Не попадитесь на канал ботавода! Telemetrio находит и помечает такие каналы 👉 Хотите видеть метку — оформите подписку

Data Science | Machinelearning [ru]

Открыть в Telegram

Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. MAX - https://max.ru/devsp Личный блог - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD

Больше

Сеть:Frontender's notes [ru]Россия33 395 Технологии и приложения6 640...

📈 Аналитический обзор Telegram-канала Data Science | Machinelearning [ru]

Канал Data Science | Machinelearning [ru] (@devsp) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 19 719 подписчиков, занимая 6 640 место в категории Технологии и приложения и 33 395 место в регионе Россия.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 19 719 подписчиков.

Согласно последним данным от 25 октября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -104, а за последние 24 часа — 15, при этом общий охват остаётся высоким.

Статус верификации: Не верифицирован
Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 7.81%. В первые 24 часа после публикации контент обычно набирает 4.84% реакций от общего числа подписчиков.
Охват публикаций: В среднем каждый пост получает 1 540 просмотров. В течение первых суток публикация набирает 955 просмотров.
Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 4.
Тематические интересы: Контент сосредоточен на ключевых темах, таких как llm, nvidia, контекст, openai, архитектура.

📝 Описание и контентная политика

Автор описывает ресурс как площадку для выражения субъективного мнения:
“Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. MAX - https://max.ru/devsp Личный блог - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD”

Благодаря высокой частоте обновлений (последние данные получены 26 октября, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.

19 719

Подписчики

+1524 часа

-217 дней

-10430 дней

1 540

Просмотры поста

~ 95524 часа

~ 1 11648 часов

7.81%

Коэффициент вовлеченности

~ 3

Постов в день

Ads index

beta

Архив постов

19 719

Цифры те же, а смысл поехал: как вычитывать правки после ИИ Анна забрала сумму Бориса, Борис — сумму Анны. Имена и числа целы, никто их не трогал. Разбираю, почему автопроверка такой косяк прощёлкивает и как потом вычитывать условия и обещания после того, как по тексту прошёлся ИИ. Проверить смысл после правки 👉 Telegram | Max

19 719

Свобода воли, или кто вообще держит под контролем искусственный разум. По следам взлома Hugging Face агентами чата GPT

«Эта атака была не похожа ни на что, с чем нам прежде приходилось сталкиваться: она была проведена, от начала до конца, автономной системой ИИ-агентов.» Hugging Face (16 июля 2026)

Позже до человечества дошло, кто тут на самом деле атаковал: ИИ-агенты OpenAI. Больше тысячи штук. И да — сайты в интернете они пошли ломать по собственной воле. Читать далее 👉 Telegram | Max

19 719

Как пролезть в ответы Perplexity AI и почему эта штука не вычитывает страницу целиком Автор замесил 20 промптов через Perplexity API, каждый по три повтора — на выходе 60 ответов. Дальше взял каждую сноску [N] и сшил предложение из ответа с той страницей, откуда оно приползло. А потом для пары «предложение ответа — страница источника» рылся в HTML в поисках куска, максимально близкого к тому, что говорит ответ. Итог: из 1355 отсылок 948 вели на страницы, которые ещё открываются, и на 448 из них обнаружился пассаж — абзац, пункт списка или ячейка таблицы, — который накрывает хотя бы треть слов утверждения. Главное для тех, кто пишет страницы: на сработавшей странице медианно вкатываются два пассажа из 85, где-то по 49 слов штука. В штуках это 2%, в словах побольше — медиана 6,4% текста страницы, среднее 11,6%. Короче, залетевший пассаж длиннее обычного. Так что готовиться надо не к тому, что кто-то прочтёт всю простыню, а к тому, что из неё выдернут один самодостаточный абзац. Что это значит для конкретного текста — разжёвано в разделе про работу с Perplexity, он торчит в середине, до разбора ошибок в коде. А границы, за которыми эти цифры перестают работать, вынесены отдельно — и там же сказано, как прогнать ту же проверку по своей нише. С чего всё началось: в логе замера видно, какие URL Perplexity суёт в источники. А вот что именно уехало со страницы в ответ — весь текст, абзац или одна строчка списка — не видно от слова совсем. Читать далее 👉 Telegram | Max

19 719

«Ты же говорил, что так можно»: как ИИ выручает бухгалтеров на 1С и их начальство Автор говорит: наткнулась недавно на статью о том, что бухгалтеру вполне можно подрядить ИИ на ответы по требованиям. В комментариях, ясное дело, сразу посыпались шуточки в духе «с такими ответами поедешь отдыхать за решёточку» (и ведь не поспоришь). По её мнению, наши законы написаны так, что читать их надо буквально между строк, да ещё и не единожды — иначе реальный смысл со всеми подводными камнями не выкупишь. Но статья, мол, вообще не про это. Куча бухгалтеров и предпринимателей (тех, кто сам тянет бухгалтерский и управленческий учёт) боится, что ИИ где-то налажает, и кажется, что надёжнее убить время и сделать всё руками. По факту же ИИ вполне способен разгрузить рутину и выдать ровно то, что тебе надо — если по-человечески поставить ТЗ. Автор обещает разобрать несколько кейсов из личного опыта, которые экономят ей вагон времени. Может, кому-то зайдёт, и ты глянешь на это под другим углом — сама она, напомним, раньше к ИИ в работе относилась крайне скептически. Читать далее 👉 Telegram | Max

19 719

Как разобраться в научных статьях перед стартом ML-проекта? Допустим, вы хотите улучшить поиск в RAG-системе. Нужно найти подходящие работы, разобраться, какие методы сравнивали авторы, на каких данных получили результаты и какие ограничения обнаружили. А затем объяснить команде, что стоит проверить в своём проекте. scid.ai — AI-native платформа для исследований, которая помогает пройти этот путь: от вопроса и поиска статей до полноценного обзора с проверяемой доказательной базой в одном приложении. Начать можно с конкретного вопроса. Например: «Какие методы улучшают поиск в RAG-системах и как оценивают их качество?» Дальше в одном интерфейсе можно: — найти научные работы по вопросу и отобрать подходящие источники; — посмотреть связи между публикациями на графе; — задать вопросы по выбранным материалам, сопоставить подходы, результаты и ограничения; — подготовить таблицу сравнения или обзор для обсуждения с командой. Загрузить статьи и обсудить их можно и в универсальном ИИ-чате. Особенность scid.ai — связанный исследовательский процесс: найденные публикации, отобранные источники, граф и итоговый документ работают вместе. Библиотека источников становится основой для вопросов, сравнения методов и подготовки обзора, презентаций, отчетов и публикаций — не нужно заново собирать доказательную базу при переходе от чтения к написанию. Платформа пригодится для знакомства с новой темой, подготовки обзора литературы или обоснования следующего эксперимента. Попробовать на своей исследовательской задаче → scid.ai

19 719

Накодил через чатбота — получил уголовку: в Австралии впервые судят за слив через нейросеть Кристоферу Даффу из Сиднея 40. Ему вменяют взлом судебной системы в Новом Южном Уэльсе. Копы уверены: чувак сознательно попросил ChatGPT написать софт, который массово качал документы и лез туда, куда не положено. Речь почти о 9 тысячах судебных бумаг, а доступ к ним у Даффа был аж в 2025-м. Тогда же ему вкатили первые обвинения, устроили шмон в квартире, вынесли два ноутбука и выпустили под залог. А теперь тема всплыла снова. Свою вину Кристофер не признаёт. В качестве доказательства суд хочет подшить его переписку с чатботом. Как говорит источник, в австралийском правосудии такого ещё не проделывали. Подробности и доводы сторон 👉 Telegram | Max

19 719

Поднять LLM на своём железе: что прикинуть до похода за видюхой Топовая видюха — вообще не гарантия, что локальная LLM у тебя поедет. В материале копают: с чего GPU вдруг прохлаждается, как на скорость влияют память, KV-кэш и движок инференса, и что стоит посчитать заранее, если собрался городить свой стенд. Разобраться в LLM 👉 Telegram | Max

19 719

Совет на ближайшие годы — идите в Data Science и ML Пока ИИ забирает работу у одних специалистов, другие строят на нём карьеру и зарабатывают всё больше. И вопрос уже не в том, изменит ли ИИ рынок, а в том, по какую сторону этих изменений окажетесь вы. DS/ML – один из самых прямых способов оказаться среди тех, кто на этом выигрывает А чтобы не тратить годы на хаотичное обучение – держите в подписках Data Portal. Там практикующие ML-инженеры понятным языком разбирают главное: новые модели, библиотеки, исследования, датасеты, гайды, курсы и практические кейсы. Подписывайтесь: @LLMScience

19 719

Охота за идеальным ML-ноутом: с макбука на x86+Linux Пост вроде бы и с иронией написан, но вопрос автор поднимает совсем не шуточный: что за железо вообще тянет на звание идеального для ML-разработчика. И крутится всё вокруг переезда с макбука на x86+Linux. Читать далее: habr.com 👉 Telegram | Max

19 719

🔋 Собрали для тебя подборку — лучшие слитые материалы, книги, курсы, гайды и репозитории. Выбирай свой стек: 🖥 Курсы & GitHub — 1579GB ⌨️ Python — 955GB 😦 Работа в IT — 778GB 🖥 Общий архив — 2346GB ☁️ Хакинг & ИБ — 756GB 🤒 OSINT — 315GB 🙃 Linux & Bash — 459GB

📂 Подписывайся все в одном месте.

19 719

Jev: что за API решений у него под капотом и что на нём уже собирают Три дня — и вокруг Jev наросла мини-экосистема. Браузерный агент выцепил авиабилеты за семь секунд. Кто-то слепил торгового бота, фильтры контента и вообще Tesla FSD. Но текст Jev не пишет — его API вытаскивает вариант ответа из набора, который заранее очертило приложение. Автор перекопал доку TypeSafe, код jev-ultrafast, выложенную трассу того самого семисекундного прогона и сотню источников — первичных или почти. В статье: контракт Noul, Choice и Score, сам вызов API, цена, как устроен браузерный агент и 15 ранних кейсов вместе с границами того, что они вообще доказывают. А вопрос-то простой: где этот узкий слой решений реально обставляет обычную LLM, а где валидный ответ всё равно выходит просто не тем ответом? Читать далее 👉 Telegram | Max

19 719

17 сентября в Москве прошла AI R&D DAY — конференция для исследовательских команд и создателей ИИ-систем. Более 600 участников на одной площадке, 20+ докладов — концентрат практического опыта, знаний и инструментов, готовых к внедрению сразу по возвращению в офис. Обсудили альтернативные архитектуры, обучение моделей и AI-агентов, долгосрочную мультимодальную память, новые модальности и коммуникации, а также бенчмаркинг и стандарты качества AI. Среди спикеров — эксперты Сбера (Sber AI, Kandinsky Lab, Центра «ИИ для науки», Центра практического ИИ, Центра робототехники), института AIRI, Лондонского института практических наук, Национального суперкомпьютерного центра в Цзинане и другие создатели ИИ-систем. Видеозаписи докладов уже доступны в наших соцсетях. А если вы хотите стать частью исследовательского коммьюнити Сбера, то переходите по ссылке #реклама О рекламодателе

19 719

Классический RAG не вывез — пришлось пилить AI-консультанта по архитектуре Знание про архитектуру по углам разбросано: что-то осело в Confluence, что-то в реестре систем, что-то в ADR, а самое сочное вообще живёт в головах экспертов и архитекторов. А ландшафт банка — это же куча систем, модулей, компонентов, интеграций и команд. В таких масштабах старые способы раздавать знания уже не дают ни нужной скорости, ни полноты доступа. Время на поиск утекает, новичку в этом зоопарке разобраться тяжко, а архитекторы и эксперты как заведённые отвечают на одни и те же вопросы. С виду таска — типовой RAG: собрать документы, порезать на чанки, накрутить эмбеддинги и скармливать найденный контекст большой языковой модели. Но очень быстро стало понятно: вопросы про архитектуру устроены посложнее обычного поиска по тексту. В статье разберут, почему классического RAG не хватило, зачем понадобился граф знаний, как сделали маршрутизацию запросов между источниками банка и к какой архитектуре в итоге пришли. Читать далее 👉 Telegram | Max

19 719

Участвуй во всероссийском ИТ-чемпионате МТС True Tech Champ 2026 c призовой фондом 10 250 000 рублей. Если тебе нравятся алгоритмы, структуры данных и задачи на чистую логику — участвуй в алгоритмическом треке с индивидуальным зачетом. Решай задачи разного уровня сложности: от базовых до тех, что проверяют скорость мышления и умение оптимизировать решения за ограниченное время. В финале лучшие 120 участников алгоритмического трека сразятся в лайв-кодинге за шесть призовых мест и 2 750 000 рублей. Всех финалистов ждут: — Лимитированный мерч; — Сертификаты об участии; — Масштабное мероприятие с выступлениями хэдлайнеров и фестивальными активностями. Успей зарегистрироваться и пройти отборочный этап до 27 сентября. Erid: 2VSb5wNVGx2

19 719

Как я слепила настольную лампу в Blender через Codex и GPT-6 Astra В прошлом году у меня завёлся 3D-принтер. А где-то в июле я загорелась напечатать органайзер под всякую мелочь. Готовой модели, которая бы подошла, не нашлось — пришлось открывать Blender и делать своё. И на этом всё встало: панели, кнопки, настройки — я поплыла и просто отложила моделирование. Не так давно в сообществе на глаза попались примеры, как люди работают с Blender через Codex и GPT-6 Astra. И я решила дать второй заход. Первым упражнением стала настольная лампа: основание, стойка, кронштейн и плафон. Отмоделировав, я выставила материалы и свет, а потом прогнала пятисекундный облёт камеры. Читать далее 👉 Telegram | Max

19 719

Дед в 70 лет наклепал 445 книг через ChatGPT. И цепляет тут вообще не он Билл Джонс, 70 лет, на пенсии. В активе — 445 книг, сделанных с помощью ChatGPT, и тысячи баксов с них. Но кайф не в самом Джонсе, а в том, о чём этот кейс орёт. ИИ превратил производство контента в дешёвую и быструю движуху. Теперь не надо год высиживать одну книгу и молиться, чтоб она выстрелила. Запускай пачку сразу — и смотри, какая из них зайдёт. Автор копает дальше: что это вообще меняет для тех, кто пишет. Читать далее 👉 Telegram | Max

19 719

Граница код | модель как архитектурный объект Накидаю мыслей поверх одного проекта: архитектура — router + pipelines (AWS, Claude). Возьмём кейс, который видел почти каждый, кто пилил LLM-агента для вопросов к данным на человеческом языке: text2sql, аналитический ассистент, бот поверх базы — неважно. Схема обычно такая: агент тащит всё на себе. Сам решает, что за запрос пришёл, сам его собирает, сам выбирает, в каком виде отдать ответ, и сам же прикидывает, стоит ли предупреждать про отклонение. В этом и весь смысл агента, ради этого и пишется системный промпт. На десятке тестовых вопросов всё летает. А потом прилетает боль: вопросы приходят в других формулировках. Тот же самый вопрос, но сказанный иначе, обрабатывается по-другому — модель иначе прочитала фразу, и структурно одинаковые результаты вдруг поехали в разной форме (строка, таблица, график), причём без объяснения почему. Или наоборот: формулировка та же, а отклонение то с пояснением, то пустое. Что делают первым делом? Дописывают в промпт ещё одно правило. Пару раз реально выручает. А потом новое правило начинает грызться со старыми, и промпт превращается в лоскутное одеяло из заплаток под конкретные случаи. Нестабильность никуда не девается — она просто зарывается в том, в каком порядке модель применяет взаимоисключающие инструкции. Корень в другом: в этом сценарии вообще никто явно не решал, что делает код, а что модель. Оно сложилось само, пока промпт сочинялся. Отсюда и решение: граница между кодом и моделью — не деталь реализации, а отдельный архитектурный объект. Не примешь это решение осознанно — его примут за тебя по дефолту, и почти наверняка не в сторону устойчивости. Читать далее 👉 Telegram | Max

19 719

⚡️Data Science в 2026 году: что нужно знать, чтобы дойти от первой модели до первого оффера? Большинство новичков совершают одну и ту же ошибку: пытаются выучить весь Data Science сразу. Python, математика, статистика, ML, Deep Learning, MLOps… А потом открывают вакансию и обнаруживают ещё примерно 15 технологий, о которых вчера даже не слышали. В итоге можно несколько месяцев учиться, собирать учебные модели и всё равно не понимать, что именно нужно показать работодателю, чтобы получить первый оффер 🫠 Мария Жарова — ML-инженер Wildberries, экс-Альфа-Банк и Сбер, преподаватель магистратур МФТИ, ТГУ и МИФИ — проведёт бесплатный эфир «ML-инженер в 2026 году: от первой модели до первого оффера» и покажет профессию изнутри на реальной ML-задаче. Что будет на эфире:

🔶На живом примере соберём модель, которая определяет тональность отзывов: подготовим данные, превратим текст в числа, обучим алгоритм и проверим, где он ошибается; 🔶Разберём полный цикл ML-проекта — от задачи бизнеса и сырых данных до готовой модели; 🔶Разберёмся, чем отличаются Data Scientist, ML Engineer, Deep Learning и MLOps и чем занимается каждый специалист; 🔶 Посмотрим, какие знания и навыки действительно нужны новичку, а что пока можно не пытаться выучить за одну ночь; 🔶Разберём реальные требования в вакансиях и поймём, какие проекты стоит добавить в портфолио; 🔶Обсудим, как перейти от обучения к первым собеседованиям и не застрять в бесконечном «ещё немного поучусь и начну искать работу».

Дополнительно на эфире разберем реальные примеры резюме и портфолио кандидатов, которые смогли пройти отбор. 🎁 ПОЛУЧИТЕ 3 КУРСА (PYTHON, SQL, PANDAS) В ПОДАРОК ЗА РЕГИСТРАЦИЮ НА ЭФИР! Эти курсы - база для того чтобы вкатиться в профессию! Если вы сейчас пытаетесь разобраться в Data Science и не очень понимаете, что учить, какие проекты делать и когда уже можно идти на собеседования, эфир поможет собрать всё это в одну понятную картину. 🛎️Регистрируйтесь, эфир совсем скоро!

19 719

ИИ-агент, написанный ИИ-агентом: полгода работы, 1600 коммитов и рейтинг — ноль В IT он больше двадцати пяти лет, в Android — почти пятнадцать. И этого, как выяснилось, недостаточно. В требованиях всё чаще не Kotlin с Compose, а умение тащить разработку через ИИ: поставить задачу, разгрести то, что вернулось, и вовремя заметить, где инструмент с абсолютно уверенным лицом гонит. Про TDD, BDD, DDD и FDD вокруг уже почти не говорят — на их месте AIDD и SDD. А в рабочих тикетах JIRA завёлся обязательный字段 с «уровнем использования ИИ»: «полностью сделано агентом» и «частично сделано агентом». Варианта «сделано своими руками» там нет. Учиться по статьям — дохлый номер: в статьях почему-то всегда всё работает. Значит, нужен живой проект, и не игрушечный, а такой, где реально есть где накосячить. Агента он писал при помощи агента. Через полгода приложение висит в Google Play, автор сам гоняет его каждый день, и учебной работой это уже не назвать. Дальше — история роста: три смены курса (учебный проект дорос до продукта, Gemini CLI уступил место Claude Code, маршрутизатор на два выхода превратился в граф), одна стена, в которую он приехал на полном ходу, и запуск, который не выстрелил. Читать далее 👉 Telegram | Max

19 719

[Перевод] Как сделать модель, которая умеет думать: дообучение через GRPO DeepSeek наглядно показал: способность рассуждать по шагам реально прокачивается на этапе дообучения. Хочешь такое же поведение от локальной LLM — есть вариант: Group Relative Policy Optimization, он же GRPO. SFT — это когда модель по сути заучивает шаблоны из примеров. GRPO работает иначе: reinforcement learning. Модель получает фидбек о качестве своих ответов и потихоньку начинает генерить удачные варианты чаще. Дальше раскладываем, как GRPO стыкуется с современными подходами RLHF и что вообще происходит внутри такого обучения. Читать далее 👉 Telegram | Max