Data Science | Machinelearning [ru]

OpenAI после GPT-4: почему не выходит ничего нового и что скрывает компания? 😭 В последние месяцы вокруг OpenAI ходят любопытные слухи и размышления. По данным аналитиков из SemiAnalysis, компания не выпустила ни одной по-настоящему новой и мощной модели ИИ после релиза GPT-4o в мае 2024 года. Вопрос, который возникает у многих: куда уходят все те ресурсы, которые OpenAI активно закупает для разработки новых технологий? Похоже, что компания просто не успевает за конкурентами.

По мнению аналитиков, OpenAI закупает ускорители (GPU) в рекордных объемах, но при этом использует архитектуру 1,5-летней давности, в том числе для таких моделей, как GPT-5. Причем ни одна из моделей, выпущенных после GPT-4, не прошла полное предварительное обучение, что является важным этапом для создания новых передовых систем. Для примера: GPT-4.5 Orion и GPT-5 — это не новые разработки, а улучшения существующих моделей с акцентом на обучение с подкреплением и рассуждения. При этом конкуренты, такие как Google, не теряют времени зря и продолжают развивать свои передовые модели, например Gemini 3 Pro, что, как стало известно, вызывает беспокойство в OpenAI. Сам Сэм Альтман, CEO OpenAI, упомянул, что конкуренция с Google будет сложной и потребует значительных усилий. Как так получилось? Для того чтобы понять, куда уходят все эти деньги и ресурсы, стоит обратить внимание на несколько важных аспектов. Прежде всего, OpenAI активно развивает новые направления, такие как модели для создания изображений и Sora 2 (новая модель для обработки данных). Но если сравнивать с гигантскими инвестициями, которые компания направляет в вычислительные ресурсы, на выходе получаем не такие уж большие прорывы. Например, по оценке Epoch AI, в 2024 году OpenAI потратила около 7 миллиардов долларов на вычисления. 5 миллиардов из этой суммы пошли на тренировочные задачи, а другая часть расходов идет на инференс. Ведь ChatGPT ежедневно обслуживает 800 миллионов пользователей, и объем диалогов достигает 2,5 миллиардов в неделю.

И все же есть и светлые перспективы. В OpenAI официально признают, что ставка сделана на режим рассуждений, который активно развивается под руководством Лукаша Кайзера. Это может означать, что в будущем мы увидим не просто более умные модели, но и новые формы ИИ, которые смогут понимать и рассуждать на более глубоком уровне. Data Science

Full-stack приложение за час? Это возможно 16 декабря в 11:00 приглашаем на бесплатный вебинар от СберТеха – разберемся, как разрабатывать приложения без долгого бэкенда с решением Platform V DataSpace CE. На живом примере вы увидите, как: - Быстро реализовать бэкенд приложения - Создать прототип финансового приложения с нуля до рабочего MVP - Безболезненно работать с микросервисной архитектурой - Эффективно управлять данными Узнайте, как GraphQL, Domain-Driven Design (DDD) и Backend-as-a-Service (BaaS) работают на практике и ускоряют вашу разработку. Будет особенно полезно бэкенд-разработчикам, интеграторам, технологическим партнерам, стартапам, студентам. Зарегистрироваться #реклама 16+ platformv.sbertech.ru О рекламодателе

🤯 Краудсорсинговые онлайн-задачи по ML выросли за год в 5 раз Ozon раскрыл, что их платформа Profit уже объединила 40 000+ исполнителей. Умельцы закрывают там многие задачи: разметку данных, проверку качества, анализ тональности комментариев, фото «с мест» и всё то, что раньше требовало много затрат и усилий. Так что, если вашим моделям не хватает данных или валидации, имейте в виду ✖️ xCode Journal

GPT-5.1-Codex-Max: Новый кодинг от OpenAI 🍆 OpenAI анонсировала новинку, которая может стать настоящим прорывом — GPT-5.1-Codex-Max. Выглядит как не просто шаг в ответ на бурю вокруг Gemini, а вполне себе уверенный шаг вперёд.

Что же интересного в этой версии? Давайте разберёмся. Революция для Windows и Powershell Теперь Codex не просто кодит как обычно. Он понял, как работать в среде Windows, и особенно с Powershell. Это означает, что модель теперь точно разбирается в особенностях файловой системы, путях и всем, что связано с Windows. Но это ещё не всё — появилась новая фича под названием "Agent mode". Эта штука позволяет модели работать автономно в терминале, выполняя задачи без постоянного контроля. Не забудьте, что доступ можно настроить, если надо. Автономность на новом уровне OpenAI заявляет, что модель способна работать более 24 часов без остановки. Можете себе представить? Правда, тут стоит напомнить про достижение Anthropic с их Sonnet 4.5, которая обещает 30 часов работы. Но всё равно впечатляет, правда? Новая память — что это значит? Модель теперь умеет работать с большими контекстами, благодаря новой фиче "compaction". Что это? Когда окно контекста близко к своему пределу, Codex сжимает старую информацию и переносит её в новое окно вместе с актуальной информацией. Как бы креативная версия краткосрочной и долгосрочной памяти, не так ли? Результаты и метрики GPT-5.1-Codex-Max показывает отличные результаты — 77.9% точности на SWE-bench Verified, что превосходит даже Gemini 3 и Sonnet 4.5 от Claude. К тому же, модель теперь тратит на 30% меньше токенов при среднем уровне рассуждений, но результаты всё те же.

Так что, эта версия уже доступна для использования в IDE и Codex CLI. Ждете API? Обещают скоро добавить. Data Science

Релиз DeepSeek-Math-V2 😮 Математика — это не просто наука, это настоящее искусство, и вот, похоже, на горизонте появился новый мастер. DeepSeek-Math-V2 — долгожданный релиз, который, казалось бы, никто уже не ждал. Но, как это часто бывает с технологическими прорывами, он пришел неожиданно и с мощным заявлением. Примерно два года назад был выпущен первый DeepSeek, и вот теперь, спустя столько времени, на свет вышел его преемник.

Модель сдает задачи на уровне золотой медали на IMO (Международной математической олимпиаде) 2025 и CMO (Chinese Mathematical Olympiad) 2024. Но это еще не все: на сверхсложной олимпиаде для студентов Putnam 2024 модель получила 118 из 120 возможных баллов. Это действительно впечатляющий результат 🤔 Теперь, конечно, вы спросите, а где же бенчмарки? Да, тут есть некоторая странность. Пока нет результатов по таким известным тестам, как MATH, GSM8K или AIME, и в целом на данный момент их не так уж много. Но вот что стоит отметить: на IMO-ProofBench DeepSeek уверенно обходит GPT-5 и сравнивается с Gemini 2.5 Pro на самых сложных задачах. Что касается того, что происходит с Gemini 3, Grok 4 и GPT-5.1, это вопрос открытый. Но с учетом того, как модель показывает себя на реальных задачах, можно не сомневаться, что она в будущем будет конкурировать с самыми лучшими из них. Под капотом у DeepSeek-Math-V2 лежит DeepSeek-V3.2-Exp-Base — мощная система, основанная на пайплайне из генератора и верификатора. Модель не генерирует решение за один проход, а делает это постепенно, улучшая каждое доказательство по нескольку раз. Идея проста, но гениальна: большой генератор создает решение, потом оно проверяется моделью-верификатором, и в случае ошибок модель возвращает обратную связь для улучшений. Процесс повторяется до 16 раз, а за каждую итерацию проверяется сразу до 64 гипотез! Это позволяет добиться максимальной точности и убедиться, что каждое решение отточено до мелочей.

Да, бенчмарков пока не так много, но то, что DeepSeek-Math-V2 реально решает задачи на уровне лучших математических умов — это уже факт. И пусть стоимость такого решения скрыта, очевидно, что за ней стоят серьезные инвестиции. Data Science

Ozon Profit наращивает мощности для обучения и валидации ML-моделей👨‍💻 Краудсорсинговая платформа Ozon Profit, которую многие используют для разметки, серьезно расширила функционал. Теперь это инструмент не только для сбора и обработки данных, но и для их верификации в реальном мире.

Появились «полевые задания»: если ваша модель, к примеру, анализирует вывески или определяет акции в магазинах, то можно проверить ее предсказания в офлайне, отправив исполнителя по конкретному адресу для фотофиксации или проверки.

Сервис сообщает о пятикратном росте онлайн-задач — исполнители занимаются разметкой текстов, изображений и видео, а также тонким анализом эмоций и намерений в пользовательских обращениях. Именно на таких данных учатся и дообучаются LLM и модели классификации. Для проектов любого масштаба доступны API-интеграции, позволяющие автоматически отправлять данные от вашей модели на проверку и разметку людям. Data Science

🤣 Гениальный план, как избавиться от бесящих коллег 💥 xCode Journal

Приглашаем в телеграм-канал AI Inside Канал для тех, кто смотрит на искусственный интеллект не как на хайп, а как на рабочий инструмент. Здесь нет абстрактных теорий — только прикладные решения. Что вас ждет: - Технологии: расскажем, как ИИ решает реальные бизнес-задачи — от автоматизации до аналитики. - Кейсы: покажем успешные примеры внедрения и использования ИИ-инструментов. - Экспертиза: объясним сложные технологии простым языком с фокусом на практическую пользу. Наша цель - дать конкретные идеи и инсайты, которые можно применить уже сегодня. Присоединяйтесь к сообществу практиков! Подписаться #реклама 16+ О рекламодателе

Все крупные игроки борются за решение одной проблемы 🤔 Если вы интересуетесь развитием ИИ-агентов, то наверняка заметили, как все ведущие технологические компании стремятся решить одну и ту же задачу: как эффективно работать с графами знаний в реальном времени для больших языковых моделей? Microsoft, Google, AWS — все ищут решения, но FalkorDB предлагает интересный подход. Давайте разберемся, в чем его уникальность.

Для начала, давайте немного углубимся в обычные графовые базы данных. Традиционные графовые базы хранят связи между узлами, а когда вы делаете запрос, система проходит от узла к узлу, шаг за шагом, как бы следуя по карте. Это нормально, но вот проблема: при работе с огромными графами знаний, как в случае с ИИ-агентами, это становится серьезным узким местом. А что если представить граф как математическую структуру? FalkorDB решает эту проблему с помощью разреженных матриц. В отличие от традиционных графов, где хранятся все связи, разреженная матрица хранит только существующие, действительные связи. Это позволяет значительно экономить место и ресурсы. Но это еще не все. Ключевое преимущество: когда граф представлен как разреженная матрица, вы можете делать запросы с помощью линейной алгебры, а не пошагового обхода. А линейная алгебра работает намного быстрее, чем традиционное путешествие по графу. Плюс, разреженные матрицы используют память с максимальной эффективностью — вы храните только то, что действительно нужно. Почему не использовать просто векторный поиск 😂 Векторный поиск, конечно, быстрый, но он ограничен поиском только по схожести, не учитывая тонкие связи и структуру данных. Графы же позволяют уловить тонкие взаимосвязи между объектами. Это важно, потому что контекст, который вы подаете агенту, должен быть не просто похожим, а точным и релевантным. Что предлагает FalkorDB? • Ультра-быстрая многозадачная графовая база данных. • Эффективное хранение с использованием разреженных матриц. • Совместимость с OpenCypher — тем же языком запросов, что и в Neo4j. • Оптимизирована для приложений на базе LLM и памяти агентов. • Работает поверх Redis для простоты развертывания.

Если вы строите ИИ-агентов, которым нужно работать с подключенными данными в реальном времени, FalkorDB — это инструмент, который стоит попробовать. Data Science

Как это — работать в Т-Банке? Загляните в канал T-Crew, где увидите: — жизнь и будни команды; — ИТ-хабы компании по всей России; — анонсы мероприятий; — кейсы, статьи и советы для карьерного роста. Еще здесь можно раньше других найти вакансии в ИТ и диджитале. За полезным — сюда.

Математический предел креативности нейросетей 💀 Математика не шутит, особенно когда дело касается творчества ИИ. Недавняя работа австралийского исследователя Дэвида Кропли из Университета Южной Австралии утверждает, что у генеративных ИИ-систем вроде ChatGPT есть жесткий математический потолок креативности. Речь о том, что даже самые «креативные» ИИ-системы, по мнению Кропли, могут быть креативными только до определенного предела. Давайте разбираться, в чем же тут подвох?

Дэвид Кропли использует классическое определение творчества из психологии, где продукт признается креативным только тогда, когда он одновременно новый и уместный. Он формулирует это так: C = N × E где C — это креативность, N — новизна, а E — эффективность. А как это соотносится с языковыми моделями вроде ChatGPT? Кропли вводит понятие вероятности того, какое слово модель выберет на данном шаге. И оказывается, что креативность на одном шаге можно описать как: C = p × (1 − p) = p − p² где p — это вероятность выбранного слова. Математика подсказывает, что максимальная креативность может быть достигнута, когда вероятность равна 0.5 (средний выбор). Когда слово слишком вероятно, оно становится банальным, а когда слишком редким — уместность теряется. Пример с котом 😺 Чтобы понять, как это работает, Кропли приводит пример: «The cat sat on the ...». Для ИИ слово mat будет очень вероятным, но оно настолько банально, что новизны почти не добавляет. Более редкие варианты, вроде moon или chair, с одной стороны, новее, но рискуют быть неуместными. Так вот, каждый шаг в процессе генерации у ИИ балансирует между «банально, но правильно» и «оригинально, но рискованно». И как бы ни старались модели, они не могут быть одновременно очень новыми и очень уместными. То есть, как бы ни учились на данных, ИИ всё равно окажется где-то в середине, между слишком банальным и слишком странным. Кропли делает вывод, что текущие языковые модели могут лишь имитировать творчество на среднем уровне. В реальности они, по его мнению, никогда не выйдут на уровень профессионалов или гениев. Их «творческий потолок» — это как раз 25% шкалы творческих способностей человека. Выходит, ИИ может быть хорош в создании посредственных идей, но сложно ждать от него настоящего прорыва.

Однако Кропли не говорит, что ИИ всегда будет таким. Он утверждает, что для достижения «экспертного» уровня потребуется новая архитектура, которая будет генерировать идеи, не привязанные к уже существующим данным. То есть, новые технологии, которые смогут выходить за рамки привычных статистических паттернов. Фуух, будущее есть! Data Science

📕Временные ряды и наблюдаемость: как устроены Time-Series базы данных 👤Вебинар для разработчиков, администраторов, специалистов по базам данных, Data engineers, Backend и FullStack-разработчиков На открытом уроке 1 декабря в 20:00 мск мы разберем, чем хранилища временных рядов отличаются от реляционных и колоночных БД, и на практике сравним работу VictoriaMetrics и InfluxDB: 📗 На вебинаре: 1. Архитектура time-series баз: retention, downsampling, continuous queries. 2. Сравнение VictoriaMetrics, InfluxDB и ClickHouse для метрик. 📘 В результате на практике изучите и освоите умение выбирать подходящую TSDB (VictoriaMetrics, InfluxDB, ClickHouse) под задачи проекта, и получите четкое понимание архитектурных особенностей Time-Series баз данных. 👉 Регистрация на урок и подробности о курсе NoSQL: https://vk.cc/cRQrBP Все участники открытого урока получат скидку на курс "NoSQL" Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

Как эксперты видят будущее ИИ 😐 В последние годы темы искусственного интеллекта и AGI поляризовали общественное мнение. Кто-то уверяет, что мы на пороге суперинтеллекта, а другие кричат, что весь этот хайп — всего лишь пыль в глаза. Но вот интересный факт: если вы уберете громкие заголовки и взглянете на мнения реальных экспертов, картинка будет совершенно другой. Вот что сказал Ноам Браун, ведущий исследователь в OpenAI:

«Соцсети часто сводят дискуссию об ИИ к двум крайностям. С одной стороны, у нас есть скептики, которые уверены, что ИИ — это просто модное явление и ничего больше. С другой — фанатики, которые считают, что суперумные машины вот-вот станут реальностью.» Но если взглянуть на мнение настоящих специалистов, то увидим нечто более сбалансированное и менее драматичное. Что говорят ученые? — Текущие технологии уже могут произвести огромный эффект. Даже без сверхреволюционных открытий, современные модели ИИ способны изменить экономику и общество. — Для достижения AGI (и тем более ASI, искусственного суперинтеллекта) нужны дополнительные исследования. К примеру, многие исследователи упоминают такие проблемы, как постоянное обучение и эффективность выборки. Эти прорывы могут быть ключевыми для следующего шага. — 10-20 лет на пути к AGI. Средний срок, который называют ученые, — 10 лет. Но в целом, консенсус таков: да, мы точно придем к этому, и вполне возможно, что это случится в ближайшие десятилетия.

Если убрать все шумиху и хайп, оказывается, что мнение ученых гораздо более зрелое и оптимистичное, чем мы привыкли думать, глядя на громкие заголовки. Конечно, для того чтобы достичь того самого суперинтеллекта, предстоит пройти еще долгий путь, но так ли уж фантастичен этот путь? Да, нужно больше исследований, но идея о том, что AGI будет создано в ближайшие 10-20 лет, в целом вполне реалистична. Data Science

Документалка DeepMind теперь доступна бесплатно 🍴 Если вы хоть немного интересуетесь искусственным интеллектом и его развитием, то наверняка слышали про AlphaFold — модель, которая потрясла научный мир. В честь пятилетия этой системы Google выложил на YouTube документальный фильм про DeepMind.

Картина называется «The Thinking Game» и, возможно, кто-то из вас уже успел ее посмотреть — она была доступна на платных платформах с лета 2024 года. Но вот теперь, Google решился подарить этот фильм всем желающим. Документалка, которая снималась с 2019 года, рассказывает не только о Демисе Хассабисе, основателе и CEO DeepMind, но и о всей команде, которая стоит за разработкой таких проектов, как AlphaGo, AlphaZero и, конечно, AlphaFold. Это своего рода экскурс в культуру и философию DeepMind, где на фоне ключевых научных достижений проходит рассказ о людях, которые все это создавали. Если вы когда-то задавались вопросом, как вообще можно вывести ИИ на такой уровень, чтобы он начал решать задачи, стоящие перед самыми опытными учеными, то этот фильм даст ответы на многие вопросы. Система AlphaFold не просто решает задачи в области биоинформатики, она буквально перевернула способ, которым ученые изучают структуру белков. Это достижение стало возможным благодаря огромной работе, проделанной командой DeepMind, и сейчас мы стоим на пороге того, чтобы с помощью ИИ разгадывать тайны жизни на уровне, который раньше был невозможен.

Те, кто еще не видел этот фильм, могут наверстать упущенное. Это отличная возможность не только узнать о технологических достижениях, но и вдохновиться на новые идеи. Data Science

Нейросети идут в науку Мы уже писали о том, что ИИ всё чаще становится рабочим инструментом для исследователей. В этом контексте начинают появляться отдельные образовательные направления. Так, например, в Школе анализа данных Яндекса началось обучение по применению ИИ в естественных науках. Отобрали 50 молодых учёных — физиков, биоинформатиков, медиков, химиков и других. Обучение построено вокруг реальных исследовательских задач. Спланировать эксперимент каждой команде помогает эксперт ШАДа, а если проекту нужны серьёзные расчёты — подключают вычислительные мощности Яндекса. По задумке, ИИ должен стать для учёных ассистентом или партнером в исследованиях. И это, пожалуй, один из самых здравых сценариев применения технологии в науке.

Gemini 3 Pro: новый лидер в решении сложных математических задач Не так давно Gemini 3 Pro стал настоящим фаворитом среди ИИ в области сложной математики. Система удивила даже самых требовательных специалистов. На бенчмарке FrontierMath, который включает в себя задачи самой высокой сложности, эта модель показала феноменальные результаты 😐

Для начала, давайте разберёмся, что такое FrontierMath. Это набор задач, подготовленных профессиональными математиками, охватывающий широкий спектр тем — от теории чисел до алгебраической геометрии. Некоторые из этих задач могут занять у человека недели работы, а уровень сложности варьируется от бакалавриата до уровня исследовательской работы. Gemini 3 Pro, к слову, набрал 37,6% по общим результатам, значительно обогнав остальных соперников: Gemini 2.5 Deep Think с 29% и GPT-5 Thinking с 26,6%. На самом сложном уровне Tier 4, где ставятся задачи из мира научных исследований, Gemini 3 Pro также оказался вне конкуренции, решив девять задач. Для сравнения, GPT-5.1 Thinking и GPT-5 Pro справились только с шестью. Что это значит? Мы привыкли к тому, что ИИ пока уступает человеку в таких областях, как математика, но, похоже, это скоро изменится. Например, люди в среднем показывают около 30% правильных решений в таких задачах, а при совместной работе и нескольких попытках результат может подниматься до 50%. Если учесть, что ИИ сейчас добился 19% на самых сложных задачах (это ещё без дополнительных попыток), можно говорить о серьёзном прогрессе.

На фоне того, что эти технологии становятся доступными для широких масс, можно ожидать настоящую революцию в области научных исследований и образования. Переплюнет ли ИИ человека в математике? Data Science

Датасеты есть, а качественных данных нет 🚶‍♂️ ML-команды хорошо знают, как сложно работать, когда обучающие данные разбросаны по разным источникам и хранятся в противоречивых форматах. Пока одни пытаются собрать рабочий датасет, другие тратят дни на исправление артефактов в фичах. Для таких ситуаций создали бот-генератор оправданий. Откройте бота, когда в следующий раз пайплайн feature engineering выдаст необъяснимые результаты — сгенерируйте креативное оправдание и сразу отправьте коллегам в чат. Это поможет взглянуть на проблему под новым углом и может стать началом продуктивного обсуждения.

США запускает проект Genesis 🗒 В то время как мир сотрясают очередные достижения в области ИИ, США решили сыграть на опережение. И не просто запустили очередной стартап, а задумали проект, масштабы которого могут соперничать с Манхэттенским проектом или программой Apollo. Genesis Mission — грандиозной инициативой, которая обещает ускорить научный прогресс с помощью искусственного интеллекта. Пока бюджет остаётся под завесой тайны, но то, что планируется, уже звучит амбициозно. Итак, что же стоит за этим проектом?

Главная задача Genesis Mission — ускорить научные открытия с помощью ИИ. Всё это должно быть сделано с использованием передовых технологий и самой современной инфраструктуры. Цель амбициозная: создание платформы, которая объединит в себе всё необходимое для развития научных агентов: данные, инструменты, вычислительные мощности и среды для их обучения. Вот как всё будет происходить поэтапно: • Создание American Science and Security Platform Это не просто место для хранения данных, а настоящая инфраструктура для развития научного ИИ. В её рамках министерство энергетики США в течение трёх месяцев будет собирать вычислительные ресурсы. Но не только у себя в стране: сотрудничество с частным сектором и другими странами — неотъемлемая часть плана. После этого, ещё четыре месяца уйдут на подготовку данных и их обработку по специальным протоколам безопасности. Ведь помимо научных задач важно не забывать о безопасности — особенно когда речь заходит о такой мощной платформе. • Дообучение моделей с использованием роботизированных лабораторий Интересный момент: в отличие от традиционных подходов, валидация и обучение будут происходить с помощью роботизированных лабораторий. Это значит, что ИИ будет генерировать гипотезы, робот их тестирует в реальных условиях, а ИИ уже на основе полученных данных делает выводы и улучшает гипотезу. Такой цикл не только автоматизирует процесс, но и значительно ускоряет его. Когда ждать результатов 👉 Первые реальные результаты планируют получить к 2027 году. Если всё пойдёт по плану, в этот момент мы сможем увидеть не просто новые научные достижения, а совершенно новый подход к исследованию и экспериментам с помощью ИИ. Кто участвует в проекте? Здесь уже яснее: OpenAI и Anthropic точно будут участвовать в проекте. Возможно, к ним присоединятся и другие лаборатории. Но вот с xAI (компанией Илона Маска) пока всё не так очевидно. Тема его участия ещё остаётся под вопросом, особенно на фоне недавних политических разногласий.

Но, как и в любом масштабном проекте, остаётся один важный вопрос: может ли такой подход изменить весь научный ландшафт? Data Science

Курс: Анализ данных с нуля. Шанс попасть в Garage Eight В karpov.courses стартовала Черная пятница, и до 30 ноября действует скидка 25% на курс Аналитик данных с нуля. Это отличный шанс получить профессию, которая востребована в компаниях любого уровня. Курс рассчитан на 5,5 месяцев и полностью подходит новичкам. Старт потока — 11 декабря. Вы сможете обучаться в удобном темпе, постепенно осваивая инструменты и приемы, которые используют аналитики. На курсе вас ждут более 490 практических задач и портфолио из более чем 10 проектов. Благодаря этому вы сможете уверенно проходить собеседования и показывать реальные результаты. Студенты декабрьского потока дополнительно получают возможность пройти отбор в Garage Eight и претендовать на позиции аналитиков. Перейти на сайт #реклама 16+ karpov.courses О рекламодателе

Как Эндрю Ын помогает учёным с ИИ-ревью 💃 Если вы рисерчер или студент, который пишет научные работы, то наверняка знаете, что процесс ревью — это не просто долго, а прямо-таки мучительно долго. Подготовить статью, отправить в журнал, ждать рецензий месяцами, а иногда и дольше... И вот, наконец, вы получаете обратную связь, но она не всегда полезная. Что если бы существовал инструмент, который помог бы вам заранее понять, что может не понравиться ревьюерам?

Эндрю Ын и его команда разработали ИИ-ревьюера, который помогает исследователям и студентам улучшить свои работы перед отправкой в журнал. Такой инструмент может сэкономить вам не только время, но и нервы. Ведь если обычное ревью может занимать недели или даже месяцы, то ИИ оценит вашу работу за несколько минут. Как это работает? 😮‍💨 Система была обучена на реальных ревью с конференции ICLR 2025, что гарантирует её практическую ценность. Оценки качества происходили с использованием корреляции Спирмена, где чем выше значение, тем ближе результаты ИИ к человеческим оценкам. В итоге, корреляция между ИИ и реальным рецензентом составила 0.42, что, как ни странно, не так уж и плохо. Для сравнения, корреляция между двумя людьми-ревьюерами в среднем тоже около 0.41. Так что, да, ИИ может дать вам весьма точный прогноз, чем ревьюеры могут быть недовольны. Особенность системы в том, что она использует atXiv для ревью, а значит, она особенно полезна для статей в области ИТ и ИИ, которые часто публикуются на этой платформе. Цикл обратной связи в научных кругах порой затягивается на полгода, и это, согласитесь, слишком долго. В таких условиях скорость и качество обратной связи — это то, что нужно каждому исследователю. А ИИ-ревьюер как раз и может помочь вам избежать затянутых циклов и получить полезные замечания ещё до того, как ваша работа попадёт в руки журнала.

Теперь можно не просто перепроверять свою статью, но и нацелиться на тот результат, который понравится рецензентам, ещё на этапе подготовки. Это бесплатно, и вы можете начать использовать инструмент прямо сейчас — PaperReview. Data Science