متاح الآن! بحث تيليغرام 2025 — أهم رؤى العام 
Интересное что-то
الذهاب إلى القناة على Telegram
Материалы и мысли, понадерганные отовсюду Блог: https://t.me/asisakov_channel Чат: https://t.me/youknowds_chat
إظهار المزيد585
المشتركون
لا توجد بيانات24 ساعات
+17 أيام
+430 أيام
جاري تحميل البيانات...
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
يونيو '26
يونيو '26
+1
في 0 قنوات
مايو '26
+11
في 0 قنوات
Get PRO
أبريل '26
+25
في 0 قنوات
Get PRO
مارس '26
+28
في 1 قنوات
Get PRO
فبراير '26
+33
في 1 قنوات
Get PRO
يناير '26
+12
في 1 قنوات
Get PRO
ديسمبر '25
+21
في 1 قنوات
Get PRO
نوفمبر '25
+34
في 1 قنوات
Get PRO
أكتوبر '25
+25
في 1 قنوات
Get PRO
سبتمبر '25
+43
في 1 قنوات
Get PRO
أغسطس '25
+45
في 1 قنوات
Get PRO
يوليو '25
+18
في 1 قنوات
Get PRO
يونيو '25
+15
في 1 قنوات
Get PRO
مايو '25
+8
في 1 قنوات
Get PRO
أبريل '25
+32
في 1 قنوات
Get PRO
مارس '25
+26
في 1 قنوات
Get PRO
فبراير '25
+29
في 2 قنوات
Get PRO
يناير '25
+31
في 1 قنوات
Get PRO
ديسمبر '24
+12
في 0 قنوات
Get PRO
نوفمبر '24
+16
في 1 قنوات
Get PRO
أكتوبر '24
+27
في 1 قنوات
Get PRO
سبتمبر '24
+241
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 06 يونيو | 0 | |||
| 05 يونيو | 0 | |||
| 04 يونيو | 0 | |||
| 03 يونيو | 0 | |||
| 02 يونيو | 0 | |||
| 01 يونيو | +1 |
منشورات القناة
Repost from Валера Ковальский
Сравнение топовых harness на локальных моделях
Совместно с rnd отделом red_mad_robot подготовили и провели данный бенчмарк, отдельное спасибо Андрею Иванову за подготовку стендов и проведение бенчмарка!
Модели взяли LLM хаба https://hub.neuraldeep.ru/
Сохраняйте ссылку на бенчмарк, теперь это буде регулярная страничка которую мы будем обновлять!
Бенчмарк: https://hub.neuraldeep.ru/#harness
Лидерборд будет пополнятся моделями
Drift планируется к open source в этом году!
gpt oss 120b | Qwen3.6-35B-A3B
Все модели были развернуты на rtx 6000 pro/4090(48gb x2)
Как вывод абсолютный лидер сегодня это hermes agent
Даже удалось погонять на PAC1 от Рината!
| 2 | #agents #llm | 74 |
| 3 | В прошлом году в мы брали интервью у Насти из Avaturn, а сегодня мы принесли вам потрясающий релиз от ребят💃
Команда Avaturn.live выложила в опенсорс AVTR-1 - фреймворк, который позволяет вести видео диалог с аватаром в реалтайме.
Загружаете фотку, и болтаете с героями любимых мемов!
(если конечно у вас есть видеокарта)
🐰В релиз входят:
— веса модели
— инференс-стек, оптимизированный под TensorRT
— бэкенд для запуска живой диалоговой сессии end-to-end
💅Насколько мы знаем, это первый публичный опенсорс-релиз, где в комплекте идёт не только модель, но и серверный стек для интерактивной сессии.
Производительность:
— RTX 3070 / 4060 Ti — реал-тайм
— A100 / L40 — более чем 2× быстрее реал-тайма
💻 То есть вам хватит обычной игровой карты, чтобы поговорить с кастомным аватаром, а если лень настраивать локально - с демо версией.
💻 https://github.com/avaturn-live/avtr-1
🌐 https://avaturn.live/demo
🤗 https://huggingface.co/avaturn-live/avtr-1
С вас лайки и звездочки на гит!
Оставляйте ваши технические вопросики в комментах, вам ответят авторы этого шикарного дропа 🎉 | 76 |
| 4 | #cv #gan #petproject | 73 |
| 5 | Я принес. Почему новички получают больше, чем старые сотрудники?
Казалось бы, никогда такого не было и вот опять. https://t.me/grade_practicum/1106
Не абы кто, а сам Harvard Business Review сделал исследования и установил, что новичкам платят больше, для их привлечения, пока недоиндексированные до этого уровня старички про это узнают, расстраиваются и уходят.
Вроде бы и не новость никакая. Ну кто такого не видал?
Я еще 5 лет назад (звучит-то как – 5 лет!) писал про добавочную стоимость старожилов.
Потом, спустя полгода, уточнял, что у новичков тоже есть польза, которой нет у старослужащих, так сказать.
На всё это намазываем хороший разбор про финансовую мотивацию и демотивацию от Александра Клименко.
Приправляем согласием с авторами исходного поста, что ничего не утаишь и если не все всё знают, то многие.
И получаем сложную управленческую дилемму, которую мы в Трех тимлидах разбирали аж в двух частях. В один не уложились. Часть 1 и часть 2.
Какой посыл у сегодняшнего поста, распадающегося на кучу связных тематических материалов?
Он в том, что если решение, что новички получают больше, чем старые сотрудники обосновано, осмыслено и приняты все риски – это нормальная (тут «нормальное» – не синоним слова «хорошее», а производное от «норма») в бизнесе история.
А вот если это просто потому что «ну они молчат, есть не просят, вот и пусть дальше молчат, либо скажут, и мы там подумаем, какого размера кость в будку кинуть», то будет всё как в изначальном исследовании. Первыми разойдутся самые толковые. Будете новичками, да засидевшимися дела делать. | 129 |
| 6 | #softskills #career | 106 |
| 7 | Материалы для подготовки к продуктовой секции
Выше писала как прокачивать продуктовое мышление самостоятельно, а сегодня будет список источников, что почитать и послушать на эту тему.
Книги:
🟡Lean Analytics, это классика, но написана немного тяжелым языком и есть только на английском, сама тоже читаю сейчас.
🟡Доверительное АБ тестирование, больше про тесты, но для общего понимания тоже полезно. Я писала даже небольшой обзор на нее
🟡Спроси маму (Роб Фитцпатрик) – небольшая книга про эмпатию и правильные вопросы пользователям, есть кстати у нас на Литрес. Я прочитала, интересно, хотя и напрямую на собеседовании не факт что поможет)
Фреймворки для структурирования метрик:
🟡AARRR – пиратские метрики. Фреймворк описывает путь пользователя через воронку: Acquisition → Activation → Retention → Revenue → Referral. Помогает понять, какой этап воронки самый проблемный и где может быть наибольший рост. Подробнее почитать можно здесь и здесь.
🟡HEART – фреймворк от Google для продуктов, больше про пользовательский опыт. Расшифровывается как Happiness, Engagement, Adoption, Retention, Task Success. Неплохая статья тут, а оригинальная статья от гугл по этой ссылке.
🟡CJM (Customer Journey Map) – карта пути пользователя. Помогает разложить метрики с точки зрения юзера. Шаблон в Miro
🟡Дерево метрик, иерархия метрик – декомпозиция North Star Metric на составляющие. Это довольно часто спрашивают на собеседованиях, могут попросить накидать дерево метрик для конкретного продукта. Ознакомиться подробнее можно здесь.
Я считаю, что классификации и фреймворки выше не охватывают все многообразие метрик с точки зрения философии 😁 (а точнее правил деления, писала здесь).
Однако перефразируя классику, все классификации неверные, но некоторые полезные. Поэтому рекомендую ознакомиться с источниками выше, для всех интересующихся продуктовой аналитикой.
База по юнит экономике:
Лекция Ильи Красинского. Материал топ, но признаться честно с первого раза не осилила, смотрела в несколько подходов.
Еще очень рекомендую статьи на gopractice, много всего полезного по теме продуктового мышления. Например, статья про метрики роста и метрики продукта.
#analytics #собес_PA | 204 |
| 8 | #analytics #books | 153 |
| 9 |  Привет всем!👋
Как и обещал ранее, сегодня расскажу про интересную штуку, о которой, вы вероятно не знали.
Как известно, основным способом улучшения нейронных сетей является два основных метода: дообучение уже существующей модели (обучение архитектуры с инициированными ненулевыми весами, полученными ранее) или Transfer Learning (ярким примером является дообучение BERT'ов, где мы обучаем поверх уже существующего эмбеддера полносвязный слой 'голову' на нужный нам таргет). И в целом, я тут вам Америку не открыл.
-Но знали ли вы, что аналогичные финты ушами можно проводить с моделями градиентного бустинга?
Если нет, то давайте расскажу.
Прежде всего я хотел бы ответить на вопрос "а зачем такое надо? ". Нередко, особенно в рисках, например в моделях скоринга, модели имеют схожий домен и таргет, но при этом обучаются и значит используются на разных бизнес сегментах. Если в более крупном сегменте по выручке мы имеем недостаток данных или целевых наблюдений (мало компаний, низкий Default Rate), то тогда мы можем взять наработки более мелкого сегмента и переиспользовать на более крупный, путем дообучения.
Глобально, метода дообучения два: у вас имеется базовая модель и имеется базовый скор. Оба имеют свои плюсы и свои минусы. Давайте поподробнее поговорим о них.
🔸🔠🔠🔠🔠🔠🔠🔠 🔠🔠🔠🔠🔠🔠
Это сценарий, когда ранее была использована модель градиентного бустинга и теперь мы можем дообучить ее, технически добавляя деревьев в уже существующий бустинг.
🔠🔠🔠🔠🔠⬇️
➕Простота вывода. Результат - единая модель бустинга, не требующая дополнительных вызовов базовой модели.
➕Экономия вычислительной мощности. Ваша базовая модель уже с какой-то точностью умеет предсказывать целевую метку, вам не нужно строить модель с нуля.
🔠🔠🔠🔠🔠🔠⬇️
〰️ Ограничение выбираемой реализации. Дообучая XGBoost, вы получите бустинг, написанный на XGBoost. Другого не дано.
〰️Ограничение базовых параметров. Большинство параметров дерева в бустинге, наследуются от базовой модели.
Интересный факт: В Catboost можно изменять learning_rate, но при этом большинство параметров, включая способ кодирования категориальных признаков, наследуется от базовой модели.
🔠🔠🔠🔠🔠🔠🔠⬇️
🔸XGBoost:
xgb.train(data=data, xgb_model=old_model)
🔸LightGBM:
lgb.train(train_set=train_new, init_model=old_model)
🔸Catboost:
model.fit(X_new, y_new, init_model=old_model)
🔸🔠🔠🔠🔠🔠🔠🔠 🔠🔠🔠🔠
Это сценарий, когда вместо базовой модели мы получаем на вход предсказания уже готовой модели и строим уже на них модель бустинга, уточняющую предсказание старой модели.
Важно: Предсказания в случае бинарной классификации должны подаваться не в формате предсказаний вероятности, а именно логитов, т.е предсказания до сигмоидального преобразования!
🔠🔠🔠🔠🔠⬇️
➕Свобода выбора базовой модели. В данной конфигурации мы воспринимаем базовую модель в формате black box, то есть нам не важна ее архитектура.
🔠🔠🔠🔠🔠🔠⬇️
〰️ Сложность вывода. Базовый скор необходимо откалибровать на выборке дообучения, т.е построить простейшую линейную модель. Также нам необходимо в продовом инференсе использование инференса базовой модели, то нам необходимо реализовать где-то рядом с дообученной моделью вызов базовой модели.
〰️Итоговая модель - не финальная. Основной сложностью данного подхода является то, что дообученная модель дает лишь смещение и для получения итоговой вероятности модели нам нужно смешать скоры базовой и дообученной модели и после этого прогнать через сигмоидальное преобразование.
🔠🔠🔠🔠🔠🔠🔠⬇️
🔸XGBoost:
xgb.train(data=data, base_margin=init_logits)
🔸LightGBM:
lgb.train(train_set=train_new, init_score=init_score)
🔸Catboost:
model.fit(X_new, y_new, baseline=init_logits)
На этом все, подробнее познакомится с данными техниками призываю самостоятельно, ставь 🔥, если понравилось!
#ds_лайфхаки | 161 |
| 10 | #ml | 121 |
| 11 | Проговори вслух
Недавно я начал обучение у Саши Брызгаловой по ТОС, где она нас неоднократно просила вслух проговаривать те логические связи, которые мы пишем.
Я вспомнил Максима Дорофеева с его «логическими улитками». Он тоже настаивает на озвучивании вслух.
А ещё я неоднократно видел (да и сам был главным героем) ситуации, когда человек готовил какое-то обоснование или хотел объяснить проблему, но в середине проговаривания сам понимал, что фигня какая-то получается.
Метод резинового утенка
Если вдруг кто не знал, есть такой метод, который говорит, что если хочешь разобраться в проблеме и никого нет рядом, то попробуй объяснить какому-либо неодушевлённому предмету (например, резиновому утенку, кукле, вазе со мхом в виде головы Грута, которую подарила любимая жена), и высок шанс, что сам придёшь к решению, пока объясняешь.
Почему так происходит?
Внутренняя речь фрагментарна: мозг «понимает себя с полуслова», пропуская иной раз неясные места, и живёт ощущением «я в целом понимаю».
Проговаривание вслух заставляет развернуть это «в целом»: объяснить контекст, определить термины, привести аргументы, факты и разъяснить логику причинно-следственной связи. В момент, когда ты не можешь чётко сформулировать какой-то кусок из своего обоснования, проявляется зона, где понимания на самом деле нет.
А еще речь замедляет мышление. В голове ты можешь пробежать рассуждение за секунды и не заметить разрывов (ставь ⚡, если помнишь мем про «НИ ЕДИНОГО РАЗРЫВА!!!»). Вслух ты «исполняешь» ход мысли последовательно, как при пошаговой отладке: «делаю А, потом Б, потом В… стоп, а что между Б и В, а точно из А следует Б?» Ошибки часто прячутся именно в этих переходах.
Когда проговариваешь логику вслух, ты слышишь свою идею как будто от другого человека. Появляется роль внутреннего слушателя, который оценивает: «звучит нелогично», «слишком размыто», «тут точно не покатит», «это слабая аргументация», и это усиливает критичность мышления.
Итог
Когда надо придумать решение какой-то запутанной проблемы, оптимизацию процесса, структуру для доклада, аргументацию для защиты оценок своих соколов на перф-ревью, я люблю проговаривать это вслух помногу раз, пока не щелкнет в голове какая-нибудь полезная идея.
Еще люблю при этом расхаживать взад-вперед и крутить что-то в руках – подбрасывать мячик, например. Но это уже другая история. Подозреваю, что это скорее успокаивает моего внутреннего тревожника, отводя его энергию в эти движения и оставляя ресурс для концентрации именно на необходимом решении. | 133 |
| 12 | #softskills | 114 |
| 13 | 🎲 Сыграем в игру с кубиком?
Майские уже не за горами! В преддверии праздников мы принесли вам немного полезных квестов, которые можно выполнить в свободное время. А какой из них достанется вам — решит удача:
🔵 Бросайте кубик 🎲 в комментах
🔵 Запоминайте результат
🔵 Открывайте спойлер для выпавшего числа
🔵 Держите квест на выходные 📝
⬇️ Список заданий
1️⃣ Послушать подкаст «Доверительный интервал». Награда: 500 XP и клад лайфхаков, которые помогут справиться со срочными задачами
2️⃣ Почитать настольные книги аналитика. Награда: 1000 XP и сундук с классикой о системном анализе, математике и подходах к метрикам: тут подборка 2025-го, а здесь — 2026-го
3️⃣ Выяснить, как поставить эксперимент без A/B-теста. Награда: 500 XP и новое заклинание — Propensity Score Matching
4️⃣ Порешать задачки. Награда: 300 XP и +1 к теории вероятностей. А если войдёте во вкус — переходите по хештегу #задачи_для_аналитиков
5️⃣ Посмотреть доклады с Data Driven 2025. Награда: 500 XP и способность трансмутировать данные в артефакты и инсайты. Плейлисты по трекам: Data to Artifacts (ютуб и VK Видео), Data to Insights (ютуб и VK Видео)
6️⃣ Завести пет-проект. Награда: 1000 XP и верный компаньон, который поможет в приключениях (и в поиске работы квестов, за которые платят голдой 💰)
Подписывайтесь:
💬 @Yandex4Analytics | 124 |
| 14 | #analytics | 119 |
| 15 | Недавно прошел интенсив от Школы Анализа данных Яндекса - Agents week. Лекции будут полезны для понимания всего цикла создания мультиагентной системы (МАС) и нюансов в этом цикле, в т.ч. про проверку МАС и бенчмарки. Рекомендую для просмотра, часть идей забрал для своей мультиагентной системы. Также в части QA есть интересные вопросы и рассуждения про использование и применимость Мультиагентных систем от команды Яндекса.
1. Лекции 1.1 и 1.2
Intro to AI Agents и Tools. MCP
Алёна Зайцева, руководитель службы ИИ-сервисов Яндекс Лавки
VK: Лекция 1.1, Лекция 1.2
YouTube: Лекция 1.1, Лекция 1.2
2. Лекция 2 и Семинар 2
Memory and Guardrails in LLM-Powered Agents
Кирилл Мищенко, руководитель группы ML-разработки в Яндекс Браузере
VK: Лекция 2, Семинар 2
YouTube: Лекция 2, Семинар 2
3. Лекция 3 и Семинар 3
Agent Workflow Multi-Agent Systems Multimodality
Софья Проскурина, разработчик платформы для внутренних ИИ-агентов Яндекс Лавки
VK: Лекция 3, Семинар 3
YouTube: Лекция 3, Семинар 3
4. Лекция 4 и Семинар 4
Agent Evaluation: From Metrics to Managed Quality
Сергей Купцов, отвечает за развитие агентных решений в Алисе и Умных устройствах
VK: Лекция 4, Семинар 4
YouTube: Лекция 4, Семинар 4
5. Лекции 5.1 и 5.2
Production Engineering for LLM Agents
Даниил Артамонов, отвечает за платформу внутренних ИИ-агентов в Яндекс Лавке
Кирилл Власов, отвечает за развитие генеративных моделей Yandex AI Studio
VK: Лекция 5.1, Лекция 5.2
YouTube: Лекция 5.1, Лекция 5.2
6. QA со спикерами интенсива
P.S. Примеры показаны в Google Colab ноутбуках (ссылки под видео) на LangGraph.
P.P.S. Презентации есть в описаниях | 184 |
| 16 | #agents #llm #courses | 144 |
| 17 | Полезный режим был в ChatGPT — Study Mode
Пока собрался про него написать, его уже убрали 💀
Но сам подход мне прям зашёл. Отлично вскрывает иллюзии понимания.
Я использую очень просто:
“погоняй меня по X”
И дальше модель начинает задавать вопросы, копать глубже, цепляться к формулировкам.
Часто уже после 3–4 вопросов понимаешь, что на самом деле не понимаешь.
Неплохо работает:
— когда учишь новую тему
— перед собесами
Он пропал в ChatGPT, но я сделал проект с системным промптом отсюда и получил такое же поведение | 142 |
| 18 | #prompt | 128 |
| 19 | 💙 Материалы из НИУ ВШЭ
Делимся лекциями, готовимся к запуску магистратуры и наших курсов. Все объявим отдельно! До встречи.
Quant Researcher | 133 |
| 20 | #quant | 152 |
