Анализ данных (Data analysis)

Open in Telegram

Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp

Network:Machinelearning Russia12 169 Technologies & Applications2 565...

📈 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 50 555 subscribers, ranking 2 565 in the Technologies & Applications category and 12 169 in the Russia region.

📊 Audience metrics and dynamics

Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 50 555 subscribers.

According to the latest data from 31 August, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 144 over the last 30 days and by 23 over the last 24 hours, overall reach remains high.

Verification status: Not verified
Engagement rate (ER): The average audience engagement rate is 12.24%. Within the first 24 hours after publication, content typically collects 8.23% reactions from the total number of subscribers.
Post reach: On average, each post receives 6 190 views. Within the first day, a publication typically gains 4 162 views.
Reactions and interaction: The audience actively supports content: the average number of reactions per post is 28.
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 01 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.

50 555

Subscribers

+2324 hours

+157 days

+14430 days

6 190

Post views

~ 4 16224 hours

~ 4 86548 hours

12.24%

Engagement rate

~ 5

Posts per day

Ads index

beta

Posts Archive

50 555

Ты проверяешь сгенерированный Клодом код перед тем, как выкатывать его в прод.

50 555

🔌 OpenAI продолжает собирать лучшие умы индустрии. На этот раз компания пригласила к себе Питера Штайнбергера - создателя нашумевшего проекта OpenClaw. Сам Альтман назвал его «гением». В OpenAI он будет работать над следующим поколением персональных AI-агентов и именно агенты, по словам компании, станут основой будущих продуктов. OpenClaw не закрывают. Проект останется open-source, и OpenAI обещает продолжать его поддержку. Но самое впечатляющее - скорость. Путь OpenClaw: - идея и разработка одним человеком - быстрый рост и хайп в сообществе - приглашение в OpenAI Всё это - за 82 дня. В эпоху AI окно возможностей стало экстремально коротким. Один сильный проект может изменить карьеру за пару месяцев. Мотивация простая: сейчас лучшее время, чтобы запускать своё. https://x.com/sama/status/2023150230905159801?s=46

50 555

🚀 Ling-2.5-1T: новый open-source гигант • 1 трлн параметров • 63B активных • MIT лицензия - можно использовать в продакшене Что внутри: ⚡ Hybrid Linear Attention Комбинация MLA (1:7) + Lightning Linear - быстрее Kimi K2 на длинных контекстах 🧠 В 4 раза эффективнее по токенам Composite rewards позволяют достигать уровня топ-моделей, используя в 4 раза меньше токенов 📚 Контекст до 1 млн токенов YaRN scaling — обходит Kimi K2.5 и DeepSeek V3.2 на тестах RULER и MRCR — идеальные результаты в NIAH 🛠️ SOTA для агентных задач Обучение через Agentic RL Лидер BFCL-V4 Нативная интеграция с: - Claude Code - OpenCode - OpenClaw 🎯 Чёткое следование инструкциям Bidirectional RL + проверка агентом Минимум «воды», максимум плотности ответа Модель пока уступает GPT-5.2 и Gemini 3 Pro в долгих многошаговых задачах. Open-source модели уже заходят на территорию enterprise-агентов. Если нужен длинный контекст + инструменты + контроль над инфраструктурой - это один из самых интересных кандидатов прямо сейчас. modelscope.ai/models/inclusionAI/Ling-2.5-1T modelscope.cn/models/inclusionAI/Ling-2.5-1T

50 555

💰 Илон Маск сделал громкое заявление:

Через 10–20 лет накопления на пенсию могут потерять смысл.

Звучит радикально, но его логика проста. Сегодня вся финансовая система построена на одном предположении: ресурсы ограничены, а жизнь дорогая. Мы откладываем деньги, потому что: - нужно платить за жильё - еду - медицину - услуги - и в старости дохода может не быть Но Маск считает, что AI и роботизация меняют саму основу экономики. Что происходит уже сейчас: - Автоматизация снижает стоимость труда - Производство становится дешевле - Услуги заменяются алгоритмами - Всё больше процессов работает без участия человека Если этот тренд продолжится, то: Стоимость производства → стремится к нулю Стоимость жизни → резко падает А значит, логика “копить на дорогую жизнь в будущем” перестаёт работать. Мы можем перейти от экономики дефицита к экономике изобилия. Где главным ограничением станет не деньги, а: - смысл деятельности - самореализация - ценность идей и творчества Самый важный вывод не в том, что «копить не нужно». А в другом: Мир меняется быстрее, чем наши финансовые привычки. Модель «учись → работай 40 лет → копи → пенсия» может просто устареть. В ближайшие 10–15 лет главный актив - это не накопления. Это: - навыки адаптации - умение работать с AI - гибкость - способность создавать ценность в новой экономике Потому что будущее, к которому мы готовимся по старым правилам, может оказаться совсем другим.

50 555

💰 Гонка за AGI - это не только технологии. Это ещё и риск банкротства на триллионы. Dwarkesh спросил CEO Anthropic Дарио Амодеи: почему он так уверен в AGI, но при этом осторожен с масштабным строительством дата-центров? Ответ оказался жёстким. Если рынок AI продолжит расти в 10× в год, компания может выйти на $1 трлн выручки к 2027 году. Чтобы поддержать такой рост, придётся закупить примерно $5 трлн вычислительных мощностей. Но здесь и кроется опасность. Если прогноз окажется немного оптимистичным - например: - не $1T, а $800B выручки - рост замедлится до 5× - или рынок сдвинется всего на 1 год → компания просто обанкротится. По словам Амодеи:

Если ты ошибся в прогнозе, нет силы и нет хеджа, которые спасут от банкротства после таких инвестиций.

Главная мысль: AGI - это не только гонка моделей. Это самая рискованная инфраструктурная ставка в истории технологий. Поэтому «действовать ответственно» -не значит инвестировать сотни миллиардов. И, по его словам, некоторые игроки в гонке ИИ, возможно, даже не просчитали все риски до конца. 🚀 Полное интервью

50 555

Как создавать решения и автоматизировать рутину в 2026: No-Code 2.0 × Pro-Code с AI - Практикум от Отус Покажем, как в 2026 собирать рабочие внутренние сервисы: где хватает No-Code 2.0, а где нужен Pro-Code с AI — без бесконечных спринтов и «ручного» отчётничка. 📌 18 февраля, 20:00 (мск) 🦉 Спикер: Артём Колчин — 7+ лет в продакт/проектном управлении, выстраивал процессы в командах до 60 человек. О чём поговорим простыми словами; — Что такое No-Code 2.0 и почему он — оркестратор процессов, а не «замена разработке» — Связка No-Code + LLM: формы, базы, боты, автоматизации — Где No-Code заканчивается и начинается Pro-Code — Pro-Code + AI как «ускоренный Dev»: агенты для кода, интеграций, тестов и DevOps-рутины — Кейсы внутренних систем: заявки HR/Legal/Finance/IT, Jira/Notion как процессные хабы Бонусы: — cкидка 7% на любой курс OTUS — гайд по работе с промптами для LLM 🔗 Регистрируйся: https://tglink.io/4e26955ca39e4c Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: 2W5zFJAhvKB

50 555

🚀 Mistral научили маленькие модели думать как большие Mistral AI представила семейство Ministral - компактные модели, созданные с помощью подхода cascade distillation. - Большая модель Mistral 3 выступает в роли «учителя» - Дистилляция проходит в несколько этапов, а не за один раз - Каждая следующая модель учится на результатах предыдущей - Быстрее inference - Дешевле запуск в продакшене - Подходит для edge-устройств и локального запуска - Можно масштабировать AI-сервисы без огромных затрат - В итоге - меньше размер, ниже стоимость, высокая точность Большие модели будут использоваться для обучения… а в продакшене будут работать маленькие и эффективные. https://www.deeplearning.ai/the-batch/mistral-uses-cascade-distillation-on-mistral-3-to-build-ministral-family #ai #ml #llm #Mistral

50 555

⚡️ Илон Маск: xAI может построить завод на Луне для производства AI-спутников На внутренней встрече xAI Маск заявил, что в будущем компании может понадобиться лунная фабрика, которая будет производить спутники для ИИ, а также гигантская катапульта для их запуска в космос. Звучит как фантастика, но идея отражает масштаб амбиций. Что ещё он сказал сотрудникам: - xAI должна продолжать расти максимально быстро - В AI-гонке побеждает тот, кто движется быстрее всех - По его словам, сейчас xAI развивается быстрее конкурентов - Компания уже достигла масштаба, при котором требуется новая структура управления - Часть команды, эффективная на ранних этапах, может не подходить для стадии масштабирования Главная мысль Маска: Скорость - главный фактор лидерства в AI. Речь идёт о долгосрочной стратегии, где: - AI-инфраструктура выходит за пределы Земли - спутники могут стать частью глобальной вычислительной сети - конкуренция идёт не только за модели, но и за физическую инфраструктуру nytimes com/2026/02/10/technology/elon-musk-lunar-factory.html

50 555

🤖 Агенты на базе LLM звучит как модный тренд, но за ним скрываются конкретные архитектурные решения, ограничения и инженерные компромиссы. Без их понимания агентные системы быстро превращаются в нестабильные и трудно поддерживаемые эксперименты. На открытом уроке вы разберёте, что на самом деле стоит за agentic-подходом и чем он отличается от привычных LLM-приложений с chains, RAG и tools. Мы подробно рассмотрим устройство агента: модель, инструменты, память, планирование и контроль выполнения, а также разберём архитектурные паттерны агентных систем. Вы увидите, как один и тот же агентный сценарий реализуется в разных фреймворках, сравните их подходы и ограничения, поймёте, где агентный подход действительно оправдан, а где он усложняет систему без реальной выгоды. 🗓️ Встречаемся 17 февраля в 20:00 МСК в преддверии старта курса «LLM Driven Development». Зарегистрируйтесь: https://otus.pw/Q3x3F/?erid=2W5zFHNEkCZ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

50 555

⚡️ Вышла M2.5 - новая open-source frontier-модель MiniMax представили M2.5 - модель, ориентированную на продуктивность, агентные задачи и долгие рабочие сценарии. Что внутри - Кодинг: 80.2% на SWE-Bench Verified - Поиск и ресёрч: 76.3% (BrowseComp) - Agent tool-calling: 76.8% (BFCL) - Оптимизирована для офисных и рабочих задач Главное отличие Скорость и эффективность - На 37% быстрее в сложных задачах - До 100 tokens/sec - Стоимость — около $1 в час Такой ценник меняет экономику AI-агентов. Теперь становится возможным: - долгие автономные агенты (часы и дни работы) - постоянные coding-агенты - исследовательские ассистенты - автоматизация бизнес-процессов Рынок движется от «умных моделей» к дешёвым и долгоживущим агентам. MiniMax Agent: http://agent.minimax.io API: http://platform.minimax.io CodingPlan: http://platform.minimax.io/subscribe/coding-plan

50 555

🚀 SoftMatcha 2 - инструмент от Sakana, который проверяет, не “подглядывала” ли модель ответы Одна из главных проблем в обучении LLM - загрязнение бенчмарков. Модель показывает отличные результаты… но иногда просто потому, что похожие задачи уже были в обучающих данных. Проверить это сложно. Обычный поиск по точным совпадениям не работает - формулировки могут отличаться, слова меняться, а смысл оставаться тем же. SoftMatcha 2 новое решение от Sakana. Что делает инструмент: - Ищет совпадения в корпусах размером до триллионов токенов - Работает менее чем за 0.3 секунды - Находит не только точные копии, но и похожие по смыслу фрагменты (замены слов, вставки, удаления) - Помогает обнаружить утечки тестовых данных в обучении Почему это важно: Если модель уже видела похожие задачи: - метрики становятся завышенными - сравнение моделей теряет смысл - “прорыв” может оказаться просто хорошей памятью SoftMatcha 2 позволяет: - проверять чистоту датасетов - находить скрытые пересечения - честно оценивать качество моделей Как это работает: - Быстрый поиск на основе suffix arrays - Disk-aware архитектура - эффективная работа даже с огромными данными - Интеллектуальное pruning, чтобы избежать перебора миллионов вариантов Можно протестировать онлайн на корпусе 100B токенов или развернуть у себя для триллионных масштабов. Demo: http://softmatcha-2.s3-website-ap-northeast-1.amazonaws.com Paper: https://arxiv.org/abs/2602.10908 Code: https://github.com/softmatcha/softmatcha2 Сегодня важен не только размер модели. Главный вопрос - учится ли она думать, или просто запомнила ответы.

50 555

📘 На Stepik вышел курс — «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне» Хотите собирать AI-агентов и RAG-сервисы так, чтобы это стабильно работало в эксплуатации: с метриками, оценкой качества, контролем стоимости и нормальным деплоем? Этот курс — полный путь от прототипа к прод-сервису. • Агенты: LangGraph/AutoGen, роли/состояния, FSM/DAG, параллелизм • RAG: hybrid retrieval + rerank (Qdrant/FAISS/Weaviate) • Надёжность: таймауты, ретраи, идемпотентность, DLQ • Eval/качество: golden-сеты, LLM-judge, pass@k, quality-гейты • Observability: логи/трейсы, OpenTelemetry, Prometheus/Grafana • Security: строгий JSON (Pydantic), guardrails, PII, RBAC/ABAC 🎓 Сертификат Stepik — добавьте в резюме или LinkedIn 🚀 Скидка 25% по ссылке — действует 48ч 👉 Забрать курс на Stepik Реклама: Ип Малышкин А.А. ИНН: 402571325199, Erid: 2Vtzqw45X5m

50 555

⚡️ DeepWiki - GitHub-репозитории, которые можно “спросить” как ChatGPT DeepWiki - это инструмент, который превращает любой GitHub-проект в интерактивную документацию с AI. Просто замените в ссылке: github.com → deepwiki.com И вы получите: - автоматически сгенерированную wiki по проекту - объяснение архитектуры - разбор ключевых файлов - ответы на вопросы прямо по коду Пример: https://deepwiki.com/karpathy/nanochat Почему это удобно Обычная документация часто: - устаревшая - неполная - не объясняет, как всё реально работает DeepWiki анализирует сам код — источник истины — и строит объяснения на его основе. Можно быстро узнать: - как устроена архитектура - где реализована нужная функция - как работает конкретный модуль - какие зависимости используются Практическая польза - Быстрое изучение чужих репозиториев - Онбординг в новый проект - Поиск логики без ручного чтения сотен файлов - Подготовка к собеседованиям - Работа AI-агентов с кодом через MCP Главная идея Теперь код можно не читать построчно. Можно задавать вопросы репозиторию и получать готовые объяснения. Это новый способ изучения и использования open-source. @data_analysis_ml

50 555

Google представили новый подход к разработке AI-систем, вместо привычного формата «один пользователь - один ассистент» они моделируют групповые диалоги, где одновременно взаимодействуют несколько людей и ИИ. Идея проста: в реальной жизни ИИ всё чаще работает не в одиночку, а как участник команды. Что предлагают Система позволяет: - Симулировать групповые обсуждения (несколько людей + AI) - Тестировать, как ИИ ведёт себя в динамике разговора - Оценивать: - когда ИИ должен вмешиваться - когда лучше молчать - как не перебивать людей - как учитывать контекст всей группы Почему это важно Обычные тесты проверяют: - точность ответа - знание фактов Но в командной работе важнее: - тайминг ответа - уместность - социальное поведение - понимание ролей участников ИИ должен стать коллегой, а не просто чат-ботом. Где это применимо - Совместное написание документов - Брейнштормы - Планирование проектов - Онлайн-встречи - Образование и командная работа Главная идея Будущее AI - это не «личный помощник», а участник командных процессов. Такие симуляции позволяют заранее тестировать поведение модели в сложных социальных сценариях и делать её более естественной и полезной в реальной работе. ✔️ Источник: https://research.google/blog/beyond-one-on-one-authoring-simulating-and-testing-dynamic-human-ai-group-conversations/

50 555

🔥 Эти анимации были созданы на 100% с помощью искусственного интеллекта, используя Seedance 2.0. Всё было сгенерировано на основе одного запроса, без ручной анимации. Вы смотрите воссозданные бои, такие как Годзё Сатору против Рёмена Сукуны, сражения с участием Махораги и таких персонажей, как Саске Учиха, Тодзи Фусигуро и Юта Оккоцу. Плавность, точность и эффектность дают понять: искусственный интеллект для 2D-анимации вышел на новый уровень. Это не проверка. Это реальные перемены, происходящие прямо сейчас.

50 555

⚡️ Deep Research без интернета? Теперь это возможно. OpenResearcher — это полностью офлайн-пайплайн для генерации длинных исследовательских траекторий (100+ шагов), которые имитируют реальный процесс работы агента в интернете: search → open → find → анализ → вывод. И всё это: - без API поиска - без ограничений по rate limit - без нестабильности результатов - полностью воспроизводимо Что под капотом: - GPT-OSS-120B генерирует исследовательские цепочки - Локальный поисковик + корпус 10 трлн токенов - 15 млн документов FineWeb - 10 000 «золотых» отобранных источников - Явные примитивы браузинга (поиск, открытие, извлечение), а не просто retrieve-and-read - Reject sampling — сохраняются только успешные длинные траектории Почему это важно? Главная проблема обучения research-агентов — длинные цепочки действий. Обычные датасеты короткие и не учат модель думать на горизонте десятков шагов. Здесь результат впечатляет: SFT на этих траекториях повышает точность модели Nemotron-3-Nano-30B-A3B с 20.8% → 54.8% на BrowseComp-Plus (+34% абсолютного прироста) Что это значит для индустрии: - Deep-research агентов можно обучать без дорогих онлайн-запросов - Появляется воспроизводимое обучение tool-use - Можно масштабировать генерацию «мышления через действия» - Это шаг к стабильным автономным исследовательским AI Открытое релизнули всё: - Код, поисковик и рецепт корпуса - ~96K длинных исследовательских траекторий - Логи оценки - Обученные модели - Онлайн-демо GitHub: https://github.com/TIGER-AI-Lab/OpenResearcher Models & Data: https://huggingface.co/collections/TIGER-Lab/openresearcher Demo: https://huggingface.co/spaces/OpenResearcher/OpenResearcher Eval logs: https://huggingface.co/datasets/OpenResearcher/OpenResearcher-Eval-Logs @ai_machinelearning_big_data

50 555

🦾 На открытом уроке от Otus разберём, как сегодня ищут аномалии во временных рядах. Поговорим о точечных, контекстуальных и коллективных аномалиях, разберём кейсы, где статистические пороги не работают, и перейдём к современным ML- и DL-подходам. Вы увидите арсенал методов — от линейных моделей и SVM до ансамблей, графовых подходов и специализированных нейросетевых детекторов. Вы научитесь выбирать метод под конкретный тип данных и задачу, снижать количество ложных срабатываний и интерпретировать результаты моделей. Получите рабочие примеры на Python, которые можно адаптировать под мониторинг, финансы, IoT или безопасность. 📌 Встречаемся 18 февраля в 20:00 МСК в преддверии старта курса «Machine Learning. Advanced». Регистрация открыта: https://otus.pw/JWQe/?erid=2W5zFH7NgXJ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

50 555

⚡️ AAI иногда помогает делать прорывы в самых неожиданных местах. Модель, обученная распознавать птиц, теперь помогает раскрывать тайны подводного мира. Главная проблема океанологии - данные. Подводные камеры записывают тысячи часов видео, но учёные физически не успевают всё просмотреть. В результате редкие виды, изменения экосистем и важные события могут оставаться незамеченными годами. Исследователи применили модели компьютерного зрения, изначально обученные на изображениях птиц. Несмотря на то, что среда полностью другая (вода, плохое освещение, шум, мутность), модель смогла: - автоматически находить морских животных в кадре - классифицировать виды - отслеживать их поведение - анализировать большие массивы данных без участия человека Transfer learning — ключевая идея. Модель уже умеет распознавать формы, текстуры, контуры и движение. Эти базовые визуальные признаки универсальны и подходят не только для птиц, но и для рыб, медуз и других морских существ. Самое интересное: - Не нужно обучать модель с нуля (экономия месяцев работы и огромных ресурсов) - Можно быстро адаптировать AI к новым научным задачам - AI способен находить редкие или неожиданные наблюдения, которые человек мог бы пропустить - Такой подход ускоряет исследования климата и состояния океанов Фактически, модель стала инструментом научных открытий, а не просто системой распознавания изображений. Главный вывод для разработчиков: Ценность AI сегодня - не в обучении новых моделей, а в умении переиспользовать существующие и переносить их в новые домены. Часто самая сильная инновация — это не новая архитектура, а новое применение. https://research.google/blog/how-ai-trained-on-birds-is-surfacing-underwater-mysteries/