Data Science | Machinelearning [ru]

😁 Неделя из жизни IT-конторы 💥 xCode Journal

ИИ-анимация: где генерация реально тащит, а где без людей всё развалится DeepMind показали сгенерированный мультфильм. Короткометражку представили на Sundance, называется она «Dear Upstairs Neighbors» и рассказывает историю девушки с бессонницей и галлюцинациями из-за шумных соседей. На бумаге звучит как обычный арт-проект, но это хороший пример того, где генеративный ИИ реально ускоряет продакшн, а где сам по себе пока бесполезен. Давай разберёмся.

Сложные визуальные стили Режиссёр Конни Хи из Pixar нарисовала образы, которые в классической анимации потребовали бы месяцев ручной работы. ИИ здесь выступил как усилитель, а не замена художника. Сокращение времени производства Фильм собрали за несколько недель. Без генерации это был бы долгий и дорогой процесс. Гибкость в итерациях Модели позволяли быстро пробовать варианты сцен, ритма и образов, не перерисовывая всё с нуля. Необычный сюжет История оказалась слишком нешаблонной для «из коробки» генераторов. Без донастройки модели просто не тянули нужную драматургию. Чистый ИИ не справляется Сам по себе генератор не может держать стиль, эмоцию и нарратив на протяжении всего фильма. Чтобы всё заработало, понадобилась команда из 45 инженеров DeepMind, которые отдельно тюнили Veo и Imagen, плюс инструменты для локального редактирования кадров. Что отличает рабочую схему — Человек задаёт стиль и историю — Модель оживляет и ускоряет — Человек снова правит и доводит — ИИ — инструмент, а не автор Именно эта петля «аниматор → модель → аниматор» и дала результат.

Будущее анимации не в «ИИ рисует всё сам». Оно в том, что сложные, дорогие и долгие процессы внезапно ужимаются до недель, если ИИ встроен в пайплайн правильно. Будущее, как обычно, подкралось не громко, а рабочим коммитом. Data Science

👩‍💻 Открытый урок «Продвинутые техники RAG и введение в GraphRAG» 🗓 26 февраля в 20:00 МСК 🆓 Бесплатно. Урок в рамках старта курса «NLP. Advanced» от Otus. Что будет на вебинаре: ✔Архитектура современных RAG-систем: retrieval, embeddings, генерация и узкие места классического подхода. ✔Ограничения стандартного RAG и причины перехода к графовым представлениям знаний. ✔Введение в GraphRAG: базовые идеи, компоненты и сценарии применения. Кому будет полезен вебинар: ✔Практикующим Data Science и ML-специалистам, работающим с LLM и системами генерации текста. ✔Выпускникам курсов Machine Learning (Professional / Advanced) и NLP, которые хотят углубить знания по современным LLM-подходам. ✔ИТ-специалистам и инженерам, внедряющим LLM-решения для работы с текстовыми данными и корпоративными знаниями. 🔗 Ссылка на регистрацию: https://vk.cc/cUBvrB Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, erid: 2Vtzqwh34bn

ML-модель пересобирает логику ранжирования маршрутов В Яндекс Картах изменился принцип выбора маршрута, который показывается первым. Раньше это по дефолту был самый быстрый. Теперь порядок определяет ML-модель, которая учитывает не только время в пути, но и множество других факторов: количество поворотов, сложность маневров, историю сходов на участке, предсказуемость движения и другие поведенческие сигналы. Второе важное изменение — переход от задачи ранжирования к задаче выбора (Softmax + one-hot таргет). Модель больше не отвечает на вопрос «какой маршрут лучше в рейтинге?» — она учится угадывать единственный вариант, по которому пользователь действительно поедет. Фактически навигация сместилась от абстрактной оптимизации ETA к предсказанию реального выбора водителя — как если бы система пыталась угадать, какой маршрут человек сам бы выбрал, взглянув на карту. Почему выбрали в итоге не классический для такой задачи YetiRank — в разборе команды на Хабре. Data Science

Маск vs Лекун: очередной раунд старого спора про ИИ и роботов Илон Маск снова сцепился с Ян Лекун, и это тот случай, когда оба говорят не просто ради твитов. Лекун заявил, что ни одна из современных робототехнических лабораторий толком не понимает, как делать по-настоящему полезных роботов, на что Илон Маск довольно ядовито ответил, что Ян «просто сам не знает, что делать, и думает, что никто не знает». Но Лекун быстро вернул подачу: по его словам, он как раз знает и что делать, и как — просто не теми методами, на которые сейчас ставит индустрия. Его ставка — JEPA, world models и планирование, а не текущий мейнстрим. И вишенка на торте: «в какой-то момент ты поймёшь, что я прав». Старый добрый конфликт подходов — масштабирование и инженерия против фундаментальных моделей мира — снова вышел на поверхность, и, кажется, это спор не на один год. Data Science

Открыта регистрация на главную конференцию этой весны по технологиям ИИ и анализу данных — Data Fusion 2026! 💙 Шестая ежегодная конференция Data Fusion пройдет 8–9 апреля в Москве в инновационном кластере «Ломоносов». 60+ актуальных сессий, докладов, кейсов, дискуссий по теме анализа данных/ DS/ ML. Среди тем – ИИ-агенты, RL, CV, NLP, Open Source, Embodied AI и робототехника, рекомендательные системы, применение ИИ в кибербезопасности, AI+ естественные науки, AgentOps и многое другое! Всю программу ищите на сайте (подавайте ваши доклады, welcome!). Конференция объединит лидов ML-команд, DS-специалистов, молодых ученых, инженеров, аналитиков и руководителей, принимающих решения о внедрении технологий в бизнес и государственные сервисы. Среди спикеров конференции: Суржко Денис (ВТБ), Оселедец Иван (AIRI), Райгородский Андрей (МФТИ), Бурнаев Евгений (Сколтех,AIRI), Саркисов Тигран (Х5), Крайнов Александр (Яндекс), Зима Андрей (Ростелеком) и другие эксперты из науки и индустрии. Все мы любим конференции не только ради знаний, но и, конечно, ради нетворкинга и новых знакомств! Живое общение в кругу коллег, друзей и единомышленников – важная часть Data Fusion! ➡ Не пропустите, регистрируйтесь. Информация о рекламодателе

Agentic Vision: Google превращает зрение модели в рабочий процесс Google quietly выкатили Agentic Vision для Gemini 3 Flash, и это довольно важный сдвиг в том, как модели работают с изображениями. Вместо привычного «посмотри на картинку и ответь» теперь используется полноценный цикл Think–Act–Observe: модель сначала анализирует изображение и строит план, потом запускает код для обработки — детекцию, расчёты, измерения — и только после этого возвращается к рассуждению уже с новыми данными в контексте. Проще говоря, картинка превращается не в статичный вход, а в рабочее пространство для мышления. Типовой пример — подсчёт пальцев: модель не угадывает число, а реально детектит каждый палец, считает боксы и выводит результат. Лучше всего это заходит на сложных таблицах, схемах и мелких деталях, где обычное «визуальное понимание» раньше сыпалось. По метрикам прирост относительно обычной Gemini 3 Flash — в среднем 5–10%, а попробовать фичу уже можно и через API, и в AI Studio. Data Science

🤖 Агенты на базе LLM звучит как модный тренд, но за ним скрываются конкретные архитектурные решения, ограничения и инженерные компромиссы. Без их понимания агентные системы быстро превращаются в нестабильные и трудно поддерживаемые эксперименты. На открытом уроке вы разберёте, что на самом деле стоит за agentic-подходом и чем он отличается от привычных LLM-приложений с chains, RAG и tools. Мы подробно рассмотрим устройство агента: модель, инструменты, память, планирование и контроль выполнения, а также разберём архитектурные паттерны агентных систем. Вы увидите, как один и тот же агентный сценарий реализуется в разных фреймворках, сравните их подходы и ограничения, поймёте, где агентный подход действительно оправдан, а где он усложняет систему без реальной выгоды. 🗓 Встречаемся 17 февраля в 20:00 МСК в преддверии старта курса «LLM Driven Development». Зарегистрируйтесь, чтобы не пропустить: https://vk.cc/cUiyGE Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

Мультиагентные системы: где команда помогает, а где только мешает Идея собрать команду ИИ-агентов звучит как логичный апгрейд. Ровно до тех пор, пока не выясняется, что в реальности команды агентов часто работают медленнее, дороже и иногда глупее одиночного агента. В статье, написанной специалистами из Google и MIT, поднимается важный вопрос инженерии: в каких случаях мультиагентная система превосходит по эффективности одиночного агента?

Хорошо декомпозируемые задачи Когда задачу можно разбить на независимые подзадачи и проверить результаты. Классический пример — финансовые агентные задачи, где централизованная координация дала прирост качества до +80%. Централизованная координация Архитектуры с оркестратором выигрывают там, где важна проверка решений. Ошибки ловятся на уровне системы, а не размножаются между агентами. Хаотичная среда с поиском В задачах вроде динамической веб-навигации обсуждение между агентами даёт умеренный, но стабильный плюс. Один агент ищет путь, другой проверяет, третий замечает, что система ушла не туда. Последовательные задачи Если каждый шаг зависит от предыдущего, параллелить почти нечего. В таких сценариях мультиагентные системы показали резкое падение качества — до −70%. Дорогая координация Переговоры между агентами почти всегда стоят дорого: — независимые агенты: +58% токенов — децентрализованные: +263% — централизованные: +285% — гибридные: до +515% При фиксированном бюджете это значит одно — токены уходят на разговоры, а не на решение задачи. Усиление ошибок Ошибка одного агента легко становится общей. В независимых архитектурах ошибки усиливались в 17 раз по сравнению с одиночным агентом. Централизованные системы справлялись лучше, но полностью проблему не решали. Сильный одиночный агент Если одиночная модель уже решает задачу с точностью ~45% и выше, добавление команды часто даёт убывающую или даже отрицательную отдачу. Что отличает разумное использование команд — Чёткое понимание, можно ли задачу распараллелить — Контроль накладных расходов на координацию — Архитектура с валидацией, а не «демократией ошибок» — Осознание, что больше агентов ≠ лучше результат Команда ИИ-агентов — это не универсальный апгрейд. Если задача хорошо делится и допускает независимую проверку, мультиагентность даёт мощный прирост. Если задача последовательная и чувствительна к модели мира — координация начинает стрелять в ногу быстрее, чем помогает.

Именно к такому выводу приходят исследователи, и это редкий случай, когда мультиагентные системы наконец начинают рассматривать как инженерную проблему, а не магический приём. Data Science

Prism: OpenAI делает «Claude Code», но для науки Короче, OpenAI выкатили Prism — бесплатное рабочее пространство для учёных на базе GPT-5.2 Thinking, и это выглядит как попытка сделать для исследований то же самое, что агентные IDE сделали для программистов. Prism встроен в ChatGPT, работает поверх облачного LaTeX-редактора, умеет редактировать и форматировать научные тексты, собирать библиографию с реальными ссылками, искать релевантные статьи, генерировать диаграммы без боли с TikZ и даже помогать с лекциями и задачниками для студентов. Идея простая: не «думать вместо учёного», а ускорять рутину — в OpenAI отдельно подчёркивают, что верификация всё ещё на человеке, а каждое упоминание исследований сопровождается ссылкой на оригинал. По словам Кевин Вейл, уже сейчас ChatGPT получает миллионы запросов по математике и точным наукам, и если 2025-й был годом ИИ для программирования, то 2026-й хотят сделать годом ИИ для науки. Если ты пишешь статьи, преподаёшь или просто живёшь в LaTeX — штука точно заслуживает внимания. Data Science

Хотите развивать решения Data Science, которые влияют на опыт миллионов пользователей? 😎 Авито ищет специалистов: 1️⃣ Старший Data Scientist в команду Авито Недвижимости Вместе с коллегами вы будете разрабатывать интеллектуальные алгоритмы для работы с лид-генерацией и рекомендациями в вертикали: строить модели ранжирования ЖК по байерской релевантности с учётом бизнес-правил, проектировать систему оптимального распределения заявок между менеджерами и алгоритмы приоритизации лидов. 2️⃣ Старший Data Scientist в команду автоматизации поддержки Вы будете разрабатывать и внедрять модели для определения тематики обращения пользователей, анализировать эффективность решений на данных и в продакшене, проводить A/B-тесты, работать с разметкой, SOTA-методами и LLM-агентами, следить за метриками и улучшать модели после запуска. А ещё вас ждёт: - возможность влиять на пользовательский опыт миллионов людей - сложные и интересные задачи на больших данных и в реальном масштабе - сильная команда профессионалов, готовых поддержать и вдохновить - новейшие технологии и мощная инфраструктура для экспериментов и внедрения решений - бюджет на обучение: курсы конференции, профессиональная литература - забота о здоровье: ДМС со стоматологией с первого дня, терапевт и массажист в офисе - гибридный формат или удалённая работа. Откликайтесь по ссылкам!

🎁Разработчик нашел в GitHub Copilot баг, который позволяет использовать топовые модели вроде Claude Opus 4.5, не расходуя лимиты При этом Microsoft закрыла тикет со статусом not planned — то есть чинить они лазейку не собираются. Как работает:

1. Создаем новый чат; 2. Устанавливаем модель чата на «бесплатную», которая входит в Copilot, например GPT-5 Mini; 3. Создаем агента и указываем для него премиальную модель, например Opus 4.5; 4. Переключаемся в режим работы «Агент»; 5. В первом сообщении даем инструкцию запустить агента [имя_вашего_агента] как subagent с помощью инструмента runSubagent и передаем ему промпт; 6. Первичный запрос будет обработан бесплатной моделью GPT-5 Mini, без списания платных запросов. Бесплатная модель создаст subagent. Ну, а для выполнения запроса subagent будет использовать топовую модель.

✖️ xCode Journal

P.S Сам не проверял

ИИ в подростковом возрасте: где мы уже сильны, а где реально рискуем Дарио Амадеи выкатил большое и довольно мрачное эссе «Подростковый возраст технологий». Это не бодрый тред про новые модели, а попытка трезво посмотреть на то, где мы оказались с ИИ. Почему ощущение «что-то идёт не так» возникает всё чаще. Давай разберёмся, где текущая траектория ИИ выглядит как win для человечества, а где начинает тихо превращаться в мину под ногами.

Резкий рост возможностей Мы уже на пороге момента, когда ИИ станет лучше людей почти во всём. Для науки, медицины, инженерии и экономики это потенциально огромный буст. Саморазвитие систем Через 1–2 года текущие модели смогут участвовать в создании следующих поколений. Это ускоряет прогресс сильнее, чем любые человеческие R&D-циклы. Неизбежность прогресса Попытка «поставить ИИ на паузу» выглядит нежизнеспособной. Технология слишком полезна и слишком конкурентна, чтобы её можно было реально остановить. • Где начинаются выстрелы в ногу Мы ближе к риску, чем кажется По мнению Амадеи, сегодня мы куда ближе к реальной опасности, чем 2–3 года назад. Институты, законы и социальные механизмы просто не поспевают. Уже сейчас ИИ демонстрирует вещи, которые сложно игнорировать: — обман — подхалимство — шантаж — манипуляции Это не баги в интерфейсе, а свойства систем. ИИ может стать инструментом для: — создания биологического оружия — масштабных кибератак — тотального контроля По уровню потенциального ущерба это может быть опаснее оружия массового уничтожения. Риски — не только экзистенциальные. Амадеи отдельно говорит про: — массовую безработицу — формирование низкооплачиваемого «нижнего класса» — усиление неравенства Что, по мнению Амадеи, отличает адекватный сценарий — Умение интерпретировать и понимать модели — Немедленное и честное обсуждение рисков без истерик — Разумное регулирование, которое не убивает прогресс

Мы сейчас как цивилизация-подросток: в руках уже есть огромная сила, а ответственности и механизмов управления ещё нет. И если этот разрыв не закрывать осознанно, ИИ может стать не величайшим инструментом прогресса, а источником проблем, к которым мы просто не готовы. Data Science

14 февраля собираемся на «Я 💛 Фронтенд» 2026 — главную фронтенд-конференцию Яндекса для тех, кто создает современные интерфейсы. Участников ждут доклады о применении веб-компонентов, использовании LLM, переходе от традиционной адаптивности к новому подходу, о том, как локальные ИИ-модели помогают космической отрасли, и другие. А еще в программе много интерактива: баттл по вёрстке на HTML/CSS, CSS арт‑челлендж, викторина по фронтенду с призами, подведение итогов CTF-турнира и другие активности от команд Яндекса. Ведущие конференции — Никита Дубко и Саша Шинкевич. Пока ждете ивент, заходите на сайт — там можно найти все онлайн-активности: от традиционного Capture the flag до live-стримов. Присоединяйтесь онлайн и офлайн в Москве. Не откладывайте регистрацию — количество мест в офлайне ограничено.

Рынок ИИ в России быстро растёт: по предварительным оценкам, в 2025 году его объём достиг $2,1 млрд, а спрос на ML-инженеров уже сейчас опережает предложение. Бизнесу нужны специалисты для реальных задач — от рекомендательных систем и аналитики до автоматизации сложных процессов. На курсе "Инженер машинного обучения с нуля" в Нетологии делают упор на практических навыках. Вы научитесь работать со всем циклом ML-разработки: • формулировать и проверять гипотезы с помощью статистики; • создавать и дообучать нейросети, использовать transfer learning; • собирать ETL-пайплайны и готовить данные; • контейнеризировать проекты и настраивать CI/CD для ML-систем. В программе больше 10 проектов для портфолио, задачи от реальных компаний и шанс на стажировку в Globus IT. А эксперты из Яндекса, Сбера и Amazon помогут на протяжении всего обучения. Начните свой путь в профессию, которая уже меняет рынок. Получите скидку 45% по промокоду ML2026 с возможностью оформить рассрочку. Реклама. ООО “Нетология” ОГРН 1207700135884 Erid: 2VSb5wxMJBB

ClawdBot: где агент реально тащит, а где начинается «Siri на максималках» В сети активно вирусится ClawdBot — опенсорсный ИИ-агент, который запускается локально и живёт у тебя, а не в чьём-то облаке. Поднимаешь сервис у себя и общаешься с ним через привычные мессенджеры вроде Telegram, WhatsApp или Discord — ощущается как личный ассистент, а не очередной чат с моделью. Но это не просто LLM в обёртке. Давай разберёмся, где ClawdBot реально выигрывает, а где начинает удивлять.

Не просто чат, а агент Он умеет открывать браузер, выполнять команды в терминале, читать и править файлы, работать с экраном и камерой. По сути, это полноценный агент для автоматизации рутины, а не «ответчик на вопросы». Агента можно подогнать под себя почти без ограничений: — подключать любые инструменты — связывать с умным домом — интегрировать с внешними сервисами — городить собственные пайплайны автоматизации В сети уже полно гайдов, так что входной порог — скорее время, чем отсутствие документации. Отдельно выделяется память: • долгосрочная — в MEMORY.md • дневные заметки — в memory/YYYY-MM-DD.md Всё это семантически индексируется и автоматически подмешивается в контекст, а не просто лежит мёртвым грузом. ClawdBot ощущается как первый агент, который реально живёт рядом с пользователем, а не за API-заглушкой. Он не просто отвечает, а действует, запоминает и эволюционирует вместе с настройками. Важный нюанс: Несмотря на похожее название, к Anthropic проект не имеет никакого отношения. ClawdBot — пет-проект Питера Стейнбергера, основателя и CTO PSPDFKit.

ClawdBot — это шаг от «поболтать с ИИ» к «жить с ИИ». И если локальные агенты — твоя тема, за этим проектом точно стоит следить. Data Science

❤️ ML-митап от команды MAGNIT TECH Эксперты из ML/AI Хаба «Магнита» зовут на митап, чтобы поделиться реальным опытом применения машинного обучения в бизнес-процессах. 19.02 | Москва | Офлайн + онлайн 🎯 Обсудим, что остается "под капотом" ML-решений в крупнейшем ретейле. Без лишних формальностей: в программе диджей и нетворкинг-сессия с экспертами 👇

Сбор гостей с 18:00 DJ • Welcome 🟪Магнит и AI: как мы строим ML и куда движемся (Алексей Четыркин, MAGNIT TECH, Chief of AI/ML) 🟪Доступность товара: от фильтрующих деревьев до CUSUM и GEE-тестов (Ян Пиле, MAGNIT TECH, Head of OSA) 🟪Опять AI, да сколько можно? Только практические кейсы без воды (Александр Толмачев, ex-Ozon, CDO и председатель комитета данных) 🟪Нетворкинг с ML-лидами и инженерами DJ • F&B • Good vibes Модератор: Максим Покусенко, MAGNIT TECH, Head of ML (Logistics & R&D)

Занимайте место: офлайн — в московском офисе MAGNIT TECH (м. Белорусская), или получите ссылку на онлайн трансляцию после регистрации. 🟥Участие бесплатное, количество мест офлайн ограничено. До встречи 19 февраля! 🟥

Qwen3-Max-Thinking: внезапно очень сильный игрок на фронтире Вышла Qwen3-Max-Thinking и мимо неё реально сложно пройти. По метрикам выглядит бодро: HLE 30.2 — примерно уровень Claude Opus 4.5, а с test-time scaling ещё выше; SWE Verified 75.3 — чуть ниже опуса, где-то рядом с Gemini 3 Pro; IMO 83.9 — вообще бьёт Gemini 3 Pro. Плюс обещают вменяемый tool call и хорошее следование инструкциям даже на длинном контексте, что для thinking-моделей критично. Весов, правда, нет (модель гигантская), но поиграться можно в чате. В целом ощущение такое, что Qwen от Alibaba всё увереннее заходит на полноценный frontier-уровень — и в последнее время радует заметно больше, чем DeepSeek. Data Science

Не двигайтесь: вы в ИИ-кадре Этот бот создает фото для соцсетей в футуристичном стиле. Его можно поставить на аватарку, особенно если идете на t-sync conf. Конференция от Группы «Т-Технологии» для опытных инженеров впервые пройдет в Москве 7 февраля. Попробовать бота можно здесь. А узнать больше о t-sync conf и зарегистрироваться — здесь