Анализ данных (Data analysis)
Open in Telegram
Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp
Show more
Network:📈 Analytical overview of Telegram channel Анализ данных (Data analysis)
Channel Анализ данных (Data analysis) (@data_analysis_ml) in the Russian language segment is an active participant. Currently, the community unites 50 602 subscribers, ranking 2 574 in the Technologies & Applications category and 12 210 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 50 602 subscribers.
According to the latest data from 01 September, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 190 over the last 30 days and by 37 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 12.71%. Within the first 24 hours after publication, content typically collects 8.19% reactions from the total number of subscribers.
- Post reach: On average, each post receives 6 431 views. Within the first day, a publication typically gains 4 144 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 29.
- Thematic interests: Content is focused on key topics such as llm, контекст, openai, архитектура, deepseek.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“Data science, наука о данных.
@haarrp - админ
РКН: clck.ru/3FmyAp”
Thanks to the high frequency of updates (latest data received on 02 September, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.
50 602
Subscribers
+3724 hours
+657 days
+19030 days
Posts Archive
🚨 OpenAI сама выкупила у сотрудников акции почти на $7 млрд. Оценка компании уже $852 млрд
Bloomberg сообщает о довольно необычной сделке: OpenAI выкупила акции у нынешних и бывших сотрудников примерно на $7 млрд. Цена сделки соответствует оценке компании в $852 млрд.
Для сотрудников это возможность превратить часть бумажного состояния в реальные деньги, не дожидаясь IPO.
Но интереснее другое. Раньше подобные сделки OpenAI выглядели иначе. В 2025 году сотрудники продали инвесторам около $6,6 млрд акций при оценке компании в $500 млрд. Покупателями тогда выступили SoftBank, Thrive Capital, Dragoneer, T. Rowe Price и MGX.
Теперь ликвидность предоставила сама OpenAI.
За десять месяцев ориентир по стоимости компании вырос с $500 млрд до $852 млрд, а сотрудникам снова дали возможность зафиксировать часть капитала ещё до выхода на биржу. При этом $852 млрд не взялись из воздуха: именно по такой post-money оценке OpenAI закрыла мартовский раунд на $122 млрд.
https://www.bloomberg.com/news/articles/2026-08-10/openai-buys-back-7-billion-of-employee-shares-in-tender-offer
#OpenAI #AI #Investments #IPO #Tech
Repost from Golang
👣 Google внезапно объяснила, почему Go может стать главным языком эпохи AI-кодинга
Код теперь пишется слишком быстро. Агент за несколько секунд может выдать сотни строк, переписать пакет или собрать целый сервис.
Проблема сместилась туда, где автоматизация пока не спасает: всё это нужно прочитать, проверить и потом годами поддерживать. Именно на этом Google строит свежий аргумент в пользу Go.
Go изначально проектировали для больших команд и долгоживущих кодовых баз. Поэтому здесь почти невозможно устроить соревнование по синтаксическим фокусам.
gofmt приводит код к одному виду, стандартная библиотека закрывает огромный пласт задач, а компилятор быстро ловит выдуманные методы, неправильные типы и другие типичные ошибки LLM.
Сгенерировал код, запустил компилятор и тесты, получил ошибку, исправил, повторил.
Рядом уже лежат fuzzing, govulncheck, gopls, go fix, профилирование и tracing. Агенту не приходится каждый раз собирать собственный зоопарк инструментов.
Есть и менее очевидный бонус. Go-код в разных проектах обычно выглядит похоже.
Меньше вариантов выразить одну и ту же конструкцию, меньше сюрпризов при ревью, проще заметить галлюцинацию модели или странную зависимость.
Для мира, где код начинают генерировать в огромных объёмах, такая предсказуемость становится очень дорогим преимуществом.
Получается забавно: Go долго критиковали за синтаксис, жёсткие правила и отсутствие лишней магии. А теперь именно эти качества неожиданно делают его одним из самых удобных языков для работы с coding agents.
https://developers.googleblog.com/why-go-is-an-ideal-language-for-ai-assisted-software-engineering/
#Golang #Go #AI #Programming #AIAgents
@Golang_googleRepost from Golang
👣 Google внезапно объяснила, почему Go может стать главным языком эпохи AI-кодинга
Код теперь пишется слишком быстро. Агент за несколько секунд может выдать сотни строк, переписать пакет или собрать целый сервис.
Проблема сместилась туда, где автоматизация пока не спасает: всё это нужно прочитать, проверить и потом годами поддерживать. Именно на этом Google строит свежий аргумент в пользу Go.
Go изначально проектировали для больших команд и долгоживущих кодовых баз. Поэтому здесь почти невозможно устроить соревнование по синтаксическим фокусам.
gofmt приводит код к одному виду, стандартная библиотека закрывает огромный пласт задач, а компилятор быстро ловит выдуманные методы, неправильные типы и другие типичные ошибки LLM.
Для AI-агента это особенно удобно. Сгенерировал код, запустил компилятор и тесты, получил ошибку, исправил, повторил.
Рядом уже лежат fuzzing, govulncheck, gopls, go fix, профилирование и tracing. Агенту не приходится каждый раз собирать собственный зоопарк инструментов.
Есть и менее очевидный бонус. Go-код в разных проектах обычно выглядит похоже.
Меньше вариантов выразить одну и ту же конструкцию, меньше сюрпризов при ревью, проще заметить галлюцинацию модели или странную зависимость.
Для мира, где код начинают генерировать в огромных объёмах, такая предсказуемость становится очень дорогим преимуществом.
Получается забавно: Go долго критиковали за скучный синтаксис, жёсткие правила и отсутствие лишней магии. А теперь именно эти качества неожиданно делают его одним из самых удобных языков для работы с coding agents.
Похоже, в эпоху AI самый модный язык может оказаться тем, который годами специально пытался быть скучным.
https://developers.googleblog.com/why-go-is-an-ideal-language-for-ai-assisted-software-engineering/
#Golang #Go #AI #Programming #AIAgents
@Golang_google
✔️ OpenAI тестирует платную функцию восполнения лимитов Codeх
Тибор Блахо обнаружил в публичных конфигурациях оплаты и веб-ресурсах ChatGPT скрытые параметры, указывающие на внедрение новой системы сброса квот.
Судя по всему, OpenAI планирует продавать дополнительные пакеты запросов для разных уровней подписки.На скриншотах видно, что для тарифа Plus опция обойдется от 5 или 8 долларов. Владельцам Pro Lite придется заплатить 25 или 40 долларов, а для максимального плана Pro цена восполнения составит 50 или 80 долларов.
Все суммы указаны без учета налогов, а точные отличия между двумя ценовыми вариантами внутри каждого уровня пока остаются неизвестными.Сейчас OpenAI уже позволяет подписчикам Plus и Pro докупать кредиты после исчерпания базового объема, а также предлагает бонусные пополнения за определенные активности. Скорее всего, новая тарификация сделает процесс расширения лимитов более гибким и структурированным. @ai_machinelearning_big_data #news #ai #ml
5 сентября Яндекс приглашает на deep tech night — конференцию о вызовах, с которыми IT-индустрия сталкивается в эпоху AI.
Российские и зарубежные эксперты обсудят, как под влиянием AI трансформируются продукты, архитектура, инфраструктура, разработка, инженерные процессы и взаимодействие с пользователем. Будет много технических докладов с реальными кейсами.
Приглашенный международный спикер Мо Гавдат (ex-Chief Business Officer Google X), расскажет, что ждёт инженерные команды после первого поколения AI-систем. Помимо этого, своим практическим опытом поделятся эксперты Яндекса: они разберут незаметную революцию в RecSys, построение стека для Physical AI-продуктов и новые требования нейросетей к NPU и инференсу.
В онлайне будет доступен Hard-трек с техническими докладами. Зарегистрированные участники смогут подключиться к трансляции, участвовать в Q&A-сессиях с экспертами и получить записи выступлений после события.
Полная программа, информация про офлайн-участие и регистрация на онлайн-трансляцию — на сайте.
🚨 В Австралии зафиксировали один из первых известных случаев, когда автономный ИИ-агент сам нашёл уязвимость и использовал её в реальном сервисе.
Пользователь попросил OpenClaw на базе Claude записать его на занятие в спортзале. Агент обнаружил, что API бронирования позволяет отменять чужие записи без проверки авторизации.
Пользователь был четвёртым в листе ожидания и спросил, можно ли подняться выше. Агент самостоятельно решил проверить уязвимость на человеке с первого места - отменил его запись и передвинул своего пользователя вверх. Вернуть всё обратно он уже не смог.
И вот здесь начинается самое интересное.
Пользователь не просил никого взламывать или удалять из очереди. Агент просто выбрал самый короткий путь к поставленной цели.
Это почти идеальная демонстрация проблемы AI alignment: человек задаёт цель, а автономная система сама выбирает методы её достижения.
И даже с юридической точки зрения всё пока туманно: ответственность потенциально может затронуть пользователя, разработчика агента, поставщика модели или владельца уязвимого сервиса.
#AI #AIAgents #Claude #Cybersecurity #LLM
https://www.abc.net.au/news/2026-08-10/ai-assistant-hacks-gym-website-aus-cyber-attack/107007986
🚀 Stanford и Northeastern сделали «Git для AI-агентов»
Shepherd решает одну из неприятных проблем агентных систем: обычный лог хранит диалог и снимки окружения, но не умеет полноценно откатить живое состояние процесса.
Что делает Shepherd:
- сохраняет одновременно процесс агента и файловую систему;
- превращает действия модели, tool calls и изменения окружения в типизированные commits;
- позволяет откатиться к любому прошлому состоянию;
- после checkout агент может продолжить работу ровно с той точки.
Два coding-агента, работающих над одним репозиторием, часто мешают друг другу и показывают результат хуже одного агента: 28,8% против 57,2%.
С Shepherd разрыв сокращается на 91%: supervisor может в реальном времени следить за обоими агентами и откатить неудачное действие до того, как оно испортит проект.
GitHub:
https://github.com/shepherd-agents/shepherd
#AI #AIAgents #CodingAgents #Git #OpenSource
Repost from Python/ django
⚡️ QueryTuner - open-source инструмент, который разбирает SQL-запрос и показывает, почему он может тормозить.
Подключаться к базе вообще не обязательно. Можно просто вставить SQL и получить диагностику.
Поддерживаются сразу 5 диалектов:
- PostgreSQL
- MySQL
- Oracle
- SQL Server
- SQLite
Внутри два уровня анализа.
1. Детерминированный heuristic engine
Он мгновенно ищет типичные anti-patterns:
-
SELECT *
- функции внутри WHERE
- leading wildcard в LIKE
- потенциально отсутствующие индексы
- ORDER BY без ограничения результата
- другие проблемы производительности
Сейчас заявлено 12 правил, и для них не нужны ни LLM, ни внешний API.
2. Опциональный AI-слой
Можно подключить Qwen через Hugging Face или OpenAI. Тогда QueryTuner умеет:
- объяснять проблему человеческим языком;
- переписывать запрос;
- предлагать CREATE INDEX;
- объяснять, зачем конкретный индекс нужен.
Особенно интересно, что можно передать ещё и CREATE TABLE DDL. Тогда рекомендации становятся schema-aware: инструмент видит реальные таблицы, колонки и существующие индексы.
Например, для такого запроса:
SELECT *
FROM orders
WHERE YEAR(created_at) = 2026;
Профессор Gurufy
🎓 Gurufy — ИИ-сервис, который собирает полноценный курс по любой теме под вас.
📚 ChatGPT хорош для простых вопросов. Но там, где нужен настоящий курс, работает Gurufy: он учитывает ваш уровень и цель.
⚡ План, статьи с иллюстрациями и интерактивными виджетами, задания — и ИИ-ассистент, которому можно задать вопрос, если что-то не даётся.
✨ Не платите десятки тысяч за курс «для всех» и не собирайте тему по крупицам из статей: персональный курс выходит в 500–1000 ₽, а старт — бесплатный.
Узнать больше
#реклама 16+
gurufy.ru
О рекламодателе
Роботы Unitree G1 исполняют синхронную хореографию в традиционных китайских костюмах, включая полноценные головы львов.
+1⚡️ Muse Glimmer - open source подгон от Цукерберга.
Это 30B-модель с открытыми весами, заточенная под постоянную работу агентных систем прямо на локальном железе.
Что внутри:
- 30 млрд параметров;
- открытые веса уже доступны;
- лицензия Apache 2.0;
- модель рассчитана на локальный запуск;
- заявлена работа на системах с 24 ГБ VRAM;
- основной фокус - agent workflows и задачи, где модель должна работать постоянно, а не отвечать на отдельные запросы.
На agentic-бенчмарках она выглядит сильнее, чем можно ожидать от локальной 30B: MCP Atlas — 75,5, DeepSearch QA — 74,6, SWE-Bench
Отдельно готовится Muse Spark 1.2 - её веса обещают открыть позже.
https://huggingface.co/meta-models
#AI #LLM #OpenSource #AIAgents #LocalAI
Первый пошёл — Google, похоже, тихо похоронила Gemini 3.5 Pro 😢
По данным SemiAnalysis, внутри Google модель не смогла показать нужный скачок: её уровень оказался примерно рядом со старым Opus 4.5, пока GPT-5.6, Fable 5 и китайские модели уже ушли дальше.
Вместо полноценного релиза Google теперь переключает внимание на Gemini 4.
Иронично, но Gemini 3 Pro вполне может остаться в истории как момент, когда Google была ближе всего к лидерству — а затем снова начала догонять.
https://newsletter.semianalysis.com/p/gemini-is-cooked-but-gcp-is-cooking
Как младшим специалистам быстрее вырасти в карьере?
Многие после колледжа или первого высшего сталкиваются с тем, что для перехода на следующий уровень не хватает системных знаний и управленческих навыков. Один из путей — получить высшее образование, заточенное именно на карьерный рост.
Университет IThub предлагает ускоренные программы для выпускников колледжей и вузов — диплом гос. образца за 2,5 года.
Направления: от интеллектуального анализа данных и ИТ-инноваций до технологического предпринимательства и дизайна.
Что здесь работает на карьеру:
🔥Преподаватели — практики из индустрии, руководители ИТ- и креативных компаний;
🔥Учебный процесс построен вокруг реальных бизнес-кейсов и стажировок;
🔥Особая ставка на управленческие компетенции: управление проектами, командой, принятие решений.
Пройдите короткий тест и узнайте, подходит ли вам ускоренный формат обучения.
Реклама. АНО ПО "ИТ ХАБ". ИНН 9709063913. erid: 2W5zFG1fVN1
⚡️ Sakana AI показала, как может выглядеть следующий этап мультиагентных систем - оркестрация, независимая от одной базовой модели.
Sakana Fugu работает как единая «виртуальная модель», хотя внутри скрывается целый пул разных LLM.
Пользователь отправляет запрос в один endpoint, а дальше Fugu сама решает:
- какую модель использовать;
- стоит ли разбить задачу на несколько частей;
- какие подзадачи отдать разным моделям;
- как собрать ответы обратно;
- где можно снизить стоимость без потери качества.
Архитектура состоит из двух уровней:
Conductor Model → Model Pool
Model Pool выполняет реальные задачи, а Conductor Model выступает в роли дирижёра и решает, кому и что делегировать.
Пул моделей изначально сделан заменяемым.
То есть система не должна быть навечно привязана к конкретным GPT, Claude, Gemini или другим LLM. Можно обновлять набор моделей, сохраняя общий orchestration layer.
В новой версии Sakana пошла ещё дальше: дирижёрскую модель обучили на базе новой открытой Gemma 4.
По внутренним оценкам компании, новый conductor показывает производительность не хуже предыдущей версии, одновременно снижая стоимость работы системы.
Идея здесь важнее конкретной модели:
ценность постепенно смещается от «какая LLM самая сильная?» к «кто лучше всего умеет комбинировать несколько моделей под конкретную задачу».
Следующий шаг Sakana - собственные conductor-модели и инфраструктура, которую можно адаптировать под требования AI sovereignty.
Если такой подход масштабируется, в будущем разработчику может быть вообще неважно, какая модель находится под капотом.
Он будет обращаться к одному API, а orchestration layer сам решит, какая комбинация моделей даст лучший результат по цене, скорости и качеству.
🔗 https://sakana.ai/fugu-gemma4/
#AI #LLM #Agents #MultiAgent #SakanaAI #Gemma
🎓 Если вы планируете поступать в ШАД в 2027 году, сейчас можно присоединиться к текущему потоку ShadHelper.
Мы больше 6 лет готовим к ШАД и ML-магистратурам. Среди преподавателей - специалисты из Сбера, МГУ и МФТИ; 120+ выпускников уже поступили в ШАД и ML-магистратуры.
Курс рассчитан на системную подготовку за год: математика, теория вероятностей, дискретная математика и алгоритмы, регулярная практика, домашние задания с обратной связью, поддержка в чате и пробные экзамены.
Поток уже идёт, и сейчас начинается основная часть программы - ключевые темы вступительных экзаменов. Присоединиться к текущей группе можно до 24 августа.
Если пока не готовы принимать решение сразу, оставьте заявку: откроем материалы первой недели курса и договоримся о 15-минутной консультации с академическим куратором. Вы посмотрите, как устроена программа, и сможете задать вопросы по подготовке и входу в текущий поток.
👉 Посмотреть программу и условия
⚡️ Перед IPO Anthropic инвесторы хотят, чтобы Дарио Амодеи говорил об угрозах ИИ мягче. Но он, похоже, не собирается.
По данным The Information, часть акционеров Anthropic считает, что постоянные предупреждения Амодеи об экзистенциальных рисках AI могут плохо сочетаться с подготовкой компании к публичному рынку.
Проблема для инвесторов в том, что повлиять на CEO непросто.
Ключевые решения Anthropic по-прежнему сосредоточены внутри узкого круга сооснователей и близких к Амодеи людей.
В этом году один из членов совета директоров якобы предлагал использовать более привычную PR-стратегию Microsoft и Meta - больше рассказывать о позитивных сценариях вроде AI для разработки лекарств.
Амодеи идею отверг.
Его позиция: если технология потенциально создаёт риски для выживания человечества, относиться к её продвижению как к обычному технологическому маркетингу нельзя.
И здесь возникает очень интересный конфликт:
инвесторам перед IPO нужен оптимизм и понятная история роста, а CEO продолжает публично говорить, что технология его собственной компании может быть опасной.
#AI #Anthropic #Claude #IPO #ArtificialIntelligence
🔥 Qwen-CUA показывает: сильному компьютерному агенту достаточно экрана, мыши и клавиатуры
Главная идея: AI может работать с любым приложением так же, как человек — через обычный интерфейс.
Без:
- DOM сайта;
- API конкретного приложения;
- accessibility labels;
- специальных инструментов под каждую задачу.
Агент получает только скриншоты и управляет компьютером через клики и нажатия клавиш.
Для обучения использовали:
- около 40 000 проверяемых задач;
- почти 100 000 виртуальных CPU-ядер;
- множество разных программных окружений.
Главная проблема таких агентов — длинные задачи.
Ошибка в начале может сломать весь сценарий, а правильный результат часто становится понятен только в конце.
Qwen-CUA решает это через визуальную память:
- хранит последние 20 скриншотов;
- старую историю сжимает;
- сохраняет контекст предыдущих действий.
Результаты:
- OSWorld-Verified: 86.2 балла
- сложные long-horizon задачи всё ещё остаются большим вызовом.
Самый интересный вывод:
Скриншот может стать универсальным API для AI-агентов.
Вместо создания интеграции для каждого приложения отдельно, агент учится работать с тем же интерфейсом, которым пользуются люди.
📄 Paper:
https://arxiv.org/abs/2608.02352
Qwen-CUA: Native Computer Use for (almost) Everything
🔥 После того как стоимость токенов GPT-5.6 Luna снизилась примерно в 10 раз, их потребление выросло более чем в 10 раз.
Это классический парадокс Джевонса: повышение эффективности не обязательно сокращает расход ресурса. Иногда происходит обратное - ресурс становится дешевле, появляется больше сценариев использования, и общий спрос взрывается.
С AI это может быть особенно заметно:
- модели дешевеют;
- контекст растёт;
- агенты делают десятки и сотни вызовов вместо одного;
- компании начинают автоматизировать задачи, для которых раньше LLM были слишком дорогими;
- AI постепенно становится фоновым слоем практически любого ПО.
И при этом настоящий спрос ещё может быть впереди.
По данным Microsoft Research, в Q1 2026 генеративным ИИ пользовались лишь около 17,8% трудоспособного населения мира.
То есть более 80% потенциальных пользователей ещё практически не вошли в эту экономику.
Если стоимость inference продолжит падать, вопрос будет уже не в том, сколько токенов удастся сэкономить.
#AI #LLM #ArtificialIntelligence #OpenAI #Tech
🤖 Почему корпоративный ИИ не приносит ожидаемого результата?
Во многих компаниях уже тестируют AI, но вместо пользы получают неточные ответы и «галлюцинации». В большинстве случаев проблема не в модели, а в качестве и доступности данных.
На бесплатном вебинаре эксперты Conteq и Денвик Аналитика покажут, как подготовить данные для корпоративного ИИ и построить архитектуру, которая действительно работает.
Вы узнаете:
• почему данные важнее выбора модели;
• как автоматизировать получение данных из 1С;
• зачем нужен DWH и единый слой корпоративных знаний;
• с чего начать внедрение AI без лишних затрат.
🎁 Всем участникам — полезные материалы, запись вебинара и возможность задать вопросы экспертам.
📅 12 августа, 11:00 (МСК)
💻 Онлайн, участие бесплатное.
👉 Регистрируйтесь на вебинар и начните подготовку данных для ИИ уже сегодня.
Реклама. ООО "ДЕНВИК АНАЛИТИКА". erid: 2Vtzqwno39C
⚡️ Google предлагает переписать теорию игр для эпохи ИИ-агентов
Новая работа исследователей Google показывает неожиданную вещь: рациональные ИИ-агенты могут выбирать сотрудничество даже там, где классическая теория игр предсказывает предательство.
Классический пример - одноразовая «дилемма заключённого». Если два независимых игрока больше никогда не встретятся и не могут договориться, рациональная стратегия обычно ведёт к отказу от сотрудничества.
Но с ИИ всё может работать иначе.
Авторы предлагают рассматривать модель не как полностью независимого игрока, а как часть мира, который она сама пытается предсказать. Если агент видит достаточно признаков того, что другой агент рассуждает похожим образом, его собственное решение становится дополнительной подсказкой:
Если я, рассуждая так, выбираю сотрудничество,
то похожий на меня агент, вероятно, выберет то же самое.
