Data Secrets

Тем временем админ уже собирался переезжать со всеми самыми важными вещами

⚙️ Можно выдохнуть: «запрет» Nvidia, кажется, оказался сбоем В компании ситуацию пока не комментируют, но на сайте у российских пользователей вернулась возможность загружать драйверы без VPN.

⚡️ Nvidia закрыла возможность скачать и обновить драйверы видеокарт пользователям в России. 😱 @xor_journal

К слову, вот вам интересный факт про новый релиз Anthropic: над подобным агентом, управляющим компьютеров, OpenAI работает с 2016 года (их пост об этом) И, как вы думаете, кто именно работал на этом проекте в OpenAI? Правильно, текущий CEO Anthropic Дарио Амодеи и один из ведущих разработчиков стартапа Джек Кларк.

Крутые новости из мира математики: в GIMPS нашли новое самое большое простое число Им оказалось 2^136279841-1. Это число имеет 41 024 320 цифр: это более, чем на 16 миллионов цифр превосходит длину предыдущего наибольшего простого числа. Кстати, это первое новое простое число, найденное за 6 лет и первое простое число, для поиска которого использовались GPU. Простоту числа доказал Люк Дюрант: для этого ему пришлось создать целый облачный суперкомпьютер, работающий на серверах из 17 стран. Люк, кстати, – бывший сотрудник Nvidia.

🔴 Как защитить данные, где бы они ни находились? 29 октября в 11:00 Positive Technologies проведет вебинар, посвященный защите данных. Эксперты расскажут, с какими проблемами сегодня сталкиваются компании в этой сфере и рассмотрят возможные пути решения. На вебинаре спикеры: ➡️ представят PT Data Security — новый продукт, который защищает данные независимо от их типа и места хранения; ➡️ покажут демо основных сценариев его использования; ➡️ расскажут важное о продуктовой фиче — автоматической классификации данных; ➡️ подскажут, как повлиять на развитие продукта. Хотите первыми увидеть PT Data Security — новый продукт Positive Technologies для защиты данных? Тогда скорее регистрируйтесь.

Ли Кайфу: экономика ИИ в США "невероятно нездоровая" Для справки: Ли Кайфу – инвестор, бывший директор Microsoft Research Asia, основатель стартапа 01.ai, и в общем очень влиятельный дядя. Так вот, недавно на закрытом форуме он открыто нелестно отзывался об инфраструктуре ИИ в США. Вот, что он говорил: ➡️ Экосистема ИИ держится только на Nvidia, к которой пытаются присоединиться еще несколько мелких производителей, и в сумме они все зарабатывают около $75 млрд. При этом сама инфраструктура ИИ зарабатывает около $10 млрд, а производители ИИ-приложений и вовсе лишь $5 млрд. Такая пирамида – это плохо, и в здоровой экономике все должно быть ровно наоборот. ➡️ Дело в том, что традиционно приложения должны зарабатывать больше, чем инфраструктура, чтобы привлекать новых пользователей и деньги. За счет этого развивается инфраструктура. Иначе развитию конец. ➡️ Чтобы решить проблему, компании должны работать над снижением стоимости инференса моделей, а также создавать собственные вертикальные технологические стеки (как Apple сделала с iPhone). "Самыми успешными будут те, кто создаст собственные чипы". ➡️ Например, модель BeaGo собственного стартапа Ли 01.ai работает в основном на собственном железе, оптимизированном именно под эту модель, и именно за счет этого BeaGo такая дешевая (ее обучение стоило всего $3 млн, а стоимость инференса $0,14 / М). ➡️ Основная цель ИИ – зарабатывать и экономить деньги. Поэтому эта технология должна стать не просто частью предприятий, автоматизацией каких-то его частей и тд, а "главным мозгом" и инструментом добычи дохода.

Да, эту работу ИИ точно заберет захочет забрать не скоро

Все ждали Claude Opus 3.5, а получили обновленный Sonnet 3.5 и Claude 3.5 Haiku Но мы не расстраиваемся: Sonnet прокачали очень круто. Теперь модель может полностью автономно управлять компьютером: то есть не просто видеть экран, а двигать курсор, нажимать кнопки, пользоваться ПО (cм. видео). Из смешного: в этом посте Anthropic рассказали, что прямо во время тестирования моделька почему-то рандомно пошла в гугл и начала смотреть фотки национального парка. Вот что значит обучена на действиях людей. Кроме того, сильно качнулись метрики в кодинге и математике (например, 78.3% на MATH против 71.1% у предыдущей Sonnet 3.5). Видимо была проделана большая работа над ризонингом. Ну и, конечно, свежий Claude 3.5 Haiku: самая маленькая и дешевая модель. Ее бенчмарки тоже радуют глаз, кое-где превосходя даже Sonnet 3.5. В API ее пока нет, но обещают soon.

Как нужно укомплектовать команду ML для решения задачи? 🔹Расскажем на открытом уроке «Структура и построение ML команды» про композицию ML команды, различные роли в ней и их зоны ответственности ✅ Поговорим о том, зачем нужны ролы Data Scientist, Data Analyst, BI Analyst, ML Engineer, Data Engineer. Как организовать работу команды и взаимодействие внутри нее. Урок приурочен новому курсу «ML Team Lead» от Otus. 👉 Регистрация и подробности: https://otus.pw/EOlR/?erid=LjN8KcJHs #реклама О рекламодателе

Apple Intelligence выйдет в понедельник! Интересно, что это будет: приятный шок или все-таки разочарование?

Следуя примеру OpenAI, меняем аватарку в канале. Надеемся, у нас получился более удачный ребрендинг, чем у Альтмана 🔵

Бесплатный вебинар «Как стать аналитиком: полное руководство к действию» ↗️ Хотите узнать как выглядит типичный день аналитика, познакомиться с задачами и решить, подходит ли вам профессия? Спикер Ия Зотова, ментор и тимлид направления аналитики в Сбере, на бесплатном вебинаре даст стратегию поиска работы и расскажет, как осознанно и эффективно начать карьеру в сфере. Что будем делать на вебинаре? ✅ выясним, чем занимаются аналитики и какими они бывают ✅ поговорим о том как находить в данных инсайты и визуализировать результаты ✅ обсудим карту компетенций и разберем актуальные инструменты ✅ рассмотрим тренды в аналитике: AI/ML и BigData ✅ поймем, как выбрать pet-проект и найти крутую работу Встречаемся в 23 октября в 19:00 по мск. Регистрируйтесь и погружайтесь в аналитику по ссылке 🔗

А у Anthropic новая волна наружной рекламы без переходов на личности. Интересно, что хотел сказать автор? 🤔

Тем временем в сети пошел слушок, что OpenAI собирается сменить лого Как вам бублик? 🐱

У Google сегодня на повестке дня статья "What Are the Odds? Language Models Are Capable of Probabilistic Reasoning", которую приняли на EMNLP 2024 Статья исследует, способны ли LLM к вероятностному мышлению: то есть могут ли они осмыслить выборку как совокупность с ее законами и параметрами, и на основании этого делать какие-то выводы об отдельных кейсах. Другими словами, способны ли модели к математической дедукции. Для того, чтобы это проверить, ученые давали моделькам три разных вида задач (обычное вычисление вероятностей, сэмлинг образцов и вычисление перцентилей), а также тестировали разные виды контекста: обычные идеальные распределения (например, нормальное или степенное), real world распределения (данные о климате) и аппроксимированные real world распределения, то есть нечто среднее. Оказалось, что лучше всего LLM перформят в задаче вычисления перцентилей на идеальных распределениях, а вот с сэмплингом и реальными данными им пока сложно. Но главный вывод: модели все-таки обладают способностью к вероятностному мышлению, вопрос только в том, как из них эти способности вытаскивать.

В IT, как и в жизни, не всегда получается с первого раза Но лучше учиться у профессионалов, чем смотреть кучу бесполезных видео на YouTube IT-минималист — место, где вы найдете все, что нужно для успешного старта в IT: — Бесплатная база знаний — Проверка домашних заданий — Преподаватели — действующие Senior Data Analyst и магистры ФизТеха По делу, без воды и для любого уровня. Подпишись: @it_minimal

Обучение на real world data прошло успешно

Карьерный рост в Data Science и Machine Learning: взгляд изнутри от Александра Толмачева – директора по машинному обучению и анализу данных в Ozon Fintech Александр – настоящий чемпион Data Science. За свою карьеру он успел создать несколько успешных стартапов, преподавал в ВШЭ и Сколково, создавал свои курсы и конференции, работал на нескольких ведущих ML-должностях, а сейчас руководит командой из 100+ Data-специалистов в Ozon Fintech. Мы задали ему несколько вопросов о том, какие скиллы по-настоящему важны в ML-карьере, как развиваться в Data Science и что делать, чтобы достичь руководящей должности в бигтехе. В карточках – основные тезисы, а полный текст разговора ищите здесь. В качестве приятного бонуса прилагаем полезные ссылки, которыми с нами поделился Саша: ➡️ Информация о том, где после ухода курсеры найти ту самую специализацию по DA/ML от от МФТИ и Яндекс ➡️ Гайд, как пройти путь джедая в DS ➡️И, конечно, канал @analytics_kaanal: там Саша и еще 24 директора по данным анонимно и весело обсуждают заказчиков, сплетничают, делятся болями и опытом, рекомендуют разные книги и заряжают любовью к данным. Обязательно к подписке!

“Не хватит и целой жизни, чтобы полностью насладиться любовью к данным и моделированию.” – говорит Александр, – “Я всегда открыт, рад любым вопросам и готов помочь вам в вашем пути, пишите – @aa_tolmachev! ”