Анализ данных (Data analysis)
Відкрити в Telegram
Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp
Показати більше
Сітка:📈 Аналітичний огляд Telegram-каналу Анализ данных (Data analysis)
Канал Анализ данных (Data analysis) (@data_analysis_ml) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 51 848 підписників, посідаючи 2 576 місце в категорії Технології та додатки та 11 866 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 51 848 підписників.
За останніми даними від 26 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 1 191, а за останні 24 години на 9, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 9.29%. Протягом перших 24 годин після публікації контент зазвичай збирає 6.79% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 4 816 переглядів. Протягом першої доби публікація в середньому набирає 3 519 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 230.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як llm, контекст, openai, архитектура, deepseek.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“Data science, наука о данных.
@haarrp - админ
РКН: clck.ru/3FmyAp”
Завдяки високій частоті оновлень (останні дані отримано 27 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.
51 848
Підписники
+924 години
+2977 днів
+1 19130 днів
Архів дописів
+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
