Data Flow | AI & Автоматизация | Stas Gasilovskii

🕗 Осталось меньше 4 часов Чёрная пятница подходит к концу, и уже 1 декабря стоимость курса ИИ агенты и автоматизация с n8n будет повышена. Коммьюнити вокруг этого курса растет невероятным темпами: сейчас уже более 800 студентов осваивают навык автоматизации вместе с нами. Наблюдать результаты студентов - отдельный вид удовольствия. Уже спустя месяц ребята с нуля собирают крупные автоматизации, такие как: - Интеграции с CRM и умные чатботы, которые автоматизируют общение с клиентами - Контент-заводы, которые берут на себя создание и публикацию контента в соцсетях - RAG системы, которые отвечают на вопросы с использованием своей базы документов И это лишь малая часть. О кейсах еще обязательно расскажу, но чуть позже. Сейчас хочу лишь сказать - если вы планировали освоить создание агентов и автоматизаций, то лучшее время начать - сейчас. На следующей неделе уже соберете свою первую автоматизацию, а до конца месяца - сможете решить реальную рабочую задачу, ради которой пришли на курс. Самое крутое, что бонусом вы получаете доступ к серверу n8n с Enterprise-подпиской (оригинальная стоимость примерно 700 000 рублей). Не нужно будет возиться с настройкой окружения - с первых же уроков можно творить. Плюс все студенты получают бесплатные токены на gpt, так что сразу можно эксперементировать с ИИ агентами. И кстати, скидка уже автоматически применена на странице курса😉 Успевай!

Друзья развернули Enterprise лицензию n8n на своём сервере и дают бесплатный доступ. Если хочется быстро собрать какую-нибудь автоматизацию под свои задачи и не заморачиваться пока с селфхостингом - welcome. Говорят, что доступы пока ещё есть в наличии. Сам тоже пользуюсь, кайфово 👍

Теперь и ChatGPT стал амбассадором нашего курса. Приятно) 👩‍💻 Data Flow

🧰 Как уже сегодня собрать своего первого ИИ-ассистента? #MLSTART Если не хочется сразу погружаться в код, но хочется что-то сделать руками - тебе подойдут no-code инструменты. С их помощью можно собрать работающего LLM-агента буквально за вечер. Вот пара сервисов, которые точно заслуживают твоего внимания 👇 - Flowise - визуальный конструктор LLM-агентов. Можно соединять модели, промпты, базы данных и API прямо в браузере. Отличный способ понять логику пайплайнов без кода и собрать своего первого агента уже этим вечером. - n8n - мощный инструмент для автоматизации. С его помощью можно, например, сделать цепочку: Telegram-бот → LLM → Google Sheets → Telegram-бот = и всё это без единой строчки кода (бесплатный доступ к Enterprise-серверу n8n можно получить здесь). А если захочется углубиться - обрати внимание на LangChain и LangGraph. Это уже code-фреймворки, но они лежат в основе большинства LLM-продуктов, и понимание их логики сильно прокачивает. ⚡️ No-code инструменты - отличный способ быстро собрать свой первый прототип и "пощупать", как это всё работает "вживую". 👩‍💻 Data Flow

💬 Сила комьюнити #MLSTART Когда начинаешь изучать ML и LLM, легко почувствовать себя в вакууме - вокруг куча инфы, но непонятно, куда двигаться дальше и с кем обсудить вопросы. Вот тут как раз и выручает комьюнити. 🦜 ODS.ai - отличное русскоязычное сообщество. Там проходят соревнования, курсы, митапы, а главное - всегда можно задать вопрос и получить ответ от практиков. Многие ребята, кто сейчас работают в топовых ML-командах, когда-то начинали именно там. 💬 Вот еще пара сообществ, где можно задать вопросы, обсудить идеи и найти единомышленников: - Natural Language Processing - большое русскоязычное NLP-сообщество. Там обсуждают всё: от обучения моделей до построение пайплайнов и продакшн-задач. - LLM under the hood - авторский канал про продукты на базе LLM. Автор делится продакшн-кейсами и идеями вроде SGR-подхода (Schema-Guided Reasoning) для повышения точности работы агентов. Есть также чат, где ребята активно обсуждают свои проекты и делятся опытом. 💡 Если ты только начинаешь - обязательно подключайся к таким сообществам. 👩‍💻 Data Flow

🤗 Hugging Face - кладезь моделей #MLSTART Если Groq и OpenRouter - это площадки, где можно протестировать модели, то Hugging Face - это уже целая экосистема. Там собрано всё: модели, датасеты, пайплайны, демки и даже туториалы по обучению. 💫 Самое крутое - Hugging Face можно рассматривать как GitHub для ML. Каждый разработчик может выложить туда свою модель, а ты - взять, протестировать или дообучить под свою задачу. Например, у ребят из Vikhrmodels есть несколько отличных русскоязычных моделей. Я сам использовал Vikhr-Nemo-12B-Instruct-R-21-09-24 - она довольно уверенно справляется с задачами на русском языке. Правда, она может быть тяжеловата для обычного ПК, так что может понадобиться квантизация. Из других опенсорсных вариантов неплохо себя показывает Qwen - неплохое качество генерации, есть "легкие" версии, так что можно позапускать у себя на компьютере. Кстати, для локального запуска LLM сразу с интерфейсом чата существует множество сервисов. Мой фаворит - LM Studio. ⚡️ Если хочешь поэкспериментировать с локальными моделями или попробовать свои силы в fine-tuning - welcome to Hugging Face! 👩‍💻 Data Flow

⚙️ Поиграться с моделями: Groq, OpenRouter и другие #MLSTART Когда начинаешь разбираться, как работают LLM, сразу хочется попробовать всё это в деле - “пощупать” модели своими руками, сравнить качество генерации, посмотреть как те или иные параметры влияют на ответ LLM. Сейчас для этого есть куча удобных площадок и API, где можно тестировать разные модели, не поднимая инфраструктуру. Вот несколько сервисов 👇 - Groq — классный сервис, но требует VPN. Можно запускать open-source модели бесплатно, лимитов хватает, чтобы спокойно поиграться и потестить идеи. - OpenRouter - альтернатива без VPN. Там тоже есть бесплатные модели (лимитов чуть меньше), но интерфейс удобный, и можно быстро сравнивать разные LLM. - Replicate и Together.ai - больше про продакшн и эксперименты. Эти сервисы платные, требуют зарубежную карту, но у них огромный “зоопарк” моделей, не только LLM: есть модели для изображений, аудио и видео 💡 Такие инструменты полезны, чтобы быстро проверить гипотезу, понять, как модель реагирует на разные промпты, и не тратить время на развёртывание локальной среды. Если хочешь хочется поскорее потестить разные LLM-модельки - эти playground-площадки отличное место, чтобы начать. 👩‍💻 Data Flow

🤯 Как работают LLM под капотом #MLSTART Когда впервые сталкиваешься с большими языковыми моделями, кажется, что внутри какая-то магия. 🪄 Но на деле всё куда проще (и интереснее). Если очень упростить, то можно сказать, что LLM - просто предсказывает следующий символ или слово. Она “смотрит” на контекст, оценивает вероятности всех возможных продолжений и выбирает наиболее подходящее. То есть, в основе - обычная многоклассовая классификация, только на гигантском масштабе. 🎞 Чтобы наглядно это увидеть, есть два шикарных ресурса: - 3Blue1Brown - визуально объясняет, как работают нейронные сети. После его видео многие вещи становятся буквально очевидными. - Андрей Карпатый - бывший разработчик OpenAI, разбирает, как собрать GPT с нуля. Без лишней воды, очень системно. Он шаг за шагом показывает, как строится языковая модель и почему она делает то, что делает. 💬 Эти два плейлиста реально помогают сложить в голове пазл: от нейронок - к трансформерам, а от них - к пониманию LLM. 👩‍💻 Data Flow

🧠 От классики к нейросетям #MLSTART Когда появляется базовое понимание концепций машинного обучения, хочется всё систематизировать: какие вообще бывают задачи, какие под них модели использовать, и как это всё связано между собой. 🔹 На старте стоит разобраться с основными типами задач: - Классификация - когда нужно определить категорию (например, спам / не спам). - Регрессия - когда предсказываем числовое значение (например, цену квартиры). - Кластеризация - когда данных много, но нет меток, и данные нужно как-то группировать. 🔹 Затем логично перейти к ключевым моделям: линейные, деревья, ансамбли. Тут важно не просто “знать названия”, а понимать, в каких случаях каждая из них лучше всего работает, как обучается, какие данные принимает на вход, а также какие сильные и слабые стороны имеет. 📈 Когда этот этап пройден - можно спокойно двигаться к нейронным сетям. Тут начинается самое интересное: как строится сеть, как она обучается, какие бывают архитектуры, и почему трансформеры стали так популярны. 💡 На самом деле нейронки — это не “что-то отдельное”, а просто логичное продолжение базовых алгоритмов машинного обучения. Такой постепенный переход - от классики к современным архитектурам - помогает не потеряться и осознанно подойти к следующей теме: LLM (Большие языковые модели). 👩‍💻 Data Flow

🤓 Математика под капотом #MLSTART Многие стараются сразу перейти к моделям и кодингу, но в какой-то момент всё равно упираешься в то, что без математики дальше не продвинешься. Не обязательно уходить в теорию с головой, но понимать, почему что-то работает - важно. Понимание принципов работы ML-алгоритмов поможет тебе точечно подбирать нужные инструменты под задачу, а не "стрелять из пушки по воробьям". 📖 Освежить теорию мне лично помогает воркбук от Яндекса. Это аккуратный, структурный разбор базовых концепций машинного обучения. Типы задач и моделей, обучение и переобучение, регуляризация, метрики и фукнции потерь - все есть. 🎓 Если захочется копнуть глубже - есть курс “Математические основы машинного обучения” от Воронцова (МФТИ): там еще больше линейной алгебры, теории вероятностей, оптимизации - одним слово, база. Очень много математики, но если разобраться и понять, то можно натренировать сильную интуицию, которая пригодиться в решении ML-задач. 👩‍💻 Data Flow

🔑 Kaggle - лучший тренажёр для ML #MLSTART Когда немного освоился с базой, самое время переходить к практике. И вот тут Kaggle - просто золото. Это площадка, где можно решать реальные задачи машинного обучения. Там куча соревнований, от простых до продвинутых, плюс огромное количество открытых ноутбуков, где можно подсмотреть, как думают другие. 🥇 Kaggle поможет тебе прокачать навыки, связанные с - выбором подхода к задаче, - анализом и предобработкой данных, - выбором метрик, - подбором и улучшением моделей. Над задачами можно работать не только в одиночку, но и в команде - такой опыт прокачает тебе еще сильнее 💪 Команду можно найти в тематических чатах (например, тут). Чтобы быстрее выбиться в топ на leaderboard, рекомендую пройти курс по соревновательному Data Science - тут максимальный фокус на практику и подходы, которые работают. Кстати, живые хакатоны тоже тема. Крупные компании, некоммерческие организации и даже правительство регулярно устраивают хакатоны и дают актуальные ML задачки из своей практики. Иногда, если круто показать себя на таком хакатоне, то можно не только деньги, но и оффер получить 😉 Как их найти? -> Просто подпишись на крупные ML-паблики в телеге + гугли. Все в открытом доступе! 💡 Если не хочется сразу врываться в соревнования - просто скачай датасеты и попробуй решить что-то самостоятельно. Это тоже отличная практика. С Kaggle можно начать собирать первые проекты для портфолио, а вместе с этим - повышать уверенность в своих силах ↗️ 👩‍💻 Data Flow

🚀 С чего начать путь в ML #MLSTART Когда только начинаешь разбираться в машинке, самое сложное - не утонуть в количестве курсов и туториалов. Я сам через это проходил. В итоге понял, что лучше всего заходит один хороший, системный курс, где теория и практика идут рядом. 🎓 Курс Юрия Кашницкого - mlcourse.ai - это классика. Мне он очень помог. Там спокойно и по делу объясняются базовые вещи: от регрессии и классификации до бустингов и ансамблей. Есть домашки — они помогают лучше разобраться в теме и закрепить материал. Плюс материалы есть на русском и на английском (на Хабре и на YouTube), так что кому интересно - можно сразу на английском проходить. Иногда пересматриваю перед собесами — помогает освежить знания. 💡 И ещё совет: загляни на ODS.ai Это известное ML-коммьюнити, где проходят курсы, челленджи и просто можно познакомиться с ребятами, кто тоже учится. Так через совместную работу над проектами в ходе онлайн-курсов ты сможешь обрести полезные связи и влиться в сообщество. 💬 В общем, если только начинаешь, лучше не распыляться - возьми что-то одно, пройди до конца, сделай домашки и смело задавай вопросы в сообществе. С этим уже можно уверенно идти дальше. P.S. Если знаешь еще крутые курсы и материалы, полезные на старте - делись в комментариях! 👩‍💻 Data Flow

🚀 Гид в мир ML. Скоро выложу серию постов о том, как стартовать в Machine Learning. Такой "базовый минимум", самостоятельно начав с которого можно заложить базу. Roadmap не претендует на то, чтобы быть исчерпывающим. Его цель скорее состоит в том, чтобы сузить огромное пространство материалов и информации, до эффективного минимума, эссенции. Вектор будет чуть больше смещен в сторону работы с большими языковыми моделями - LLM. Гид может быть полезен, если хочется начать работать с GPT-моделями / агентами, но при этом понимать, что вообще происходит под капотом. И также, если вы просто решили немного приоткрыть для себя машинное обучение. Все ссылки на посты будут появляться здесь по мере публикации.

📚 Практическое руководство по созданию интеллектуальных систем Энтузиаст Александр Овчаренко (pridees) перевел на русский язык книгу Антонио Гулли "Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems". Что это за книга? Фундаментальное руководство по проектированию агентных AI-систем — 424 страницы практических знаний о том, как создавать интеллектуальных агентов, которые работают вместе для решения сложных задач. 📖 Структура перевода: - 21 основная глава + 7 приложений - 4 части: от базовых паттернов до продвинутых техник - Охватывает LangChain, CrewAI, RAG, MCP и другие современные технологии 🧑‍💻 Перевод здесь 🔥 Ключевые темы: • Цепочки промптов и маршрутизация • Многоагентное сотрудничество • Управление памятью и планирование • Техники рассуждения и безопасность • Человек в контуре и извлечение знаний 👩‍💻 Data Flow Вы изучаете агентные системы? 💯 - да, активно ⚡️ - пока только планирую

🤖📊 WrenAI - open-source BI-агент GenBI (Generative BI) - система для работы с базами данных на естественном языке. Пишешь вопрос обычными словами → получаешь точный SQL, графики и готовые бизнес-отчеты. Что умеет: • Поддерживает 11 типов БД (BigQuery, PostgreSQL, MySQL и др.) • Работает с любыми LLM-моделями (OpenAI, Claude, Gemini, локальные) • Есть API для встраивания в свои приложения Особенности: Можно развернуть локально за 3 минуты или использовать облачную версию. Лицензия AGPL-3.0, активное сообщество в Discord на 1,3k+ разработчиков. 🧑‍💻 GitHub 👩‍💻 Data Flow

Ты знаешь, кому это отправить 🎰💻 👩‍💻 Data Flow

🎵 ИИ-композиции вызывают более яркие эмоции, чем музыка, написанная человеком Исследователи из Автономного университета Барселоны обнаружили неожиданный факт: ИИ-музыка может воздействовать на слушателей сильнее, чем произведения, созданные людьми. Основные выводы исследования: 🔹 Эмоциональное воздействие ИИ-композиций на слушателей оказалось более интенсивным 🔹 Слушатели не могли различить кем была создана музыка: человеком или ИИ 🔹 Алгоритмы научились создавать мелодии, которые более точно попадают в эмоциональные триггеры Почему так происходит? Исследователи предполагают, что ИИ анализирует огромные массивы музыкальных данных и выявляет паттерны, которые максимально эффективно воздействуют на человеческую психику. В отличие от композиторов, которые полагаются на интуицию и опыт, алгоритмы оптимизируются именно под эмоциональный отклик. 👩‍💻 Data Flow

🔍 Универсальная нейросеть для табличных данных Лаборатория Yandex Research представила архитектуру TabM для работы с табличными данными. Разработка превзошла классические модели машинного обучения. 🎯 Что особенного в TabM? 1️⃣ Универсальность: На 46 наборах данных модель заняла в среднем 1,7 место (между первым и вторым). Ближайший конкурент занял 2,9 место (почти третье). 2️⃣ Простота применения: Не требует глубокой донастройки под каждый новый набор данных, в отличие от специализированных решений. 3️⃣ Эффективность: Конкурирует по качеству с лучшими моделями градиентного бустинга (CatBoost, XGBoost). 💊 Где уже используется? На платформе Kaggle TabM применяли для предсказания выживаемости пациентов после трансплантации костного мозга. Модель анализировала данные аналогичных случаев и делала прогнозы для новых пациентов. 🔬 Научное признание Работа была представлена на конференции ICLR и выложена в открытый доступ на GitHub. С 2019 года исследователи Yandex Research опубликовали 8 статей по табличным данным, набравших более 1900 цитирований. 👩‍💻 Data Flow 🚀 Если уже успели потестить архитектуру, пишите в комментариях ваши впечатления.

🧠 Почему мы «не видим» вещи у себя под носом Исследователи из Еврейского университета в Иерусалиме объяснили, почему люди иногда не замечают предметы на самом видном месте - например, ключи на тумбочке или очки рядом с лампой. 🔬 Что показал эксперимент: Участникам показывали визуальные объекты на мониторе, затем измеряли временную нейронную динамику внимания при наблюдении за одним или несколькими предметами одновременно. ⚡️Ключевые открытия: 🔹 Внимание работает дискретно, а не непрерывно - мозг делает «снимки» разных областей, быстро переключаясь между ними 🔹 При фокусе на одном объекте - точность распознавания колеблется с частотой 8 герц (8 раз в секунду) 🔹 При отслеживании двух объектов - частота падает до 4 герц 🔹 При трех объектах - снижается до 2,6 герца 🧩 Почему это происходит: Когда несколько объектов требуют внимания одновременно, популяции нейронов конкурируют в областях мозга, обрабатывающих зрительные сигналы. Мозг не выполняет задачи одновременно, а переключается между ними, неосознанно «упуская» некоторые вещи из виду. Это также объясняет, почему многозадачность дается человеку с трудом - иллюзия непрерывности внимания создается за счет очень быстрых переключений фокуса. Значит, «рассеянность» - это не недостаток характера, а физиологический механизм работы нашего мозга! 🤯 👩‍💻 Data Flow

🔬 Искусственный интеллект раскрыл новые законы физики в пыльной плазме Исследователи из Университета Эмори с помощью нейросети обнаружили неожиданные физические закономерности в системе «пыльной плазмы» — газе с заряженными пылевыми частицами. Это стало возможно благодаря новой AI-модели и лабораторным экспериментам. Что удалось выяснить? ✅ Нейросеть описала сложные несимметричные силы между частицами, с точностью более 99%, что ранее было невозможно. ✅ Выяснилось, что традиционные теории, например, о пропорциональности заряда частиц их радиусу, содержат ошибки. ✅ Новая модель корректно учитывает симметрии системы и движение частиц в 3D-пространстве. Почему это важно? Эти закономерности могут быть применены к другим сложным системам, где присутствует коллективное взаимодействие частиц — от материалов, вроде красок и чернил, до биологических систем. Например, исследования коллективного поведения клеток могут помочь понять, как рак становится метастатическим.

«Мы показали, что с помощью AI можно обнаруживать новые законы физики», — заявляет Джастин Бертон, один из ведущих авторов исследования.

👩‍💻 Data Flow Как вы относитесь к участию AI в фундаментальных открытиях? 🔥 - Захватывает! 🤔 - Сомневаюсь в его надежности...