Собственная AI-экосистема
Mout AI
Не только использовать AI. Понять, как он устроен.
От запуска готовой модели до адаптации Qwen и создания собственной языковой модели с нуля.
mAI Inference
Модель внутри продукта.
Собрал слой, через который AI-модель можно использовать внутри приложения.
Загрузка модели, передача запросов и получение сгенерированного результата. Это инфраструктурный слой, а не собственный низкоуровневый движок inference.
- Inference infrastructure
РольAI Infrastructure / Architecture / Development
mAI Sage
Готовая модель. Свои задачи.
Адаптировал языковую модель на базе Qwen под собственные задачи.
Дополнительное дообучение и эксперименты с адаптацией. Основа — существующая модель Qwen, не модель, созданная с нуля.
- Qwen
- Fine-tuning
- Model adaptation
РольAI Research / Fine-tuning / Experimentation
mAI CPU
Своя модель. С самого начала.
Разработал с нуля собственную языковую модель примерно на 300 миллионов параметров.
Архитектура, обучение и эксперименты с запуском — без готовой большой модели в основе. Небольшая экспериментальная модель для практического изучения фундаментальных принципов LLM.
- ~300M parameters
- Built from scratch
РольModel Development / AI Research
Концептуальные визуализации · не интерфейс работающего сервиса
За пределами API
Цель — разобраться в AI-системах на практике: как модель становится частью продукта, как её адаптировать и что нужно, чтобы создать свою.
От запуска модели — к собственной архитектуре
В Mout AI я прошёл три уровня работы с языковыми моделями: собрал инфраструктурный слой для запуска, адаптировал Qwen под свои задачи и разработал с нуля собственную модель примерно на 300 миллионов параметров.
Это практический R&D-проект: архитектура, обучение и эксперименты с запуском. Его смысл — пройти путь создания AI-системы своими руками и разобраться в решениях, которые стоят за готовым API.