Product × Science
前往频道在 Telegram
I diagnose with data and treat with design. More hardcore materials here – @co_intelligence @martsen | https://pxs.md
显示更多5 933
订阅者
无数据24 小时
-67 天
-4330 天
数据加载中...
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
七月 '26
七月 '26
+7
在0个频道中
六月 '26
+19
在0个频道中
Get PRO
五月 '26
+22
在0个频道中
Get PRO
四月 '26
+51
在0个频道中
Get PRO
三月 '26
+42
在3个频道中
Get PRO
二月 '26
+32
在1个频道中
Get PRO
一月 '26
+36
在0个频道中
Get PRO
十二月 '25
+27
在1个频道中
Get PRO
十一月 '25
+35
在0个频道中
Get PRO
十月 '25
+48
在2个频道中
Get PRO
九月 '25
+29
在0个频道中
Get PRO
八月 '25
+41
在2个频道中
Get PRO
七月 '25
+44
在0个频道中
Get PRO
六月 '25
+47
在0个频道中
Get PRO
五月 '25
+79
在0个频道中
Get PRO
四月 '25
+64
在0个频道中
Get PRO
三月 '25
+77
在0个频道中
Get PRO
二月 '25
+52
在0个频道中
Get PRO
一月 '25
+67
在0个频道中
Get PRO
十二月 '24
+55
在0个频道中
Get PRO
十一月 '24
+69
在0个频道中
Get PRO
十月 '24
+110
在1个频道中
Get PRO
九月 '24
+166
在3个频道中
Get PRO
八月 '24
+413
在0个频道中
Get PRO
七月 '24
+462
在0个频道中
Get PRO
六月 '24
+132
在1个频道中
Get PRO
五月 '24
+73
在0个频道中
Get PRO
四月 '24
+96
在1个频道中
Get PRO
三月 '24
+119
在1个频道中
Get PRO
二月 '24
+135
在0个频道中
Get PRO
一月 '24
+78
在0个频道中
Get PRO
十二月 '23
+77
在1个频道中
Get PRO
十一月 '23
+80
在0个频道中
Get PRO
十月 '23
+99
在0个频道中
Get PRO
九月 '23
+151
在0个频道中
Get PRO
八月 '23
+104
在0个频道中
Get PRO
七月 '23
+97
在0个频道中
Get PRO
六月 '23
+123
在0个频道中
Get PRO
五月 '23
+1 106
在0个频道中
Get PRO
四月 '23
+85
在0个频道中
Get PRO
三月 '23
+81
在0个频道中
Get PRO
二月 '23
+86
在0个频道中
Get PRO
一月 '23
+97
在0个频道中
Get PRO
十二月 '22
+115
在0个频道中
Get PRO
十一月 '22
+80
在0个频道中
Get PRO
十月 '22
+64
在0个频道中
Get PRO
九月 '22
+99
在0个频道中
Get PRO
八月 '22
+84
在0个频道中
Get PRO
七月 '22
+100
在0个频道中
Get PRO
六月 '22
+154
在0个频道中
Get PRO
五月 '22
+81
在0个频道中
Get PRO
四月 '22
+73
在0个频道中
Get PRO
三月 '22
+60
在0个频道中
Get PRO
二月 '22
+116
在0个频道中
Get PRO
一月 '22
+101
在0个频道中
Get PRO
十二月 '21
+66
在0个频道中
Get PRO
十一月 '21
+45
在0个频道中
Get PRO
十月 '21
+111
在0个频道中
Get PRO
九月 '21
+95
在0个频道中
Get PRO
八月 '21
+113
在0个频道中
Get PRO
七月 '21
+136
在0个频道中
Get PRO
六月 '21
+54
在0个频道中
Get PRO
五月 '21
+91
在0个频道中
Get PRO
四月 '21
+83
在0个频道中
Get PRO
三月 '21
+69
在0个频道中
Get PRO
二月 '21
+74
在0个频道中
Get PRO
一月 '21
+190
在0个频道中
Get PRO
十二月 '20
+3 190
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 13 七月 | +1 | |||
| 12 七月 | 0 | |||
| 11 七月 | +2 | |||
| 10 七月 | +1 | |||
| 09 七月 | +1 | |||
| 08 七月 | 0 | |||
| 07 七月 | 0 | |||
| 06 七月 | 0 | |||
| 05 七月 | 0 | |||
| 04 七月 | 0 | |||
| 03 七月 | +1 | |||
| 02 七月 | 0 | |||
| 01 七月 | +1 |
频道帖子
| 2 |  +3Никогда не думал, что буду работать в автоиндустрии.
Делаем машины на любой вкус: электро, автономные, большие, маленькие.
Даже призовой фонд делаем из автомобилей. | 659 |
| 3 | Сегодня идет конференция YoungCon – там всякое полезное.
Включаем стрим на фоне и наблюдаем за трендами:
https://yandex.ru/youngcon/#stream
Ближайшее в программе:
〰️ 13:40 — Андрей Холодный, Руководитель подразделения HW‑разработки роботакси и грузовиков
«Автономную машину нельзя купить — её нужно создать: настоящая история роботакси»
〰️ 14:00 — Олег Шипитько, CPO Яндекс Роботикс
«Как превратить робота в универсального помощника человека: от программирования к обучению физического ИИ»
〰️ 14:20 — Александр Букин, Менеджер продукта Яндекс Байк
«Велосипед как сервис: как устроен Яндекс Байк для курьеров»
〰️ 14:40 — Леонид Ясиновский, Руководитель сервиса Самокаты Яндекс Go
«Зачем Яндекс разрабатывает свой самокат и что у него общего с холодильником»
〰️ 15:00 — Тембот Керефов, СЕО Яндекс Электро
«Автомобиль и его экосистема: как Яндекс приближает эпоху электромобилей» | 710 |
| 4 |  Ваши идеи в коменты: как замерить качество технологии в такой ситуации? | 713 |
| 5 |  🚛 700 километров без участия человека
Роботрак Яндекса впервые в России прошёл маршрут Москва — Санкт-Петербург полностью в автономном режиме — около 700 км по трассе М-11 «Нева», без вмешательства человека. Водитель-испытатель был в кресле, но не принимал никакого участия.
Грузовиком управляла ИИ-система: она самостоятельно обходила медленные машины, объезжала ремонтные зоны и проезжала пункты оплаты, точно рассчитывая манёвры на скорости 90 км/ч с учётом тормозного пути гружёного тягача. Единственная остановка — плановый отдых водителя-испытателя.
Поездку сняли на камеру:
🅿️ВК Видео: полная 8-часовая запись и короткий ролик с ключевыми моментами
🅿️YouTube: полное 8-часовое видео и короткий ролик | 763 |
| 6 | Едем потихоньку | 689 |
| 7 |  #ML
Как и 60 лет назад, нейронки начали часто сравнивать с мозгом, а у мозга есть психологи (хотя и у нейронов уже появляются исследователи настроений). И как и в любой другой области знаний, у психологов есть свой собственный глоссарий, и я решил составить первый словарь по переводу с психологического на язык MLE.
Меня осенило когда читал статью Kahneman-Tversky Optimisation — это же идея обесценивание в чистом виде)
Итак, первый в мире словарь Psychologist — Machine Learning Engineer:
Выборочное внимание (selective attention) — Attention // комментарии излишни, эту статью знают все
Выгорание — Vanishing Gradients // градиент ещё где-то есть, но до полезного обновления уже не доходит
Газлайтинг — Label Corruption Attack // истинные метки подменены, модель больше не доверяет собственному датасету
Гиперконтроль — Hard Attention // фокус в точку
Границы личности — Constrained Attention // у каждого входа есть предел влияния на твой hidden state
Диссоциация — Stop-Gradient Operation // событие вроде обрабатывается, но связь с чувством “это происходит со мной” разорвана
Защитная реакция — Robustness Patch Under Distribution Shift // не исправляет внутреннюю модель, но помогает не развалиться на новых входах
Избегание — Early Stopping // обучение прекращается ровно перед тем батчем, где могло стать полезно, но неприятно
Катастрофизация — Worst-Case Data Augmentation // из каждого обычного примера генерируем самый страшный out-of-distribution сценарий
Накопленная обида — Gradient Accumulation // градиенты копятся несколько шагов, а параметры не обновляются
Навязчивые мысли — Neural Text Degeneration // модель застревает в повторяющихся нежелательных продолжениях
Низкая самооценка (почти то же что и Синдром самозванца) — In-Distribution Underconfidence // даже на знакомых примерах модель отвечает “вероятно, я ошибаюсь”
Обесценивание — Kahneman-Tversky Optimisation // минимум наград за успехи, максимум штрафов за ошибки
Отрицание — Missing Data Imputation // значения нет, но система подставляет приемлемую замену и продолжает как ни в чём не бывало
Пассивная агрессия — Low-Rank Hostility Adapter // базовая модель вежливая, но маленькая LoRA добавляет токсичный стиль
Перфекционизм — Overfitting // модель не готова к деплою, пока loss не станет метафизически равен нулю
Потребность в одобрении — RLHF // модель учится через внешнюю человеческую оценку того, “хороший” ли был ответ
Прокрастинация — Learning Rate Warmup // Начнем с раскачки
Проекция — Transfer Learning (negative transfer) // модель переносит старое представление на новый домен, хотя там оно уже искажает реальность
Психологическая устойчивость — Robust Generalization Under Distribution Shift // мир вокруг меняется
Рационализация — Post-hoc Explainability // сначала модель выдала странный ответ, потом уверенно объяснила, что так и было задумано
Ревность — Triplet Loss // держи чужого подальше от семьи)
Руминация — Repetition Loops in Neural Text Generation // модель застревает в повторяющемся цикле и снова генерирует то же самое содержание
Самокритика — есть Self-critical Sequence Training и еще Adversarial Self-Supervised Contrastive Learning // Модель сравнивает сэмплированный ответ со своим же baseline-выводом
Самосаботаж — Reward Hacking // агент нашёл reward, но выбрал действие, которое ломает собственную функцию полезности
Созависимость — Co-adaptation // один feature detector становится полезным только в присутствии других и теряет самостоятельность
Травматический опыт — Outlier-weighed Layerwise Sampling for LLM Fine-tuning // один пример получил слишком большой вес и теперь портит всю функцию потерь
Тревожность — Noise Memorization // Система начинает видеть значимый сигнал в шуме и переобучается на случайные паттерны
Эмоциональное подавление — Gradient Clipping // слишком сильные эмоции обрезаются до допустимой нормы
Эмоциональные качели — Training Instability // обучение нестабильно: сигнал то исчезает, то взрывается.
Продолжение следует | 828 |
| 8 |  +1Неожиданный коллаб дня. Когда работал во Flo Healht, то одна из настолько книг для погружения в предмет была "What To Expect When You're Expecting". Оказывается, есть "кавер-версия" для Physical AI, которая написана CEO одной роботаксишной компании. | 906 |
| 9 | Лет десять с хвостиком назад был заметный шум вокруг Sci-Hub. Этот стартап Александры Элбакян довольно успешно пытался решить проблему доступа к научным публикациям за пейволом; для многих исследователей, работающих в не самых богатых заведениях, проблема такого доступа к необходимой по работе информации была и остается довольно болезненной (яркий пример — научная журналистика и популяризация науки; редакции соответствующих изданий редко готовы оплачивать своим авторам доступ к публикациям в журналах какого-нибудь Elsevier).
Пересказывать историю преследования Александры не буду; к счастью, полностью справиться с ней издателям не удалось несмотря на все свои старания.
Но вот новость, которую я пропустил: в духе времени Александра запустила ИИ-бот для поиска по накопленному архиву публикаций; и он знает про науку куда больше, чем многие большие ИИ-модели, которые не могут пробраться за издательские пейволы. Галлюционирует он тоже мало — как любая RAG-система. Приятно, что несмотря на все препятствия система по-настоящему открытого доступа к научному знанию продолжает жить и развиваться:)
https://cen.acs.org/policy/publishing/Sci-Hub-created-new-AI/104/web/2026/04
(Немножко про историю Sci-Hub: https://www.vice.com/en/article/academic-piracy-elsevier-sci-hub/ ) | 1 374 |
| 10 |  Главные мысли, после года работы над роботакси и автономными грузовиками
1. AI-продукты выходят из интерфейсов в физический мир: они принимают решения и действуют в реальности.
2. Вопрос «что умеет модель?» становится недостаточным. Для пользователей, заказчиков и бизнеса всё важнее другое: как доказано, что поведение системы безопасно, надёжно и воспроизводимо?
3. Тестирование, верификация и валидация становятся частью продуктовой стратегии, а не только инженерного процесса.
4. Аналитик проектирует методологию оценки: метрики, сегменты, датасеты, сценарии и критерии допуска к эксплуатации.
5. Продуктовый взгляд помогает формально описывать навыки робота: через поведенческую аналитику, JTBD, Job Maps, детализированные user stories и умение систематизировать хаос процессов реального мира.
Спасибо организаторам Aha'26 за возможность поделиться опытом на широкую аудиторию. | 1 414 |
| 11 |  Жду вас через 20 минут.
Москва, кластер Ломоносов, зал Молекула. | 1 307 |
| 12 |  10 мая. Жена с дочкой ушли гулять. Самое время дойти до любимой кофейни, взять ноль-три фильтра и круассан с шоколадом.
Создана обстановка, близкая к идеальной, чтобы сделать презентацию к Aha’26. Осталось 12 дней до выступления – немного запоздалый, но все еще комфортный срок.
Давненько ничего не рассказывал, но уже накопилась критическая масса уникального и полезного опыта, которым не грех поделиться на широкую аудиторию.
За полчаса расскажу:
- что за такая аналитика в автономном транспорте
- в чем сходства робота и типичной growth-воронки
- про задачи safety-аналитика и чем они похожи продуктовые
- как переиспользовать известные подходы и метрики при работе с автопилотом
Программа с более формальным описанием моего доклада тут:
https://lms.matemarketing.ru/events/all/3/program
Приобрести билетик можно на этой же страничке.
Увидимся на Ахе! | 1 706 |
| 13 |  Читая Ризона и его "Человеческую ошибку": экспертиза и предсказуемость типов ошибок
Джеймс Ризон (James Reason) - важный для нас автор, британский психолог, автор фундаментальной теории «человеческого фактора» . В своей фундаментальной книге «Человеческая ошибка» (1990) он доказал, что ошибки — это не только причина, но и следствие несовершенства систем: авария происходит, когда «дырки» (слабые места) во всех слоях выстраиваются в одну линию и возникает «траектория возможности аварии». Немного отрывка из книжки
Существует значительное количество данных , свидетельствующих о том, что на уровнях навыка и правил ошибки с высокой вероятностью принимают форму «сильного, но неверного» поведения. На уровне навыка управление действием обычно перехватывается наиболее активной моторной схемой в окрестности узла, где проверка внимания была пропущена или выполнена не вовремя. Аналогично, наиболее вероятная ошибка на уровне правил связана с неадекватным соотнесением признаков среды с ситуационной составляющей хорошо отработанных диагностических («troubleshooting») правил. В обоих случаях формы ошибок уже присутствуют в хранимом репертуаре структур знаний индивида.
Для ошибок на уровне знаний это не так. Когда проблемное пространство представляет собой в значительной степени неизведанную территорию, гораздо труднее заранее предсказать, какие именно сокращения или упрощения могут быть ошибочно применены. Поскольку ошибки на уровне знаний возникают из сложного взаимодействия «ограниченной рациональности» и неполных или неточных ментальных моделей, их конкретные формы гораздо менее предсказуемы. В лучшем случае можно прогнозировать лишь общие когнитивные и ситуационные факторы, которые совместно порождают ошибки на уровне знаний.
Ошибки на уровне знаний обладают качеством «попаданий и промахов», сходным с ошибками новичков. Как бы ни был экспертен человек в решении знакомых задач, его выполнение начинает приближаться к уровню новичка, как только запас применимых правил исчерпан требованиями новой ситуации. Важнейшие различия между новичком и экспертом лежат именно на уровнях навыка и правил. Экспертиза заключается в наличии большого запаса адекватных рутин для широкого спектра возможных обстоятельств.
Существуют убедительные данные (Adelson, 1984), показывающие, что в искусном решении задач ключевые различия между экспертами и новичками заключаются в уровне абстракции и сложности репрезентации знаний и правил. В целом эксперты представляют проблемное пространство на более абстрактном уровне, чем неэксперты. Последние больше сосредотачиваются на поверхностных признаках задачи. Классический результат об абстрактных репрезентациях экспертов получен Чейзом и Саймоном (Chase & Simon, 1973), которые продемонстрировали выраженное превосходство шахматных мастеров в реконструкции осмысленных шахматных позиций середины партии после 5-секундной презентации. Оказалось, что кластеры запоминания мастеров часто состояли из фигур, образующих атакующие или оборонительные конфигурации. Таким образом, отдельные фигуры «сворачивались» в составные части более крупных осмысленных единиц. Сходные результаты получены для мастеров игры го (Reitman, 1976), физиков (Chi, Glaser & Rees, 1981), математиков (Lewis, 1981) и программистов (Adelson, 1981, 1984).
Таким образом, эксперты обладают гораздо большим набором правил решения задач, причём эти правила сформулированы на более высоком уровне абстракции. В предельном (хотя и маловероятном) случае это означало бы, что экспертиза исключает необходимость прибегать к режиму решения задач на основе знаний. Более реалистично, однако, говорить о тесной связи между предсказуемостью ошибок и степенью экспертизы: чем выше уровень мастерства индивида в выполнении конкретной задачи, тем выше вероятность того, что его ошибки примут форму «сильного, но неверного» поведения именно на уровнях навыка и правил. | 1 212 |
| 14 | Полезные мысли в контексте роботизации и автоматизации разных планов. | 836 |
| 15 | Toyota и Woven by Toyota показали Woven City AI Vision Engine (фундаментальную VLM для городского мониторинга), Behavior AI и Drive Sync Assist для предсказания поведения людей и синхронизации транспорта и инфраструктуры. Фактически японцы демонстрируют умный город времен развитого ИИ, где люди, машины и светофоры рассматриваются как одна координируемая системой ИИ сущность.
При этом Woven City Behavior AI interprets and predicts human behavioral patterns, while Woven City Drive Sync Assist provides driving assistance based on driver needs and surrounding conditions — то есть системы умного города начинают предсказывать поведение людей и использовать это знание, а не только данные от собственно инфраструктуры города, для оптимального управления городскими системами.
By analyzing camera data from vehicles and traffic signals, the system can understand movement, anticipate behavior, and provide that information to pedestrians and drivers to support peace of mind both on and off the road. Together, these technologies enable people, mobility technologies and infrastructure to operate as a single coordinated system, improving safety.
Про support peace of mind both on and off the road мне особенно понравилось: очень японское целеполагание, вряд ли встретишь в пресс-релизе американской компании:)
https://woven.toyota/en/news/20260422/ | 1 118 |
