uk
Feedback
Data Secrets

Data Secrets

Відкрити в Telegram

Главный по машинному обучению Сотрудничество: @veron_28 РКН: clck.ru/3FY3GN

Показати більше

📈 Аналітичний огляд Telegram-каналу Data Secrets

Канал Data Secrets (@data_secrets) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 90 726 підписників, посідаючи 1 408 місце в категорії Технології та додатки та 6 190 місце у регіоні Росія.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 90 726 підписників.

За останніми даними від 26 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 506, а за останні 24 години на 25, загальне охоплення залишається високим.

  • Статус верифікації: Верифікований (Офіційно підтверджено Telegram)
  • Рівень залученості (ER): Середній показник залученості аудиторії становить 26.08%. Протягом перших 24 годин після публікації контент зазвичай збирає 18.53% реакцій від загальної кількості підписників.
  • Охоплення публікацій: В середньому кожен допис отримує 23 655 переглядів. Протягом першої доби публікація в середньому набирає 16 809 переглядів.
  • Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 311.
  • Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як claude, openai, контекст, стартап, llm.

📝 Опис та контентна політика

Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
Главный по машинному обучению Сотрудничество: @veron_28 РКН: clck.ru/3FY3GN

Завдяки високій частоті оновлень (останні дані отримано 27 червня, 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.

90 726
Підписники
+2524 години
+1697 днів
+50630 день
Архів дописів
Денис из комьюнити @its_capitan запустил собственную детективную игру в одиночку: каждый персонаж — это реальный Telegram-аккаунт, AI отвечает за героев, улики (сайты, карты) — всё настоящее. Что в итоге: 🔘 3 месяца на подготовку + 3 месяца на разработку 🔘 40+ покупок за полтора месяца 🔘 выручка — $1500+ 🔘 чек — $40 🔘 стек: Python, Telegram API, OpenAI + Anthropic Без команды и инвестиций, но с классной идеей и проработанным сценарием — проект уже зарабатывает деньги. Таких запусков в канале десятки. Ребята честно рассказывают про успехи, провалы и продвижение. Без теорий — только фактические цифры и запуск в реальном времени. ➡️ @its_capitan Подписывайтесь, если интересно, как делать маленькие IT-проекты с доходом и без иллюзий.

Google назвали свое новое здание в Лондоне «Platform 37» – в честь 37 хода AlphaGo в партии против Ли Седоля Напоминаем, что победе ИИ над Седолем на днях исполнилось ровно 10 лет Скоро в здании, кстати, откроется The AI Exchange – общественное пространство, где будут проходить бесплатные открытые мероприятия, лекции и выставки, посвященные ИИ

Nvidia инвестирует 2 миллиарда в Nebius Group – бывшую Yandex N.V. Компании объявили о стратегическом партнерстве для развити
Nvidia инвестирует 2 миллиарда в Nebius Group – бывшую Yandex N.V. Компании объявили о стратегическом партнерстве для развития облачных решений для ИИ. В рамках соглашения к 2030 году Nebius развернет более 5 ГВт мощностей дата-центров на чипах Nvidia и получит ранний доступ к новым архитектурам Nvidia, типа Rubin, Vera и BlueField. Дженсен Хуанг говорит, что Волож строит ИИ-облако для «эпохи агентов»: полностью интегрированное от чипов до софта. После анонса акции Nebius выросли уже на 15%.

У Perplexity вышло что-то интересное: постоянно активная локальная AI-система под названием Personal Computer Personal Computer работает на базе Mac mini, который выступает в роли прокси для Perplexity Computer (эта штука вышла пару недель назад). То есть система интегрирует Perplexity Computer с просторно включенной локальной средой: AI может перемещаться между инструментами, выполнять задачи автономно и продолжать работу без пользователя. При этом она доступна удаленно с любого устройства, поддерживает постоянную память и всевозможные коннекторы. Этакий OpenClaw, который имеет доступ к вашим локальным файлам и проектам. Пока что запущен waitlist www.perplexity.ai/ja/hub/blog/everything-is-computer

На днях ровно 10 лет исполнилось знаменитому 37 ходу, с помощью которого AlphaGo обыграл Ли Седоля В 2016 году с 9 по 15 март
На днях ровно 10 лет исполнилось знаменитому 37 ходу, с помощью которого AlphaGo обыграл Ли Седоля В 2016 году с 9 по 15 марта в Сеуле проходил матч по Go между системой DeepMind AlphaGo и Ли Седолем – на тот момент 18-кратным чемпионом мира. Он закончился со счетом 4:1 в пользу искусственного интеллекта. Особенно всем тогда запомнилась вторая партия, которая проходила 10 марта: в ходе нее AlphaGo, играя белыми, на 37-м ходу сделала крайне нестандартный ход, который эксперты сначала даже сочли ошибкой. Но в итоге он перевернул ход партии, и Седоль сдался на 211 шаге. Этот легендарный "37 ход" вошел в историю как символ ИИ-креативности и победы стратегического "мышления" машины над человеком. По случаю 10-летия DeepMind и Демис Хассабис даже выпустили рестроспективную статью. Пишут, что именно AlphaGo и 37 ход показали потенциал подобных моделей и вдохновили ученых дальше развивать линейку, в которую вошли AlphaZero/AlphaFold/AlphaProof и тд. Ведь если ИИ смог разбираться в чудовищном пространстве состояний в Go, его можно пустить и на реальные научные задачи со сходной комбинаторной сложностью. В итоге, спустя 10 лет: – Прямой наследник архитектуры AlphaGo – AlphaProof – в связке с AlphaGeometry 2 выходят на уровень серебра на Международной математической олимпиаде. – За AlphaFold 2 дают нобелевку, и модель предсказывают структуры всех ~200 млн известных белков. – Gemini Deep Think (тоже вдохновленный структурой поиска из архитектуры AlphaGo) берет золото на IMO 2025 и решает открытые математические задачи Эрдеша.
Сегодня прорыв 37 хода продолжает определять нашу работу по созданию AGI. Мы верим, что AGI станет самой значимой технологией, когда-либо изобретенной, и, возможно, высшим инструментом для ускорения прогресса в науке, медицине и производстве.
Кстати, про AlphaGo есть документалка. Самое время ее посмотреть: https://youtu.be/WXuK6gekU1Y

Мем дня: Cloudflare, которые годами защищали сайты от ботов-парсеров, выпустили парсер Они анонсировали эндпоинт /crawl для B
Мем дня: Cloudflare, которые годами защищали сайты от ботов-парсеров, выпустили парсер Они анонсировали эндпоинт /crawl для Browser Rendering, который позволяет сканировать и извлекать контент целого сайта одним API-запросом. Он предназначен для «RAG пайплайнов, обучения AI, мониторинга и исследований». Ирония в том, что Cloudflare – абсолютный лидер как раз в защите сайтов от нежелательных краулеров и ботов, которые собирают данные для обучения ИИ. В свое оправдание они замечают, что их бот (в отличие от всех остальных злюк-ботов) будет вести себя хорошо: уважать правила сайта и robots.txt 😇

Вайб-парадокс: ИИ ускоряет кодинг, но не релизы ИИ уже стал обычным инструментом для кодеров, но его реальное влияние на рабо
Вайб-парадокс: ИИ ускоряет кодинг, но не релизы ИИ уже стал обычным инструментом для кодеров, но его реальное влияние на рабочие процессы оказалось оценить сложнее, чем мы думали. Т-Технологии выпустили занятное исследование AI4SDLC Research 2025, в котором попытались выяснить, что реально происходит с внутрянкой разработки на данный момент. TL;DR: ➖ 58% инженеров регулярно используют ИИ для генерации или автодополнения кода, а 64% отмечают рост продуктивности. То есть написание кода действительно ускорилось. ➖ Но при этом доверяют сгенерированному коду только 11% разработчиков, а 49% прямо говорят, что не доверяют ему. В итоге команды продолжают тратить недели или месяцы на путь от commit до production. ➖ Самое любопытное, что bottleneck просто сместился. Если раньше основной затык был именно в написании кода, то теперь кодинг ускорился, а узкое место находится дальше в пайплайне – в проверках, интеграции и релизах. Наглядно: если для кодинга ИИ используют 58% инженеров, то к code review или оптимизации его пускают только 24%, а 42% вообще никогда не используют ИИ в работе с легаси. По сути, классический эффект автоматизации: один этап ускоряется, но система вокруг него не успевает адаптироваться. А это значит, что следующий скачок произойдет не тогда, когда ИИ научиться писать код еще лучше, а тогда, когда агенты смогут надежно закрывать весь цикл от идеи до продакшена. Вся методология и другие интересные выводы -> здесь: ai4sdlc-research.space/ai-research-2025

Вайбкодинг пошел не по плану: в Amazon инженерам устроили разбор полетов после серии крупных сбоев В начале марта в компании зафиксировали несколько инцидентов уровня Sev‑1 (максимальный уровень серьезности), причем четыре из них пришлись на одну неделю. Сначала примерно на 6 часов легли сайт и шоппинг сервис, потом 13 часов не работал счетчик цен, потом не работал фронт и тд. В официальных документах в числе причин прямо указано «novel GenAI usage». Например, счетчик цен (для AWS, по крайней мере) не работал конкретно из-за того, что ИИ-ассистент Kiro решил пофиксить мелкий баг, удалив все текущее окружение и пересоздав его с нуля. Без человеческого фактора не обошлось, конечно: обычно действия агентов должны подтверждать двое инженеров, но тут из-за расширенных прав хватило одного, да и тот зазевался. Короче, по итогам всего этого в Amazon собрали крупную внутреннюю встречу инженеров под кодовым названием «Любишь вайбкодить – люби и выговоры от начальства получать». На ней провели deep dive по сбоям и обсудили новые меры безопасности. По итогам встречи в Amazon пришли к гениальной и совсем не очевидной любому ежу мысли: видимо, в критических компонентах базы ревьюить сгенерированный код должны опытные разработчики, а перед деплоем AI-кода его все таки должны проверить еще раз ☝️

Meta* купила Moltbook – ту самую вирусную соцсеть для AI агентов Помните, в конце января в Интернете хайповала Reddit‑подобна
Meta* купила Moltbook – ту самую вирусную соцсеть для AI агентов Помните, в конце января в Интернете хайповала Reddit‑подобная соцсеть, в которой общались не люди, а агенты? В основе своей это были агенты на базе OpenClaw: они постили, голосовали, комментировали и тд. Рост популярности был тогда взрывной, на пике было около 3 миллионов зарегистрированных агентов. Сейчас волна хайпа спала, но Цукерберг решил, что Moltbook зачем-то ему нужен. В основном, вероятно, дело в самой технологии always‑on directory, то есть постоянно работающий каталог агентов, через который их можно находить и подключать к задачам. Финансовые условия сделки не раскрываются, но известно, что основатели соцсети Matt Schlicht и Ben Parr переходят в Meta Superintelligence Labs. Напоминаем, что ранее Цукерберг также охотился и за самим OpenClaw, но OpenAI оказались быстрее. Ну хотя бы с Moltbook повезло 🔵

Мультиагентность – про реальную эффективность или про понты? Недавно вот тут прочитали обзор Серёжи из Яндекса на новую статью Anthropic про мультиагентность. Собственно, в этом обзоре затронуты две важные темы: 1. Вопрос эффективности мультиагентных систем относительно цены (они могут съедать в 3–10 раз больше токенов, а выхлопа часто как от одного простого агента). 2. Вопрос разумности их применения. Не превращаемся ли мы из инженеров в охотников за хайпом, когда пытаемся впихнуть рой агентов туда, где не понимаем, зачем оно надо? Конечно, есть ситуации, когда много агентов действительно в кассу, в посте они перечислены. Но на практике часто выясняется, что основной bottleneck вообще не там и вездесущая мультиагентность – это лишь стадия индустрии. Да, мы пока только учимся работать с LLM как с системой, и поэтому естественная реакция – добавлять новые уровни сложности. Но если серьезно собираетесь идти в эти дебри, то хотя бы подумайте: (а) зачем оно вам, и будет ли игра стоить свеч: будет ли в вашем продукте такая система реально работать лучше или просто начнет громче говорить сама с собой и кушать токены? (б) как именно вы организуете архитектуру: сейчас принято делить агентов по ролям, но может ВАМ больше подойдет – по контексту, как предлагают Anthropic. И давайте помнить, что хороший инжиниринг– это все таки про бережливость и рационализм, а не про тренды.

Стартап Яна Лекуна вышел из стелса и закрыл первый раунд финансирования на 1 миллиард долларов Если быть точным, они привлекл
Стартап Яна Лекуна вышел из стелса и закрыл первый раунд финансирования на 1 миллиард долларов Если быть точным, они привлекли даже чуть больше: 1.03 миллиарда. Пре-оценка стоимости при этом оказалась где-то в районе 3.5 миллиардов (напоминаем, что стартапу меньше трех месяцев и продуктами там еще и не пахнет). В Лекуна вложились Cathay Innovation, Greycroft, Hiro Capital, HV Capital, а еще Джеф Безос. Для seed раунда цифры, конечно, ошеломительные. Возможно, это даже новый рекорд для европейской компании. Также стал известен официальный список ко-фаундеров⬆️ Что ж, теперь ждем, кто выпустит хоть что-нибудь раньше: Лекун или Суцкевер

Как работают рекомендательные системы в огромных сервисах 11 марта в 19:00 Школа Высшей Математики проводит очень крутой (и а
Как работают рекомендательные системы в огромных сервисах 11 марта в 19:00 Школа Высшей Математики проводит очень крутой (и абсолютно бесплатный!) вокршоп по рексис. Вы узнаете: – Как рекомендательные и поисковые системы работают в реальных продуктах – Какие ML-архитектуры, метрики и подходы используются на каждом этапе – Как учитываются бизнес-требования и ограничения реальных систем Все это продемонтрируют на живых примерах из e-commerce, стриминга и соцсетей. То есть вы разберете настоящие кейсы, увидите именно те подходы, которые действительно работают в огромных сервисах, и посмотрите на практические детали их реализации и оптимизации. Вести воркшоп будет Осиновсков Илья – Руководитель отдела Рекомендательных технологий в Ozon. Мастхэв для инженеров и всех видов DS-спецов. Не пропускайте и регистрируйтесь здесь

Новый агент для Code Review от Anthropic Стартап выкатил новую фичу для Claude Code: многоагентный инструмент для ревью кода. Он интегрируется с GitHub и анализирует PR, оставляя комментарии прямо в диффе + один сводный комментарий с основными находками. При этом над PR организованно работают сразу несколько параллельных агентов, которые смотрят на изменения с разных сторон. Несколько месяцев Anthropic тестировали систему в собственных проектах. Результаты: – Доля PR с содержательными ревью комментариями выросла с 16% до 54%. – Меньше 1% результатов ревью отмечены инженерами как неверные. – В крупных PR (~1000 строк) бот находил хотя бы одну проблему в 84% случаев, а в среднем по 7.5 на PR. Короче, все круто. Вот только цена за один PR будет примерно в районе 15-25 долларов 🤑 Мягко говоря, немало. Есть ощущение, что больше всего инструмент подходит как раз для крупных PR (вероятнее всего, сгенерированных). На больших объемах вайбкода такие траты могут быть оправданы, в остальных случаях цена вряд ли окупится. https://claude.com/blog/code-review

Ничего необычного, просто в Китае прямо на улицах устанавливают всем желающим OpenClaw Конкретно эти фотографии сделаны у офи
+2
Ничего необычного, просто в Китае прямо на улицах устанавливают всем желающим OpenClaw Конкретно эти фотографии сделаны у офиса Tencent в Шэньчжэне. Там разработчики провели бесплатный ивент по установке OpenClaw. Говорят, пришло около тысячи человек. Подобные мероприятия прошли также в Шанхае, Пекине и нескольких других городах. Кстати, в Китае в целом сейчас планируют развернуть огромную программу поддержки OpenClaw. Они хотят создавать так называемые Lobster service zones: физические или облачные места, где OpenClaw уже развернут и настроен. Операторам будут выделять бюджет на хостинг, а люди и компании смогут пользоваться (почти) бесплатно. Плюс разработчикам или компаниям, которые контрибьютят приложения/скиллы на OpenClaw для приоритетных отраслей, обещают до 2 млн юаней субсидий на проект. А проекты, которые признают «демонстрационными» (успешные применения OpenClaw), получают разовую выплату до 1 млн юаней. Это примерно 140к доллларов.

🤔 🍴 🤨
🤔 🍴 🤨

В стартапе Eon Systems ученые сделали первую полноценную цифровую эмуляцию мозга животного, которая способна управлять телом Короче, на равных с искусственным интеллектом аля Джарвис в науке уже давно существует и другая идея: не обучать саму машину, а взять настоящий биологический мозг, полностью скопировать его в цифровую модель и запустить на роботе или компьютере. Особенно этот концепт знаком любителям научной фантастики. Так вот ученые из Eon Systems заявляют, что они впервые создали такую систему и могут показывать ее в действии. Они взяли мозг плодовой мухи, скопировали его и создали так называемый connectome: как бы полную карту всех нейронов мозга и связей между ними. То есть все нейроны, все соединения и сигналы синапсов. Сам мезанизм такого копирования не свеж, и, вообще говоря, сама копия мозга мухи существует уже с 2024 года, НО что Eon Systems сделали впервые – так это соединили эту модель с настоящим телом в симуляции. Другими словами, они впервые продемонтрировали полный цикл среда → сенсоры → мозг → моторные команды → движение тела. Это называется closing the sensorimotor loop – замыкание петли восприятия и действия. Причем получившаяся виртуальная муха демонтрирует не какой-то один тип поведения, а сразу несколько базовых паттернов. Никаких искусственных нейросетей. Просто взяли карту мозга, подключили к телу, и это заработало. Хотя говорить, что совсем никакого ML там нет, было бы нечестно: даже если мы видим карту мозга, его динамика (пороги возбуждения, сила синапсов и тд) остается неизвестной, и ее тут как раз приближают моделями. Но это все равно нельзя назвать ИИ в привычном смысле слова. Главное – что в целом работоспособность принципа brain upload +-подтверждена. Авторы пишут, что дальше все дело в масштабируемости. Для понимания, в мозге мухи примерно 140к нейронов (и даже его скопировать непросто), а у человека нейронов ~86 млрд.

Современные туториалы от мировых математических гениев такие типа ⬆️ Кажется, для математиков пора официально вводить термин
Современные туториалы от мировых математических гениев такие типа ⬆️ Кажется, для математиков пора официально вводить термин вайбпрувинг А ссылка на новое видео Тао вот: https://youtu.be/JHEO7cplfk8

Autoresearch от Андрея Карпаты Встречаем новый проект от гуру: агент, который автономно проводит эксперименты и обучает LLM.
Autoresearch от Андрея Карпаты Встречаем новый проект от гуру: агент, который автономно проводит эксперименты и обучает LLM. Autoresearch состоит из: самого агента, одной GPU и простой среды обучения маленькой LLM. Агент самостоятельно изменяет train.py, запускает короткие сессии обучения модели по 5 минут, оценивает улучшение метрик и сохраняет или отбрасывает изменения. Так он может провести десятки экспериментов за ночь. Вы встаете – и получаете уже улучшенную модель, экономя себя несколько часов рутинного копания в коде (см.график с изменениями метрики по итерациям ⬆️). Все свои дополнительные инструкции можно дописать в program.md: где менять гиперпараметры, что исследовать. Исходный program.md сделан предельно простым, но при желании можно упороться и добавить мультиагентность, новые метрики, стратегии и прочее. https://github.com/karpathy/autoresearch

Поздравляем подписчиц с Международным Женским Днем! Желаем, чтобы в жизни было больше прорывов, чем в новостях про очередную
Поздравляем подписчиц с Международным Женским Днем! Желаем, чтобы в жизни было больше прорывов, чем в новостях про очередную AI-модель, и чтобы мечты сбывались чаще, чем обещания Илона Маска. С праздником! 🤍

Cursor теперь может мониторить вашу кодовую базу автономно и постоянно Теперь там есть возможность настроить ИИ‑агентов, которые автоматически выполняют задачи в вашей базе по расписанию или по событиям (push, Slack, PagerDuty и т.п.). Каждый такой агент крутится в отдельной cloud‑sandbox, может ходить в твой репозиторий, CI, Slack и внешние сервисы через MCP (Model Context Protocol). То есть при срабатывании триггера поднимается изолированная среда, в нее подтягивается свежий код, и агент выполняет нужный сценарий. Настройки могут быть максимально гибкими. Внутри уже есть типовые шаблоны: ежедневные дайджесты изменений в базе, поиск уязвимостей и простых багов, обновление документации. Пробуем! cursor.com/blog/automations