Искусственный интеллект
Нейронные сети, трансформеры, обучение моделей, работа с датасетами и практические применения современных LLM и компьютерного зрения.
Инженерный путь в AI
AI-Triad — образовательный проект о настоящем стеке инженера: искусственный интеллект, программирование и embedded. Не теории ради теорий, а готовые решения, работающий код и схемы, которые можно запустить.
Три направления
// pillars of the triadПрограммирование
Python, C/C++, инструменты разработчика, архитектура систем, алгоритмы и инженерные практики, без которых AI-проекты не взлетают.
Embedded-разработка
Микроконтроллеры, периферия, прошивки, сенсоры, интеграция ML-моделей в устройства — от STM32 до edge-AI плат.
Как устроено обучение
// pipelineРазбор задачи
Каждая статья стартует с реальной инженерной постановки, а не абстрактной теории.
Код и схемы
Готовые репозитории, схемы подключения, пошаговые сборки и примеры для повторения.
Эксперименты
Задания, в которых надо что-то изменить и наблюдать результат — от гиперпараметров до пинов MCU.
Сборка знаний
Темы связаны в граф: одна статья опирается на другую и плавно ведёт от базы к практике.
Для кого портал
// audienceНачинающим
Строим крепкую базу: как работает обучение, из чего состоит embedded-проект, почему Python и C — разные инструменты для разных задач.
Практикам
Готовые пайплайны, чек-листы оптимизации моделей, примеры деплоя ML на периферии и разбор типовых ошибок.
Инженерам
Углублённые материалы: квантование, дистилляция, RTOS, драйверы, архитектурные компромиссы в реальных проектах.
Свежие материалы
// latest posts
Как собрать учебный проект на стыке Python, Linux и микроконтроллера
Собрать учебный проект на стыке Python, Linux и микроконтроллера — значит не просто освоить три технологии по отдельности, а научиться строить связную систему, где каждая часть решает свою задачу. Микроконтроллер управляет датчиками в реальном времени, Linux-хост обрабатывает и хранит данные, а Python склеивает всё в рабочий пайплайн: от парсинга и визуализации до API-интеграций и лёгких ML-моделей. […]
Алгоритмы и структуры данных как база для AI и embedded-разработчика
В AI и embedded-разработке львиная доля времени уходит совсем не на «магические» модели, красивые графики или подбор очередного датчика. На практике всё обычно упирается в более приземлённые вещи: как быстро и без ошибок обработать поток данных, как уложиться в память, как не посадить батарею лишними копированиями и как сделать так, чтобы код вёл себя предсказуемо […]
Отладка Python- и C-проектов: базовые методы для инженерной практики
В инженерной разработке отладка — это не вспомогательная активность, а часть нормального рабочего цикла. Пока код маленький, кажется, что проблему можно поймать «на глаз». Но как только в проекте появляется несколько процессов, обмен с датчиками, файловый ввод-вывод, сеть, очередь сообщений или связка Python с нативным C-кодом, цена даже мелкой ошибки резко растет. Один неучтенный […]
Тестирование в инженерной разработке: как проверять код, модели и прошивки
Тестирование — это не формальная галочка в конце спринта и не этап, который можно безболезненно отложить до «потом». В инженерной разработке это один из базовых механизмов управления риском. Когда работаешь с микроконтроллерами, даже небольшой дефект в обработке данных с датчика может вылиться в неверные измерения, ложные срабатывания или нестабильную работу устройства на объекте. В ML-задачах картина […]
API простыми словами: как программы и устройства обмениваются данными
Введение: почему нужно понимать API
Когда я только начинал писать код для микроконтроллеров, термин API казался чем-то из мира «большой» разработки, далёким от реальных плат, шин и датчиков. На практике всё быстро расставило по местам. Как только появляется задача связать устройство, сервер, мобильное приложение или внешнюю модель машинного обучения, без понимания API начинаются сбои на […]
Git для инженеров и разработчиков: контроль версий в AI и embedded-командах
В инженерной разработке Git давно перестал быть просто «системой для хранения кода». Если говорить честно, в проектах, где рядом живут прошивки, Python-скрипты для обработки данных, конфиги сборки, модели компьютерного зрения и сервисная обвязка под API, без нормального контроля версий очень быстро начинается хаос. Причем этот хаос редко проявляется сразу. Сначала кажется, что можно обойтись папками […]
Как связать модель ИИ с устройством: от прототипа до edge AI
Если вы хотите, чтобы модель работала не где-то на удалённом сервере, а прямо на устройстве — быстро, автономно и без постоянной зависимости от интернета, значит вы уже смотрите в сторону edge AI. По сути, это интеграция модели машинного обучения в реальное железо: одноплатник, камеру, промышленный контроллер, микроконтроллер или специализированный модуль с ускорителем.
На практике здесь […]
Работа с Linux для инженерных задач: терминал, процессы и файлы
В инженерной практике Linux очень быстро перестаёт быть просто операционной системой и становится рабочей средой, через которую проходит почти всё: сбор телеметрии, запуск сервисов, отладка периферии, развёртывание моделей и обслуживание устройства в полевых условиях. Если проект связан с embedded, компьютерным зрением, обработкой сигналов или edge-AI, то умение уверенно работать в терминале экономит не минуты, а […]
Переход из ИИ в экономику: программы, поступление, карьера
Инженеру по искусственному интеллекту выгодно добрать экономическое образование. Решение: московские программы по экономике, финансам и финтеху с акцентом на анализ данных. Результат: рост дохода, управленческие роли, проекты на стыке технологий и денег.
Порталу про искусственный интеллект (AI) и встраиваемые системы близка прагматика. Технология ценна, когда приносит бизнес-эффект, и здесь органично вплетается экономический университет в Москве […]
Как подготовить данные для модели: практический пайплайн для начинающих
Сырые данные с датчиков, камер и промышленных контроллеров редко бывают готовы к подаче на вход модели машинного обучения. Шум, пропуски, нестандартные форматы, разбалансировка классов — каждый из этих факторов способен превратить даже самую продуманную архитектуру в источник нестабильных предсказаний. Особенно остро это проявляется в embedded- и edge-проектах, где ресурсы ограничены, а цена ошибки высока: ложное […]
Начните с основ триады
Прочитайте обзорную статью о проекте и выберите трек: AI, программирование или embedded.