Анализ данных (Data analysis)
Открыть в Telegram
Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp
Больше
Сеть:📈 Аналитический обзор Telegram-канала Анализ данных (Data analysis)
Канал Анализ данных (Data analysis) (@data_analysis_ml) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 51 847 подписчиков, занимая 2 567 место в категории Технологии и приложения и 11 859 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 51 847 подписчиков.
Согласно последним данным от 26 октября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 1 191, а за последние 24 часа — 9, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 9.29%. В первые 24 часа после публикации контент обычно набирает 6.79% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 4 816 просмотров. В течение первых суток публикация набирает 3 519 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 230.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как llm, контекст, openai, архитектура, deepseek.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“Data science, наука о данных.
@haarrp - админ
РКН: clck.ru/3FmyAp”
Благодаря высокой частоте обновлений (последние данные получены 27 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.
51 847
Подписчики
+924 часа
+2977 дней
+1 19130 дней
Архив постов
+3
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
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 направлениеОбучение 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)
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
