Анализ данных (Data analysis)

В Claude Code уже 93 команды. Но чтобы получить 80% пользы, тебе хватит вот этих 16 👇 /init → создаёт CLAUDE.md - память проекта и репозитория /plan → сначала думает, потом пишет код /context → показывает, что именно съедает твои токены /compact → очищает контекст прямо в середине сессии /clear → сбрасывает состояние между задачами /model → переключает модели: Opus / Sonnet / Haiku /btw → позволяет задать побочный вопрос, не ломая основной поток работы /rewind → откатывает назад, если всё пошло не туда /agents → запускает несколько суб-агентов параллельно /chrome → управляет браузером: клик, ввод, навигация /loop → прогоняет промпты по кругу, удобно для мониторинга /simplify → 3 агента вместе ревьюят твой код /permissions → заранее разрешает безопасные действия --dangerously-skip-permissions → полностью автоматический режим, без лишних подтверждений Shift + Tab → мгновенное переключение режимов ultra think → максимальная глубина рассуждения Большинство используют Claude Code как обычный чат-бот. Поэтому и упираются в потолок. Продвинутые пользователи работают с ним как с целой системой.

Для специалистов по анализу данных ключевой вопрос — как быстро и эффективно извлечь нужную информацию из разных источников. Для этого необходим универсальный инструмент. Например, таким может выступать File Search — встроенный инструмент, доступный на платформе Yandex AI Studio. Инструмент работает на базе RAG-подхода и позволяет большим языковым моделям обогащать контекст данными из корпоративной базы знаний. 🚀Недавно платформа представила обновление инструмента и добавила новые возможности: - Поддержка таблиц CSV и Excel — поиск по структурированным данным теперь встроен, что упрощает работу с финансовыми, маркетинговыми и операционными отчетами. - Мультимедиа — видео и аудио можно анализировать через специализированный пайплайн, извлекая ценные инсайты из нестандартных источников. File Search позволяет аналитикам быстрее находить ответы на вопросы, формируя их на основе загруженных корпоративных данных, а не только общих знаний модели о мире, и упрощает интеграцию в существующие BI- и аналитические процессы.

ARC-AGI-3 - бенчмарк,показал неприятную для всей индустрии вещь: даже топовые frontier-модели сейчас набирают меньше 1%. Лучшие результаты на старте такие: - Gemini 3.1 Pro Preview - 0.37% - GPT-5.4 High - 0.26% - Opus 4.6 Max - 0.25% И это, пожалуй, главный вывод. ARC-AGI-3 - это уже не набор статичных головоломок, как в прошлых версиях ARC. Теперь это интерактивные игровые миры, где агенту нужно самому разбираться, что вообще происходит. Что именно проверяет новый тест: - исследование незнакомой среды с нуля - поиск целей и правил без текстовых инструкций - построение своей модели мира по ходу задачи - длинное планирование на много шагов вперёд - обучение на опыте, а не по шаблону - пересмотр гипотез, если первые догадки оказались неверными То есть здесь уже мало просто "хорошо рассуждать в чате". Нужно адаптироваться в реальном времени, помнить прошлые действия, извлекать сигналы из слабой обратной связи и не скатываться в перебор. Внутри ARC-AGI-3: - 150+ новых интерактивных окружений - почти 1 000 уровней - replay-сессии, где можно смотреть весь таймлайн решений агента Скоринг считает не только факт решения, а то, насколько эффективно модель осваивает навык по сравнению с человеком. Именно поэтому результаты выглядят настолько жёстко. По сути, ARC Prize говорит прямо: пока между человеком и ИИ есть такой разрыв в освоении новых задач, говорить о настоящем AGI рано. И это, возможно, один из самых честных тестов за последнее время. Не потому что модели "слабые". А потому что реальная универсальная адаптация всё ещё не решена. https://arcprize.org/ 🐍 полезные ресурсы 🚀Max @data_analysis_ml

The AI Scientist официально вышел в Nature - и это уже не просто эксперимент. Речь про систему, которая способна автоматизировать весь цикл научного исследования: - генерировать идеи - писать код - запускать эксперименты - оформлять научную статью Обновлённая версия AI Scientist-v2 уже сгенерировала первую полностью AI-сгенерированную научную работу, которая прошла полноценное рецензирование людьми. Теперь вышла публикация в Nature, где подробно разобрана архитектура системы и показано, как всё это работает на практике. В ИИ-систему добавили Automated Reviewer - AI-рецензента, который оценивает статьи на уровне человека и даже стабильнее, чем сами люди. Исследователями обнаружен прямой закон масштабирования науки - чем сильнее базовая модель, тем выше качество научных работ, которые она генерирует. Это означает простую вещь: По мере роста моделей и удешевления вычислений качество AI-науки будет расти автоматически. Фактически мы подошли к точке, где исследования можно масштабировать так же, как сегодня масштабируют код или контент. • Nature: https://nature.com/articles/s41586-026-10265-5 • Blog: https://sakana.ai/ai-scientist-nature

Все что выпустили Antropic за последнее время. 73 релиза за 52 дня.

⚡️ MWS Cloud выпустил сервис по работе с большими языковыми моделями. MWS GPT Model Hub — облачный сервис, который предоставляет доступ к LLM внутри MWS Cloud Platform. Развертывание занимает секунды, модели подключаются через OpenAI‑совместимый API. Сейчас в сервисе 10 моделей, включая DeepSeek, Google, Alibaba, Zhipu AI. До конца года добавят еще десяток — с поддержкой преобразования текста в речь и аудио в текст. Что можно делать с помощью MWS GPT Model Hub: • запускать AI‑ассистентов без настройки инфраструктуры; • обрабатывать большие объемы текстовых данных; • создавать внутренние AI‑сервисы для сотрудников; • сокращать time‑to‑market вдвое за счет быстрого прототипирования; • внедрять интеллектуальный поиск в продукты. К плюшкам: встроенные инструменты биллинга и учета ресурсов отслеживают расходы на AI‑функции по проектам и командам.

В Claude Code агент теперь сам решает, какие действия можно выполнять 👇 Раньше было два режима: - либо он постоянно спрашивает разрешение - либо skip permissions - делает всё без спроса Первое раздражает. Второе - рискованно. Теперь появился auto mode. В этом режиме Claude: - сам принимает решения о доступах - оценивает каждое действие - безопасные - выполняет сразу - рискованные - блокирует или ищет альтернативу По сути: • это тот же skip permissions, но с встроенной проверкой на потенциальный вред 🧠 Под капотом - классификатор, который анализирует каждый шаг агента

Как перейти от ИИ-экспериментов к рабочим системам Рассказываем, где узнать реальный опыт тех, кто встроил искусственный интеллект в ключевые процессы компании и извлек из этого реальную выгоду. 22 апреля присоединяйтесь к конференции МЛечный путь от Selectel, провайдера инфраструктуры для ИИ. Эксперты топовых ИТ-компаний расскажут: 🔺Как ускорить ML-пайплайны и снизить издержки на инференс без потери качества 🔺Как безопасно внедрить генеративные модели в ключевые процессы и управлять эффектом этого внедрения 🔺Как интегрировать модели в существующую ИТ-архитектуру Конференция пройдет 22 апреля в Москве. Участие бесплатное, регистрируйтесь: https://slc.tl/ib77j Реклама. АО "Селектел". erid:2W5zFHjUoay

Google представили TurboQuant - алгоритм, который сильно снижает требования к памяти при работе LLM. KV-cache - это то, что хранит весь контекст во время генерации. И именно он сейчас становится главным ограничением, а не сами модели. Чем длиннее диалог или больше пользователей, тем быстрее заканчивается память на GPU. TurboQuant решает это так: - сжимает KV-cache минимум в 6 раз - ускоряет инференс до 8 раз - сохраняет качество без заметной потери Это ключевой момент: раньше компрессия почти всегда ухудшала ответы. Как это устроено: - сначала данные преобразуются (rotation), чтобы их было проще сжимать - затем применяется основной алгоритм сжатия (PolarQuant) - после этого добавляется лёгкая коррекция (QJL), которая убирает ошибки В итоге получается почти точное восстановление при сильно меньшем объёме. С TurboQuant: - модели можно запускать на меньшем количестве GPU - один сервер может обслуживать больше запросов - становится проще работать с длинным контекстом - падает стоимость инференса По сути, это не про “ускорить модель”, а про перераспределение ресурсов внутри всей системы. Раньше оптимизировали веса моделей теперь оптимизируют то, как они работают в проде И KV-cache, как раз одна из самых дорогих частей. https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/ 🐍 полезные ресурсы 🚀Max @data_analysis_ml

🚀 Похоже, в Claude Code появилась новая фича - Auto-dream Пока официально не анонсирована, но её уже заметили в /memory • Что это такое Auto-dream - это фоновый подагент Claude, который: - анализирует последние сессии - извлекает ключевые знания - обновляет MEMORY.md - очищает и переорганизует старые данные • Как устроена память - MEMORY.md - это индекс - отдельные файлы - детали по темам - /memory - управление системой 👉 по сути, как garbage collector, но для памяти 🐍 Python полезные ресурсы 🚀Max @data_analysis_ml

🚀 Cursor сделал regex-поиск мгновенным Instant Grep ищет по миллионам файлов за миллисекунды 16.8 сек → 13 мс И главное: они не ускоряли regex они убрали лишний поиск 🧠 Как это работает - создаётся индекс: куски текста → файлы - используются триграммы (fil, ile, le_) - сначала ищутся кандидаты - потом запускается regex 👉 большинство файлов вообще не открывается 🔥 Ключевая идея - sparse n-grams - индексируются не все куски - только самые «полезные» - редкие символы имеют больший вес 💾 Всё локально - индекс хранится у тебя - привязан к Git - быстрый доступ через memory map Скорость даёт не regex а умный отбор файлов до поиска. https://x.com/cursor_ai/status/2036122609931165985

Если вы работаете с выгрузками из баз, логами сервисов или отчетами за годы — вы уже имеете дело со значениями, разделенными запятыми (CSV). Но умеете ли вы загружать CSV в Spark правильно? На открытом уроке разберем, как из плоского файла получить распределенную коллекцию данных — DataFrame. Поймем, почему DataFrame — это не просто таблица, как настраивать разбор грязных данных, объявлять схему вручную и избегать ошибок в промышленной среде. Вы увидите, как Spark взаимодействует с файловой системой, научитесь писать код для загрузки CSV в PySpark или Scala и разберетесь, когда достаточно pandas, а когда без Spark не обойтись. Открытый урок проходит в преддверии старта курса «Spark-разработчик». ➡️ Подробности и регистрация: https://otus.pw/XM07/

🚀 Anthropic показали новый режим: AI может выполнять задачи на компьютере и по расписанию без твоего участия Главное: - Claude управляет компьютером - кликает, вводит текст, открывает сайты - выполняет задачи в браузере и приложениях + появился режим /schedule: - ставишь задачу → задаёшь время - Claude сам запускает и выполняет её - даже если твой ноут выключен - отчёты генерируются сами - соцсети мониторятся автоматически - задачи выполняются без контроля https://claude.com/product/cowork#dispatch-and-computer-use 🐍 Python полезные ресурсы 🚀Max @data_analysis_ml

🚀 Ускоряем внедрение ИИ-агентов в реальные задачи на Agents Week Насыщенный интенсив от Школы анализа данных Яндекса пройдет с 6 по 10 апреля. Много про инженерных подход к современным агентным системам, их мониторинг и масштабирование. За пять дней поймете, с чего начать проектирование и настройку поведения, какие есть практики построения single-agent и multi-agent-систем, как доводить агентов о продакшена. Формат: лекции с возможностью задать вопрос экспертам и практика. Программа и спикеры — по ссылке. Там же можно зарегистрироваться до 9 апреля включительно.

🤖 Этот open-source репозиторий даёт твоему ClawdBot “зрение” Это AI-ассистент в реальном времени для умных очков Meta Ray-Ban. Он объединяет: → голос → зрение → действия агента Работает через Gemini Live и OpenClaw. Как это выглядит: Ты надеваешь очки → нажимаешь кнопку AI → просто говоришь Дальше: • Gemini видит через камеру очков и описывает происходящее • передаёт задачу в OpenClaw • OpenClaw выполняет её через подключённые приложения Можно: → отправлять сообщения в WhatsApp / Telegram / iMessage → искать информацию в интернете → получать ответы голосом 📊 Технически: • камера очков передаёт изображение примерно 1 кадр в секунду в Gemini • аудио работает в обе стороны в реальном времени • OpenClaw выполняет действия как агент По сути, это полноценный AI-ассистент, который видит мир вместе с тобой https://github.com/Intent-Lab/VisionClaw 🐍 Python полезные ресурсы 🚀Max

Как запустить микросервисы в Managed Kubernetes

Микросервисное приложение мало просто задеплоить — нужны правила запуска, обновлений, масштабирования и изоляции. Именно они делают эксплуатацию предсказуемой, а инфраструктуру — готовой к росту нагрузки.

На вебинаре 26 марта в 11:00 эксперты Cloud.ru разберут, как превратить Managed Kubernetes в удобную и надежную платформу для работы микросервисов. В программе:

1️⃣ разберете, в каких проектах микросервисы действительно нужны и как быстро запустить готовое масштабируемое решение в облаке без лишних сложностей; 2️⃣ рассмотрите базовую структуру Kubernetes для микросервисов: что потребуется сразу, а что можно отложить; 3️⃣обсудите, как организовать деплой, обновления и откаты, чтобы релизы были управляемыми; 4️⃣ настроите масштабирование с помощью нативных инструментов Kubernetes; 5️⃣ свяжете платформу с реестром артефактов; 6️⃣ узнаете, как следить за метриками и логами приложения.

👉Зарегистрироваться👈

⚡️ Лучшие GitHub-репозитории для Claude Code, которые могут увеличить эффективность твоего следующего проекта 1. Superpowers https://github.com/obra/superpowers 2. Awesome Claude Code https://github.com/hesreallyhim/awesome-claude-code 3. GSD (Get Shit Done) https://github.com/gsd-build/get-shit-done 4. Claude Mem https://github.com/thedotmack/claude-mem 5. UI UX Pro Max https://github.com/nextlevelbuilder/ui-ux-pro-max-skill 6. n8n-MCP https://github.com/czlonkowski/n8n-mcp 7. Obsidian Skills https://github.com/kepano/obsidian-skills 8. LightRAG https://github.com/hkuds/lightrag 9. Everything Claude Code https://github.com/affaan-m/everything-claude-code 🎯Полезные Мл-ресурсы 🚀 Max @data_analysis_ml

🤖 Palantir AI + Claude использовались для обнаружения, приоритизации и ударов по более чем 1000 целям в первые 24 часа операции против Ирана Результат оказался настолько мощным и прорывным, что Пентагон даже не стал ждать. То, что раньше было просто пилотным проектом и тестировалось в ограниченном режиме… в один момент стало официальным, постоянным и начало масштабироваться повсюду. Теперь Palantir - это ключевой “AI-мозг” всей армии США. Система уже внедряется во все роды войск. https://www.moneycontrol.com/world/how-palantir-and-anthropic-ai-helped-the-us-hit-1-000-iran-targets-in-24-hours-article-13853331.html 🎯Полезные Мл-ресурсы 🚀 Max @data_analysis_ml