МТС опубликовала отчетность за III квартал текущего года. Выручка за отчетный период выросла на 15,3% год к году, до 180,4 млрд руб. Чистая прибыль составила 1,0 млрд руб. на фоне увеличения процентных расходов.

 
 Показатели по сегментам:

<ul>
 <li>«Телеком» — рост доходов от услуг связи составил 6,8% год к
году, до 119,8 млрд руб. Абонентская база в России увеличилась на 1,1 млн и стала
81,9 млн абонентов;</li>
</ul>

<ul>
 <li>«Экосистема» — количество экосистемных клиентов превысило 16,8
млн, что на 18,0% больше, чем годом ранее за аналогичный период;</li>
</ul>

<ul>
 <li>FinTech — выручка МТС Банка увеличилась на 37,4% год к году. Чистая
прибыль финорганизации за девять месяцев 2024 года выросла на 8,0%, до 11,9
млрд руб.;</li>
</ul>

<ul>
 <li>«Медиахолдинг» — количество пользователей OTT платформы
возросло на 25,2% год к году, до 9,5 млн по состоянию на конец III квартала 2024 года. Рост
общего количества абонентов платного ТВ составил 17,3% год к году, до 14,2 млн
абонентов на конец отчетного квартала;</li>
</ul>

<ul>
 <li>«Кикшеринг» — число уникальных пользователей «МТС Юрент» за девять
месяцев 2024 года достигло 7,1 млн человек. Рост количества поездок за этот же
период составил 64% год к году;</li>
</ul>

<ul>
 <li>AdTech — выручка сегмента увеличилась на 55,6% год к году, до 15,0 млрд руб. В
три раза выросло количество зарегистрированных и подтвержденных клиентов.</li>
</ul>

<hr />
 
 Документы по теме: <a href="https://static.ssl.mts.ru/mts_rf/contents/10610/MTS_Q3_2024_Presentation_1910.pdf" target="_blank" rel="nofollow">Презентация</a>

<hr />

МТС

Компания МТС представила финансовые результаты за III квартал 2024 года

Обзор тестов для оценки ИИ-моделей от российских команд

ICT.Moscow

В погоне за «бенчами»: растущая популярность сравнений моделей ИИ

Исследователи из НИУ ВШЭ <a href="https://www.hse.ru/news/science/986632602.html" target="_blank">предложили</a> новый научный подход для оценки компетентности искусственного интеллекта в области образования. На прошлой неделе широкий анонс <a href="https://habr.com/ru/news/858568/" target="_blank">получил</a> бенчмарк BABILong, впервые опубликованный AIRI и МФТИ в феврале этого года.

 
 ICT.Moscow собрал в одной подборке 18 бенчмарков, которые были представлены и выложены в общий доступ российскими командами с 2020 года. Перейдя по ссылке на карточку, можно подробнее изучить возможности решения, найти дополнительную информацию и контакты команд-разработчиков. 

<hr />
<h2>
 Бенчмарк общего профиля
</h2>

<ul>
 <li><a href="https://ict.moscow/card/mera-benchmark/" target="_blank">MERA</a> на открытых и закрытых тестах оценивает работу фундаментальных моделей. Разработчик — Альянс в сфере искусственного интеллекта.</li>
</ul>

<hr />
<h2>
 Бенчмарки для сравнения производительности&nbsp;
</h2>

<ul>
 <li>На <a href="https://ict.moscow/card/llm-arena/" target="_blank">LLM Arena</a> каждый может сравнить ответы двух моделей и выбрать лучший. На основе таких сравнений пользователей и формируется рейтинг. Разработчик — команда во главе с Романом Куцевым.</li>
</ul>

<ul>
 <li>В <a href="https://ict.moscow/card/ruarenageneral/" target="_blank">RuArenaGeneral</a> GPT-4o оценивает параллельные ответы двух моделей — испытуемой и базовой. На базе этих сравнений с помощью системы Эло строится рейтинг моделей. Разработчик — Vikhr Models.</li>
</ul>

<ul>
 <li>В <a href="https://ict.moscow/card/rulm-sbs2/" target="_blank">rulm-sbs2</a> LLM-судья оценивает по десятибалльной шкале ответы двух моделей на различные задания. Разработчик — Лаборатория анализа данных Александра Кукушкина.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/rumt-bench/" target="_blank">ruMT-Bench</a> позволяет с помощью LLM-судьи оценить выравнивание (Alignment) поведения ИИ-ассистентов. Разработчик — SberDevices.</li>
</ul>

<hr />
<h2>
 Бенчмарки для длинного контекста
</h2>

<ul>
 <li>Бенчмарк <a href="https://ict.moscow/card/babilong/" target="_blank">BABILong</a> разработан исследователями для оценки способности больших языковых моделей извлекать и эффективно обрабатывать распределенные факты в больших текстах. Разработчики — Институт AIRI, МФТИ.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/libra/" target="_blank">LIBRA</a> помогает проанализировать способности языковой модели оперировать длинным контекстом: резюмировать, вычленять основные идеи текста. Разработчики — AIRI, ecom.tech, SberTech и МФТИ.</li>
</ul>

<hr />
<h2>
 Бенчмарки для обработки и понимания естественного языка
</h2>

<ul>
 <li><a href="https://ict.moscow/card/rucola/" target="_blank">RuCoLa</a> оценивает лингвистическую компетентность больших языковых моделей. Разработчики — ABBYY, Huawei, SberDevices, Yandex Research и НИУ ВШЭ.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/ruifeval/" target="_blank">ruIFEval</a> проверяет способность модели следовать заданным на естественном языке инструкциям. Разработчик — SberDevices.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/russiansuperglue/" target="_blank">RussianSuperGLUE</a> призван стать рейтингом русскоязычных NLP-моделей. Разработчики — Huawei, SberDevices, НИУ ВШЭ.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/tape/" target="_blank">TAPE</a> испытывает модели в их способностях обрабатывать русский естественный язык. Разработчики — SberDevices, НИУ ВШЭ и Huawei.</li>
</ul>

<hr />
<h2>
 Бенчмарки для работы с русскоязычным контекстом&nbsp;
</h2>

<ul>
 <li><a href="https://ict.moscow/card/shlepa/" target="_blank">Шлепа</a> проверяет то, насколько хорошо большие языковые модели могут учитывать в своей работе русскоязычный контекст. Разработчик — Vikhr Models.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/slava/" target="_blank">SLAVA</a> проверяет, учитывают ли большие языковые модели в своей работе особенности культуры и законодательства России. Разработчики — РАНХиГС, Институт системного программирования РАН.</li>
</ul>

<hr />
<h2>
 Бенчмарк для работы с медицинскими данными
</h2>

<ul>
 <li>С помощью <a href="https://ict.moscow/card/medbench/" target="_blank">MedBench</a> можно сравнить модели машинного обучения, работающие с медицинскими данными. Разработчик — Лаборатория искусственного интеллекта «Сбера».</li>
</ul>

<hr />
<h2>
 Бенчмарки для работы с эмбеддингами и эмбеддерами
</h2>

<ul>
 <li><a href="https://ict.moscow/card/rumteb/" target="_blank">ruMTEB</a> проверяет текстовые эмбеддинги и эмбеддеры. Разработчик — SberDevices.</li>
</ul>

<ul>
 <li>Для научных текстов их испытывает <a href="https://ict.moscow/card/ruscibench/" target="_blank">ruSciBench</a>. Разработчик — Институт искусственного интеллекта МГУ им. М.В. Ломоносова.</li>
</ul>

<ul>
 <li><a href="https://ict.moscow/card/rusenteval/" target="_blank">RuSentEval</a> также тестирует эмбеддинги и эмбеддеры. Разработчики — НИУ ВШЭ, SberDevices.</li>
</ul>

<hr />
<h2>
 Бенчмарк для работы с программным кодом
</h2>

<ul>
 <li><a href="https://ict.moscow/card/realcode-eval/" style="background-color: rgb(255, 255, 255);" target="_blank">RealCode_eval</a> позволяет проверить, насколько хорошо большие языковые модели генерируют программный код. Разработчик — SberDevices.</li>
</ul>

<hr />

Решения для тестирования моделей ИИ

Подборка решений: открытые бенчмарки для моделей ИИ

Производитель рассчитывает поставлять их компаниям из финансового сектора, ритейла, владельцам соцсетей для анализа действий пользователей и ситуационным центрам с системами видеоаналитики и распознавания.

 
 Первые тесты новых решений на инфраструктуре заказчиков планируется провести в начале 2025 года. В компании не назвали точную модель чипов, которые будут использованы в серверах. При этом представитель Yadro отметил, что «новые серверы смогут вмещать до 8 GPU-карт двойной толщины». В настоящее время проводятся термоиспытания и валидация платформы.

 
 Серверы будут производиться на собственном заводе компании в Дубне. Также Yadro планирует подать заявку на включение решения в Единый реестр российской радиоэлектронной продукции Минпромторга.

<hr />
 
 В октябре стало известно, что Fplus <a href="https://t.me/ict_moscow_ai/3857" target="_blank" rel="nofollow">начнет</a> выпуск серверов с отечественными нейроускорителями от НТЦ «Модуль». Они будут предназначены для работы с нейросетями, обработки сигналов и изображений, но не для обучения ИИ.

<hr />

CNews

Вендор Yadro работает над созданием серверов для обучения ИИ-моделей

Компания «Биометриклабс» — участник Московского инновационного кластера — создала цифрового двойника водоканала, который сможет определять протечки. Решение разработано на основе искусственного интеллекта (ИИ). Применение технологии позволит получить высокую точность определения местоположения и исключить ложные срабатывания и реагирования на посторонние шумы.

 
 Учредитель компании «Биометриклабс» Алексей Фролов рассказал: «В настоящее время команда работает над совершенствованием ансамбля нейросетей для повышения точности определения утечки. Через полгода мы планируем релиз системы, которая сможет по вибрации определять объем утечки».

 
 Авторы проекта отметили, что анализ протечки происходит на основе оценки постороннего звука. При появлении небольшого повреждения трубопровода или врезки вытекающая жидкость издает характерный звук, который фиксируется акустическими датчиками. Звук записывается и передается по беспроводному каналу на облачный сервер. Серверное ПО на базе ИИ анализирует записанные звуки с двух датчиков и определяет местоположение утечки с точностью до 1 метра. Ожидается, что с его помощью скорость устранения аварий увеличится вдвое и сократится до 30–40 минут.

 
 Испытания цифрового двойника начнутся в ближайшее время. В 2021–2022 годах в пилотных тестах участвовал «Мосводоканал».

Известия

«Биометриклабс» разработала цифрового двойника водоканала для определения протечек

Генеративный искусственный интеллект: MTS AI Chat

Компания MTS AI опубликовала презентацию о продуктах и решениях в сфере генеративного ИИ. В материале перечисляются преимущества генеративных сетей, бизнес-эффекты от использования чат-ботов и систем генерации кода, а также приводится схема работы MTS AI Chat.

Компания MTS AI опубликовала презентацию о продуктах и решениях в сфере генеративного ИИ. В материале перечисляются преимущества генеративных сетей, бизнес-эффекты от использования чат-ботов и систем генерации кода, а также приводится схема работы MTS AI Chat.