • На этом уровне часто объясняется, почему $MOEX может двигаться вопреки локальным новостям #инвестиции #экономика #деньги #кредит #ставка #акции #MOEX #TMOS #SBMX
2
3
aleksei__p
aleksei__p

1 марта

AI × финансы Очень от многих слышал, что надо бы воспользоваться AI агентами (или в еще более широком смысле) чтобы торговать на рынке. Я 5 лет в инвестициях как частный инвестор: пережил ковид, СВО, блокировки (и многое что еще предстоит пережить...) 5 лет в AI/ML/DS в индустрии как machine learning engineer (US, Canada). Также консультирую и менторю специалистов и предпринимателей. Сейчас из каждого утюга слышим: “AI всех заменит”. Так ли это? В следующих постах попробую разобраться: • какие данные вообще есть • у частного инвестора/системы • как люди обычно принимают решения • чем подход частого инвестора отличается от “аналитиков в банках” • что именно можно (и нельзя) дать/доверить агентам • чем AI может быть действительно полезен • какая роль достается человеку во всей этой системе Вопрос: если можно просто купить индекс/фонды $MOEX $TMOS@ $SBMX, где работают команды аналитиков и управляющих, то зачем частному инвестору вообще пытаться “переиграть рынок”? Какие причины для активного подхода у вас выглядят разумными: контроль риска, гибкость, интерес/обучение, особые ограничения, другое? #инвеcтиции #искуственныйинтеллект #индекс
4
5