![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]
前往频道在 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
显示更多![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}
网络:📈 Telegram 频道 Data Science | Machinelearning [ru] 的分析概览
频道 Data Science | Machinelearning [ru] (@devsp) 俄语 语言赛道中的 是活跃参与者。目前社区聚集了 19 838 名订阅者，在 技术与应用 类别中位列第 6 469，并在 俄罗斯 地区排名第 33 081 位。
📊 受众指标与增长动态
自 невідомо 创建以来，项目保持高速增长，吸引了 19 838 名订阅者。
根据 15 九月, 2026 的最新数据，频道保持稳定运转。过去 30 天订阅人数变化为 4，过去 24 小时变化为 -3，整体触达仍然可观。
- 认证状态： 未认证
- 互动率 (ER)： 平均受众互动率为 8.06%。内容发布后 24 小时内通常能获得 5.00% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 1 599 次浏览，首日通常累积 991 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 5。
- 主题关注点： 内容集中在 llm, nvidia, контекст, openai, архитектура 等核心主题上。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台：
“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”
凭借高频更新（最新数据采集于 16 九月, 2026），频道始终保持新鲜度与高覆盖。分析显示受众积极互动，使其成为 技术与应用 类别中的关键影响点。
19 838
订阅者
-324 小时
-377 天
+430 天
数据加载中...
相似频道
![About Python [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.tlmtr.io%2Fc%2F1mSDRp%2F5199693112157519753%3Fty%3Dx&w=96&q=75){kind=small}
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
九月 '26
九月 '26
+155
在23个频道中
八月 '26
+89
在11个频道中
Get PRO
七月 '26
+152
在11个频道中
Get PRO
六月 '26
+135
在0个频道中
Get PRO
五月 '26
+341
在0个频道中
Get PRO
四月 '26
+306
在0个频道中
Get PRO
三月 '26
+147
在1个频道中
Get PRO
二月 '26
+60
在1个频道中
Get PRO
一月 '26
+485
在52个频道中
Get PRO
十二月 '25
+455
在52个频道中
Get PRO
十一月 '25
+945
在101个频道中
Get PRO
十月 '25
+1 277
在187个频道中
Get PRO
九月 '25
+344
在98个频道中
Get PRO
八月 '25
+153
在6个频道中
Get PRO
七月 '25
+261
在5个频道中
Get PRO
六月 '25
+350
在0个频道中
Get PRO
五月 '25
+293
在4个频道中
Get PRO
四月 '25
+225
在0个频道中
Get PRO
三月 '25
+396
在22个频道中
Get PRO
二月 '25
+137
在4个频道中
Get PRO
一月 '25
+558
在11个频道中
Get PRO
十二月 '24
+1 373
在53个频道中
Get PRO
十一月 '24
+1 166
在52个频道中
Get PRO
十月 '24
+69
在0个频道中
Get PRO
九月 '24
+76
在1个频道中
Get PRO
八月 '24
+78
在0个频道中
Get PRO
七月 '24
+124
在0个频道中
Get PRO
六月 '24
+120
在0个频道中
Get PRO
五月 '24
+169
在13个频道中
Get PRO
四月 '24
+188
在6个频道中
Get PRO
三月 '24
+301
在14个频道中
Get PRO
二月 '24
+974
在3个频道中
Get PRO
一月 '24
+225
在8个频道中
Get PRO
十二月 '23
+496
在26个频道中
Get PRO
十一月 '23
+197
在5个频道中
Get PRO
十月 '23
+133
在4个频道中
Get PRO
九月 '23
+124
在0个频道中
Get PRO
八月 '23
+938
在0个频道中
Get PRO
七月 '23
+138
在0个频道中
Get PRO
六月 '23
+1 325
在0个频道中
Get PRO
五月 '23
+382
在0个频道中
Get PRO
四月 '23
+362
在0个频道中
Get PRO
三月 '23
+278
在0个频道中
Get PRO
二月 '23
+412
在0个频道中
Get PRO
一月 '23
+469
在0个频道中
Get PRO
十二月 '22
+1 767
在0个频道中
Get PRO
十一月 '22
+616
在0个频道中
Get PRO
十月 '22
+141
在0个频道中
Get PRO
九月 '22
+369
在0个频道中
Get PRO
八月 '22
+1 027
在0个频道中
Get PRO
七月 '22
+1 350
在0个频道中
Get PRO
六月 '22
+485
在0个频道中
Get PRO
五月 '22
+232
在0个频道中
Get PRO
四月 '22
+169
在0个频道中
Get PRO
三月 '22
+117
在0个频道中
Get PRO
二月 '22
+154
在0个频道中
Get PRO
一月 '22
+202
在0个频道中
Get PRO
十二月 '21
+176
在0个频道中
Get PRO
十一月 '21
+254
在0个频道中
Get PRO
十月 '21
+504
在0个频道中
Get PRO
九月 '21
+6 558
在0个频道中
Get PRO
八月 '21
+145
在0个频道中
Get PRO
七月 '21
+197
在0个频道中
Get PRO
六月 '21
+131
在0个频道中
Get PRO
五月 '21
+307
在0个频道中
Get PRO
四月 '21
+71
在0个频道中
Get PRO
三月 '21
+852
在0个频道中
Get PRO
二月 '21
+81
在0个频道中
Get PRO
一月 '21
+70
在0个频道中
Get PRO
十二月 '20
+4 616
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 16 九月 | +5 | |||
| 15 九月 | +3 | |||
| 14 九月 | +1 | |||
| 13 九月 | +6 | |||
| 12 九月 | +4 | |||
| 11 九月 | +5 | |||
| 10 九月 | +4 | |||
| 09 九月 | +6 | |||
| 08 九月 | +39 | |||
| 07 九月 | +48 | |||
| 06 九月 | +1 | |||
| 05 九月 | +2 | |||
| 04 九月 | +3 | |||
| 03 九月 | +4 | |||
| 02 九月 | +10 | |||
| 01 九月 | +14 |
频道帖子
| 2 | 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 | 827 |
| 3 |  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! | 878 |
| 4 | ![[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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){kind=small} [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 | 742 |
| 5 |  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 | 858 |
| 6 | 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 | 951 |
| 7 |  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 | 1 090 |
| 8 |  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] | 1 190 |
| 9 |  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] | 1 195 |
| 10 |  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] | 1 130 |
| 11 |  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] | 1 199 |
| 12 |  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] | 1 192 |
| 13 |  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] | 1 258 |
| 14 |  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] | 1 356 |
| 15 |  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] | 1 290 |
| 16 |  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] | 1 413 |
| 17 |  🤣 Наконец-то батя покажет, как он в детстве ходил в школу за 100 верст
💥 xCode Journal | 1 |
| 18 |  🤩 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 | 1 436 |
| 19 | 🤣 Наконец-то батя покажет, как он в детстве ходил в школу за 100 верст
💥 xCode Journal | 1 574 |
| 20 |  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] | 1 591 |
