![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dl&w=48&q=75){kind=small}
Data Science | Machinelearning [ru]
Відкрити 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
Показати більше![Frontender's notes [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1qrVZ3%2F5348049928330532677%3Fty%3Dx&w=32&q=75){kind=small}
Сітка:📈 Аналітичний огляд Telegram-каналу Data Science | Machinelearning [ru]
Канал Data Science | Machinelearning [ru] (@devsp) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 19 719 підписників, посідаючи 6 640 місце в категорії Технології та додатки та 33 395 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 19 719 підписників.
За останніми даними від 25 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -104, а за останні 24 години на 15, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 7.81%. Протягом перших 24 годин після публікації контент зазвичай збирає 4.84% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 540 переглядів. Протягом першої доби публікація в середньому набирає 955 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 4.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як llm, nvidia, контекст, openai, архитектура.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“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”
Завдяки високій частоті оновлень (останні дані отримано 26 жовтня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.
19 719
Підписники
+1524 години
-217 днів
-10430 днів
Архів дописів
![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dx&w=64&q=75){kind=small}
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
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
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
«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
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
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
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
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
🔋 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.
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
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
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
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
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
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
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
⚡️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!
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
![[Перевод] Как сделать модель, которая умеет думать: дообучение через GRPO DeepSeek наглядно показал: способность рассуждать п](data:image/jpeg;base64,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)
[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
