Математика Дата саентиста

Postgres: best practices для AI-агентов (и почему это важно) Supabase выпустили Postgres Best Practices - набор правил/“скиллов” для AI coding agents (Claude Code, Cursor, Copilot и т.д.), чтобы они писали не просто рабочий SQL, а нормальный продовый Postgres. Потому что классическая проблема такая: агент сгенерит “правильный” запрос, тесты пройдут, а через 2 недели это превратится в: - медленные JOIN’ы - seq scan на миллионы строк - взрыв коннектов - блокировки - RLS, которая внезапно тормозит всё Что внутри “Postgres Best Practices” Это структурированный набор правил по 8 темам (от самых критичных к менее критичным): - Query Performance (Critical) - как писать запросы, чтобы не убивать базу - Connection Management (Critical) - пулы, лимиты, правильная работа с коннектами - Schema Design (High) - индексы, типы, ключи, нормальные схемы - Concurrency & Locking (Medium-High) - как не словить дедлоки и долгие locks - Security & RLS (Medium-High) - RLS без боли и сюрпризов - Data Access Patterns (Medium) - как правильно читать/писать данные в приложении - Monitoring & Diagnostics (Low-Medium) - что мониторить и как дебажить - Advanced Features (Low) - продвинутые приёмы Самое полезное: это не “статья”, а готовый набор инструкций, который агент может автоматически применять, когда он: - пишет SQL - проектирует схему - предлагает индексы - оптимизирует запросы - настраивает RLS / connection pooling То есть агент начинает думать ближе к DBA, а не как генератор SQL. https://supabase.com/blog/postgres-best-practices-for-ai-agents

Карьера — это путь, на котором иногда хочется остановиться и сверить курс. Вы осваиваете новые навыки и решаете задачи, но превращается ли это в системный рост или просто в движение по инерции? Вместо неопределенности хочется ясности: четкого понимания, какие навыки действительно важны, в каком направлении движется карьера и куда стоит направить усилия для уверенного развития. На вебинаре «Аналитик данных: все, что нужно знать для старта в профессии в 2026» Анатолий Карпов поможет навести порядок в этом хаосе: объяснит, как сегодня устроена аналитика, какие навыки дают реальную ценность и как выстроить развитие так, чтобы чувствовать опору и уверенность в своих шагах. Анатолий Карпов — ez-аналитик Mailꓸru Group и VK, самый читаемый эксперт в аналитике, по исследованию NEWHR. Зарегистрируйтесь на вебинар и получите ясность в своем развитии — https://clc.to/erid_2W5zFH7HdvG Реклама. ООО "КАРПОВ КУРСЫ". ИНН 7811764627. erid: 2W5zFH7HdvG

💼 5 AI-репозиториев, которые реально помогут устроиться на работу в 2026 Сохрани себе - это готовые идеи, которые можно собрать в портфолио и показать на собесе. 1) RAG с нуля (RAG from Scratch) Поймёшь, как устроены retrieval, embeddings, чанкинг, ранжирование и ответы LLM. GitHub: https://github.com/langchain-ai/rag-from-scratch 2) AI-агент для соцсетей (Social Media Agent) Автоматизация контента: генерация постов, планирование, работа с трендами. GitHub: https://github.com/langchain-ai/social-media-agent 3) Анализ медицинских изображений (Medical Image Analysis) Компьютерное зрение + реальные кейсы: классификация, сегментация, пайплайны. GitHub: https://github.com/databricks-industry-solutions/pixels 4) MCP Tool-Calling агенты Агенты, которые умеют вызывать инструменты и внешние сервисы (LangGraph + MCP). Notebook: https://docs.databricks.com/aws/en/notebooks/source/generative-ai/langgraph-mcp-tool-calling-agent.html 5) AI-ассистент с памятью (Assistant with Memory) Персонализация: хранение контекста, long-term memory, улучшение диалогов со временем. GitHub: https://github.com/Makememo/MemoAI Если хочешь войти в AI - собирай не “игрушки”, а проекты, которые показывают реальные навыки.

⚡️Пошаговый план: как получить оффер на аналитика в 2026 году? Приглашаем на бесплатный вебинар, где Андрон Алексанян - эксперт в области аналитики и CEO школы аналитики Simulative — в прямом эфире разберет все важные аспекты в работе аналитика, а также расскажет как получить оффер быстрее других. Это очень полезное событие для тех кто только зашел в аналитику и для тех, кто хочет в нее зайти в ближайшее время. Особенно если вы не понимаете, какие навыки действительно важны или боитесь, что без опыта вас не возьмут на работу. Кстати тут разберут и возрастной аспект: как стать аналитиком в 30/40/50 лет и т.д. На вебинаре будет: 🟠Разберем полный роадмап: что учить, в каком порядке, до какого уровня; 🟠Структура хорошего портфолио с примерами; 🟠Что говорят реальные наниматели - какие у них сейчас требования:

— Покажем реальные примеры, как оформить резюме и портфолио, чтобы привлекать внимание; — Обсудим какие отклики работают, а какие сразу отправляют в корзину; — Изнанка найма: инсайдерский взгляд на процессы отбора

🟠 Практические техники для новичков: разберём, как компенсировать недостаток опыта и быстро закрывать пробелы в знаниях. 💬 Всем зарегистрировавшимся Simulative пришлют полезный материал — карту компетенций аналитика данных со всеми нужными инструментами для освоения. 😶Зарегистрироваться на бесплатный вебинар

🧊 pyPFC - Python-библиотека для Phase Field Crystal (PFC) симуляций Если ты занимаешься моделированием материалов, кристаллов или фазовых переходов - сохрани. pyPFC позволяет запускать PFC-симуляции быстро и удобно прямо на Python. Что такое Phase Field Crystal (PFC)? PFC (Phase Field Crystal) - это метод моделирования, который описывает материал как непрерывное поле плотности. Проще: - вместо того чтобы симулировать каждый атом отдельно (как в molecular dynamics) - PFC моделирует “узор кристаллической решётки” как волну/поле За счёт этого PFC может моделировать процессы на более длинных временных масштабах, чем классические атомарные симуляции. PFC используют, чтобы изучать: - рост кристаллов и формирование структуры - дефекты решётки (дислокации) - зернистость и границы зёрен - фазовые переходы и самоорганизацию - поведение материалов при охлаждении/нагреве Что даёт pyPFC: ⚡ ускорение на GPU через PyTorch (можно гонять и на CPU, и на RTX) 🧪 готовые 3D-симуляции, примеры, эксперименты 🧩 удобно для исследований и обучения 📦 open-source проект + нормальная инженерная структура GitHub: https://github.com/HHallb/pyPFC

Тренд на «универсалов»: кто будет востребован в аналитике в 2026? Эра «просто аналитиков», которые умеют только собирать таблицы, проходит. Сейчас заметен четкий сигнал рынка: компаниям нужны специалисты полного цикла — те, кто понимает путь данных от сбора до принятия бизнес-решения. Знания таблиц и базового SQL больше недостаточно, если вы хотите получать приглашения на собеседования и выигрывать конкуренцию у других кандидатов. Чтобы не тонуть в бесконечном списке требований работодателей, важно сфокусироваться на самом нужном. Илья Ковалёв (Senior-аналитик Dodo Brands) и Наталья Рожкова (HR-эксперт) проведут прямой эфир о том, как выжить и вырасти в этой среде 👍

🟠На примерах из Dodo посмотрим, как вести задачу от сырых данных до рабочего дашборда. 🟠Почему универсальные навыки стали преимуществом и как джуну соответствовать этому фильтру. 🟠Советы от HR, как доработать резюме и отклики, чтобы «пробивать» автоматические фильтры и внимание рекрутеров.

💬 Всем зарегистрировавшимся Simulative пришлют полезный материал — карту компетенций аналитика данных со всеми нужными инструментами для освоения. 🔗 Регистрируйтесь на бесплатный вебинар

🧠 Почти 40 лет прошло… и мы снова спорим о том же. Только теперь - про ИИ. В 1986 году учителя математики протестовали против калькуляторов. Боялись, что дети перестанут учить базу и будут просто “жать кнопки”. И на тот момент это была вполне реальная проблема. Перематываем в 2026 - и мы видим тот же спор, только уже про AI. Но есть важная разница: Калькулятор - просто даёт ответ. А ИИ способен сделать весь процесс: - придумать решение - объяснить шаги - написать код - оформить вывод - предложить варианты И вот это уже не “удобный инструмент”. Это смена самой модели обучения и работы. Калькулятор ускорял вычисления. ИИ ускоряет мышление и действия. И именно поэтому спор вокруг него будет намного жестче.

🧠 Grok 4.20: ИИ нашёл новую Bellman-функцию и продвинул сложную задачу в анализе По сообщениям, Grok 4.20 смог идентифицировать новую Bellman function, которая помогает продвинуться в одной из “тяжёлых” тем математики - на стыке: - гармонического анализа - стохастических процессов - и поведения случайных средних Самое интересное - ИИ не просто “угадал ответ”, а предложил явную формулу, основанную на времени выхода броуновского движения (exit time of Brownian motion). Результат: - удалось улучшить известную нижнюю оценку - и приблизить математическое сообщество к более точному пониманию того, как ведут себя средние значения в стохастических системах Мы входим в эпоху, где ИИ ускоряет математику не на проценты - а на порядки. ⚡️ https://x.com/PI010101/status/2011560477688463573

DeepSeek снова в игре 🔥 "Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models" Идея мощная: DeepSeek предлагают Engram - модуль памяти, который добавляет к LLM *lookup-память* с доступом за O(1). Что это значит по-человечески: вместо того чтобы каждый раз “вспоминать” шаблоны через слои трансформера, модель может моментально доставать нужные куски знаний из отдельной памяти. Engram - это: - хешированная N-gram память (modernized hashed N-gram embeddings) - которая работает как быстрый словарь: *пришёл паттерн → достали представление → усилили модель* Анализ показывает интересное: 🧠 Engram снижает необходимость ранним слоям заново реконструировать “статичные паттерны” (частые формы, устойчивые токены, регулярные последовательности) ➡️ То есть ранние слои (слои трансформера, которые стоят ближе всего ко входу.) меньше заняты “механической работой”и больше ресурсов остаётся на главное. В результате модель становится как будто глубже там, где надо: - reasoning - планирование - длинные цепочки мыслей Фактически это новый тип sparsity: не только MoE/спарсные слои, а спарсная память с быстрым доступом. Это уже похоже на шаг к LLM, где часть знаний живёт как “кэш-память”, а не внутри весов. Paper: https://github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf

🧠 Джеффри Хинтон: ИИ может обогнать людей в математике Хинтон считает, что математика - это «закрытая система», а значит ИИ может работать с ней как с игрой с понятными правилами. Модели уже умеют: • ставить себе задачи • проверять собственные доказательства • учиться на своих же ошибках — без примеров от людей

«Я думаю, что ИИ станет гораздо лучше людей в математике - возможно, уже в ближайшие 10 лет».

💡 Если это случится, ИИ сможет не просто решать задачи, а открывать новые теоремы и методы, двигая науку еще быстрее, чем раньше.

⚡️ Wavelet Matrix - структура данных, которая делает сложные запросы быстрыми Wavelet Matrix позволяет хранить последовательности так, чтобы работать с ними молниеносно и компактно. 🔥 Что умеет библиотека: - rank - сколько раз элемент встречается до позиции - select - где находится k-е вхождение элемента - quantile - k-й по величине элемент на отрезке - top-k - самые частые элементы на диапазоне И всё это — за логарифмическое время и с экономией памяти. Чем полезен - работает быстрее, чем наивные структуры - меньше памяти, чем обычные массивы - подходит для поиска, индексирования, сжатия, аналитики Wavelet Matrix - это пример того, как «умные» структуры данных дают реальные ускорения, а не просто красивая теория. Если интересуешься алгоритмами - этот репозиторий точно стоит сохранить. Репозиторий: https://github.com/math-hiyoko/wavelet-matrix @pythonl

⚡️ Математик Теренс Тао - один из самых цитируемых учёных в мире о LLM: Обучать и запускать большие языковые модели не так уж математически сложно: базу вполне может понять обычный студент-математик. Но настоящая загадка в другом - у нас нет теории, которая объясняет, почему модели блестяще решают одни задачи и внезапно проваливаются на других. По словам Тао, сегодня мы можем только пробовать, измерять и сравнивать результаты —

«мы можем делать лишь эмпирические эксперименты».

Это редкое честное признание: ИИ пока работает как инженерия без полноценной науки — сначала строим, потом понимаем.

⚡️ Mo Gawdat: ИИ больше не просто пишет код, он исправляет нашу математику Бывший топ-менеджер Google X Мо Гавдат рассказал: ИИ перестал быть «инструментом программиста». Он начал исправлять человеческие математические методы. 📁 56 лет мы использовали одну и ту же формулу для умножения матриц. ИИ обнаружил, что подход был неэффективным — и придумал новую математику, а не просто оптимизировал софт. Результат: - +23% к производительности - минус сотни миллионов долларов затрат - огромная экономия энергии Это не просто ускорение алгоритмов — это момент, когда ИИ начинает изобретать фундаментальные вещи, на которых стоит весь софт. И будущее становится ещё интереснее.

Япония протестировала передачу энергии из космоса - без проводов и топлива 🚀⚡ Японские инженеры успешно провели тест: солнечные панели в космосе собрали энергию и передали её на Землю по микроволновому каналу. На наземной станции сигнал снова преобразовали в электричество и система заработала. В отличие от наземных солнечных станций, космические панели работают: - без облаков и погоды - без ночи - круглосуточно — 24/7 То есть это потенциально *стабильный источник чистой энергии*. Этот тест ранний, но ключевой шаг к будущим орбитальным солнечным фермам. В перспективе такие системы смогут обеспечивать энергией: - целые города - удалённые и труднодоступные регионы Эксперты считают, что это может стать переломным моментом: космические технологии начинают помогать в борьбе с климатическими проблемами. Пока это эксперимент, но главное доказано: идея работает.

Есть свежая научная статья об искусственном интеллекте твоего авторства? Подавай заявку на участие в Data Fusion Awards 2026 и получи шанс выиграть 1 млн рублей ⚡ Банк ВТБ и Институт ИИ МГУ находятся в поиске авторов, чьи работы могут быть официально признаны научным прорывом в ИИ. За это трое победителей разделят призовой фонд 3 000 000 рублей. Какие темы подходят: — Математический аппарат ИИ — Алгоритмы оптимизации — Машинное обучение и глубокое обучение — Нейроморфные вычисления — Робототехника — Объяснимый ИИ (Explainable AI) — Другие смежные области Для участия принимается научная статья, опубликованная в журнале или материалах конференций за 2025 год. При условии, что заявитель: ✔️ выступает первым в списке авторов; ✔️ имеет аффилиацию с российской организацией, которая упоминается в подаваемой работе. Зарегистрироваться необходимо до 20 января 2026 года на официальном сайте конкурса.

INTELLECT-3 показывает, что открытое RL способно серьёзно улучшить рассуждение и кодирование в open-source моделях 🤖📈 INTELLECT-3 это Mixture-of-Experts модель: - 106B параметров всего - около 12B активны на каждом шаге Главная идея проекта - стек prime-rl. Обучение и инференс идут параллельно: GPU продолжают генерировать длинные ответы, пока тренер обновляет веса. Ничего не простаивает. Что помогает системе работать быстро: - непрерывное батчирование - обновления весов на лету - перекрытие обучения и генерации По сути, открытое RL отставало не из-за метода, а из-за отсутствия правильной инженерии. Пайплайн устроен так: - тренер обновляет модель - пул инференса генерирует ответы - координатор держит всё загруженным и синхронизированным Задачи приходят из модулей-проверяющих с автоскорингом и безопасными песочницами для кода. Старт идёт с GLM-4.5-Air: сначала примеры диалогов и инструментов, затем RL с наградами за правильные решения. Результат впечатляет: - 90.8% на AIME 2024 - открыты и веса, и весь тренировочный стек, так что пайплайн можно воспроизвести Paper: https://arxiv.org/abs/2512.16144

Небанальные прогнозы развития ИИ В новом выпуске подкаста ВТБ «Деньги любят техно» — разговор с Юрием Валентиновичем Визильтером, одним из ключевых экспертов в области ИИ и компьютерного зрения в России. Юрий Визильтер — профессор РАН, научный директор Института искусственного интеллекта МФТИ, директор по направлению ИИ ГосНИИ авиационных систем. В беседе с ведущим подкаста, заместителем руководителя департамента анализа данных и моделирования ВТБ Денисом Суржко, Юрий Валентинович рассказал о личном и профессиональном: с чего начинается карьера исследователя, что формирует её вектор и почему важно не замыкаться на одной теме. Эксперты поговорили об актуальных прорывах в ИИ: где граница между «слабым» и «сильным» ИИ, в каких сферах ИИ уже даёт измеримый эффект, где он помогает (или мешает) науке. И обсудили важное для всех, кто находится в начале карьерного пути в ML и Data Science: какие навыки будут ключевыми для ML‑специалистов в ближайшие 5 лет и в чём сильные стороны отечественной школы. Слушать подкаст можно здесь Смотреть здесь

Окружность круга

⁉️ Хотите стать экспертом в создании торговых роботов и финансовом анализе с ML? 🎯 Курс «ML для финансового анализа» от OTUS — ваш шанс углубить знания в финанализе и создать торговых роботов. Что вас ждёт: ✔️ Полный цикл создания робота: от данных до продакшна. ✔️ Анализ финданных, оценка инструментов, формирование портфеля. ✔️ Практика с нейронными сетями (PyTorch) для автоматизации и прибыли. После курса вы сможете создавать роботов для оценки рисков и операций, размещать их в облаке и работать с биржами. ➡️ Закрытие набора скоро! Успейте присоединиться: https://otus.pw/Opxo/?erid=2W5zFJVjnyE 🎄Учитесь в новом году по старым ценам! Максимальная скидка 30% 🎁 на обучение до 26.12.2025: 1 курс — тающая скидка 15% до 26.12 2 курса −25%, 3 курса −30% Учиться системно — выгоднее! Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.