Анализ данных (Data analysis)

Как научить ИИ выполнять большую рабочую задачу - и проверить, что он действительно справился? Авторы WorkForge предложили автоматически создавать тренировочные среды из реальных файлов и профессиональных рабочих процессов. Система определяет, какие материалы и результаты нужны специалисту, собирает рабочее пространство и извлекает из документов конкретные проверяемые факты. Уже на их основе создаёт задания, планы решения и два вида проверки: - Программную - для условий, которые можно проверить кодом. - Смысловую — для оценки содержания результата. Критерии привязаны к наблюдаемым данным в файлах. Это помогает оценивать выполненную работу, а не убедительность ответа агента. Авторы создали 16,7 тысячи сред в 40 профессиональных областях, охватив 60 типов файлов. После дообучения Qwen3.5-35B-A3B-Base показатель на GDPVal вырос с 45,5 до 73,6, а APEX Score — с 5,0 до 21,3. Ценность подхода - в масштабировании практики: агент получает множество многошаговых рабочих задач, где результат можно проверить по исходным материалам. https://arxiv.org/abs/2610.04906

Актуалочка

Хакеры собрали команду ИИ-агентов для атак на более чем 400 финансовых целей в Латинской Америке. По данным исследователей Straiker, о которых пишет The Information, группировка CyberCartel использовала Claude, Grok и Kimi для автоматизации атак на банки и платёжные компании. Агенты распределяли работу: изучали цели, разрабатывали код атак и обрабатывали похищенные данные. Исследователи обнаружили в инфраструктуре группировки базу с паролями, API-ключами и сведениями о финансовых счетах. 400+ - число целей. Однако собранные Straiker материалы показывают, как преступники встраивают ИИ в целую цепочку атаки, сокращая объём ручной работы. После уведомления Anthropic отключила использованный группировкой доступ к Claude. xAI начала расследование. Небольшая группа получает возможность вести больше атак одновременно. https://www.straiker.ai/blog/inside-carliy0s-how-cybercartel-used-multiple-ai-models-to-attack-latin-american-banks

Что делать с данными? 💬 Строить отчёты. А ещё, например:

✅находить закономерности в больших массивах; ⬜️предсказывать поведение пользователей; ⬜️строить рекомендательные системы; ⬜️обучать и улучшать ML-модели; ⬜️создавать продукты и помогать бизнесу расти.

В Школе аналитиков данных МТС учатся решать такие задачи на практике. В программе — SQL и Python, математика и статистика, анализ данных, машинное обучение и большие данные, а также нейросети и рекомендательные системы. Занятия ведут действующие эксперты Центра BigData MWS. Теория чередуется с практикой, а преподаватели дают обратную связь по работам и помогают отслеживать прогресс. Это будет интересно:

➡️студентам последних курсов и выпускникам технических вузов ➡️алитикам данных, которые хотят погружаться в исследования ➡️ИТ-специалистам, которые хотят перейти в новое для себя направление

Обучение продлится 10 месяцев и будет полностью бесплатным. ⚡️ Сейчас — последний шанс подать заявку, так как прием закрывается 25 октября. Для поступления кандидатам предстоит заполнить анкету, написать мотивационное письмо и пройти отборочное тестирование. Отправить заявку ↗️

1 946 ИИ-агентов разобрали данные о мозге за 32 минуты - людям, по оценке исследователей, потребовались бы месяцы. OpenAI, PerturbAI и Scripps Research поручили агентам GPT-Rosalind интерпретировать масштабный эксперимент: учёные отключали гены в клетках мозга мыши и измеряли, что меняется. Каждому агенту - один отключённый ген. Он анализировал реакцию клеток, искал связанные научные работы и предлагал объяснения. Затем отчёты объединили в карту связей и перспективных направлений исследования. Агенты воспроизвели или уточнили 48 из 55 выводов исходной работы, которые можно было получить из предоставленных данных. Саму статью им не показывали. А в слепом сравнении эксперты предпочли отчёты распределённых агентов отчётам одиночного агента в 75% случаев. Одна из зацепок - возможная связь нарушения работы гена DCTN1 с обменом холестерина в нейронах. Теперь её можно проверить экспериментально. Польза - в сокращении пути от огромного массива данных до конкретного вопроса для лаборатории. Пока это гипотезы для проверки, а оценка сэкономленных месяцев — расчёт авторов, не результат соревнования с людьми. https://openai.com/index/scaling-ai-research-for-complex-biological-data/

ИИ обнаружил критические уязвимости в PHP - OpenAI организовала глобальную операцию по их устранению. Исследователь Calif с помощью GPT-5.6 Sol выявил критическую проблему безопасности PHP - языка, на котором работает огромное количество сайтов. Компания Wiz независимо обнаружила и сообщила об обеих уязвимостях. В рамках инициативы Patch the Planet OpenAI объединила разработчиков PHP, исследователей безопасности, Cloudflare, Wiz и других партнёров. Что удалось сделать: Подготовить и протестировать исправления. Скоординировать защиту инфраструктуры до публичного раскрытия. Выпустить инструмент для проверки потенциально уязвимых версий PHP. Организовать взаимодействие с государственными агентствами по кибербезопасности. OpenAI также выделяет $1 млрд в виде субсидированного доступа к ИИ-инструментам защиты для организаций с ограниченными ресурсами. Компания ожидает резкого роста числа уязвимостей, обнаруживаемых ИИ, уже в ближайшие месяцы. Для разработчиков и администраторов: необходимо проверить версии PHP и установить актуальные исправления. https://openai.com/index/coordinated-disclosure-of-critical-vulnerabilities/

🖥️ Зачем обучать модель 1000 раз, если можно выбирать параметры умнее? Допустим, подбираешь три гиперпараметра: скорость обучения, глубину деревьев и их количество. По 10 вариантов на каждый — 1000 комбинаций. Если один запуск занимает минуту, полный перебор потребует почти 17 часов. Байесовская оптимизация использует результаты предыдущих запусков, чтобы выбрать следующий. Условный пример со скоростью обучения: - 0.001 → модель учится слишком медленно. - 0.1 → качество нестабильно. - 0.03 → хороший результат. Алгоритм оценивает, где стоит искать дальше: рядом с удачным значением или в ещё не исследованной области. Для этого строит вспомогательную модель, которая прогнозирует качество и неопределённость прогноза. Пример на Python — подбираем параметры SVM:

# pip install scikit-optimize scikit-learn

from skopt import gp_minimize
from skopt.space import Real
from sklearn.datasets import load_iris
from sklearn.model_selection import cross_val_score
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

X, y = load_iris(return_X_y=True)

def objective(params):
    C, gamma = params
    model = make_pipeline(
        StandardScaler(),
        SVC(C=C, gamma=gamma),
    )
    # Оптимизатор минимизирует — меняем знак accuracy
    return -cross_val_score(model, X, y, cv=3).mean()

result = gp_minimize(
    objective,
    dimensions=[
        Real(1e-3, 1e3, prior="log-uniform"),
        Real(1e-4, 1, prior="log-uniform"),
    ],
    n_calls=25,
    n_initial_points=5,
    acq_func="EI",
    random_state=42,
)

print("C, gamma:", result.x)
print("CV accuracy:", -result.fun)

Первые 5 комбинаций выбираются случайно. Следующие 20 — с учётом накопленных результатов. EI означает «ожидаемое улучшение»: критерий выбора следующей точки. Особенно полезно, когда каждый запуск дорогой. Но 25 попыток не гарантируют лучший результат: бюджет зависит от задачи. Итоговое качество проверяй на отдельной тестовой выборке, которую не использовал при подборе. https://codecut.ai/bayesian-optimization-hyperameter-search/

Что даёт разделение рекомендаций на стримы — в цифрах Стримы позволяют разделить задачи внутри одной рекомендательной системы: у каждого пайплайна своя конфигурация, но компоненты остаются общими. В статье инженер AI VK рассказал, как решение cработало в VK Видео.  За ростом метрик стоит архитектурный подход: разделять не код и не сервисы, а задачи, которые система решает в рамках одного запроса. Компоненты остаются общими, а конфигурации — локальными.

Математики проверяют ИИ-доказательство ослабленной гипотезы Римана и всё больше убеждаются в его корректности, сообщает Quanta. Гипотеза Римана связана с распределением простых чисел. Она утверждает, что все нетривиальные нули дзета-функции лежат на линии Re(s) = 1/2. ИИ предложил доказательство более слабого результата: 1/12 < Re(s) < 11/12. Аргумент изучают Питер Сарнак, Максим Радзивилл и Александр Данн. Радзивилл уже смог изложить основную идею 49-страничной работы примерно на половине страницы. Если результат подтвердится, он позволит доказать множество утверждений, которые пока зависят от этой гипотезы. Но проверка деталей продолжается, а полная гипотеза Римана остаётся нерешённой. https://www.quantamagazine.org/ai-proved-the-quasi-riemann-hypothesis-what-happens-now-20261019/

Приглашаем на Код аналитика — бесплатный митап ЮMoney для всех, кто работает с системным анализом 🔥 ✅ 22 октября, четверг, 19:00 (мск) — приходите на митап в Санкт-Петербурге или смотрите трансляцию. Эксперты из ЮMoney, Сбера и Бындюсофт поделятся опытом и обсудят актуальные рабочие задачи и способы их решения. Вот о чём будут доклады: 🟣 Вечно-меняющиеся требованиями и как с ними работать Разберём один из наших проектов с большим количеством стейкхолдеров и их требованиям, которые менялись в процессе аналитики. Обсудим, какие ошибки и удачные решения мы вынесли из этого проекта. 🟣 Готовый прототип — ещё не продукт: как ИИ-агент становится промышленным решением Расскажем, почему промышленный агент — это не просто более умный прототип, а управляемый контур, включающий спецификацию, ограниченную автономию, проверяемые навыки, постоянные проверки как контракт завершения и среду, в которой агент выполняет работу после релиза. 🟣 Автоматизация работы с архитектурой as Code Поговорим про покрытие архитектуры тестами и автогенерацию архитектуры. А ещё о развитии опенсорс-репозиториев и том, как всё изменилось за последние три года. 🟣 ИИ-практики в команде системного анализа Рассмотрим лучшие и худшие кейсы, обсудим, какие инструменты используем, как изменится экспертиза аналитика через два года и как справляться с высокой когнитивной нагрузкой. Зарегистрируйтесь, чтобы принять участие. Все подробности — на сайте митапа Код аналитика 👈

«ИИ понимает. На 100%»: лауреат Филдсовской премии - о проверке математических доказательств. Джон Пардон рассказывает: ещё недавно ИИ был для него чем-то вроде проверки орфографии. Теперь он находит тонкие математические ошибки даже в сжатых черновиках, которые другим математикам пришлось бы сначала попросить переписать. Например, пропущенное условие «конечные» меняет смысл утверждения о копределах. По словам Пардона, модель замечает такие пропуски, опираясь на контекст всего рассуждения. Именно это убеждает его, что ИИ понимает написанное. ИИ уже доказал для него несколько нетривиальных лемм, хотя прорывного результата в собственных исследованиях Пардон пока не получил. При этом обучение никто не отменял: чтобы решать сложные задачи, нужно самостоятельно пройти простые. Готовый ответ от ИИ не заменяет этот опыт. https://futureclass.substack.com/p/john-pardon

Claude разработал белки, способные связываться с опасными токсинами скорпионов. ❤️ Anthropic провела эксперимент, в котором ИИ за опасными токсинами скорпионов.** ❤️ Anthropic проведля потенциального создания противоядия. Результаты: - 211 вариантов отобрали для лабораторных испытаний. - 17 белков успешно связались с целевыми токсинами. - Два лучших показали высокую силу связывания. - Результаты проверили в независимых лабораториях. Anthropic опубликовала все 211 конструкций и результаты испытаний. https://www.anthropic.com/research/claude-scorpion-toxin-binder-design

Альтман назвал три сценария, чем закончится гонка за сверхинтеллектом 🌍 По данным The Information, Сэм Альтман рассказал сотрудникам OpenAI о трёх возможных развязках. Первая: международный надзорный орган по образцу МАГАТЭ, который следит за стандартами безопасности ИИ. Вторая: организация в духе ЦЕРН, где крупные лаборатории объединяют работу под одной крышей. Третья: одна компания первой получает самоулучшающийся ИИ, набирает подавляющую экономическую мощь и, по словам Альтмана, «плавит GPU всех остальных». Этот вариант он назвал ужасным: «Obviously I think that one's terrible». При этом, как сообщается, он же предупредил команду, что OpenAI не может позволить себе отстать от конкурентов. Получается, что худший сценарий осуждают и одновременно гонятся за ним. Сам факт, что такие разговоры идут внутри лабораторий, показывает, куда сместилась повестка: глобальная координация по ИИ из теории превращается в практическую необходимость.

Sakana AI представила QD-Rec - рекомендательную систему, которая не просто выбирает лучшие варианты, а ищет нестандартные возможности. Обычные рекомендательные алгоритмы ранжируют кандидатов по баллам. QD-Rec использует LLM и эволюционный поиск Quality-Diversity, чтобы находить качественные, разнообразные предложения и объяснять, почему их стоит рассмотреть. Как это работает: - ИИ выбирает перспективных кандидатов для изучения. - Генерирует гипотезы, используя и комбинируя предыдущие идеи. - Оценивает новые предложения и сохраняет лучшие. - Постепенно находит новые подходы, которые обычное ранжирование могло бы упустить. Где пригодится: - M&A — поиск компаний для приобретения и возможных синергий. - Маркетинг — подбор клиентов и аргументов для продажи. - Наука — рекомендации исследований с объяснением их потенциальной пользы. В экспериментах на выборках до 17 500 кандидатов QD-Rec в большинстве сценариев превзошла базовые методы по качеству и разнообразию рекомендаций при одинаковом количестве оценок. Блог: https://sakana.ai/qd-rec/ Статья: https://arxiv.org/abs/2610.23470 GitHub: https://github.com/SakanaAI/QD-Rec

✔️ Министерство внутренней безопасности США полностью запретило использование DeepSeek в госучреждениях Ведомство выпустило предписание, обязывающее все федеральные гражданские агентства страны исключить продукты китайской компании DeepSeek из своей IT-инфраструктуры и удалить уже установленное ПО. В официальном уведомлении регулятор обосновал запрет угрозой передачи данных госслужащих и подрядчиков китайскому правительству, а также риском наличия скрытых уязвимостей и вредоносных закладок в коде моделей. Помимо прямого запрета на эксплуатацию, компании DeepSeek закрыли доступ к участию в любых госконтрактах США. @ai_machinelearning_big_data #news #ai #ml

One Day Offer: стань щитом для миллионов клиентов! 🔥 В департамент противодействия мошенничеству Сбера нужен аналитик данных в антифрод — чтобы разбирать тренды мошенничества, находить скрытые паттерны и превращать их в правила защиты. Готов к таким задачам — добро пожаловать на One Day Offer: отбор за один день, разбор реальных кейсов, быстрая обратная связь. 24 октября, онлайн, регистрация и подробности — здесь!

🔥 10 AI-репозиториев недели: от видео из HTML до 3D-моделей по описанию 1. rea — разобраться в чужом софте Даёт AI-агенту инструменты для анализа приложений: от JavaScript и Electron до нативных бинарников через Ghidra, IDA или Hopper. https://github.com/morluto/rea 2. skills — инженерные привычки для агента Набор навыков Мэтта Покока: уточнение требований, декомпозиция задач, TDD, диагностика багов и работа с архитектурой. https://github.com/mattpocock/skills 3. diagram-design — понятные схемы из промпта Навык для кодирующих агентов с 44 типами диаграмм. Результат — самостоятельный HTML с SVG, который можно открыть в браузере. https://github.com/cathrynlavery/diagram-design 4. iFixAi — проверить работу агента Независимый аудит: выполняет ли агент поставленную задачу и соблюдает ли ограничения. Авторы заявляют диагностику менее чем за две минуты. https://github.com/ifixai-ai/iFixAi 5. hyperframes — написать HTML, получить видео Превращает HTML, CSS, медиа и анимации в MP4. Подходит для роликов с графикой, объяснений и автоматизации видеопроизводства. https://github.com/heygen-com/hyperframes 6. context-mode — меньше мусора в контексте Обрабатывает вывод инструментов отдельно и передаёт агенту нужные фрагменты. Заявляет сокращение объёма до 98% и сохранение памяти сессий. https://github.com/mksglu/context-mode 7. free-claude-code — разные модели в привычном агенте Подключает Claude Code, Codex и другие инструменты к альтернативным провайдерам, включая бесплатные тарифы. Доступность и лимиты зависят от провайдера. https://github.com/Alishahryar1/free-claude-code 8. airllm — большая модель на маленькой GPU Загружает веса послойно: например, для Llama 70B заявлено около 4 ГБ VRAM. Потребуется место на диске; небольшой расход видеопамяти не гарантирует быструю генерацию. https://github.com/lyogavin/airllm 9. ai-job-search — поиск работы с Claude Code Оценивает вакансии, адаптирует резюме, готовит сопроводительные письма и помогает тренироваться перед интервью. https://github.com/MadsLorentzen/ai-job-search 10. text-to-cad — от описания к детали Добавляет агенту создание и редактирование CAD-моделей по тексту или изображению. Поддерживает экспорт в STEP, STL, 3MF и GLB. https://github.com/earthtojake/text-to-cad Сохраняйте, чтобы вернуться к проектам, когда появится подходящая задача.

3 GitHub-репозитория, которые растут быстрее остального агентного тулинга 🔥 cc-switch: одно окно для Claude Code, Codex, Gemini CLI и OpenCode. Провайдеры переключаются кликом, MCP и скиллы синхронизируются между инструментами. rakazo: self-hosted платформа постоянных ИИ-тиммейтов. У каждого бота своя память, рутины и свой компьютер с браузером и терминалом. iFixAi: аудит агентов на соответствие бизнес-политикам. 60 проверок, от prompt injection до утечек данных, итоговая оценка от A до F. cc-switch: https://github.com/farion1231/cc-switch rakazo: https://github.com/elie222/rakazo iFixAi: https://github.com/ifixai-ai/iFixAi

🧰 281 AI-инструмент для разработчика - с описаниями на русском Awesome AI DevTools RU - каталог для тех, кто хочет разобраться, что подключить к своей работе: от помощника в редакторе до агентов, тестирования и локальных моделей. Что внутри: • AI-IDE и терминальные агенты - Cursor, Claude Code, Codex, Cline, Aider и другие. • Код-ревью, тестирование и безопасность. • MCP, навыки, управление контекстом и оркестрация агентов. • Локальные модели, LLMOps и контроль расходов. • Отдельный раздел с российскими сервисами. У инструментов есть метки: открытый код, бесплатный тариф, локальные модели, свой API-ключ и поддержка MCP. Помимо каталога - сравнительные таблицы, схемы выбора и готовые стеки под разные задачи. А ещё четыре урока: как выбрать инструмент, запустить модели локально, настроить MCP и разобраться в устройстве кодирующих агентов. Полезная закладка, когда хочется собрать рабочее окружение с ИИ, а не устанавливать всё подряд. 💻 https://github.com/justxor/awesome-ai-devtools-ru

📣 В Adapty открылась позиция Product Lead (Analytics & ML) 👀 Удалёнка · Adapty - одна из крупнейших платформ монетизации подписочных приложений. С нами работают 20 000+ приложений, через нас проходит $3B+ подписок в год, в команде 210+ человек. Мы ищем человека, который возьмёт на себя аналитику и ML. Роль не про поддержку чужих моделей, а про то, чтобы с нуля построить направление, где аналитика, предикт и A/B-тесты впервые сходятся под одним владельцем. Главная задача - предсказание LTV. Выручка от пользователя приходит в течение года, а решение о тратах на рекламу приложения принимают за несколько дней. Мы видим данные тысяч приложений сразу, поэтому можем предсказывать точнее всех на рынке. Пока не предсказываем, и это твоя задача. ➡️Чем заниматься: — Определить, что мы считаем качеством модели — метрика, горизонт, baseline, калибровка — и довести предикт до этого уровня — Забрать A/B-тесты пейволлов и свести их с предиктом: тест меряет краткосрочный эффект, а раскатывать надо по долгосрочной выручке — Разогнать аналитику: найти, где затык — в данных, запросах или интерфейсе — Решить судьбу накопленных ML-наработок: что доводим до продукта, что закрываем — Вести команду из двух ML-инженеров ➡️Кого ищем: — Классический ML и матстат на уровне предметного спора о метрике и горизонте, а не пересказа чужих выводов — SQL и Python — сами достаёте и перепроверяете числа — Умение взять широкое направление и довести до результата без постановки задач — Продуктовый опыт — плюс, но не требование 📌Плюсом: подписки, мобайл или финтех (LTV, churn, когортная экономика); экспериментальный дизайн: мощность, MDE, множественные сравнения; ClickHouse; олимпиады, Kaggle, публичные проекты. 🔗 Вакансия: https://adapty.io/careers/product-lead-analytics-ml/ ➡️ Контакт: @Adapty_Talent_Bot