Анализ данных (Data analysis)

🚀 Xai представили новый Grok-4 fast — дешёвый, быстрый и с контекстом в 2 млн токенов 🔥 🧠 Архитектура объединяет режимы рассуждений и обычной генерации в одной модели. Это означает, что можно обрабатывать простые запросы, не тратя лишние вычислительные ресурсы. 💲 Цены радуют: - Ввод: $0.20 / 1M токенов (fast) и $0.40 / 1M (full) - Вывод: $0.50 / 1M токенов (fast) и $1.00 / 1M (full) ⚡ Дешево, быстро и с огромным контекстом. https://x.com/xai/status/1969183326389858448 #ai #grok

🧬 Как AI изменит биологию к 2030 году Учёные построили прогноз по трём ключевым задачам. 🔹 Белок + лекарство (PoseBusters-v2) Задача: понять, как молекула лекарства «садится» на белок. AI уже показывает высокую точность → такие задачи будут решены в ближайшие годы. 🔹 Лабораторные протоколы (ProtocolQA) Вопросы вроде: *как правильно поставить эксперимент, что делать на следующем шаге?* Кривая растёт быстро → к 2030 AI сможет уверенно подсказывать, как работать в лаборатории. 🔹 Белок + белок Самый сложный вызов. Прогнозировать взаимодействие любых двух белков пока получается с большим числом ошибок. Даже к 2030 результат остаётся под вопросом. ⚡️ Вывод - К 2030 AI наверняка справится с докингом молекул и помощью в лаборатории. - Но загадка взаимодействия белков останется нерешённой. AI станет реальным инструментом для биомедицины, но до полного понимания живых систем ещё далеко. https://epoch.ai/blog/what-will-ai-look-like-in-2030

58 минут на то, чтобы понять, что нужно удалить, 2 минуты на фикс, как настоящий разработчик.

🤖 Сооснователь Anthropic поделился интересным фактом: 70–90% кода внутри компании уже пишется Claude. Но это не значит, что кодеров собираются заменить. Смысл в другом: - Люди пишут меньше кода руками. - Основная роль - управлять ИИ-системами, задавать направления, проверять качество. - Программисты становятся «менеджерами» ИИ, распределяющими задачи и интегрирующими решения. Так меняется сама суть профессии: 👉 не только «писать код», а строить системы вместе с ИИ. 👉 от ручного труда к стратегическому управлению. Вопрос только один: готовы ли мы к роли «дирижёров», где ИИ - это оркестр? 🎼

🛠️ Улучшаем отладку с пользовательскими типами Этот репозиторий помогает отображать пользовательские типы и контейнеры в отладчике LLDB, делая их более понятными. С помощью кастомных функций и синтетических провайдеров вы сможете легко видеть значения ваших объектов и контейнеров. 🚀Основные моменты: - Поддержка пользовательских типов и контейнеров в LLDB. - Использование Python для настройки отображения. - Примеры для классов и контейнеров, таких как example::date и example::span. - Удобное взаимодействие с отладчиком через .lldbinit. 📌 GitHub: https://github.com/codeinred/lldb_user_types #python

🧠 Представлен новый бенчмарк OptimalThinkingBench — тест, который показывает, когда LLM «думают слишком много» или «слишком мало». В чём идея - У reasoning-моделей: болтовня и лишние шаги даже на простых вопросах. - У быстрых моделей: пропуск шагов и ошибки на сложных задачах. Как устроен бенчмарк - 2 части: 1. Простые вопросы → проверка переосмысления (overthinking). 2. Сложные задачи → проверка недоосмысления (underthinking). - Метрика: точность при разных лимитах токенов, усреднение по бюджетам + точность на сложных задачах. - Высокий балл возможен только при эффективности и правильности одновременно. Результаты - Тестировали 33 модели. - Ни одна не сбалансировала обе стороны: - «Думающие» тратили сотни токенов на простяках без прироста качества. - «Быстрые» — проваливались на сложных задачах. Попробованные фиксы - ✂️ Штрафы за длину сокращают токены. - 🔀 Роутер режимов помогает, но уступает оракулу, который всегда выбирает правильный режим. - 📝 Подсказка *«do not overthink»* надёжно сокращает ответы на лёгких вопросах без потерь точности. Доп. наблюдения - Больше отвлекающих опций → модель думает дольше. - Числовые формулировки → удлиняют рассуждения. - Крупные модели → думают больше, но не всегда лучше. 📑 Полный текст: https://arxiv.org/abs/2508.13141 👉 OptimalThinkingBench помогает строить модели, которые экономят вычисления на простых задачах и тратят усилия на сложные.

📘 На Stepik вышел курс — «MLOps с нуля: как довести модель до продакшна»  Начинаете путь в MLOps и хотите понять, как перевести ML-модель из ноутбука в реальный продукт? Этот курс — именно то, что нужно. 🔍 Что вы получите: • Понимание полного жизненного цикла ML-модели: от обучения до мониторинга • Практику с современными инструментами: Docker, Kubernetes, CI/CD, MLflow • Опыт построения воспроизводимых пайплайнов и управления экспериментами • Навыки автоматизации и работы с инфраструктурой для реального продакшна 🎓 Сертификат по завершении — добавьте его в резюме или профиль LinkedIn 🚀 Сделайте шаг к профессии MLOps-инженера. Начните уже сегодня и получите скидку 30%, которая действительна в течение 24 часов 👉 Пройти курс на Stepik

📊 93,9% специалистов по машинному обучению используют большие языковые модели в работе, более трети (31,5%) доверяют им написание кода, — следует из исследования технологической платформы Авито и Хабра. 📌 Главное: — LLM применяются не только для программирования, но и для поиска информации, генерации идей, анализа данных. — Лишь 6,1% разработчиков пока обходятся без таких инструментов. — Половина респондентов воспринимают ИИ как полезного ассистента, экономящего время. — ИИ меняет сам подход к разработке: помогает ускорять создание алгоритмов, сокращает барьеры для входа в профессию и в перспективе способен предложить решения, до которых человек не додумался бы самостоятельно. По словами Константина Мягких, директора по Data Science Авито, мир фактически вступает в эпоху саморазвивающихся систем: каждое новое поколение моделей рождается быстрее предыдущего, открывая путь к революции, где ИИ ускоряет собственное развитие. Компании, которые смогут безопасно интегрировать ИИ в процессы, получат не просто преимущество в эффективности — они создадут условия для появления принципиально новых технологий. Авито, например, уже активно внедряет искусственный интеллект: компания создает собственную экосистему решений — от чат-бота на основе языковой модели A-Vibe до ИИ-портала для быстрого поиска информации.

🚀 Техотчёт Meituan — LongCat-Flash Модель на 560B параметров (из них ~27B активные) с архитектурой MoE, где число активных экспертов динамически подстраивается под контекст. 🔧 Архитектура - Каждый слой содержит 2 блока внимания + FFN и MoE → коммуникации накладываются и ускоряют обучение. - Введён «нулевой эксперт» — токен может выбрать «ничего не делать». Это экономит вычисления для простых случаев. - Балансировка нагрузки через специальный loss с постепенным уменьшением смещения. 📈 Масштабирование - Инициализация с выравниванием дисперсий для MoE/MLA → модель обучается стабильнее. - Growth init: сначала тренируется уменьшенная версия (в 2 раза меньше), потом на её основе строят полную модель, просто добавляя слои. - Передача гиперпараметров через метод SP (вместо muP). ⚖️ Стабильность - Следят за отношением нормы градиента и схожестью экспертов, чтобы не «завалить» балансировку. - Для сдерживания активаций используется лёгкий z-loss (альтернатива qk-clip). - Параметр Adam epsilon снижен до 1e-16, чтобы быть меньше диапазона градиентов. ### 📚 Обучение - Всего обучено на ~20 трлн токенов + отдельные фазы: - STEM/код (70% смеси) - расширение контекста: 80B токенов для 32k и 20B для 128k - Данные: извлечение контекста → фильтрация → дедупликация. 🧪 Бенчмарки и результаты - Новые тесты: Meeseeks (многошаговые инструкции) и VitaBench (реальные бизнес-сценарии). - Отдельно показали: - какие top_k лучше для разных задач - как токены распределяются по слоям - В инфре: оптимизация под inference, speculative decoding, квантизация, параллельные коммуникации. 📌 Репозиторий: github.com/meituan-longcat

ИИ-ассистенты уже стали нормой для разработчиков Свежий отчёт от Yandex B2B Tech и ИТМО: 75 % dev’ов используют AI-помощников для кода, документации и поиска багов 🔥 Несколько цифр: — лишь 6 % верят, что ИИ сможет полностью автоматизировать задачи; — 61 % ждут разгрузки рутины, а не полной замены; — 79 % считают, что влияние сильнее всего на джуниоров. Появляется новый must-have навык: работа с ассистентами. Компании планируют вкладывать до 10 % IT-бюджета в инструменты с AI, а интерес к отечественным решениям (например, SourceCraft) растёт — безопасность и независимость стали важнее. 79 % студентов и половина преподавателей уже пользуются AI в обучении.

Grok 5 может стать AGI, считает Илон Маск — и это нельзя недооценивать. 🔹 Модель обучается на огромных массивах данных. 🔹 xAI снабжает её свежей и тщательно отобранной информацией. 🔹 Tesla генерирует данные с камер автопилота FSD. 🔹 В ближайшем будущем робот Optimus начнёт собирать колоссальные объёмы реальных данных из физического мира. При этом остаётся главный вопрос: что именно считать AGI? Универсальное и согласованное определение всё ещё необходимо. https://x.com/elonmusk/status/1968202372276163029

📊 Fiverr сокращает 250 сотрудников (около 30% штата), чтобы перезапустить платформу как первый AI маркетплейс. Руководство объясняет: внутренние ИИ-системы уже автоматизируют значительные объёмы задач, позволяя работать быстрее с меньшими затратами. Примеры: - поддержка через ботов, которые резюмируют политику и историю тикетов, сокращая время SLA, - модели для выявления мошенничества на раннем этапе, - автоматизация процессов, которые раньше были слишком затратны вручную. Компания уходит в сторону «более лёгкой структуры» — меньше уровней, компактные команды, выше личная продуктивность при поддержке общей AI-инфраструктуры. Фокус найма смещается к AI-native специалистам. Существующие команды переучивают на задачи: построение дата-пайплайнов, оценка моделей, поддержка стабильных inference-сервисов. Уже запущенные AI-функции: Neo, Fiverr Go и Dynamic Matching — ускоряют поиск, упрощают старт проектов и улучшают маршрутизацию заказчиков и исполнителей. Финансово компания стабильна: прогноз выручки 2025 — $425M–$438M, цель по операционной марже — 25% к 2026. Экономия частично пойдёт в реинвестирование, остальное — в рост прибыльности. Подробнее: finalroundai.com/blog/fiverr-layoffs-2025

🇺🇸🇨🇳 Anthropic призывает США ускорить внедрение ИИ в госструктурах Компания предупреждает: Китай быстрее продвигает AI в госуслугах, промышленности и интерфейсах для граждан, и США не должны отставать. 📌 Главное: Уже сотни тысяч федеральных сотрудников используют Claude, но темпы внедрения нужно ускорить. Anthropic предлагает Claude for Enterprise и Claude for Government всего за $1 на год по программе OneGov. Аналогичные скидки дают и другие AI-компании, чтобы агентства могли протестировать разные стеки без больших затрат. Claude уже используют в национальной безопасности, в Lawrence Livermore National Lab и в пилотах с Пентагоном. Система сертифицирована по FedRAMP High, что позволяет работать с конфиденциальными данными. Anthropic также предлагает ввести экспортные ограничения и базовые требования к прозрачности — публикацию результатов тестов и оценок моделей. 🛡️ Вся стратегия компании сводится к ускорению рабочих процессов, защищённым путям данных, проверенным контролям безопасности и интеграции ИИ в уже существующие системы. fedscoop.com/anthropic-makes-its-pitch-to-dc-warning-china-is-moving-even-faster-on-ai/

🚀 Release: TimesFM 2.5 Google Research представила обновлённую версию TimesFM 2.5 на Hugging Face (скоро также в BigQuery и **Model Garden**). TimesFM (Time Series Foundation Model) - модель от Google для прогнозирования временных рядов. Что нового: - Существенное повышение точности по сравнению с TimesFM 2.0 - Увеличенная максимальная длина контекста - Лидерство на GiFT-Eval — TimesFM 2.5 занимает первое место по всем accuracy-метрикам среди zero-shot foundation-моделей 🟠Репозиторий: https://github.com/google-research/timesfm) 🟠HF: http://huggingface.co/google/timesfm-2.5-200m-pytorch @data_analysis_ml #AI #ML #TimesFM #forecasting #GoogleResearch

🔥 agency-swarm — проект, связанный с моделированием многагентных систем с использованием методов искусственного интеллекта! 🌟 Проект ориентирован на создание среды, где множество агентов могут взаимодействовать друг с другом, сотрудничать или конкурировать для достижения определенных целей. 🌟 Основная цель agency-swarm — это исследование и реализация агентных систем, где каждый агент может быть автономным и выполнять задачи в рамках заданной среды. Такие системы часто используются для симуляции поведения групп людей, животных или даже для оптимизации процессов, например, в логистике, робототехнике или при моделировании социальных взаимодействий. 🔐 Лицензия: MIT 🖥 Github @data_analysis_ml

🔥 Курс по AI-агентам уже стартовал! Сегодня, 15 сентября, мы начали первую сессии. Но вы всё ещё можете присоединиться и успеть в поток — это ПОСЛЕДНИЙ шанс забронировать место по старой цене. На курсе: — разложим LLM по косточкам: токенизация, SFT, PEFT, инференс; — соберём RAG и научимся оценивать его адекватно; — построим настоящую мультиагентную систему — архитектуру, которая умеет расти; — разберём CoPilot, сломаем через prompt injection (спасибо Максу); — и наконец, посмотрим, как это работает в MCP и реальных кейсах. 📍 Это 5 живых вебинаров + раздатка + домашки + чат с преподавателями. И главное — возможность реально разобраться, как проектировать системы на LLM, а не просто «поиграться с API». Промокод на 5.000₽: DATAANALYSISML 👉 Курс здесь Реклама. ИП Дрёмов Артём Сергеевич, ИНН 771391651571. Erid 2VtzqxQEXpY

📊 McKinsey: ИИ взорвёт рынок дата-центров По данным свежего отчёта McKinsey, только искусственный интеллект потребует к 2030 году $5,2 трлн инвестиций в дата-центры. 💡 Ключевые цифры: - к 2030-му для покрытия спроса на ИИ понадобится 156 ГВт мощностей дата-центров; - с 2025 по 2030 годы нужно будет добавить 125 ГВт новых мощностей; - $5,2 трлн — это расчёт на основе сценариев масштабирования вычислений для ИИ. Этот прогноз подчёркивает: рост ИИ меняет индустрию дата-центров беспрецедентно быстро, а финансовая нагрузка, связанная с обеспечением вычислительных мощностей, станет колоссальной. 🔗 McKinsey Report: https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-cost-of-compute-a-7-trillion-dollar-race-to-scale-data-centers @data_analysis_ml

Интегрируй ML-модель в продакшн без боли и ошибок! Практикум для разработчиков и ML-инженеров, которые устали от «экспериментов в Jupyter» и хотят переходить к реальным решениям! 16 сентября в 19:00 приглашаем на встречу по интеграции моделей с внешним миром и написанию API вместе с экспертом Игорем Стурейко — разработчиком модели прогнозирования технического состояния газотранспортной системы ПАО Газпром. На практикуме вы: 👨‍💻перенесёте модель из Jupyter notebook в полноценный Python-класс 👨‍💻создадите API и подготовите эндпоинты 👨‍💻напишете валидатор для входящих параметров 👨‍💻протестируете работу модели как отдельного сервиса. Все участники получают 7% скидку на любой курс OTUS + бонус: карьерные треки для ML-специалистов Записывайся на практикум: https://tglink.io/7f7e67d341e5 Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: 2W5zFJF6HRA

🔒 Nano Banana и цифровые водяные знаки Все изображения, сгенерированные через Nano Banana, автоматически содержат водяной знак synthID. Это специальная технология, которая встраивает в картинку невидимую метку — её можно обнаружить и подтвердить происхождение изображения. Подробнее о том, как работает synthID watermarking, можно прочитать здесь: 👉 https://huggingface.co/blog/synthid-text

Топ навыков ML-инженера на примере реальной бизнес-задачи Предсказать отток клиентов — одна из самых распространенных и актуальных задач для любого бизнеса. На примере этой задачи можно рассмотреть все этапы работы ML-инженера: данные, признаки, модель, метрики и выводы для бизнеса. Чтобы увидеть полный цикл решения реальной задачи и понять, какие навыки нужны ML-инженеру в работе, приходите 16 сентября на практико-ориентированный вебинар от Кристины Желтовой — директора по разработке моделей в Газпромбанке. В ходе вебинара мы на примере задачи предсказания оттока клиентов разберём:

🟠Актуальность предсказания оттока клиентов для бизнеса 🟠Как работать с «сырыми» данными и подготовить их для обучения модели 🟠Как выбрать, построить и обучить базовую модель в Google Colab 🟠Как проверить, качество работы модели: разбор метрик и ошибок 🟠Какие ключевые навыки складываются в профессию

ML-инженера.🕗 Встречаемся 16 сентября в 19:00 МСК Обязательно ждем вас в лайве — вы сможете напрямую задать свои вопросы Кристине Желтовой и забрать с собой пример файла в Google Colab, с которым сможете продолжить погружаться в задачу после вебинара! 😶Зарегистрироваться на бесплатный вебинар