Запуск LLM: как сократить расходы на инференс
Запуск крупных языковых моделей приводит к неэффективным расходам: мощный GPU используется не полностью, а расчеты памяти для запуска модели не совпадают с реальностью. В результате приходится платить за ресурсы, которые не используются, или сталкиваться с ошибками из-за нехватки vRAM. Вебинары Cloud.ru https://cloud.ru/events Делимся экспертизой в TG-канале, подпишись: https://t.me/+NDqjLq_XPXVjZTVi
▶︎
Apple enttäuscht Anleger: Warum „Siri AI“ für Ernüchterung sorgt
▶︎
Don't learn AI Agents without Learning these Fundamentals
▶︎
A Work in Progress - Keeping Good Company - Modern
▶︎
Evolution Managed BI: все возможности BI сервиса в облаке
▶︎
Что такое RAG в LLM и причём тут векторные базы данных
▶︎
Собираем корпоративный AI-чат: от выбора модели до работающего прототипа
▶︎
Transformers, the tech behind LLMs | Deep Learning Chapter 5
▶︎
Gemma 4 12B QAT vs non-QAT - 16GB VRAM Local LLM setup
▶︎
They are lying to you about local LLM speeds. How I squeezed 73 tokens/s out of Qwen3.6 without l...
▶︎
What is SonarQube | Introduction SonarQube | SonarQube Tutorial | SonarQube Basics | Intellipaat
▶︎
Безопасность в облаке: как провайдер и клиент делят зоны ответственности
▶︎
Agentic RAG: как построить AI агента с доступом к знаниям
▶︎
Юрий Кацер | Открытые промышленные данные: зачем нужны, почему так мало и где брать?
▶︎
How to Start Coding | Programming for Beginners | Learn Coding | Intellipaat
▶︎
Self Hosted vs Managed PostgreSQL: эксплуатация и риски
▶︎
Как запустить BI за день, а не за месяц
▶︎
MCP and browser usage with local LLM. LM Studio
▶︎
Как мы автоматизировали процесс Code review в Авито при помощи LLM // AI DevTools Conf 2025
▶︎
Как взять LLM за RAGа Доклад Александра Абрамова True Tech Day
▶︎