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 51 889 подписчиков, занимая 2 575 место в категории Технологии и приложения и 11 842 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 51 889 подписчиков.
Согласно последним данным от 28 октября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 1 223, а за последние 24 часа — 33, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 9.13%. В первые 24 часа после публикации контент обычно набирает 6.86% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 4 736 просмотров. В течение первых суток публикация набирает 3 558 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 216.
- 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 29 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.
51 889
Подписчики
+3324 часа
+1737 дней
+1 22330 дней
Архив постов
🐋 Глава DeepSeek: Nvidia «роет себе могилу» в Китае
Лян Вэньфэн довольно жёстко прошёлся по Nvidia. По его оценке, Huawei 950 SuperNode уже способен заменить GB200/GB300 по рабочим задачам, даже если решение Huawei окажется в 2–3 раза дороже.
Но разрыв в железе остаётся: Лян оценивает соотношение примерно как 4 Huawei 950 = 1 Nvidia GB300, плюс около двух лет технологического отставания.
DeepSeek получила от Huawei около 16 000 карт, то есть примерно 4 000 GB300-эквивалентов по этой оценке. А для обучения модели масштаба крупнейших современных систем, по словам Ляна, потребовалось бы около 50 000 GB300 или 200 000 Huawei 950.
Получается, проблема Китая сейчас уже не только в CUDA и софте. Главный дефицит - физический объём доступных ускорителей.
А Nvidia тем временем получает в Китае конкурента, которого экспортные ограничения только заставляют развиваться быстрее.
Repost from Machinelearning
+2Anthropic выпустила Claude Opus 5
Новая флагманская модель компании уже доступна.
Anthropic позиционирует Opus 5 как модель для сложного кодинга, агентных задач, анализа и длинных рабочих сценариев.
Что заявляют:
• SOTA на Frontier-Bench v0.1 для software engineering
• примерно в 3 раза выше результат на ARC-AGI 3 относительно ближайшего конкурента
• сильные результаты на OSWorld 2.0
• лучше Opus 4.8 в отладке, research и длинных агентных задачах
• модель чаще сама проверяет результат и исправляет ошибки перед финальным ответом
Цена:
$5 / 1M input tokens
$25 / 1M output tokens
Также есть Fast Mode примерно с 2.5× скоростью, но по более высокой цене.
В API модель называется:
claude-opus-5
https://www.anthropic.com/news/claude-opus-5
+1
Первый пост Дженсена Хуанга в X - и сразу про открытый ИИ
Дженсен Хуанг наконец завёл X, и свой первый пост посвятил открытым моделям. NVIDIA вместе с Meta, Microsoft, Mistral, Hugging Face, IBM, Mozilla, Palantir и другими компаниями подписала письмо в их поддержку.
Открытые модели позволяют компаниям и государствам скачивать, изучать, изменять и запускать ИИ на собственной инфраструктуре.
Это даёт:
- меньше зависимости от нескольких крупных AI-провайдеров;
- больше контроля над данными и моделями;
- возможность создавать дешёвые специализированные системы;
- больше возможностей для исследователей безопасности;
- технологический суверенитет.
При этом позиция NVIDIA не сводится к войне open source против закрытых моделей. Сам Хуанг ранее говорил, что экосистеме нужны и открытые, и проприетарные frontier-модели.
Хороший первый пост. Особенно на фоне разговоров об ограничениях открытых моделей: один из самых влиятельных людей в AI-индустрии публично встал на их сторону.
https://x.com/JensenHuang/status/2080643682408321103
Бесплатный вебинар: Как построить современный конвейер данных для BI
Большинство BI-проектов затягиваются не из-за дашбордов, а из-за подготовки данных.
Ручные выгрузки из 1С, сложные SQL-скрипты, доработки и разрозненные источники превращают аналитику в бесконечный процесс.
28 июля команда «Денвик» проведет бесплатный вебинар и расскажет, как автоматизировать весь путь данных: 1С → Экстрактор 1С → Denvic Visual Transformer (DVT) → Хранилище → BI
Вы увидите на практике, как:
🔵 автоматически выгружать данные из 1С без участия пользователей;
🔵 передавать изменения, снижая нагрузку на рабочую базу;
🔵 без усилий очищать, объединять и преобразовывать данные;
🔵 создавать аналитические витрины для BI-платформ;
🔵 сократить сроки запуска BI.
Для кого: IT-директора, аналитики, архитекторы данных, BI-команды и разработчики 1С.
Если вы хотите построить масштабируемую архитектуру данных, отказаться от ручных операций и ускорить внедрение аналитики — вебинар для вас.
Регистрация по ссылке
🖥 NVIDIA снизила логические ошибки в квантовых вычислениях более чем в 300 раз
NVIDIA показала Ising Decoder ColorCode 1 Fast для квантовой коррекции ошибок. В тесте с color codes он дал до 347,7× меньший Logical Error Rate и одновременно работал в 7,3× быстрее Chromobius при distance=31 и физической ошибке 0,3%.
В основе подхода небольшая 3D CNN, которая предварительно обрабатывает синдромы ошибок и убирает большую часть локальных ошибок до запуска основного декодера. Это снижает задержку и делает color codes практичнее для коррекции ошибок в реальном времени.
Модель компактная: около 2,9 млн параметров и 17 слоёв. Её можно адаптировать под конкретный QPU, профиль шума и требуемый баланс между скоростью и точностью.
NVIDIA открыла веса, тренировочные рецепты и пайплайн генерации синтетических данных на базе cuQuantum и cuStabilizer. Код обучения опубликован под Apache 2.0.
https://developer.nvidia.com/blog/nvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x/
Kimi K3 за 27 минут нашла RCE в Redis и собрала рабочий эксплойт 😨
Рой из 32 ИИ-агентов обнаружил уязвимость, которая после авторизации позволяла выполнять произвольный код на сервере.
Через несколько часов система якобы нашла ещё и цепочку атаки на Telegram Desktop и iOS без действий пользователя: через повреждённый видеофайл с автозагрузкой. До полноценного RCE оставался один шаг.
Если результаты подтвердятся, поиск критических уязвимостей ускорился до пугающего уровня.
github.com/berabuddies/redis-poc
+3
10 GitHub-репозиториев, которые слишком хороши для бесплатных
1. OmniRoute
Единый OpenAI-совместимый эндпоинт для сотен моделей и провайдеров. Поддерживает Claude Code, Codex, Cursor и Cline, автоматическое переключение между бэкендами и сжатие контекста.
https://github.com/diegosouzapw/OmniRoute
2. OfficeCLI
CLI для создания и редактирования файлов Word, Excel и PowerPoint с помощью ИИ-агентов. Microsoft Office устанавливать не нужно.
https://github.com/iOfficeAI/OfficeCLI
3. System Prompts Leaks
Коллекция системных промптов Claude, ChatGPT, Gemini, Grok, Cursor, Copilot и других продуктов.
https://github.com/asgeirtj/system_prompts_leaks
4. OpenCut
Open-source видеоредактор в браузере, который развивается как альтернатива CapCut.
https://github.com/OpenCut-app/OpenCut
5. AI Job Search
Агент на базе Claude Code, который анализирует вакансии, адаптирует резюме, пишет сопроводительные письма и готовит вопросы для интервью.
https://github.com/MadsLorentzen/ai-job-search
6. Meetily
Локальная расшифровка и суммаризация встреч с Whisper, Parakeet и Ollama. Бэкенд написан на Rust.
https://github.com/Zackriya-Solutions/meetily
7. Vibe-Trading
Платформа для исследования рынков и создания торговых стратегий с помощью естественного языка и ИИ-агентов.
https://github.com/HKUDS/Vibe-Trading
8. Strix
Open-source сканер безопасности, который использует ИИ-агентов для поиска и проверки уязвимостей.
https://github.com/usestrix/strix
9. Superpowers
Набор навыков и рабочих процессов для ИИ-кодеров: планирование, TDD, выполнение задач и проверка результата.
https://github.com/obra/superpowers
10. Firecrawl
Превращает сайты в чистые данные для LLM, RAG и агентных пайплайнов.
https://github.com/firecrawl/firecrawl
Все проекты имеют открытый исходный код и точно заслуживают места в закладках.
Если хочешь развиваться в аналитике — войти в профессию, углубиться в науку о данных или вырасти в карьере — в Центральном университете (ЦУ) есть магистратура под каждый сценарий. И на нее можно получить грант до 75%. Места ограничены, дедлайн подачи заявок — 20 августа.
«Продуктовая аналитика» — это офлайн-программа (пары по вечерам и в выходные в центре Москвы). Студенты учатся превращать данные в продуктовые решения: находить точки роста, проектировать эксперименты и строить системы метрик — с сильной технической базой в Python, SQL, статистике и A/B-тестировании.
После первого семестра можно выбрать траекторию «Наука о данных» × Авито — обучение на реальных данных компании, лекции от специалистов и аналитиков Авито, фокус на машинном обучении и инструментах индустрии. Лучшие студенты получают возможность стажировки или оффера. К выпуску — портфолио аналитических кейсов для резюме.
Магистратура в ЦУ — это 2 года обучения и диплом государственного образца, которую можно совмещать с работой. Преподают индустриальные эксперты и исследователи. Карьерная поддержка начинается еще во время учебы: консультации, тренировочные собеседования и помощь с трудоустройством. Студенты уже в процессе обучения выходят на новые позиции или повышаются в грейде в Яндексе, Авито, Т-Банке и других компаниях.
🏆Поступление проходит через грантовый конкурс — это одновременно способ попасть на программу и возможность выиграть финансовую поддержку на все время обучения: грант покрывает до 75% стоимости. В 2026 году доступно 550 грантов на все программы магистратуры.
Подробнее о программе и условиях участия в конкурсе — по ссылке
Google Cloud вырос на 82% за год
Выручка облачного подразделения Alphabet достигла $24,8 млрд за квартал. В пересчёте на год это почти $100 млрд. Контрактные обязательства Google Cloud выросли до $514 млрд, превысив прогноз аналитиков в $488 млрд.
Рост всё сильнее связан с ИИ-инфраструктурой: облачными GPU, собственными TPU и доступом к моделям через Vertex AI. Результаты Alphabet стали первой серьёзной проверкой того, окупается ли гонка капитальных затрат на дата-центры. Только в 2026 году крупнейшие технологические компании собираются потратить на инфраструктуру более $700 млрд.
Одним из драйверов Google Cloud, вероятно, стала Anthropic. Компания заказала до миллиона TPU стоимостью в десятки миллиардов долларов, которые должны добавить более 1 ГВт мощности в течение 2026 года. С 2027 года партнёрство с Google и Broadcom расширится ещё на несколько гигаватт вычислений.
Google уже показывает, что огромные расходы на ИИ способны превращаться в реальную облачную выручку. Теперь главный вопрос: хватит ли темпов роста, чтобы оправдать сотни миллиардов новых инвестиций.
🏁До старта обработки миллиарда записей 3… 2… 1… клик
Выбирайте не просто СУБД, а гоночный болид для работы с данными.
ClickHouse® в облаке Selectel — машина, адаптированная под предельные нагрузки и сложные трассы. Отлично работает с векторными типами данных, эффективна в запросах для задач поиска семантического сходства, кластеризации или RAG.
Под капотом — SSD-накопители стандарта NVMe, оперативная память DDR5 и процессоры Intel® Xeon®Gold и AMD EPYC™. Мощное железо для максимальной производительности вашей баз данных.
Пройдемся по базе. Что вас ждет после запуска кластера ClickHouse в облаке Selectel?
⚡Скорость. Кластеры рассчитаны на хранение и быструю обработку даже петабайтов данных и обработку тяжелых аналитических запросов.
⚡Надежность. В Multi-AZ кластерах ноды размещены в разных дата-центрах, чтобы инфраструктура продолжила работу даже при отключении одного из узлов.
⚡Экономичный расход. Может выполнять запросы к данным, хранящимся в S3 в формате Iceberg, без их копирования. Это позволяет сократить расходы более чем в два раза по сравнению с использованием только локальных дисков.
На вас — пилотирование, а обслуживание кластера забирает на себя Selectel.
Ускорьте работу с базами данных в облаке Selectel: https://slc.tl/x3zec
Реклама. АО "Селектел". erid:2W5zFJJ3EKT
SpaceXAI строит ещё один гигантский дата-центр
По данным The Information, компания рассматривает несколько площадок в Техасе. Мощность нового комплекса может составить не менее 1 ГВт, то есть быть сопоставимой или даже превосходить инфраструктуру SpaceXAI в Мемфисе. Среди вариантов: строительство с нуля или переоборудование существующего склада. Компания уже нанимает специалистов по дата-центрам в Остине, Бастропе и Конро.
CEO Supermicro Чарльз Лян также заявил, что компания поможет SpaceXAI запустить «ещё один гигаваттный AI-дата-центр» менее чем за год. Место он не раскрыл.
SpaceXAI ускоренно превращается в полноценного AI-гиперскейлера: собственные модели, вычислительные кластеры, энергетическая инфраструктура, спутниковая связь и в перспективе орбитальные дата-центры. Новый проект в Техасе станет ещё одной заявкой на лидерство в гонке вычислительных мощностей.
http://theinformation.com/articles/spacexai-explores-major-data-center-expansion-texas
Матричная факторизация с планированием на несколько шагов вперед
Исследователи AI VK предложили объединить ALS и Monte Carlo Tree Search.
Обычная матричная факторизация выбирает top-K айтемов по текущей близости эмбеддингов, а новый подход учитывает, как каждая рекомендация изменит профиль пользователя и повлияет на следующие показы.
Процесс представили как RL-среду:
- состояние — эмбеддинг пользователя;
- действие — показ айтема;
- награда — близость к релевантным объектам;
- переход — обновление эмбеддинга по формулам ALS в допущении оптимистичной среды
Эксперименты на MovieLens-1M, KuaiRec, Yambda и VK-LSVD показали прирост относительно статического top-K. На отдельных срезах VK-LSVD Recall@10 вырос ~ в 1,5 раза.
#aivkhub #rl #mcts #als
+5UnMaskFork: несколько диффузионных моделей вместе решают одну задачу
Статья от Sakana UnMaskFork, принятая на ICML 2026, предлагает новый способ масштабирования вычислений во время вывода для маскированных диффузионных языковых моделей.
Обычные LLM генерируют текст последовательно - токен за токеном. Маскированные диффузионные модели начинают с полностью скрытого текста и постепенно восстанавливают его части, причём могут заполнять несколько фрагментов параллельно.
Но привычный подход к test-time scaling - повысить температуру и сгенерировать много разных ответов, для таких моделей работает не слишком эффективно.
UnMaskFork решает проблему иначе:
- несколько диффузионных моделей работают над одним ответом;
- каждая по очереди раскрывает те участки, в которых наиболее уверена;
- промежуточный результат передаётся следующей модели;
- поиск по дереву Монте-Карло выбирает наиболее перспективную последовательность действий.
Разнообразие создаётся не случайностью, а переключением между моделями с разными сильными сторонами.
В экспериментах подход улучшил результаты Dream-Coder на задачах по программированию и показал стабильный рост качества на математических бенчмарках при увеличении вычислений во время вывода.
При этом UnMaskFork:
- не требует дополнительного обучения;
- не меняет внутреннюю архитектуру моделей;
- работает как отдельный алгоритм координации;
- позволяет комбинировать модели, обученные на разных данных и разными методами.
Работа продолжает исследования Sakana AI в области «коллективного разума» моделей - систем, где результат достигается не одной большой LLM, а координацией нескольких разных моделей.
Блог: https://pub.sakana.ai/umf
Статья: https://arxiv.org/abs/2602.04344
#AI #LLM #DiffusionModels #ICML2026 #MachineLearning #SakanaAI
Google уже начала обучение Gemini 4 и это будет не просто очередное обновление
Google DeepMind официально подтвердила запуск предварительного обучения Gemini 4, назвав его самым масштабным pre-training-процессом в истории компании.
Это важный сигнал: речь, вероятно, идёт о новом поколении базовой архитектуры, а не о доработке существующей линейки Gemini 3.x.
Параллельно Google продолжает тестировать Gemini 3.5 Pro с партнёрами и обещает выпустить модель, когда она будет полностью готова. Поэтому предположение, что разработку Gemini 4 начали из-за неудачных результатов 3.5 Pro, пока ничем официально не подтверждено.
Что потенциально может измениться в Gemini 4:
- базовая архитектура и подход к обучению;
- качество рассуждений и программирования;
- эффективность работы с длинным контекстом;
- мультимодальность и агентные возможности;
- соотношение производительности, скорости и стоимости.
Сроки релиза Google пока не раскрывает. Но крупнейший тренировочный запуск уже идёт — значит, следующая большая гонка моделей фактически началась.
#google #gemini #ai #llm #deepmind
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-6-flash-3-5-flash-lite-3-5-flash-cyber/
Repost from Machinelearning
⚡️ Google представила 3 новые модели Gemini
Cемейство Gemini пополнилось моделями 3.6 Flash, 3.5 Flash-Lite и специализированной 3.5 Flash Cyber.
🟡Gemini 3.6 Flash
Модель расходует на 17% меньше выходных токенов, чем предыдущая версия 3.5 Flash. Говорят, что подтянули у неё кодинг и офисные задачи. Стоимость - 1,5 доллара за миллион входных и 7,5 доллара за миллион выходных токенов.🟡Gemini 3.5 Flash-Lite
Ориентирована на массовые и быстрые задачи. Заявленная скорость - 350 токенов в секунду при цене 30 центов за миллион входных токенов.🟡Gemini 3.5 Flash Cyber
Модель, натасканная на поиск и исправления уязвимостей в коде, которая не поступит в открытый доступ - её получат только правительства и доверенные партнёры в рамках ограниченной пилотной программы.Google также сообщила о планах - 3.5 Pro тестируется с партнёрами, а команда уже начала обучение Gemini 4, которое в компании называют самым масштабным на сегодняшний день. Сроки выхода не названы. @ai_machinelearning_big_data #news #ai #ml
+1Китай, похоже, заканчивает эпоху “берите наши open-weight модели и делайте что хотите”
Пекин обсуждает новые экспортные ограничения для AI и чипов. По данным FT/Reuters, Минкоммерции Китая уже консультировалось с Alibaba, ByteDance и Zhipu: как ограничить вывод training data за рубеж и стоит ли дальше разрешать иностранцам скачивать веса самых сильных моделей.
Причина - китайские frontier-модели всё чаще выходят open-weight. После Kimi K3 это стало особенно чувствительно: Moonshot представила 2.8T-модель и заявила, что она приближается к уровню американских frontier-систем.
Когда Китай догонял, открытость была оружием: раздать веса, ускорить adoption, ударить по закрытым западным моделям.
Теперь, когда разрыв с США уменьшился, те же веса выглядят уже не как маркетинг, а как стратегический актив.
И ограничения могут коснуться не только моделей. Обсуждаются меры, которые не дадут зарубежным производителям вроде Qualcomm и TSMC делать продвинутые чипы по дизайнам Huawei, Alibaba и ByteDance. Также возможны ограничения на зарубежные покупки стратегических AI-стартапов, включая agentic AI.
Китай начинает охранять AI так же жёстко, как редкоземы, чипы и другие рычаги технологической власти.
Open-source был стратегией андердога.
Похоже, Пекин уже не считает себя андердогом.
https://www.reuters.com/world/asia-pacific/china-considers-tighter-export-controls-ai-models-chips-ft-reports-2026-07-21/
