![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.tlmtr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dl&w=48&q=75){kind=small}
Data Science | Machinelearning [ru]
الذهاب إلى القناة على Telegram
Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. MAX - https://max.ru/devsp Личный блог - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD
إظهار المزيد![Frontender's notes [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.tlmtr.io%2Fc%2F1qrVZ3%2F5348049928330532677%3Fty%3Dx&w=32&q=75){kind=small}
الشبكة:📈 نظرة تحليلية على قناة تيليجرام Data Science | Machinelearning [ru]
تُعد قناة Data Science | Machinelearning [ru] (@devsp) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 19 834 مشتركاً، محتلاً المرتبة 6 470 في فئة التكنولوجيات والتطبيقات والمرتبة 33 108 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 19 834 مشتركاً.
بحسب آخر البيانات بتاريخ 14 سبتمبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 2، وفي آخر 24 ساعة بمقدار -10، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 8.07%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 4.98% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 1 601 مشاهدة. وخلال اليوم الأول يجمع عادةً 987 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 5.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل llm, nvidia, контекст, openai, архитектура.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM.
MAX - https://max.ru/devsp
Личный блог - @just_genych
По вопросам рекламы или разработки - @g_abashkin
РКН: https://vk.cc/cJPGXD”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 15 سبتمبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
19 834
المشتركون
-1024 ساعات
لا توجد بيانات7 أيام
+230 أيام
أرشيف المشاركات
![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.tlmtr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dx&w=64&q=75){kind=small}
Перепеть трек и пересобрать кодовую базу: почему это не криминал и что делать авторам в эпоху ИИ
В магазине крутили «ту самую» песню — ага, щас. Не она это была: та же композиция, отыгранная с нуля и на два с половиной тона ниже. Авторское право защищает то, как идея выражена, а не саму идею, — но пересборка не обнуляет права на оригинал. Разжёвываю, что это значит для авторов в эпоху ИИ.
Читать далее
👉 Telegram | Max
Как сегодня строят рекомендательные системы — и что будет с ними завтра?
30 сентября собираем RecSys-сообщество — разработчиков, ML/DS-специалистов и всех, кто делает персонализацию и рекомендации в реальных продуктах.
В программе — доклады от экспертов Сбера. Поговорим о свежих подходах и нестандартных решениях на реальных кейсах.
А после докладов переключаемся на неформальный режим: знакомимся, спорим про RecSys, обсуждаем идеи, находим единомышленников и просто хорошо проводим вечер среди своих.
📍г. Нижний Новгород, пространство «Гараж»
Количество мест ограничено — успей забрать своё по ссылке!
![[Перевод] Счастлив тот, кто смог познать причины вещей На стыке LLM и математики в последнее время кипит движуха — местами лю](data:image/jpeg;base64,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)
[Перевод] Счастлив тот, кто смог познать причины вещей
На стыке LLM и математики в последнее время кипит движуха — местами любопытная, местами откровенно скандальная. И вот тебе вопрос на подумать: что математикам делать с этой LLM-лавиной? Она их похоронит — или перекроит так, что и вообразить не выйдет?
Оригинал — пост математика Нестора Гильена от 13 сентября 2026 года, вышел в блоге Теренса Тао, на русский его перетащил. Математика и код первыми схлопотали напор LLM. Но этот опыт пригодится и другим отраслям, если завтра LLM и корпорации, что их пилят, устроят «ИИ-революцию» и у них.
На ту же тему на Хабре лежит перевод тезисов доклада самого Тао — «Математика в эпоху ИИ: публичная лекция Теренса Тао на Международном конгрессе математиков», 24 июля 2026. Читать далее
👉 Telegram | Max
Reasoning Lock: ИИ-агент в проде тратит токены и молчит — живой разбор бага
В прошлой статье автор рассказывал о скрытом баге: ИИ-агент в проде заказчика тратит токены, генерация закрывается со статусом «успех», а клиенту уезжает пустая строка. Обещание разобраться и починить выполнено: причина найдена, правки встали в воркфлоу, счётчик пустых ответов уже 7 дней — чисто. Баг получил имя Reasoning Lock. Агент работает на self-hosted n8n: по ночам принимает заявки в Instagram Direct, ведёт диалог, собирает анкету и создаёт/обновляет сделку в amoCRM. Стек: n8n + Redis + LangChain, основная LLM — DeepSeek V4 Pro через OpenRouter, резервная — недавно поменяна на Qwen3.8 Flash.
История началась задолго до самого бага: с конца июня отказы шли двумя периодами, и разница между ними — ключ к пониманию. Первый период — тесты и запуск, природа инфраструктурная: ограничения Meta — потери вебхуков, окно ответов, двойные доставки; чинилось мгновенным 200 OK, буфером на Redis и дебаунсом. К продакшену этот класс закрыли.
Второй период — последние два месяца: промпт. Правки от заказчика посыпались в системный промпт под живую бизнес-логику: инструкция по пересылке оплаты пользователем, отдельные сценарии ответов для VIP-клиентов, уточнения формулировок после каждого спорного диалога. Каждая правка по отдельности правильная и рабочая, но суммарно промпт разросся примерно до 6.4k токенов, а плотность запретов («КАТЕГОРИЧЕСКИ ЗАПРЕЩЕНО», «Отправь СТРОГО этот текст») стала максимальной за всю жизнь системы.
Читать далее
👉 Telegram | Max
MEO: очередная маркетинговая абракадабра или всё-таки реальная техническая боль с ранжированием?
Автор не тянет резину и рубит сразу: MEO (Multiple Engine Optimization) — не отраслевой стандарт. Не спека. Не метрика. И даже не «техника», которую ты возьмёшь и внедришь по методичке. Это рабочая модель — способ описать одну конкретную техническую проблему. Суть простая: у нынешнего бренда — да и продукта, да и отдельной страницы — нет единого алгоритма-судьи, который единолично решает, увидит тебя юзер или нет. Таких алгоритмов автор с лёту накидывает минимум 8. И это не вариации одного и того же: принципиально разные классы, у каждого своя кухня — как сущности извлекаются, как ранжируются, как показываются.
Классический поисковик — это инвертированный индекс плюс модель ранжирования поверх сигналов. В ход идут ссылочная масса сайта, поведенческие факторы, релевантность запросу. Механика прозрачная и вдоль и поперёк задокументированная. Генеративные ответные системы играют по другим правилам. Часть моделей отвечает на вопросы юзера, вытаскивая сведения из параметрических знаний — того, что вбили в веса на этапе претрейна. Другая часть работает через RAG: сначала выдёргивает релевантные документы векторным или гибридным поиском, а потом лепит «наиболее вероятный» ответ поверх найденного контекста. Итого два принципиально разных механизма, от которых зависит, получит бренд значимость в ответе или нет. И рычаги, чтобы повлиять на результат, для каждого свои.
Подробнее
👉 Telegram | Max
Copilot слазал в интернет за ответом. В Word ты этого не увидишь, а админ в Purview — увидит
Веб-поиск в Microsoft Copilot и Copilot Chat работает у юзеров по умолчанию. Пока админ не прибил его одной из двух политик — всё, никакого отдельного тумблера «ассистенту разрешён интернет» для этого не прикрутили. Запрос ассистент сочиняет сам, и судьба у него разная в трёх местах: в Copilot Chat цитаты висят 24 часа, в панели ассистента внутри приложений Microsoft 365 — Word, PowerPoint, без разницы — их нет вообще, а вот админ таки лицезреет те же поисковые термины рядом с промптом и ответом через activity explorer в Purview DSPM for AI.
Вся эта разборка — на двух страницах learn.microsoft.com. Цитаты со страницы про веб-поиск сверяли 6 сентября 2026 года, вторую страницу перепроверили в тот же день. Внутри — две схемы и таблица «промпт — сгенерированный запрос», которую можешь прогнать у себя.
Кто и сколько времени видит этот запрос
👉 Telegram | Max
AI переворачивает разработку с ног на голову
Код теперь дешевеет на глазах — спасибо AI. А вот нормально продуманное инженерное решение, наоборот, растёт в цене. Так что фишка уже не в том, чтобы шлёпать код пачками, а в том, чтобы собрать систему так, где и человек, и агент видят одну картину: что именно правим, ради чего, где заканчиваются границы и что должно получиться в итоге.
Viaduct превращает проектирование архитектуры в структурированный и проверяемый контекст, который спокойно переваривают AI-агенты — от модели системы до Change Set, по которому изменение можно спокойно катить.
Читать далее
👉 Data Science | Machinelearning [ru]
Agent-Ops 0.4.0: ИИ подкидывает идеи, человек ставит подпись, железо делает
Сергей Житинский, который основал Git in Sky (там занимаются эксплуатацией и техподдержкой ИТ-инфраструктуры), выкатил рассказ про Agent-Ops — открытую отраслевую методологию, где инженеры и ИИ-агенты работают в одной упряжке. Стартовали весной этого года, а сейчас на GitHub и GitVerse лежит первый кандидат версии 0.4.0.
На IT Elements 2026 договорились тянуть это вместе с инженерами из двух других контор — они теперь maintainers. Так что Agent-Ops уже не личная песочница одной компании, а общее дело нескольких. Автор зовет контрибуторов подключаться.
Как говорит Житинский, сама организация работы меняется: кто копает проблему, на каком основании предлагает решение, кто дает добро на изменение и кто потом отвечает, если что-то упало. Редакция 0.4.0 сейчас в статусе публичного нормативного кандидата — то есть набор правил, который вынесли на обсуждение и дальнейшее развитие.
Читать далее
👉 Data Science | Machinelearning [ru]
Manticore Search 29.9.0: chunked auto-embeddings и mmap-доступ к columnar-атрибутам
В Manticore Search 29.9.0 появились chunked и multi-vector auto-embeddings, ограничение входа для embedding-моделей, UTF-8 идентификаторы, а также mmap-доступ к columnar-атрибутам по умолчанию.
Кроме того, релиз включает исправления для hybrid search, KNN, bulk ingestion и группировки.
Читать далее
👉 Data Science | Machinelearning [ru]
Когда ИИ-подписки отправят в отмену? Разбираем, что реально дают за $20
Поначалу автор думал, что просто тупит и не может нарыть нужное в настройках: а сколько токенов вообще насыпают по подписке? ChatGPT Plus, Claude Pro и Google AI Pro держатся где-то у $20, и жирные тарифы тоже подозрительно дружно упираются в те же $100 и $200. Вроде всё сходится: осталось выяснить, где токенов отсыпают больше, и брать там.
Ага, щас.
Читать далее
👉 Data Science | Machinelearning [ru]
Захотел проверить, правда ли AI-инженеров сейчас рвут с руками. Спойлер: 84% вакансий про ИИ — тишина
Сел я на досуге подумать: а сколько вообще на рынке нужно народу, который шарят в AI? Ощущение у всех одинаковое — ИИ повсюду, без него никуда, каждый второй пост в ленте про агентов. А что по факту с рынком труда?
Спарсил, значит, hh.ru (без помощи LLM, ясное дело, не обошлось), взял все активные вакансии в 25 категориях раздела «Информационные технологии» по России — набралось 34 053 штуки. Потом прикинул, в скольких из них вообще есть упоминания языковых моделей и всего смежного: LLM, GPT, RAG, агенты, промпты, Cursor, LangChain, GigaChat и ещё пара десятков терминов. И отдельно — сколько прошёл по полному тексту описания: 853 вакансии.
Правду ищи — habr.com
👉 Data Science | Machinelearning [ru]
Как 17B активных разносят 70B плотных: анатомия Mixture-of-Experts (MoE)
Прохлопал тот момент, когда разработчики нейронок мерились, у кого циферка рядом с названием модели толще? А когда протёр глаза — нихрена себе, уже модно выпендриваться скромным числом активных параметров. Тогда эта статья ровно для тебя.
Сегодня разжуют без соплей: с какого такого перепуга все опенсорсные флагманы разом уехали в MoE, почему Qwen3.5 на 397 миллиардов параметров строчит токены так, будто у неё всего 17, и почему на видеокартах при этом никто не разорился. А тем, кто зашёл «только спросить», сольют тайну: и в каком кабинете, собственно, обитает тот самый медицинский эксперт.
Читать далее
👉 Data Science | Machinelearning [ru]
Утечка на 3.5 часа вперёд: как модель полтора месяца надувала сама себя — и как её застукали
Классика ML на временных рядах: на истории всё шикарно, а в бою — слив. Вот и тут модель заглядывала в будущее на 3.5 часа, а виноват кривой ресемплинг 4-часовых свечей.
Дальше — анатомия этой утечки, математика позиционного теста, которым такое ловится, и сниппет, чтобы больше в это не влетать.
Читать далее
👉 Data Science | Machinelearning [ru]
Мы научили песок думать
Сегодня один из главных вопросов звучит так: а ИИ, часом, не разогнался дальше, чем нужно?
Марк Андриссен, венчурный инвестор, недавно сжал весь этот движ в одну фразу: «Мы научили песок думать».
Читать далее
👉 Data Science | Machinelearning [ru]
Забудь про Whisper: русская диктовка работает мгновенно и без видеокарты
Автор краем уха услышал, что у Сбера есть открытая модель, которая на бенчмарках по русскому уделывает Whisper. Пошёл проверять — и оказалось, что она не просто не сливает, а шпарит моментально на обычном камне, без GPU, текст вылезает раньше, чем успеваешь отпустить клавишу. Потом сколотил диктовку для себя, скинул корешам, те подсели, посыпались хотелки — и за пару недель из этого вырос полноценный продукт.
Жмёшь правый ⌘ command, говоришь, отпускаешь — и текст с запятыми и заглавными уже воткнут туда, где стоял курсор. Цифры: фраза на 6 сек вставляется за 0.08 сек, запись на 30 сек распознаётся меньше чем за полсекунды, модель подгружается 0,22 сек. Всё локально, звук никуда с компа не уходит, модель весит 204 МБ, приложение 32 МБ, крутится на процессоре, видюху не трогаем, код открыт, лицензия MIT. С именем выпендриваться не стал — раз пишет под диктовку, пусть будет Писарь.
Почему Писарь, а не Whisper: Whisper — модель прекрасная, но она универсал на сотню языков, и русский там далеко не в приоритете, плюс тяжёлая, на процессоре еле ползёт, поэтому обёртки тащат её на видюху, мак греется, комп тормозит, а текст всё равно приходит с задержкой, да и с русским у Whisper беда — падежи, окончания, пунктуация. GigaAM, на которой собран Писарь, Сбер обучал именно под русский, и на нём она заметно точнее, плюс сама расставляет пунктуацию и заглавные, а английские вкрапления в русской речи (термины, названия) переваривает как надо.
Читать далее
👉 Data Science | Machinelearning [ru]
🤣 Наконец-то батя покажет, как он в детстве ходил в школу за 100 верст
💥 xCode Journal
🤩 Нашли репу с десятками практических проектов для прокачки навыков и резюме
Внутри 54 проекта разной сложности по Terraform, Kubernetes, Docker, CI/CD, DevSecOps, AWS, Azure, безопасности и мониторингу.
Есть полноценные лабораторные с кодом и конфигами и также пошаговые гайды — так что можно разобраться, повторить всё своими руками и положить результат в портфолио.
✖️ xCode Journal
🤣 Наконец-то батя покажет, как он в детстве ходил в школу за 100 верст
💥 xCode Journal
Документы нужно передать наружу, но перед этим — убрать персональные данные: фамилии, телефоны, адреса, подписи. Всё происходит в закрытом контуре, без интернета, на одной машине с одной видеокартой.
С фамилиями автор разобрался за неделю. На подписи ушло полтора месяца — и примерно половина этого времени ушла на то, чтобы похоронить очевидные решения.
Читать далее: https://habr.com/ru/articles/1079484/
👉 Data Science | Machinelearning [ru]
