MadML 🚀

Открыть в Telegram

MadML Talks — это инициатива ML-сообщества Mad Devs, где каждые две недели по четвергам (18:00 по Бишкеку) эксперты из сферы машинного обучения и ИИ делятся своими знаниями и опытом. Ссылка на встречу: meet.google.com/ryk-irww-moz

Больше

Страна не указанаКатегория не указана

281

Подписчики

Нет данных24 часа

+17 дней

+230 дней

209

Просмотры поста

Нет данных24 часа

Нет данных48 часов

74.38%

Коэффициент вовлеченности

Нет данных

Постов в день

Ads index

beta

Загрузка данных...

Похожие каналы

Нет данных

Возникли проблемы? Пожалуйста, обновите страницу или обратитесь к нашему support-менеджеру .

Облако тегов

Нет данных

Возникли проблемы? Пожалуйста, обновите страницу или обратитесь к нашему support-менеджеру .

Входящие и исходящие упоминания

---

Привлечение подписчиков

март '26

в 0 каналах

февраль '26

в 0 каналах

Get PRO

январь '26

+19

в 1 каналах

Get PRO

декабрь '25

+23

в 1 каналах

Get PRO

ноябрь '25

+20

в 1 каналах

Get PRO

октябрь '25

+117

в 3 каналах

Get PRO

сентябрь '25

+113

в 2 каналах

Дата	Привлечение подписчиков	Упоминания	Каналы
29 марта	0
28 марта	0
27 марта	0
26 марта	0
25 марта	0
24 марта	0
23 марта	0
22 марта	+1
21 марта	+1
20 марта	0
19 марта	0
18 марта	0
17 марта	0
16 марта	0
15 марта	0
14 марта	0
13 марта	0
12 марта	0
11 марта	+1
10 марта	0
09 марта	0
08 марта	0
07 марта	0
06 марта	0
05 марта	0
04 марта	0
03 марта	0
02 марта	0
01 марта	0

Посты канала

В конце прошлого года OpenAI анонсировала Apps SDK, а позже открыла возможность регистрации собственных приложений. Что это дает? Теперь вы можете создавать собственные приложения, разворачивая MCP серверы, и регистрировать их в OpenAI и тогда любой пользователь ChatGPT сможет подключать их (или триггерить специальными фразами) и обращаться к вашему серверу. Уже сейчас магазин приложений достаточно широк и вы можете подключить Booking или сервисы Google. Для одного из наших заказчиков мы как раз и занимемся разработкой такого приложения. И в ходе тестирования и дебаггинга сервиса обнаружилось интересное поведение: оказывается, ChatGPT довольно охотно раскрывает конфигурации тулов MCP сервера. Формально, это публичная информация. Но с другой стороны в описании тулов содержатся фактические инструкции для агента, Enum-ы и Literal-ы, промпты и ресурсы. Мне даже удавалось вытаскивать сообщения об ошибках и exceptions в ходе тестирования приложения. При этом, многие приложения не требуют аутентификации и если каким-либо образом удастся узнать адрес MCP сервера (ChatGPT этого, к счастью, не знает), то это откроет простор для различных атак. В целом, ничего не мешает абьюзить сервер из чата, хотя это и может оказаться дороже для самого злоумышленника. На скриншотах выше, например, информация, которую можно узнать о том же приложении Booking. Самое интересное, что OpenAI сами предупреждают об опасностях инъекций для публичных MCP серверов, но ситация все равно сомнительная. Кажется, им нужно дотюнить аллаймент для приложений.

2	+3 Нет текста...	206
3	Материалы встречи 4.12.2025 Спикер: Владислав Попов, Machine Learning Engineer Доклад "TnT-LLM: Text Mining at Scale with Large Language Models" Запись на YouTube: https://youtu.be/FY3VevXMuw8?si=DDKUoKpYielvQyF0 Ссылка на статью, которую обсуждали на встрече: https://arxiv.org/abs/2403.12173v1 Дополнительные материалы: https://docs.boundaryml.com/home	228
4	Материалы встречи 4.12.2025 Спикер: Владислав Попов, Machine Learning Engineer Доклад "TnT-LLM: Text Mining at Scale with Large Language Models" Запись на YouTube: https://youtu.be/FY3VevXMuw8?si=DDKUoKpYielvQyF0 Ссылка на статью, которую обсуждали на встрече: https://arxiv.org/abs/2403.12173v1 Дополнительные материалы: https://docs.boundaryml.com/home	2
5	По техническим причинам звонок переносится в google meet Video call link: https://meet.google.com/ryk-irww-moz	81
6	Начинаем через 5 минут: https://telemost.yandex.ru/j/40564204453826	45
7	TnT-LLM: Text Mining at Scale with Large Language Models Разметка больших текстовых корпусов вручную занимает недели и почти не масштабируется. В этом докладе мы покажем TnT-LLM — фреймворк на базе больших языковых моделей, который автоматически строит иерархии меток и создаёт псевдоразметку. Разберём, как двухэтапный подход (генерация таксономии → разметка текста) позволяет ускорить создание классификаторов и обсудим реальные кейсы применения — от анализа пользовательских намерений до контент-понимания. Доклад будет полезен исследователям и инженерам, работающим с задачами текстового майнинга, кластеризации, автоматической разметки и созданием классификаторов на основе текстов. Спикер Владислав Попов, Machine Learning Engineer Время и дата 4 декабря, четверг, с 18:00 до 19:00 (по Бишкеку) Ссылка на встречу https://telemost.yandex.ru/j/40564204453826	964
8	Материалы встречи 6.11.2025 Спикер: Алина Бурыкина, Machine Learning Engineer, Mad Devs Доклад: Intro to Contrastive Learning: теория, интуиция и современные подходы Запись на YouTube: https://www.youtube.com/watch?v=HCb0VNpjGCM	310
9	Intro to Contrastive Learning: теория, интуиция и современные подходы Контрастивное обучение стало краеугольным камнем современных self-supervised методов в компьютерном зрении и за его пределами. В этом докладе мы разберём ключевые идеи, лежащие в основе подхода — от информационно-теоретических принципов (взаимная информация, InfoNCE) до практических реализаций. Рассмотрим классические методы с отрицательными примерами (SimCLR, MoCo), подходы без негативов (BYOL, SimSiam) и модели, вдохновлённые кластеризацией. Доклад будет интересен инженерам и исследователям, работающим с представлениями данных, self-supervised и foundation-моделями. Спикер Алина Бурыкина, Machine Learning Engineer, Mad Devs Время и дата 6 ноября, четверг, с 18:00 до 19:00 (по Бишкеку) Ссылка на встречу meet.google.com/ryk-irww-moz	1 091
10	Запись доклада доступна по ссылке: https://www.youtube.com/watch?v=0XhFB9OItqw 🚀	556
11	Презентация сегодняшнего доклада	684
12	Через 10 минут начинаем	615
13	Schema-guided reasoning: как заставить LLM быть умнее. В докладе рассмотрим SGR подход, который повышает бизнес-метрики и заставляет ризонить модели не обученные для этого. Возможно, вы уже использовали этот подход, но не знали об этом. Так же рассмотрим плюсы и минусы SGR и посмотрим, как собрать LLM агента без специальных фреймворков практически на чистом OpenAI SDK. Сложность 3/10. Спикер: Александр Брыль, ML инженер Mad Devs. Дата и время: 25 сентября, четверг, в 18:00 (по Бишкеку). Ссылка на встречу: meet.google.com/ryk-irww-moz	1 683
14	А вы замечали, что ЛЛМ могут быть не особо разнообразны в своих генерациях? Все мы знаем, что уже давно принято добавлять синтетические данные для обучения новых моделей. Это дешевле, безопаснее, решает проблему регуляризации и репрезентации (аугментирование данных). Именно с одной из таких проблем мы столкнулись в работе. Нам необходимо было построить модель классификации, которая бы относила пользовательский запрос к одному из 150 классов. Изначально у нас не было хорошей разметки и мы учили модели по косвенным признакам. Со временм мы построили систему сбора данных для новой модели, в которой на пользовательский запрос мы предлагаем топ-3 варианта (предсказанных как раз предыдущей моделью), и пользователь выбирает то, что подходит под его запрос. Обучили новую модель. При анализе датасета выяснилось, что разнообразие пользовательских запросов не так велико и большая часть из них относится к 30 классам, а на остальных новая модель существенно проваливается. В этом моменте как раз пришла мысль сгенерировать тренировочные данные (на самом деле решили начать с генерации репрезентативного бенчмарка, но подход тот же). Для генерации мы взяли крупную ЛЛМ из существующих на данный момент и по-разному промптили ее, чтобы повысить разнообразие: добавляли примеры, с некоторой вероятностью добавляли косвенную информацию по каждому классу, меняли стиль запроса и его длину, вносили ошибки правописания в текст и прочее. На первый взгляд бенчмарк получился хорошим - чисто при визуальной оценке все было похоже на реальные человеческие запросы (хотя заставить генерировать существенные ошибки не удалось), а главное, гарантированная репрезентативность - для каждого класса есть самые разные примеры запросов. Но что там с энтропией? В среднем энтропия сгенерированных запросов в рамках класса при подсчете по лемматизированным токенам оказалась около 5.3, реальных - 8. Т.е. В среднем почти на 3 бита на токен больше. Вроде бы немного, но это 2^5.3 ~ 39 против 2^8 = 256 возможных вариаций на единицу данных. Мы пока не обучали модель на полностью синтетическом датасете, поэтому о реальных метриках ничего не можем сказать. Но очевидно, что текущий подход лучше использовать для обогащения, а не для замены датасета. Мы хотели обучить просто модель классификации, а что если обучать ЛЛМ? Всегда можно улучшить механизмы генерации данных, но при ленивом подходе есть риск выстрелить себе в ногу - повысим репрезентативность, но переобучимся на скудных текстах, не отражающих реальный язык. А если этот цикл не заканчивать и продолжать обучать модели на синтетических текстах, полученных из моделей, обученных на синтетических текстах, то к чему мы придем? Звучит как идея для эксперимента.	488
15	Sonar Embedding Space и Large Concept Model (LCM): от универсального пространства представлений к работе с абстрактными понятиями В этом докладе мы разберём две связанные работы — Sonar Embedding Space и Large Concept Model (LCM). Обе статьи поднимают вопрос: как моделям лучше захватывать и организовывать знания. Sonar предлагает единое встраиваемое пространство, где тексты и другие модальности сопоставляются напрямую. LCM идёт дальше: от языковых паттернов к оперированию более высокоуровневыми концептами. Обсудим, как такие подходы помогают моделям лучше захватывать и структурировать знания. Спикер Алина Бурыкина, Machine Learning Engineer, Mad Devs Время и дата 11 сентября, четверг, с 18:00 до 19:00 (по Бишкеку) Ссылка на встречу meet.google.com/ryk-irww-moz	744
16	Dynamic Chunking: end-to-end иерархическая модель без токенизатора (H-Net) В ходе доклада вы узнаете о Dynamic Chunking — модели, которая сама учится разбивать текст на смысловые куски и строить иерархические представления, обходясь без традиционной токенизации. Покажем, как она обходит BPE на сложных данных вроде китайского текста, кода и ДНК, и почему end-to-end подход даёт лучшие результаты. Спикер Алина Бурыкина, Machine Learning Engineer, Mad Devs Время и дата 28 августа, четверг, с 18:00 до 19:00 (по Бишкеку) Ссылка на встречу meet.google.com/ryk-irww-moz	1 214
17	ATGen: активное обучение для эффективной генерации текста В докладе рассмотрим фреймворк ATGen — современное решение, которое снижает стоимость разметки данных и повышает качество текстовой генерации. Разберём, как он работает, какие стратегии активного обучения существуют, и почему этот подход действительно экономит ресурсы без потери качества. Спикер Денис Деменков, Machine Learning Engineer, Mad Devs Время и дата 14 августа, четверг, с 18:00 до 19:00 (по Бишкеку) Ссылка на встречу meet.google.com/ryk-irww-moz	1 831
18	Начинаем уже через 10 минут! Присоединиться можно по ссылке: https://meet.google.com/ryk-irww-moz	360
19	📹 Записи лекций MadML Talks теперь на YouTube! Если вы пропустили эфир или хотите пересмотреть лекции — теперь они доступны на YouTube-канале Mad Devs! Делимся опытом, разбираем реальные кейсы и говорим о машинном обучении без лишней воды. 🔗 Смотрите по ссылке: https://www.youtube.com/watch?v=PGU48_Z1vrg&list=PLsmdb5W8ytyoEQ2ofWufKnJgUKnNdJN6B Подписывайтесь, чтобы не пропустить новые выпуски!	350
20	Uplift modeling. Uplift-моделирование — это подход, который выходит за рамки стандартных ML-задач классификации. Мы рассмотрим классическую и альтернативную постановки задачи, разберем базовые подходы к решению T-Learner, S-Learner, X-Learner. Спикер Дмитрий Сорока, Data scientist, Head of data в Элдик Банк Время и дата 31 июля, четверг, с 18:00 до 19:00 (по Бишкеку) Ссылка на встречу meet.google.com/ryk-irww-moz	1 557

Посмотреть все записи