Анализ данных (Data analysis)

Если в работе с BI вы хоть раз собирали инвентаризацию дашбордов «по скриншотам и таблицам», то знаете это ощущение: аналитика вроде бы про данные, а управление BI – про ручной труд. 10 марта 11:00 мск можно будет разобраться, как это автоматизировать, потому что Yandex Cloud проведёт вебинар «API в DataLens – все пути автоматизации». Если вы хоть раз пытались навести порядок в BI, то знаете эту боль. Дашборды растут, копируются, устаревают. А когда нужно понять, что где используется — начинается классика: скриншоты, Excel-таблицы, ручные проверки. Парадокс в том, что мы строим аналитику, чтобы автоматизировать бизнес, но управление самой BI-средой часто остаётся полностью ручным. Хорошая новость — это можно автоматизировать. 10 марта в 12:00 (мск) Yandex Cloud проведёт вебинар «API в DataLens — все пути автоматизации». На вебинаре разберут: - возможности Public API DataLens - как управлять дашбордами и объектами программно - как убрать рутину из администрирования BI - реальные сценарии автоматизации - кейс использования API-коннектора клиентом Будет особенно полезно, если вы хотя бы раз делали «инвентаризацию дашбордов вручную». Кому подойдёт: BI-аналитикам, дата-инженерам, разработчикам, системным архитекторам и руководителям аналитики. Участие бесплатное, требуется предварительная регистрация. Иногда следующий уровень аналитики — это автоматизация самой аналитики.

На это конец, можно идти домой

Отличный результат 😄

📌 Большинство AI-агентов на самом деле ничего не помнят. Каждый диалог для них — как первый: - нет памяти о прошлых разговорах - нет понимания связей между фактами - нет накопленного опыта И здесь многие делают ошибку. Они используют vector database — и считают, что это память. Проблема: Vector search находит похожие куски текста, но не понимает связи между ними. Документы остаются изолированными фрагментами. Агенту нужна не просто память. Ему нужна система знаний с отношениями. Именно это делает Cognee — 100% open-source инструмент для самообучающейся памяти. Что внутри: - Vector search + графовая база - Поиск по смыслу + связи между сущностями - Документы превращаются в knowledge graph Ключевые возможности: Composable pipelines Можно собирать свои пайплайны: chunking → embedding → entity extraction → обработка Weighted memory Чем чаще используется связь — тем она сильнее Память адаптируется под реальное использование Self-evolving memory Пайплайн memify: - усиливает полезные связи - удаляет устаревшие данные - оптимизируется по принципам RL Агент получает память, которая: - сохраняется - понимает связи - улучшается со временем https://github.com/topoteretes/cognee

🖥 Большинство парсеров умирают через 2 дня. Ты научишься делать те, которые работают в продакшене. Это не про BeautifulSoup ради галочки. Это про системы сбора данных, которые: • не падают из-за мелких изменений на сайте • собирают данные в разы быстрее • обновляют всё автоматически по расписанию • обходят ограничения и блокировки • выглядят как полноценный сервис, а не как хаос из файлов Ты начнёшь видеть сайты не как страницы, а как источники данных, к которым можно подключаться. В итоге ты сможешь: • забирать данные для своих проектов • автоматизировать чужую рутину • создавать инструменты для аналитики • брать коммерческие заказы на сбор данных Это навык, который напрямую превращается в деньги. Не «знаю Python», а «умею профессионально добывать данные из интернета». 🎁 Скидка 50% на Stepik действует 48 часов: https://stepik.org/a/269942/

📌 Anthropic добавила новую функцию памяти в Claude. Теперь можно перенести контекст и предпочтения из других AI-инструментов. Как это работает: 1. В другом AI генерируете специальный prompt с вашим контекстом 2. Копируете результат 3. Вставляете его в настройки памяти Claude После этого Claude: - запоминает ваши предпочтения - понимает ваш стиль работы - может сразу продолжать диалог без повторных объяснений Функция доступна во всех платных тарифах. Почему это важно: Контекст становится переносимым. Вы больше не привязаны к одному инструменту. Новый тренд в AI: Пользовательский контекст - это ваш личный слой поверх моделей. Модель можно сменить. Память - остаётся. claude.com/import-memory

⚡️ Дарио Амодеи дал первое интервью после того, как Пентагон фактически внес его компанию в чёрный список. Ему задали один вопрос: Что бы вы сейчас сказали президенту? Ответ был коротким: «Мы патриоты. Всё, что мы делали, — ради этой страны». Anthropic сотрудничала с государством: - их модели одними из первых допустили к секретным военным системам - компания помогала в задачах обороны Но затем Пентагон потребовал: - доступ к технологиям полностью автономного оружия - возможности массового наблюдения Anthropic отказалась — и провела красную линию. Ответ правительства: - давление через цепочки поставок - чрезвычайные полномочия - требование отказаться от продуктов компании на федеральном уровне Амодеи: «Не соглашаться с правительством — это и есть по-настоящему по-американски». Но самый показательный момент произошёл позже. По данным WSJ, во время недавних военных операций США против Ирана модель Claude всё равно использовалась. Центральное командование применяло её для: - разведывательных оценок - идентификации целей - моделирования боевых сценариев Формально это не нарушение — у госструктур есть 6 месяцев, чтобы отказаться от Claude. Но тайминг выглядит показательно: – Anthropic отказывается принимать условия Пентагона – В тот же день звучат призывы срочно прекратить использование Claude – И буквально через несколько часов модель используют в боевой операции Главный вывод: AI уже не просто технология. Это инфраструктура военных и геополитических решений. И сейчас происходит не только гонка моделей. Это борьба за контроль над тем, кто и на каких условиях будет использовать интеллект машин. https://www.wsj.com/livecoverage/iran-strikes-2026/card/u-s-strikes-in-middle-east-use-anthropic-hours-after-trump-ban-ozNO0iClZpfpL7K7ElJ2

⚡️Андрей Карпати поделился интересным экспериментом: он попробовал собрать **исследовательскую команду из AI-агентов. В setup: - 8 агентов (Claude + Codex) - у каждого свой GPU - каждый работает как отдельный исследователь - задачи ведутся через Git-ветки - коммуникация через файлы - всё запускается в tmux - как «офис» с окнами Фактически — попытка построить AI-research-организацию. Но главный вывод оказался неожиданным. Агенты: - плохо продумывают дизайн экспериментов - делают случайные или бессмысленные вариации - не строят сильные baseline - не контролируют compute и время - часто делают ложные выводы Пример: агент «обнаружил», что увеличение hidden size улучшает validation loss. Формально — да. Но модель просто стала больше и дольше обучалась. Никакой научной ценности. Инсайт: AI отлично реализует хорошо сформулированные идеи. Но пока плохо генерирует сильные исследовательские гипотезы. Самая важная мысль: Теперь мы программируем не модель — мы программируем организацию. Source code такой системы: - промпты - роли - процессы - инструменты - standup’ы - workflow Вопрос будущего звучит так: Насколько быстро ваша AI-организация может делать научный прогресс на новой задаче? Добро пожаловать в эпоху *Org Engineering*. https://x.com/karpathy/status/2027521323275325622

🔥 10 GitHub-репозиториев, которые реально прокачают тебя в AI 1. Generative AI for Beginners Полноценный курс от Microsoft: Jupyter-ноутбуки, практические задания и разработка GenAI-приложений. https://github.com/microsoft/generative-ai-for-beginners 2. LLMs from Scratch Пошаговая реализация GPT-подобной модели с нуля. Лучший способ понять, как работают LLM внутри. https://github.com/rasbt/LLMs-from-scratch 3. AI Agents for Beginners Практика по созданию агентных систем: инструменты, память, планирование, workflow. https://github.com/microsoft/ai-agents-for-beginners 4. ML for Beginners Классическая база по машинному обучению: 26 структурированных уроков. https://github.com/microsoft/ML-For-Beginners 5. OpenAI Cookbook Официальные примеры работы с API: production-паттерны, RAG, функции, реальные кейсы. https://github.com/openai/openai-cookbook 6. Python 100 Days Интенсив по Python с практикой каждый день. Отличная база для входа в AI. https://github.com/jackfrued/Python-100-Days 7. LLM App Templates Готовые RAG-шаблоны и production-решения для реальных LLM-приложений. https://github.com/pathwaycom/llm-app 8. Python Data Science Handbook Фундамент по NumPy, Pandas, визуализации и классическому ML. https://github.com/jakevdp/PythonDataScienceHandbook 9. Stable Diffusion Оригинальный код модели text-to-image - отличная база для изучения генеративного CV. https://github.com/CompVis/stable-diffusion 10. Segment Anything Модель от Meta для сегментации изображений - мощный инструмент для компьютерного зрения. https://github.com/facebookresearch/segment-anything #AI #MachineLearning #LLM #GitHub #Python #DataScience

Martian выпустили крупнейший бенчмарк для оценки AI-агентов, которые проверяют код и он полностью open-source. Главная проблема большинства AI-тестов - модели со временем просто запоминают ответы. Бенчмарк превращается в «экзамен с известными вопросами», а реальные возможности моделей остаются за кадром. Martian решили эту проблему архитектурно. Вместо одного теста они внедрили систему Dual-Layer Evaluation: - Offline-слой — честное сравнение моделей на статичных данных - Online-слой — анализ поведения инструментов в реальной работе разработчиков Если компания попытается «подогнать» модель под офлайн-тест, это сразу станет заметно — её результаты перестанут совпадать с реальным использованием в онлайн-слое. Фактически это первый самокорректирующийся бенчмарк, который нельзя накрутить маркетингом или обучением на тестовых данных. Что внутри: - Более 200 000 реальных изменений кода - Данные реального поведения разработчиков - Оценка качества AI-ревью в боевых условиях - Полная нейтральность — создатели не продают собственные coding-ассистенты Это первый измеритель качества AI-инструментов для разработки, который не деградирует со временем и отражает реальную пользу, а не лабораторные метрики. https://codereview.withmartian.com/

✔️ Google выпустили Nano Banana 2 - новую модель генерации изображений, ориентированную на реальное production-использование. Г Модель позволяет быстро генерировать и редактировать изображения, сохраняя уровень детализации, света и текстур, достаточный для коммерческих задач. Ключевые возможности: * точное следование сложным текстовым инструкциям * корректный текст внутри изображений * создание инфографики, диаграмм и визуального контента * сохранение внешнего вида персонажей и объектов между генерациями * поддержка разных форматов и разрешений Nano Banana 2 интегрирована в экосистему Google: * Gemini * AI Studio и Gemini API * Vertex AI * Search и Lens * рекламные инструменты Google Отдельное внимание уделено прозрачности - изображения автоматически получают цифровую маркировку SynthID и соответствуют стандарту C2PA. https://blog.google/innovation-and-ai/technology/ai/nano-banana-2/

⚡️ Карпаты поделился наблюдением, которое хорошо описывает то, что сейчас происходит с разработкой. За последние пару месяцев программирование изменилось не постепенно, а резко. Раньше кодинг-агенты выглядели как интересный эксперимент - могли помочь с фрагментами кода, но не тянули реальные задачи. Сейчас ситуация другая: модели научились держать контекст, последовательно решать проблемы и доводить работу до конца. По сути, они получили главное качество инженера - упорство. Типичный сценарий сегодня выглядит так: ты ставишь задачу высокого уровня, агент подключается к серверу, настраивает окружение, устанавливает зависимости, поднимает сервисы, пишет код, тестирует, исправляет ошибки и возвращается с готовым результатом и отчётом. То, что раньше занимало выходные, теперь может решаться за десятки минут автономной работы. И это меняет сам подход к разработке. Раньше основной навык был - писать код. Теперь основной навык - формулировать задачи, декомпозировать их и управлять процессом. Новый рабочий процесс: * описываешь цель на естественном языке * запускаешь агента * наблюдаешь за прогрессом * проверяешь результат * корректируешь направление Ключевая компетенция смещается вверх по уровням абстракции: * архитектурное мышление * правильная декомпозиция * настройка инструментов и среды * оркестрация нескольких агентов * контроль качества Это ещё не магия. Агентам всё ещё нужны: * чёткие спецификации * понятные критерии успеха * тесты и верификация * человеческое суждение и вкус Лучше всего они работают там, где результат можно проверить автоматически. Но главное изменение уже произошло. Программирование постепенно превращается из «написания кода» в управление вычислительной системой, которая пишет код за тебя. И сейчас выигрывают не те, кто быстрее печатает, а те, кто умеет мыслить на уровне систем, задач и результатов. Если раньше ценился coding, то теперь растёт ценность agent-engineering. https://x.com/karpathy/status/2026731645169185220

🔥 Веса серии моделей Qwen 3.5 Medium в формате FP8 открыты и готовы к продакшену Теперь доступны FP8-версии моделей Qwen 3.5 - оптимизированные для высокой производительности и снижения затрат на инференс. Что это даёт: - более быстрый инференс - меньшее потребление памяти - оптимальный баланс скорости и качества - готовность к развёртыванию в продакшене Поддержка из коробки: - vLLM - SGLang FP8-точность позволяет значительно ускорить рабочие процессы без заметной потери качества — особенно полезно для высоконагруженных AI-сервисов. Скачать веса: Hugging Face: https://huggingface.co/collections/Qwen/qwen35 ModelScope: https://modelscope.cn/collections/Qwen/Qwen35

Liquid AI представила свою крупнейшую модель - LFM2-24B-A2B 🐘 - 24 млрд параметров всего - активны только 2,3 млрд на каждый токен - построена на гибридной, аппаратно-оптимизированной архитектуре LFM2 Модель сочетает быстрый и экономичный дизайн LFM2 с архитектурой Mixture of Experts (MoE), благодаря чему при работе задействуется лишь небольшая часть параметров. Результат: - высокая энергоэффективность - быстрая работа на edge-устройствах - предсказуемый лог-линейный рост качества - полный запуск в пределах 32 ГБ памяти С выходом этой версии линейка LFM2 теперь охватывает почти два порядка масштаба — от 350 млн до 24 млрд параметров, при этом каждое увеличение размера даёт стабильный рост качества на стандартных бенчмарках. Модель специально оптимизирована так, чтобы помещаться в 32 ГБ RAM — её можно запускать на потребительских ноутбуках и рабочих станциях. Стратегия масштабирования: - увеличить глубину сети (с 24 до 40 слоёв) - увеличить число экспертов (с 32 до 64 в каждом MoE-блоке) - сохранить компактный активный путь вычислений Итог — общее число параметров выросло в 3 раза, но вычислительная нагрузка осталась контролируемой. LFM2-24B-A2B выпущена как instruct-модель (без трасс reasoning) и показывает лог-линейный рост качества на задачах: GPQA Diamond, MMLU-Pro, IFEval, IFBench, GSM8K, MATH-500. Модель получила поддержку «с первого дня» в: - llama.cpp - vLLM - SGLang Доступны квантованные версии (GGUF), работающие на CPU и GPU. Например: - на CPU (Ryzen AI, Q4_K_M) — около 93 токенов/с при контексте 8K - высокий throughput и на GPU (H100) Главный вывод: архитектура LFM2 демонстрирует предсказуемое масштабирование без «потолка качества» у малых моделей. https://huggingface.co/LiquidAI/LFM2-24B-A2B-GGUF

⚡️ Это заявление из прогноза компании Anthropic о ближайшем будущем ИИ. Остался один год: «Мы считаем вполне вероятным, что уже в начале 2027 года наши системы ИИ смогут полностью автоматизировать или существенно ускорить работу крупных команд ведущих исследователей - в областях, где быстрый прогресс может создать угрозы международной безопасности и вызвать серьёзные изменения в глобальном балансе сил. Речь идёт о таких направлениях, как энергетика, робототехника, разработка вооружений и сам искусственный интеллект https://x.com/AnthropicAI/status/2026393792375411115

🌟 Это действительно серьёзный сигнал. Исследование MIT показало эффект, который они называют когнитивным долгом при активном использовании AI. Главные выводы: - Чем чаще вы полагаетесь на LLM, тем хуже работает самостоятельное мышление - Мозг перестаёт «тренироваться» - когнитивные навыки постепенно ослабевают - Возникает привычка сразу обращаться к AI вместо того, чтобы анализировать самому Механизм простой: Если не использовать когнитивные «мышцы» — они деградируют. AI снижает трение мышления, но вместе с этим может снижать глубину обработки информации. Риск не в самом AI, а в модели использования: - копировать ответы вместо понимания - просить решение вместо попытки подумать - делегировать анализ, логику и формулировки Правильный подход: AI — как усилитель мышления, а не замена. Лучшие практики: - сначала подумать самому → потом сверить с AI - просить объяснения, а не готовый ответ - использовать AI для идей, проверки и расширения, а не для «думать за меня» Тренд: AI повышает продуктивность, но при пассивном использовании может снижать когнитивную самостоятельность. В эпоху LLM главным навыком становится не просто использование AI, а сохранение способности думать без него. https://arxiv.org/abs/2506.08872

⚠️ Большинство ошибок в машинном обучении начинаются не с модели, а с окружения. Конфликты библиотек, «падающие» ноутбуки, хаос в зависимостях — знакомо? 🦾 На открытом вебинаре OTUS мы разберём, как с нуля выстроить стабильную и воспроизводимую среду для ML-разработки. Настроим Python, виртуальные окружения, Jupyter и VS Code, покажем рабочую структуру ML-проекта и подходы к управлению зависимостями. Вы увидите, как перейти от разрозненных ноутбуков к полноценной инженерной практике: аккуратный код, понятная структура, предсказуемые сборки. Это база, без которой невозможно расти в ML и Data Science. ➡️ Встречаемся 26 февраля в 18:00 МСК в преддверие старта курса «Специализация Machine Learning». Присоединяйтесь и заложите правильный фундамент для карьеры ML-инженера: https://tglink.io/fdf1843d38da49?erid=2W5zFJhF4wB Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576 Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

Ответ Маска убил 😂 - Как они смеют красть то, что Anthropic сама украла у программистов?