Machine learning Interview

📌ИИ-модель от Стэнфорда диагностирует 130 заболеваний по анализу одной ночи сна. Стэнфордский университет натренировал SleepFM — фундаментальную модель для прогноза целого спектра патологий: от мерцательной аритмии и инфаркта миокарда до деменции и болезни Паркинсона.

Полисомнография — «золотой стандарт» изучения сна: человека обвешивают датчиками (ЭЭГ, ЭКГ, дыхание, мышцы) и пишут гигабайты сырых сигналов.

Но в ML-мире эти данные используются бездарно. Существующие модели тренировались на мелких датасетах сугубо под узкие задачи (найти апноэ, определить фазу сна). Огромный пласт физиологической информации о здоровье пациента просто игнорировался, потому что размечать вручную сотни часов записи под каждую болячку — невозможно. К тому же, если в одной клинике датчик ЭЭГ повесили чуть иначе или он отвалился, обычная модель ломалась. В университете поняли, что врачи-разметчики не нужны, нужны объемы. Они собрали огромный датасет из 585 тыс. часов записей сна более 65 тыс. пациентов и придумали уникальный алгоритм обучения SSL для будущей модели. 🟡LOO-CL (Leave-One-Out Contrastive Learning) Вместо того чтобы учить модель предсказывать диагноз, еt заставили решать пазл: система получает на вход сигналы от 3-x модальностей (сердце, мышцы, дыхание) и должна предсказать эмбеддинг четвертой (мозговые волны). Это заставляет нейросеть на базе 1D CNN и Transformers выучивать глубокие, скрытые связи между физиологическими процессами. 🟡Вторая фишка — Channel-Agnostic Attention. Модели все равно, какие именно датчики подключены и в каком порядке. Если канал отвалился или отсутствует, attention pooling просто перераспределяет веса, и инференс продолжается. 🟡SleepFM научилась читать по сну не только бессонницу. Получив на вход 1 ночь записи, модель предсказывает риск 130 заболеваний, причем она делает это точнее, чем специализированные модели, обученные с учителем: риск болезни Паркинсона выявляется в 89% случаев, деменции — в 85%, а вероятность сердечного приступа — в 81%. Авторы работы полагают, что с развитием носимой электроники такая диагностика может перекочевать из лабораторий в умные часы, а тесты модели доказали, что что в шуме сигналов сна может быть скрыта полная медкарта пациента. @ai_machinelearning_big_data #news #ai #ml

🧠 DFlash: как ускорить LLM без потери качества DFlash - это способ ускорить генерацию текста у больших моделей. Он работает так: одна модель быстро делает черновик, другая - проверяет его и исправляет ошибки. Почему это круто? 🚀 6.2× быстрее без потери качества на Qwen3-8B ⚡ в 2.5 раза быстрее EAGLE-3 Идея простая: • диффузионные модели - генерируют быстро, но иногда ошибаются • автогенеративные (AR) - очень точные, но работают медленно • DFlash сочетает оба подхода: диффузия — черновик → AR — проверка и подтверждение Получается: и быстро, и аккуратно, вместо того, чтобы выбирать одно. 🔗 Блог: https://z-lab.ai/projects/dflash/ 💻 Код: https://github.com/z-lab/dflash 🤗 Модели: https://huggingface.co/collections/z-lab/dflash

Дженсен Хуанг: «Влюбиться в то, что делаешь — проще, чем искать то, что любишь» Многие говорят: *«Найди дело своей мечты».* Но Хуанг смотрит иначе:

> «Я полюбил всё, чем занимался. > Я любил мыть посуду. > Я любил работать официантом. > Я любил разносить газеты. > Я любил каждую работу, которая у меня была.»

Он продолжает:

> «Я люблю каждый день в Nvidia. > Я просто научился любить то, что делаю. > Найти то, что любишь - сложно. > Проще - влюбиться в свою работу. > Когда ты хочешь сделать её хорошо, работать легче.»

💡 Мы часто ищем «идеальное дело», но иногда сила в том, чтобы сделать то, что есть значимым, и через это вырасти. Как вам такая философия?

🧠⚡ Исследование Carnegie Mellon: Cursor ускоряет разработку до 3–4x - но с ценой Учёные из Carnegie Mellon проанализировали 807 репозиториев, где разработчики перешли на Cursor (по конфигам вроде `.cursorrules`), и сравнили их с 1380 контрольными проектами - до и после внедрения. Метод difference-in-differences: сравнивали одни и те же репы *до/после*, плюс контролировали тренды по месяцам. 🚀 Что произошло с “скоростью кода” Code Velocity = коммиты + строки кода. - в первый месяц - скачок 3–5x по строкам - в среднем после внедрения - +1.84x к скорости ИИ реально ускоряет работу - и это измеряемо, а не ощущение. 🧩 Но есть побочные эффекты Качество оценивали через SonarQube (надёжность, поддерживаемость, безопасность, дубликаты, когнитивная сложность). - статические предупреждения - +30% - сложность кода - +41% - через это скорость начинает проседать со временем ИИ помогает писать больше - но не всегда лучше. 💡 Вывод Cursor даёт реальный прирост продуктивности, особенно в начале. Но выигрывают те, кто сочетает ИИ с: - тестами - код-ревью - quality gates - статанализом ИИ-агенты - ускорители, а качество всё ещё требует инженера. arxiv.org/abs/2511.04427v2

🚨 DeepSeek уже в первый день года выкатывает сильное обновление: важное улучшение архитектуры трансформеров. Китайцы редложила способ сделать shortcut-путь ( это когда выход слоя прибавляется к его же входу, то есть сеть не «заменяет» информацию, а добавляет к ней улучшенную версию) в трансформерах гибче, но при этом сохранить стабильность даже у очень больших моделей. В обычном трансформере каждый блок что-то считает, а потом просто добавляет результат к исходному сигналу. Это помогает информации проходить через много слоёв, не теряясь. Hyper-Connections меняют shortcut-путь. Был один поток, а стало несколько.

Перед блоком модель выбирает, какие потоки подать на вычисления. Во время блока часть сигнала идёт «в обход», чтобы ничего не потерять. После блока всё снова аккуратно объединяется.

То есть shortcut превращается из простого «input + output» в умный маршрутизатор сигналов. Проблема в том, что без ограничений такие смешивания могут усиливать сигнал слишком сильно или, наоборот, гасить его и большие модели начинают вести себя нестабильно. mHC решает это так: потоки остаются, но каждое смешивание работает как аккуратное усреднение. Сигнал не может «взорваться» или исчезнуть - он остаётся под контролем. Что это даёт на практике: - модели остаются стабильными даже на масштабе 27B, дают лучшее качество и не страдают от скачков лосса. Там, где обычные Hyper-Connections раздували сигнал до 3000×, mHC держат его примерно на уровне 1.6×. Если коротко: был один shortcut,. сделали несколько, но заставили их смешиваться безопасно. И трансформеры стали гибче и стабильнее. https://arxiv.org/abs/2512.24880 @ai_machinelearning_big_data #AI #DeepSeek #MachineLearning #NeuralNetworks #Research

🚀 Agentic AI Crash Course: бесплатный курс про автономных AI-агентов Этот курс обучает не просто генерации текста, а созданию систем, которые понимают задачу, планируют шаги и выполняют действия. Что внутри: - как устроены AI-агенты и чем они отличаются от обычных LLM - инструменты и функции, которыми агент управляет - планирование и рассуждение - память и контекст у агентов - RAG и агентные архитектуры - мульти-агентные системы - практические кейсы и продакшн-паттерны Кому подойдёт: - разработчикам, которые хотят строить автономные AI-системы - продактам и аналитикам, которым важно понимать архитектуру - всем, кто хочет быстро въехать в agentic AI Почему это полезно: - агенты умеют принимать решения, звать API, собирать данные и автоматизировать сложные задачи - курс дают бесплатно, хотя раньше он был платным https://github.com/aishwaryanr/awesome-generative-ai-guide/tree/main/free_courses/agentic_ai_crash_course

Tesla стоит дороже, чем вся мировая автоиндустрия - вместе взятая 🚗⚡ Сегодня капитализация Tesla - примерно $1.62 трлн. Вся глобальная автоиндустрия - около $1.33 трлн. Иначе говоря, одна компания оценивается дороже, чем весь остальной рынок автомобилей. Традиционные автопроизводители инвесторы воспринимают как зрелые промышленные бизнесы: медленный рост, высокие капзатраты, жесткая конкуренция и ограниченные маржи. С Tesla история другая. Инвесторы платят за потенциал будущих направлений: - автопилот и self-driving - роботакси - хранение и управление энергией - робототехника - новые высокомаржинальные сервисы Фактически рынок считает, что : > у Tesla - больше потенциала роста на каждую единицу будущего прогресса, > чем у всей отрасли в целом. И ещё один сигнал: Tesla воспринимают как компанию, которая способна превратить автомобиль в платформу - где каждая новая функция (автономность, энергоинтеграция, эффективность производства) повышает маржу и открывает новые источники дохода. Это уже не просто автопроизводитель - это ставка на то, что машины становятся программными продуктами на колёсах.

🎉 Yandex Cloud и Forbes совместно создали новогодний спецпроект-игру, вдохновленную классикой «Герои меча и магии», но с современным взглядом на работу с данными! Вместо магии — PostgreSQL, ClickHouse, Trino, DataLens — все эти инструменты работают как артефакты в вашем распоряжении. Получайте их у хранителей, создавайте в кибер-кузнице и помогайте своим персонажам из сферы финтеха, ритейла и промышленности побеждать цель — победить хаос данных. Проект — не только игра, но и демонстрация того, как Yandex Cloud помогает компаниям эффективно управлять данными. Играть можно на ПК и смартфонах. Отличный вызов для всех CDO, аналитиков и дата-инженеров, кто хочет совместить полезное с ностальгическим! 👉 Поиграть и узнать больше

⚡️ Neural Operator официально стал частью экосистемы PyTorch PyTorch расширяет границы машинного обучения - в экосистему официально вошли Neural Operators. Что это такое: Neural Operators - это класс моделей, которые учатся не аппроксимировать данные, а аппроксимировать сами операторы. Проще говоря, они учатся решать целые классы задач, а не отдельные примеры. Зачем это нужно: - Решение дифференциальных уравнений - Физическое моделирование - Климат и погода - CFD, материалы, биология - Научные и инженерные симуляции В отличие от обычных нейросетей: - Neural Operators обобщаются на разные разрешения сетки - Работают с непрерывными функциями - Лучше подходят для задач, где данные описывают физические процессы Что дает интеграция в PyTorch: - Единый стандарт и API - Совместимость с autograd, GPU и распределенным обучением - Проще внедрять в реальные ML и scientific pipelines - Меньше барьеров между research и production PyTorch все больше становится не просто фреймворком для DL, а базовой платформой для научных вычислений и физически-осмысленного ИИ. ML и scientific computing продолжают сближаться - и это один из самых сильных сигналов за последнее время. Источник: https://pytorch.org/blog/neuraloperatorjoins-the-pytorch-ecosystem/

🖥 Новая вакансия OpenAI: Head of Preparedness. Компания ищет человека, который будет заранее продумывать и управлять рисками от быстро растущих возможностей ИИ. Главная идея роли: - понимать, где ИИ может пойти «не туда» - предотвращать злоупотребления ИИ - усиливать защиту кибербезопасности, - закладывать правила для систем, которые умеют самоулучшаться Это напряжённая и очень ответственная работа: мало примеров, много неизвестного - и высокий уровень влияния на решения. По сути - задача проста по формулировке и сложна на практике: как развивать мощный ИИ и не дать ему причинить вред. https://openai.com/careers/head-of-preparedness-san-francisco/

📄 Превращайте тысячи PDF в данные, готовые для LLM - с Vision-First Agentic Document AI! LandingAI представила Agentic Document Extraction (ADE) DPT-2 Mini - облегчённую версию Document Pretrained Transformer 2, специально для потоковой обработки документов. Идеально для “чистых” цифровых PDF, где визуальный контекст всё ещё важен для точного извлечения. Подходит для: • счетов • договоров • писем • служебных записок • любых аккуратно сформированных PDF ✨ Основные возможности: • Структурированное извлечение из цифровых документов • Точное понимание макета простых PDF • Поддержка разных типов блоков: параграфы, изображения, логотипы, карточки и т.д. • Надёжная транскрипция английского текста • Оптимизация под масштаб — быстро, стабильно, экономично DPT-2 Mini ориентирован на скорость, надёжность и низкую стоимость — когда документы простые, а нужно массовое и чистое структурированное извлечение. https://github.com/landing-ai/ade-python

🏆 Конкурс научных статей Data Fusion Awards 2026 Банк ВТБ и Институт ИИ МГУ ищут авторов работ, которые могут претендовать на звание научного прорыва года в ИИ, а также на главный приз — 1 000 000 рублей. 🤖 Какие темы подойдут: — Математический аппарат ИИ — Алгоритмы оптимизации — Машинное обучение и глубокое обучение — Нейроморфные вычисления — Робототехника — Объяснимый ИИ (Explainable AI) — Другие смежные области, связанные с инновациями и развитием искусственного интеллекта 🙌 Кто может участвовать: — Автор научной статьи, опубликованной в журналах или материалах конференций в 2025 году — Заявитель, который имеет аффилиацию с российской организацией (и это упоминается в подаваемой работе) — Участник, который является первым в списке авторов подаваемой статьи Важно: должны быть выполнены все 3 условия! Победителей будет трое, но для начала необходимо подать заявку. Регистрация доступна до 20 января 2026 года.

Agent Skills for Context Engineering - учим агентов «думать контекстом» 🤖🧠 Этот репозиторий показывает, как прокачать LLM-агентов так, чтобы они лучше понимали задачу, историю диалога и условия, а не просто генерировали ответы. Чем полезен: • навыки управления длинным контекстом • аккуратное структурирование данных и инструкций • шаблоны для поиска, фильтрации и принятия решений • примеры реальных сценариев (чаты, задачи с памятью, интеграции) Часто агенты теряют важные детали, путают шаги и «забывают» цель. Эта библиотека учит их держать контекст под контролем и действовать последовательнее. ▪Github: https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering @ai_machinelearning_big_data

Пусть работают машины, а человек занимается чем-то более приятным Нельзя замыкаться только на работе, потому что рано или поздно работа может измениться до неузнаваемости. В свежем эпизоде подкаста «Деньги любят техно» своими мыслями о будущем, связанном с развитием ИИ, поделился профессор РАН, научный директор Института искусственного интеллекта МФТИ, директор по направлению ИИ ГосНИИ авиационных систем Юрий Визильтер. • Какой путь ближе российской сфере ИИ: американский или китайский • Какие перемены ждут программистов в ближайшие годы • Почему учиться программированию по-прежнему важно • Как ИИ поменяет наш быт и работу • И как не потерять себя в одной профессии Об этом и многом другом с Юрием Визитером говорил ведущий подкаста Денис Суржко, заместитель руководителя департамента анализа данных и моделирования ВТБ. Получился глубокий разговор о науке, технологиях и людях, которые их создают. Послушать Посмотреть

⚡️ Большинство быстрых text-to-speech моделей звучат роботизировано. Большинство качественных - слишком медленные. И почти ни одна не решает вопрос аутентичности аудио на уровне архитектуры. Resemble AI закрыли все три проблемы сразу. Chatterbox Turbo 0 это: 🟢 <150 мс до первого звука 🟢 Качество уровня SOTA - превосходит более крупные проприетарные модели 🟢 Естественные, программируемые эмоции и интонации 🟢 Zero-shot клонирование голоса всего по 5 секундам аудио 🟢 PerTh watermarking - проверяемое и аутентифицированное аудио 🟢 Полностью open source, никакой «чёрной магии» Редкий пример, когда скорость, качество и безопасность не идут на компромисс, а работают вместе. HuggingFace: https://huggingface.co/spaces/ResembleAI/chatterbox-turbo-demo

🤖 В страховом секторе формируется стек корпоративных ИИ-сервисов нового поколения «АльфаСтрахование» внедрит более 10 проектов на технологиях Yandex B2B Tech, направленных на оптимизацию внутренних и клиентских процессов. Технический контур включает три ключевых направления: - SourceCraft Code Assistant — LLM-агент для поддержки DevOps-команд. Используется для генерации boilerplate-кода, unit-тестов и анализа изменений в репозиториях. - Yandex SpeechSense — модуль речевой аналитики, применяющий ASR + NLU-пайплайн для обработки >20K звонков в сутки и последующего fine-tuning моделей на внутренних датасетах. - Yandex AI Studio — оркестратор LLM-агентов для офисных и HR-воркфлоу (протоколирование встреч, классификация документов, поиск по внутренним данным). Сценарий — переход от точечных ML-внедрений к распределённой инфраструктуре, где корпоративные процессы описываются как сеть взаимодействующих ИИ-агентов. https://www.cnews.ru/news/line/2025-12-24_alfastrahovanie_realizuet

📘 Новая образовательная книга: Scaling ML Systems от JAX-ML Проект Scaling Book - это свободно доступный интерактивный онлайн-ресурс, посвящённый масштабированию машинного обучения. Он создан сообществом вокруг JAX и охватывает ключевые методы, практики и архитектурные подходы, которые помогают строить масштабируемые, высокопроизводительные ML-системы. 💡 Что внутри: — Основы масштабирования моделей и обучения — Параллелизм данных, параметров и микшированные стратегии — Технологии распределённого обучения (TPUs/GPUs) — Оптимизация вычислений и памяти — Практические примеры на JAX и других стековых инструментах — Схемы, коды и визуализации для конкретных паттернов обучения 📍 Почему это полезно: — Подходит как для опытных инженеров ML, так и для тех, кто хочет перейти от прототипов к промышленным ML-системам — Объединяет теорию и практику распределённого обучения — Обсуждает реальные ограничения архитектур и пути их решения — Показывает, как системно мыслить о масштабировании, а не копировать хаки 🔗 Читайте онлайн: jax-ml.github.io/scaling-book

🧠Исследование: как в России обновляют ИИ-образование J'son & Partners сравнили подготовку ИИ-кадров в США, Китае и России — и везде история одна: технологии развиваются, рынок растёт, а образование за ними не успевает. Справляются с этой проблемой по-разному. В Штатах – через автономию вузов и рыночную экономику, в Китае – через жесткое госрегулирование. В российской модели – через коллаборацию университетов с бигтехамии: запускаются совместные программы, которые затем масштабирует государство – примеры найдете в исследовании. Также к обучению активно привлекают практиков: около 1200+ экспертов из Яндекса, 1000 инженеров из VK, и более 900 из Т-Банка уже читают курсы, приносят в аудитории актуальные датасеты, архитектуры и доступ к облачным GPU.Обновлять систему помогают те, кто пишет продакшн-код каждый день. С учетом темпов ИИ-рынка, вполне логично.

🚀 Flowra - простой и понятный open-source движок для создания AI-воркфлоу. Это тот же движок, что стоит за FlowBench, и он позволяет собирать сложные pipelines так же легко, как конструктор LEGO. Что делает Flowra удобной: ✅ Один движок для всех типов данных: изображения, аудио, видео и 3D ✅ Выполнение через DAG-граф: умное кэширование, параллельность и масштабирование ✅ Подключение моделей ModelScope одной строкой — без сложной настройки ✅ Полный цикл разработки: flowra create → build → debug → deploy Итог: вы берёте свою ML-модель и превращаете её в визуальный блок, который можно перетаскивать и соединять с другими. ✨ Без адских зависимостей. Без мучительного дебага. 🔗 GitHub: https://github.com/modelscope/flowra 📥 FlowBench client: https://modelscope.cn/flowbench/download

🖼️ EditThinker: теперь редакторы изображений могут «думать» итеративно! Новая рамка от Meituan добавляет в любые модели редактирования изображений способность рассуждать: модель критикует результат, уточняет инструкции и повторяет цикл, пока не получит удовлетворяющий итог. Это имитация человеческого процесса мышления - Critique → Refine → Repeat. EditThinker учится анализировать собственные ошибки, улучшать запросы и идти по итерациям, что значительно повышает качество следования инструкциям. 📌 Liquid AI представила LFM2 - семейство Liquid Foundation Models (350M–8.3B), оптимизированное для работы на устройствах: до 2× быстрее на CPU при префилле и декоде, при этом показывает сильные результаты на бенчмарках. Подходит для edge-приложений с ограниченной памятью. https://huggingface.co/papers/2512.05965