ml.log | AI, ML & MLOps

ggmlR: Vulkan GPU-бэкенд для R В последнее время у всех, кто работает с ML, один и тот же рефлекс: хочешь GPU, ставь CUDA, Python и PyTorch. А если ты R-аналитик, то ещё и ищи, как всё это подружить с твоим кодом. Задача выполнима, но на практике это обычно плясать с бубном вокруг драйверов, окружений и версий. Поэтому был создан ggmlR: нативный GPU-бэкенд для R на базе GGML и Vulkan. Без CUDA, ROCm, Python, PyTorch и TensorFlow. Vulkan работает на AMD, NVIDIA и Intel. На Data Fest 2026 @Zabis13 рассказал, что из этого получилось. В докладе: - llamaR, порт llama.cpp, выдаёт 22 токена в секунду против 24 у эталона. Для R-пакета это вполне достойно. - sd2R генерирует картинки через Stable Diffusion и Flux, и всё это прямо из R. Есть даже Shiny-интерфейс, чтобы не мучить консоль. - Инференс ONNX-моделей на GPU идёт в десятки раз быстрее, чем на CPU. В планах развитие экосистемы R🚀 https://www.youtube.com/watch?v=pS-mAmCgUEk #R #Vulkan #GPU #DataFest

Хоть я и не фанат R, но тут @Zabis13 сделал так, чтобы R-аналитики не мучились с CUDA и связками сред, а получали нормальную скорость на Vulkan из коробки - очень круто

⚡️ Как Asana уронила косты на браузерного агента в 76 раз Запустить браузерного агента в демке весело, пока в конце месяца не прилетает счет за токены на $50k. Asana поделилась техническими деталями продакшн-внедрения своего браузерного ассистента поверх моделей OpenAI в среде Codex. 🧠 За счет чего срезали косты и ускорили инференс в 5 раз: • Отказ от сырого DOM: передача сырого HTML страницы в контекст сжигает токены со скоростью света. Asana перешла на сжатые деревья доступности (Accessibility Trees) с жестким отсевом невидимых элементов. • Специализация моделей: вместо прогона всей логики через флагманские тяжелые LLM рутинные действия по кликам и заполнению форм отдаются легковесным специализированным моделям (Sol / Astra), а планирование остается на мастере. • Кэширование промежуточных состояний: агрессивное кэширование префиксов промптов, снизившее время отклика на каждом шаге взаимодействия с веб-страницей. 📊 Итог: • Стоимость выполнения сценария упала в 76 раз. • Скорость выполнения тестов выросла в 5 раз. 💡 Мысли для прода: Главный урок для всех, кто пилит агентов: контекст — это самое узкое место. Очистка входных данных до минимально достаточного графа действий окупается кратно. 🔗 Ссылки: • Разбор в блоге: openai.com/index/asana-browser-agent #openai #agents #production #optimization #architecture

Только что со мной история произошла Заходит клиент в бюро переводов, оформляет заказ, долго расспрашивает про сроки, потом спрашивает: — А вы ЧатГПТ пользуетесь? Я тут дома сам через него прогнал текст, вроде норм перевел. Может, вы просто этот вариант проверите и правочки внесете? Ну, чтобы побыстрее было 🤣🤣🤣 У девушки там вся жизнь перед глазами пронеслась

Data is new asbestos 🤣

Сберлога → ml.log🚀 6 лет для IT-сообщества — это целая жизнь. Все началось в далеком 2020-м. Тогда «Сберлога» была просто маленьким чатиком на несколько человек. Мы были коллегами по DS в Сбере и просто договаривались там о совместных обедах 🍕 Но аппетит (в хорошем смысле) рос. Постепенно обсуждение работы по время еды сменилось совместным прохождением курсов, участием в соревнованиях, лекциями и бесконечными спорами о том, как делать правильный ML. Со временем вокруг «Сберлоги» выросла целая экосистема: отдельные группы по интересам, чаты по графам, данным, вакансиям и даже спорту. Почему пора что-то менять? Название «Сберлога» всегда несло в себе ДНК Сбера. Это была классная история, но жизнь идет: за эти 6 лет сообщество вышло далеко за пределы одной компании. Иронично, но почти никто из тех, кто ходил на те самые первые обеды, уже давно не работает в Сбере (ну я то давно уже не там, но некоторые все еще 👍) Мы выросли, разъехались по разным компаниям и странам, но остались вместе. Пришло время привести форму в соответствие с содержанием. Встречайте ml.log 😁