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 51 870 suscriptores, ocupando la posición 2 578 en la categoría Tecnologías y Aplicaciones y el puesto 11 877 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 51 870 suscriptores.
Según los últimos datos del 27 octubre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 1 186, y en las últimas 24 horas de -4, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 9.21%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.82% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 4 773 visualizaciones. En el primer día suele acumular 3 534 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 226.
- 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 28 octubre, 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.
51 870
Suscriptores
-424 horas
+2797 días
+1 18630 días
Archivo de publicaciones
Реформа вузов: 6 лет или 2,5 года — выбор высшего образования для выпускников колледжей!
С 1 сентября 2026 года стартует новая модель: базовое образование от 4 до 6 лет. Ускоренные программы — под вопросом. Перезачет дисциплин — в зоне риска.
Альтернатива — Университет IThub. Программа для выпускников колледжей и вузов длится 2,5 года вместо 4–6 лет.
Как это работает:
✅ Перезачет дисциплин — без повторения базы.
✅ Реальные проекты для бизнеса (Т2, Альфа-Банк, Ингосстрах и еще 100+ компаний).
✅ Гибридный формат: 2–3 вечерних онлайн-занятия + очный день по выходным.
✅ Центр карьеры — стажировка и оффер до выпуска.
На выбор: ИТ, кибербезопасность, управление бизнесом и др.
Поступление — до 20 сентября. Вступительные онлайн.
Стоимость — от 415 000 руб./год. Рассрочка и кредит под 3%.
Сейчас — последнее окно, чтобы получить высшее образование без паузы в карьере и выиграть 3–4 года.
Подробности на сайте!
Реклама. АНО ПО "ИТ ХАБ". ИНН 9709063913. erid: 2W5zFH4i7Rb
🔥 Anthropic показала стандарт, который позволяет AI-агентам управлять реальным оборудованием
Model Hardware Standard (MHS) - единый интерфейс для подключения ИИ к лабораторным и промышленным устройствам.
Что он умеет:
- управлять микроскопами, роботизированными манипуляторами и лабораторным оборудованием
- объединять разные устройства в один процесс
- передавать агенту характеристики и ограничения оборудования
- работать через MCP, CLI и API
- запускать длительные автономные эксперименты
- менять параметры в реальном времени и иногда самостоятельно восстанавливаться после ошибок
Anthropic пишет, что интеграция оборудования, которая раньше занимала недели или месяцы, с MHS может сократиться до часов или даже минут.
В Genentech Claude через MHS уже управлял жидкостным роботом, манипулятором и считывателем планшетов, сам подбирая параметры эксперимента.
Сейчас MHS доступен как research preview, позже стандарт планируют открыть.
https://www.anthropic.com/news/model-hardware-standard-research-preview
💰 Nvidia договорилась купить Hugging Face за $12,9 млрд.
При заявленной годовой выручке Hugging Face примерно в $150 млн это соответствует оценке около 86 годовых выручек.
https://www.theinformation.com/articles/nvidia-agrees-buy-open-source-model-repository-hugging-face-12-9-billion
⚡️ До половины запланированных дата-центров в США могут задержать или отменить
По данным Bloomberg, Kimmeridge оценивает риск задержек или отмен для до 50% проектов.
Главные ограничения уже не только чипы и капитал:
* подключение к электросетям
* разрешения и строительство
* согласование с местными властями
* растущее сопротивление жителей
61% американцев сейчас выступают против строительства новых дата-центров рядом с домом против 49% ранее в этом году.
Техас уже приостановил новые подключения дата-центров к сети до завершения аудита, а Пенсильвания убрала AI-дата-центры из ускоренной процедуры согласования.
https://www.bloomberg.com/news/articles/2026-08-26/up-to-half-of-planned-us-data-centers-may-face-delays-kimmeridge-says
В AI VK рассказали, как перевели финальное ранжирование рекомендаций с градиентного бустинга на нейросети.
Вместо одного итогового score теперь используется многозадачный нейроранкер DCDN, отдельно переделали прогноз Watch Time. Для стабильного MLE-обучения команда добавила собственную инициализацию и регуляризационные штрафы против схлопывания дисперсий.
Результаты в VK Клипах:
TVT +5,5%
лайки +3%
шеры +15%
Подробный разбор в посте на Хабре.
+5🔥 Google представила GlucoFM - базовую AI-модель для анализа непрерывного мониторинга глюкозы
Модель обучили на 109 066 часах данных с датчиков CGM. Она отдельно анализирует медленные изменения уровня глюкозы и краткосрочные скачки, например после еды или нагрузки.
GlucoFM тестировали на задачах оценки:
* риска диабета
* инсулинорезистентности
* нарушения работы бета-клеток
* гипогликемии
* ожирения
* реакции глюкозы после еды
В 14 тестах средний PR-AUC оказался выше сильнейшей сравниваемой CGM-модели, а при прогнозировании двухчасовой реакции на еду GlucoFM показала минимальную ошибку.
Модель также хорошо переносится на новые выборки и работает даже при небольшом количестве размеченных медицинских данных.
https://research.google/blog/glucofm-foundation-model-for-continuous-glucose-monitoring
🔥 Anthropic впервые открывает внешним исследователям доступ к данным о реальном использовании Claude
Исследователи смогут изучать агрегированные и защищённые данные из реальных Claude.ai и Claude Code-сессий - то, что раньше фактически было доступно только внутри AI-лабораторий.
В пилоте уже участвуют Stanford, Oxford и METR. Они анализируют около 250 000 разговоров с Claude.
Первые результаты Stanford: более половины изученных диалогов связаны с consequential tasks - задачами, которые влияют на других людей или последствия которых трудно отменить.
Anthropic теперь хочет масштабировать программу и дать доступ большему числу независимых исследователей.
https://www.anthropic.com/research/enabling-independent-research
🔥 Qwen3.8-Flash выглядит очень сильно
* 125B MoE-параметров, но активны только 6B
* SWE-bench Pro: 62.5 против 53.4 у Opus 4.6 Max
* ранний превью архитектуры Qwen4
* обучение обошлось примерно в 9 раз дешевле, чем у Qwen3.7-Plus
Получается очень агрессивное сочетание цены, скорости и качества, особенно для coding-задач.
- Blog: https://qwen.ai/blog?id=qwen3.8-flash-next
- Technical Report: https://github.com/QwenLM/Qwen3.8-Flash-Next/blob/main/tech_report.pdf
- Hugging Face: https://huggingface.co/Qwen/Qwen3.8-Flash-Next?spm=a2ty_o06.30285417.0.0.1d73c921FsyOPe&file=Qwen3.8-Flash-Next
- ModelScope: https://modelscope.cn/models/Qwen/Qwen3.8-Flash-Next?spm=a2ty_o06.30285417.0.0.1d73c921XAP2dV&file=Qwen3.8-Flash-Next
🔥 OX Alpha - это новая GLM
Bloomberg подтвердил: OX Alpha действительно относится к новой линейке GLM.
Ещё интереснее - веса модели обещают выложить уже сегодня.
Получается, все «инсайды» о том, что OX Alpha якобы не имеет отношения к новой GLM, оказались мимо.
Ждём релиз весов - после этого модель можно будет нормально разобрать уже без догадок.
https://x.com/business/status/2092541346724679687
+1🔥 DeepSeek резко нарастила выручку
По данным The Information, к июлю 2026 года выручка DeepSeek достигла $70 млн - примерно в 10 раз больше, чем за весь 2025 год.
Ещё несколько цифр:
* валовая маржа API - 82,9%
* компания ищет около 50 млрд юаней во втором раунде
* обсуждаемая оценка - 500 млрд юаней, примерно $74 млрд
Рост связывают с низкой стоимостью инференса и эффективной AI-инфраструктурой, которая позволяет держать цены на модели ниже многих конкурентов.
https://www.theinformation.com/articles/deepseeks-revenue-reaches-70-million-july-tenfold-jump-2025
Скайнет рядом!
Датчики усилия в запястьях робота, напрямую передают данные в контроллер баланса.
И ещё впечатляет, как быстро всё происходит: стоит углу наклона каната измениться, роботы почти мгновенно снова выравнивают положение бёдер.
+1
🤯 Локальные AI-модели становятся пугающе мощными
Qwen3.8-27B вошла в топ-10 рейтинга Arena WebDev, оказавшись всего в нескольких позициях от моделей, которые больше неё на порядки.
Модель всего на 27 млрд параметров, которую можно запускать локально.
Ещё недавно такие возможности требовали огромных облачных моделей и дорогой инфраструктуры.
Теперь open-source модели начинают конкурировать с лидерами рынка прямо на своём железе.
Alibaba с серией Qwen 27B закрепилась в отдельном классе размеров и сейчас выглядит практически без конкурентов.
https://x.com/arena/status/2091920512796725272
17 сентября в Москве — AI R&D DAY.
Без маркетинговой шумихи, только хардкор: альтернативные архитектуры, омнимодальная долгосрочная память, агенты, бенчмарки и инструменты обучения моделей.
Команда NextGenAI расскажет, что уже работает сегодня и что станет стандартом завтра.
Для кого: R&D, AI-архитекторов, продактов и техлидов, которые строят продукты, а не слайды.
Поговорим о:
-новых подходах к созданию и обучению моделей;
-системах, которые одновременно работают с текстом, изображениями, звуком и другими типами данных;
-развитии голосовых технологий;
-оценке качества AI-решений;
-внедрении технологий в реальные продукты.
Приходят не спикеры «по приглашению», а опытные команды, которые сейчас строят NextGenAI. Говорят про архитектуры, которые ещё не в публичных репозиториях. Про память, которая работает дольше контекста. Про то, как голосовые технологии перестают быть костылём.
👇 Подробности
#реклама
О рекламодателе
💰 Фурнитурщик стал миллиардером благодаря буму AI
История, которая звучит как сюжет фильма.
Компания, которая десятилетиями делала обычные направляющие для ящиков, неожиданно оказалась критически важной для индустрии искусственного интеллекта.
Почему? Те же самые механизмы теперь нужны внутри AI-серверов — для тяжёлых модулей и компонентов инфраструктуры.
Компания заняла около 80% мирового рынка направляющих, а состояние её основателя выросло примерно до $20,2 млрд.
Пока все смотрели на чипы NVIDIA, кто-то заработал на деталях, без которых эти серверы просто не собрать.
https://www.wsj.com/business/one-of-taiwans-biggest-ai-winners-isnt-a-chip-maker-51768bd5
NVIDIA заявила о 30-кратном росте эффективности Vera Rubin NVL72 для AI-агентов
По новым замерам NVIDIA, система Vera Rubin NVL72 показывает до 30x больше throughput на мегаватт и до 35x меньшую стоимость токенов по сравнению с GB300 NVL72 на агентных нагрузках.
Тестировали не обычный чат, а реальные coding-сессии из SemiAnalysis AgentX: длинный растущий контекст, вызовы инструментов, запуск субагентов и многошаговое рассуждение. По данным OpenRouter, такие сценарии могут потреблять примерно в 15 раз больше токенов, чем обычный запрос в чат.
В Vera Rubin NVIDIA отдельно оптимизировала работу с длинным контекстом: distributed KV-cache, KV-aware routing, разделение prefill и decode, expert parallelism и новые CUDA-кернелы.
На DeepSeek V4 Pro Vera Rubin NVL72, по данным NVIDIA, даёт до 30x больше throughput на мегаватт относительно GB300 NVL72. Эти результаты пока ожидают проверки SemiAnalysis.
https://blogs.nvidia.com/blog/vera-rubin-nvl72-efficiency-ai-agents/
⚡️ Какие локальные AI-модели запускать на 8-256 ГБ VRAM
Если хочется максимум качества из доступной видеопамяти, сейчас расклад примерно такой:
8 ГБ VRAM
Qwen3.8-27B IQ1_S
Максимально агрессивная квантизация, если хочется запустить большую модель даже на небольшой GPU.
https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/blob/main/Qwen3.8-27B-UD-IQ1_S.gguf
16 ГБ VRAM
Qwen3.8-27B Q2_K_XL
Уже более разумный баланс между размером модели, памятью и качеством.
https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/blob/main/Qwen3.8-27B-UD-Q2_K_XL.gguf
RTX 3090 / 24 ГБ
Qwen3.8-27B Q4_K_M
Один из наиболее интересных вариантов для домашней локальной машины.
https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/blob/main/Qwen3.8-27B-UD-Q4_K_M.gguf
RTX 5090
Qwen3.8-27B NVFP4
Отдельная сборка с упором на современные NVIDIA GPU и 4-битный inference.
https://github.com/MiaAI-Lab/Qwen3.8-27B-NVFP4-RTX-5090
RTX PRO 6000
Qwen3.8-27B NVFP4 + SGLang
https://github.com/MiaAI-Lab/Qwen3.8-27B-RTX-6000-PRO-SGLang-DSpark
DGX Spark
Здесь уже можно смотреть в сторону DeepSeek v4 Flash и Qwen3.8-27B.
DeepSeek:
https://github.com/MiaAI-Lab/DeepSeek-v4-Flash-One-DGX-Spark
Qwen:
https://github.com/MiaAI-Lab/Qwen3.8-27B-SGLang-DGX-Spark
2× DGX Spark
DeepSeek v4 Flash
https://github.com/MiaAI-Lab/DeepSeek-v4-Flash-DSpark-2x-DGX-Spark
Если коротко: сейчас больше всего интересных локальных конфигураций строится вокруг Qwen3.8-27B и DeepSeek v4 Flash.
Контекст, KV-cache, backend, quantization и размер offload могут заметно изменить реальные требования к памяти.
Сохраняй как шпаргалку для следующего локального AI-сервера.
Встраивайте систему распознавания документов в ваш продукт за 15 минут 🚀
Если вы развиваете SaaS, автоматизируете B2B-процессы или собираете ИИ-агентов, вопрос безопасности и скорости обработки документов всегда встает ребром.
Provision OCR — это мощный российский движок для on-premise и private cloud развертывания.
⚡️ 100% локальности: данные не покидают ваш сервер.
⚡️ Скорость: обработка <3 сек/страница на GPU 2070 и выше, Поддержка CPU , точность до 99%
⚡️ Быстрая и бесшовная интеграция через REST API + gRPC.
⚡️ Поддержка разных документов на русском языке: договоры, счета и другие.
💡 Дистрибутив в нашем Telegram-канале: @ProvisionLabs
💻 Примеры кода на GitHub:
https://github.com/orgs/Provision-Labs/repositories
#OCR #ProvisionOCR #Документы #Разработка #Python #AI #OnPremise
✔️ В Claude Code появилась команда создания UI-макетов
Проектировать интерфейс теперь можно до написания кода - в терминале или в десктопном приложении.
Достаточно дать базовый промпт (например, несколько вариантов экрана под конкретную задачу), указать команду
/design и модель выдает серию набросков в виде интерактивных Artifacts. Удачный вариант точечно доработать и передать в код.
Как пояснил инженер Anthropic Нейт Парротт, модель при этом читает существующую кодовую базу проекта - чтобы новые компоненты сразу попадали в визуальный стиль приложения.
Одно ограничение - макеты учитываются при генерации кода, но сохранять их приходится вручную.Чтобы попробовать, обновите Claude Code командой
claude update.
@ai_machinelearning_big_data
#news #ai #ml