Анализ данных (Data analysis)
Ir al canal en Telegram
Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp
Mostrar más
Red:📈 Análisis del canal de Telegram Анализ данных (Data analysis)
El canal Анализ данных (Data analysis) (@data_analysis_ml) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 50 595 suscriptores, ocupando la posición 2 570 en la categoría Tecnologías y Aplicaciones y el puesto 12 199 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 50 595 suscriptores.
Según los últimos datos del 02 septiembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 186, y en las últimas 24 horas de 3, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 12.86%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 8.16% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 6 507 visualizaciones. En el primer día suele acumular 4 130 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 30.
- Intereses temáticos: El contenido se centra en temas clave como llm, контекст, openai, архитектура, deepseek.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Data science, наука о данных.
@haarrp - админ
РКН: clck.ru/3FmyAp”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 03 septiembre, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
50 595
Suscriptores
+324 horas
+607 días
+18630 días
Archivo de publicaciones
Полный инженерный курс по AI-агентам на русском: от tool calling до production
Курс инженерный, а не обзорный. Здесь почти нет рассуждений о том, «изменит ли ИИ мир», зато есть: минимальные работающие реализации каждого механизма, лабораторные с критериями приёмки, шаблоны для копирования, чек-листы перед релизом, каталог антипаттернов и набор бенчмарков, по которым можно честно сравнить две версии своего агента.
Качество агента почти никогда не упирается в модель. Оно упирается в инженерию вокруг модели: как описаны инструменты, что попадает в контекст, где стоят проверки, что происходит при третьей подряд ошибке и сколько это стоит за тысячу запусков. Модель - двигатель. Курс -про всё остальное в автомобиле.
https://github.com/justxor/Aiagentsfullcourse
Две работы AI VK Research представили на KDD 2026
На конференции показали работы про рекомендательные системы, но с разных сторон: в первой исследователи используют REINFORCE и multi-step off-policy correction для оптимизации рекомендаций на уровне сессии, а во второй рассматривают MDP на основе матричной факторизации для candidate generation.
Отдельно интересно, что обе темы связаны не столько с улучшением очередного этапа модели, сколько с самой постановкой задачи: как учитывать последовательность действий пользователя и эффективнее строить пространство кандидатов.
Что ещё обсуждали на KDD, какие тренды сейчас заметны в recsys и как выглядела презентация этих работ, рассказал старший исследователь AI VK Research Артём Матвеев в репортаже с конференции.
⚡️ Bloomberg показал разрыв США и Китая в AI на одном графике. И он быстро исчезает
Ещё недавно Anthropic оценивала отставание китайских лабораторий примерно в 6–12 месяцев. Теперь ситуация выглядит совсем иначе.
Kimi K3 от Moonshot уже находится рядом с американским фронтиром: Bloomberg писал, что модель уступает по общей мощности лишь нескольким лидерам вроде Claude Fable 5 и GPT-5.6. При этом китайские модели заметно дешевле в эксплуатации.
И дело уже не в одном Kimi. В Китае сформировалась целая группа сильных лабораторий: Moonshot, DeepSeek, Alibaba/Qwen, Z.ai/GLM и другие. Financial Times тоже отмечает, что Kimi K3 вместе с GLM и Qwen резко сократили воспринимаемый технологический разрыв с США.
Причём на подобных сравнениях ещё не всегда учитывается свежий GLM-5.3, который дополнительно усиливает китайскую сторону.
https://www.bloomberg.com/graphics/2026-us-china-ai-race/
☁️☁️☁️☁️☁️☁️☁️
24 сентября Yandex Cloud проведёт ежегодную флагманскую технологическую конференцию Yandex Scale 2026.
🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨 В программе четыре продуктовых трека — AI, Data, Security и Hybrid Infrastructure & DevOps, — и отдельный углублённый технологический трек DeepTech, который пройдёт только онлайн. В треке Data расскажем, как Yandex Cloud развивает аналитику от отдельных сервисов к единой бесшовной среде: от загрузки данных до готовых бизнес-инсайтов, где ИИ помогает на каждом этапе. Разберём, как YDB помогает строить рекомендательные и поисковые системы и ИИ‑ассистентов. «Додо Пицца» представит честную историю миграции десятков терабайт данных в Yandex Cloud, а также расскажет о сравнении с западным облаком и совместном преодолении ограничений. Расскажем, как Yandex Cloud движется к самоуправляемым базам данных на основе опыта эксплуатации тысяч баз в Яндексе. «Азбука вкуса» разберёт миграцию Oracle Exadata на Lakehouse в Yandex Cloud без единого аврала. И покажем, как Yandex Managed Service for Valkey научили растягиваться под нагрузку — и вширь, и вглубь.
🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨 Отдельно пройдут воркшопы по Data: разберём ключевые сценарии использования ИИ‑агента Нейроаналитика в Yandex DataLens. На практике посмотрим, как PGHouse позволяет OLTP‑базе PostgreSQL прозрачно выполнять OLAP‑запросы в ClickHouse без переписывания SQL. И соберём поисковую систему на Serverless YDB с настройкой полнотекстовых и векторных индексов.
🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 И это ещё не всё: демозоны, питчинг решений, IT-квест и мерч — офлайн, а розыгрыши призов и секретный гость — в онлайн-студии.Вся программа — на сайте, регистрация занимает пару минут, а участие бесплатное!
⚡️ Mojo 1.0 полностью открыли
Modular сделала один из самых важных шагов в истории Mojo: язык, компилятор и инструменты теперь полностью open source под Apache 2.0.
Modular Platform теперь умеет работать не только с NVIDIA и AMD GPU, но и с AWS Trainium, Google TPU, Qualcomm Cloud AI 100 и новым Dragonfly. Идея простая: модель пишется один раз, а запускаться может на совершенно разных ускорителях через один стек.
Параллельно запустили Modular Cloud с OpenAI-совместимыми endpoint'ами. Среди первых крупных клиентов MiniMax: их M3 уже обслуживается на инфраструктуре Modular с нагрузкой в миллиарды токенов в минуту.
Для Mojo готовят нативную поддержку Windows вместе с командой Microsoft. До этого язык нормально жил в macOS и Linux, а на Windows в основном использовался через WSL.
Modular пытается построить слой над войной ускорителей: чтобы разработчику было не так важно, стоит под капотом CUDA, TPU, Trainium или Qualcomm.
https://www.modular.com/blog/modcon-announcements
+1
⚡️ 6 полезных репозиториев для работы с AI-агентами
1. Agency Agents
https://github.com/msitarzewski/agency-agents
Набор из 232 специализированных агентов для 16 направлений: разработка, дизайн, маркетинг, управление и другие задачи.
2. Codebase Memory MCP
https://github.com/DeusData/codebase-memory-mcp
Строит граф знаний по кодовой базе, чтобы агент быстрее находил связи между файлами, функциями и сущностями. Заявлена поддержка 158 языков.
3. OpenMontage
https://github.com/calesthio/OpenMontage
Инструмент для создания видео с помощью кодингового агента: сценарий, ассеты, монтаж и рендеринг можно собирать через промпты.
4. Agent-Reach
https://github.com/Panniantong/Agent-Reach
Дает агенту доступ к X, Reddit, YouTube, GitHub и другим источникам для поиска и сбора информации.
5. Orca
https://github.com/stablyai/orca
Позволяет запускать несколько кодинговых агентов параллельно и управлять их задачами из одного места.
6. OmniRoute
https://github.com/diegosouzapw/OmniRoute
Единый шлюз для работы с большим количеством AI-провайдеров через один endpoint.
Сохраняй 🔖
⚡️ Claude уже примерно в два раза эффективнее обычного подхода к созданию белков, которые должны связываться с заданной мишенью.
В эксперименте модель самостоятельно проектировала такие белки и получила около 27% успешных результатов. В этой области обычный показатель для команд исследователей часто находится на уровне 10–15%.
Claude работал по одному протоколу, который заранее написал эксперт. После этого модель создала варианты белков для 14 из 15 доступных для проверки целей.
Независимые лаборатории протестировали 1320 вариантов. У 354 из них действительно подтвердилось нужное связывание.
В разных условиях доля успешных результатов составляла от 22,6% до 35,1%. А лучший вариант, который Claude ставил на первое место, оказывался успешным почти в половине экспериментов.
До полностью автономной разработки
https://x.com/AnthropicAI/status/2089842387845804246
В ABC Legal сотрудники без опыта разработки за месяц собрали больше 50 AI-агентов
Компания развернула Claude Enterprise для 1100 сотрудников, а затем перевела внутренние автоматизации на Claude Managed Agents. К июлю 2026 года в проде работало уже 50+ агентов, а Claude ежедневно использовали около 310 сотрудников из разных отделов.
Агентов собирали не только разработчики. В пилоте участвовали 15 сотрудников из финансов, маркетинга и операционных команд. Им дали шаблоны в Git, Claude Code и стандартную структуру агента. Через неделю у всех уже были рабочие версии.
Каждый агент хранится как код: prompt, инструменты, расписание, credentials и memory лежат в репозитории. Любое изменение проходит через pull request, поэтому есть история версий, ревью, rollback и аудит. Merge в main автоматически деплоит новую версию.
Агенты проверяют судебные заявки, анализируют отклонённые документы, ищут адвокатов, разбирают платежи, проверяют PR и готовят рекомендации для маркетинга. Один из сотрудников без опыта автоматизации собрал рабочего агента примерно за час.
В некоторых задачах компания э фиксирует снижение стоимости человеческой работы примерно до 50%. Автономность при этом дают постепенно: сначала агент предлагает решение человеку, а после стабильных результатов начинает действовать сам.
https://claude.com/blog/how-abc-legal-turned-every-employee-into-a-builder-with-claude-managed-agents
Repost from Машинное обучение RU
Плачу $60 в месяц, а в итоге всё равно гоняю один и тот же баг через все три аккаунта.
Хочешь попасть в Яндекс или прокачать ML?
Data Dojo — это не лекции, а разбор реальных задач из ML-соревнований и общение с экспертами Яндекса.
Здесь ты прокачаешь навыки, найдёшь команду и выйдешь на новый уровень — как настоящий data-самурай. Нетворкинг, карьерные инсайты и задачи, которые решают топы — всё в одном месте.
Встреча ML-комьюнити Data Dojo:
— общение с руководителями команд
— реальные кейсы из ML
— новые карьерные возможности
Это не просто встреча — это шанс выйти на следующий уровень, прокачаться в ML и получить карьерную консультацию от экспертов Яндекса.
Подай заявку бесплатно и начни свой путь data-самурая уже 9 сентября!
Записаться онлайн
#реклама 16+
yandex.ru
О рекламодателе
Google Research показала PhotoScan, исследовательскую ИИ-систему, которая по обычным фото человека спереди и сбоку оценивает состав тела и риск инсулинорезистентности.
Модель смотрит не только на общий процент жира, но и на его распределение: соотношение жира в области живота и бедер, а также висцерального и подкожного жира. Именно эти показатели могут дать больше информации о метаболическом здоровье, чем один BMI.
PhotoScan предварительно обучили на данных более 35 тысяч участников UK Biobank, а затем дообучили на 677 людях с реальными фотографиями со смартфона и результатами DXA.
На независимой выборке система определяла процент жира со средней ошибкой около 2,13 процентного пункта. Для выявления инсулинорезистентности модель с PhotoScan получила AUROC 0,760 против 0,773 у клинического DXA-сканирования.
То есть несколько фотографий со смартфона в эксперименте приблизились по информативности к дорогому медицинскому сканированию. Но пока это именно исследовательский прототип, а не инструмент для самостоятельной диагностики.
https://research.google/blog/seeing-beyond-bmi-estimating-cardiometabolic-risk-with-smartphone-imagery/
Обучение Anthropic Mythos 2 завершено, но Anthropic не собирается его выпускать.
По словам Пателя, внутренний цикл разработки, который уже работает над Mythos 3, не остановлен.
Сейчас основной фокус компании - на внутренних улучшениях. Когда появятся какие-либо публичные релизы, пока неясно.
Cursor запустил свой GitHub. Теперь код можно хранить прямо внутри Cursor
Новый сервис называется Origin. Он уже начал появляться в ранней бете у пользователей платных тарифов. Внутри есть репозитории, pull request'ы, просмотр кода и синхронизация с GitHub. (Cursor)
Существующий репозиторий можно подтянуть из GitHub, при этом GitHub останется источником истины. Изменения синхронизируются в реальном времени, а комментарии к PR работают в обе стороны. (Cursor)
Самое интересное здесь не Git-хостинг как таковой. Cursor постепенно собирает весь цикл разработки в одном месте: код, PR, CI/CD и AI-агенты. Агент уже может работать с открытым репозиторием, менять код, обновлять PR и пушить отдельные ветки. (Cursor)
Для Origin уже доступны интеграции с Vercel, Depot и Buildkite. Например, Vercel может автоматически поднимать preview для каждого PR, а CI запускаться через существующие GitHub Actions workflow. (Cursor)
Пока это early beta, но направление понятное: Cursor хочет быть не просто редактором с AI, а полноценной платформой разработки вокруг AI-агентов.
https://cursor.com/changelog/origin-code-hosting
💰 NVIDIA начала финансировать спрос на собственные GPU
OpenAI арендует огромный AI-кампус в Огайо, который строит SB Energy. NVIDIA инвестирует $1,5 млрд и помогает снизить стоимость финансирования проекта.
Схема интересная: SB Energy строит площадку, OpenAI платит по мере ввода мощностей, а NVIDIA получает эксклюзивное размещение своего AI-железа.
То есть NVIDIA конкурирует уже не только FLOPS и ценой чипов - она помогает клиентам финансировать инфраструктуру под свои же GPU.
Риск тоже есть: если спрос OpenAI ослабнет, NVIDIA может одновременно получить давление и на продажи GPU, и на стоимость поддержанной инфраструктуры.
+1
⚡️ OpenAI открыто троллят Anthropic.
С одной стороны, они её публично подкалывают, с другой, делают всё возможное, чтобы их продукты были сильнее конкурента.
Через шесть недель у OpenAI пройдёт день для разработчиков, и, похоже, там готовят крупный анонс.
https://x.com/ajambrosino/status/2089131997784580398
🔥 Архитектуру LLM можно «сломать» для длинного контекста ещё до того, как началось обучение на длинном контексте
Исследователи Ai2, CMU и University of Washington обучили 26 сопоставимых моделей на 7B параметров. Данные, токенизатор и способ расширения контекста оставили одинаковыми, меняли только четыре архитектурных решения: QK normalization, GQA, sliding-window attention и длину контекста на этапе pretraining.
По отдельности почти каждое изменение вредило совсем немного. Но вместе эффект резко усиливался.
На HELMET при 32K контексте результаты моделей разошлись от 56,4 до 29,9 балла, хотя на обычных коротких eval-тестах разница почти не проявлялась. В худших конфигурациях падение достигало 47%.
SWA сам по себе давал небольшой минус, но поверх GQA просадка становилась значительно сильнее.
Архитектурные ограничения, заложенные ещё на pretraining, продолжали влиять на результат после расширения окна.
Смотреть только на loss и короткие benchmarks недостаточно. Архитектуру стоит тестировать на длинном контексте ещё на ранних checkpoint'ах, иначе проблема может обнаружиться уже после огромных затрат на обучение.
Исследователи потратили на эксперименты более 170 000 GPU-часов и открыли все 26 моделей как набор OlmPool.
Paper: arxiv.org/abs/2608.10296
⚡️ pi-mail превращает несколько AI-агентов в маленькую распределённую команду с собственной почтой, Kanban и менеджерами.
Проект сделан как расширение для
pi: несколько агентных процессов подключаются к общему mailbox-daemon и могут отправлять друг другу сообщения, раздавать задачи и продолжать работу независимо от перезапуска отдельных агентов. Центральный облачный сервис при этом не нужен.
Самое интересное начинается поверх обычной «почты». В pi-mail есть Web UI, где видно всех живых агентов, их модель, uptime, статус и заполненность контекста. Там же есть Outlook-подобный mailbox и общая Kanban-доска с двусторонней синхронизацией Jira. Назначили карточку агенту, он автоматически получает весь контекст задачи письмом.
Можно прямо из интерфейса поднимать новых агентов в нужной директории, открывать их терминалы через браузер и гасить процессы после выполнения работы. Для внешних клиентов доска доступна ещё и через MCP.
Есть даже полноценная иерархия:
CEO → Middle Manager → Workers
CEO периодически смотрит на проекты и решает, где нужен менеджер. Middle Manager разбирает зависшие задачи и запускает исполнителей. Worker делает работу и после завершения сам удаляет свою сессию. Для зависших процессов есть reaper с лимитами времени жизни.
Получается довольно интересный взгляд на multi-agent coding: не огромный оркестратор с одной сложной state machine, а знакомая человеческая модель работы.
Почта + задачи + менеджеры + временные исполнители.
🔗 github.com/tanevanwifferen/pi-mail
#AI #Agents #MultiAgent #MCP #OpenSource
+1
Дарио Амодей подробно высказался о том, куда, по его мнению, движется AI.
Главный прогноз: в горизонте примерно 5–10 лет ИИ может помочь лечить большую часть человеческих заболеваний.
При этом глава Anthropic считает, что сама структура AI-рынка толкает отрасль к концентрации власти. Даже open-weight модели, по его словам, не решают проблему полностью: серьёзные возможности всё равно упираются в дорогие GPU и огромные вычислительные мощности.
Амодей поддерживает регулирование frontier-моделей и обязательные проверки перед релизом. Причём open-weight модели, если они приблизятся к frontier-уровню, по его мнению, тоже должны проходить такие тесты.
Он предлагает строить регулирование так, чтобы крупнейшие лаборатории замедлялись сильнее, а небольшие игроки получали больше пространства для конкуренции.
Люди поверят в технологию только тогда, когда увидят реальные результаты - например, заметные медицинские прорывы.
https://x.com/DarioAmodei/status/2088758816376807762
