Анализ данных (Data analysis)

🍎 Apple выпустила Pico-Banana-400K - это крупнейший открытый датасет для редактирования изображений по тексту. Что внутри: • ~400 000 примеров на основе реальных фото из Open Images • 35 типов правок в 8 категориях: от изменения цвета до замены объектов, стилей, текста, выражений лиц и даже расширения кадра • Все правки делала модель Nano-Banana, а качество оценивал Gemini-2.5-Pro по 4 критериям: Интересные детали: • Легче всего модели даются стилизация (93% успеха) и эффекты вроде зернистости плёнки • Сложнее всего — точное перемещение объектов и редактирование шрифтов (~57–59% успеха) • Неудачные попытки сохранены — как негативные примеры для обучения • Общая стоимость сборки датасета — около $100 000 • Датасет открыт для исследований (лицензия CC BY-NC-ND 4.0), идеален для разработки ИИ-редакторов следующего поколения. 🔗 GitHub

🧠 DiffMem: Git-Based Memory for AI Agents DiffMem предлагает легковесную память для ИИ, использующую Git для отслеживания изменений и Markdown для хранения данных. Этот проект демонстрирует, как системы контроля версий могут стать основой для эффективной и масштабируемой памяти в приложениях ИИ, позволяя агентам быстро получать актуальную информацию и исследовать её эволюцию. 🚀 Основные моменты: - Хранит "текущие" состояния знаний в Markdown. - Использует Git для управления историей изменений. - Обеспечивает быстрый и объяснимый поиск с помощью BM25. - Поддерживает гибкость и портативность данных. - Легко интегрируется и не требует серверов. 📌 GitHub: https://github.com/Growth-Kinetics/DiffMem #python

AIJ Deep Dive – must-attend событие для профессионалов в AI! Специальный очный трек международной конференции AI Journey для инженеров будущего — для тех, кто создаёт AI своими руками. Будет два тематических дня:

1️⃣ День Науки (19 ноября) — прорывные исследования, передовые R&D-разработки и глубокий технический разбор решений. 2️⃣ День Бизнеса (20 ноября) — реальные кейсы внедрения AI, практические результаты и оценка эффективности.

Почему это событие нельзя пропустить?

✔️ Сообщество тех, кто уже сегодня формирует технологические стандарты завтрашнего дня ✔️ Только реальные кейсы, инсайды и решения ✔️ Нетворкинг и возможность установить контакты с ключевыми игроками рынка и перспективными коллегами ✔️ Постерная сессия научных статей, в том числе уровня А/А* ✔️ Возможность увидеть изнутри, как рождаются прорывные технологии

Локация: офис Сбера, Кутузовский проспект, д. 32, к. 1 (Е) Дата: 19–20 ноября 2025 года Подробности и регистрация: https://aij.ru/deepdive Приходи и стань частью сообщества, которое пишет будущее!

🚀 IBM представила Toucan: крупнейший открытый набор данных для обучения ИИ-агентов вызывать и использовать инструменты (tool calling). Toucan содержит более 1,5 млн реальных сценариев взаимодействия с API и внешними сервисами, охватывая 2000+ инструментов - от планирования задач до анализа данных и отчётности. 💡 Модели, обученные на Toucan, уже обошли GPT-4.5-Preview в ряде бенчмарков по эффективности работы с инструментами. Toucan обучает модели на реальных последовательностях вызовов инструментов, а не синтетических данных. Подробнее: https://research.ibm.com/blog/toucan-for-tool-calling #AI #Agents #ToolCalling #IBM #LLM

Новое техношоу о фейлах на дата-платформах Все упало, все сломалось, бизнес в панике. Для дата-инженеров это обычный вторник, а для шоу «Дропнуто» — повод снять свежий выпуск. «Дропнуто» превращает фейлы дата-платформ в истории, которые полезно услышать каждому, кто работает с данными. В центре каждого эпизода — один герой и одна яркая история фейла, развернутое обсуждение архитектуры и процессов, а также немного самоиронии. Анонсы и ссылки на прямые эфиры появятся в телеграм-боте проекта. Подписывайтесь, чтобы узнавать о премьерах первыми.

🔥 GOOGLE AI опубликовали пост о настоящем прорыве в области QUANTUM AI Сегодня в журнале Nature команда Google впервые показали проверяемое квантовое преимущество с помощью метода, называемого *out-of-time-order correlator (OTOC), или «квантовые эхо». Эксперимент проведён на квантовом чипе Willow, и он показывает, что квантовые устройства уже способны решать задачи, которые невозможно эффективно симулировать на классических компьютерах. Квантовый процессор Google выполнил алгоритм под названием Quantum Echoes - в 13 000 раз быстрее, чем лучший классический алгоритм на одном из самых мощных суперкомпьютеров в мире. 🟠Что это значит простыми словами Учёные научились буквально «отматывать время» в квантовой системе и смотреть, когда она переходит от упорядоченного поведения к хаосу. Этот переход - ключ к пониманию, где начинается настоящее квантовое преимущество. Проще говоря: 1) Учёные запускают квантовую систему вперёд во времени, позволяя ей запутаться и “рассеять” информацию. 2) Затем применяют обратные операции, как будто “перематывают” процесс назад. 3) Если всё сделано идеально, система должна вернуться в исходное состояние,но из-за квантового хаоса это происходит лишь частично. 4) Разница между “до” и “после” показывает, насколько глубоко информация ушла в хаос. Работа показывает, что можно извлекать информацию из хаотичных квантовых состояний, ранее считавшихся полностью случайными. Такой эффект невозможно воспроизвести на обычных суперкомпьютерах. Это шаг к практическим квантовым вычислениям, которые смогут моделировать материалы, молекулы и сложные физические процессы с точностью, недостижимой ранее. «Quantum Echoes может стать основой будущих квантовых разработок для реального применения. *Out-of-time-order correlator (сокращённо OTOC) - это специальная метрика, с помощью которой физики измеряют, как быстро информация "распространяется" и смешивается внутри квантовой системы. 🟢 Статья: https://www.nature.com/articles/s41586-025-09526-6 @ai_machinelearning_big_data #QuantumComputing #Google #AI #Nature #Physics

📌 Как быстро выгрузить большой объем данных из 1С? Работа с высоконагруженными системами 1500 АРМ. 📌 Приглашаем Вас на бесплатный онлайн-вебинар от «Денвик Аналитика» и наших партнёров «Insight», посвящённый теме работы с высоконагруженными учетными системами до 1500 АРМ, вопросам загрузки данных из 1С, контролю над распределенными системами и визуализацией данных. Ключевые темы: - Механики и методы извлечения данных из 1С; - Преимущества и работа Экстрактора 1С; - Архитектура решений; - Подключение данных Экстрактора к BI-платформе INSIGHT; - Микс данных из 1С, ClickHouse, Postgre и других систем для OLAP аналитики; - Self-service в Bi платформе INSIGHT - анализ на основе данных из экстрактора Денвик; - Представление данных и визуализация в едином дашборде; - Создание цифрового рабочего места на базе платформ; - Аналитическая смарт панель INSIGHT. Спикеры: Степан Пыстин - CTO компании "Денвик Аналитика". Александра Козлова - Старший аналитик INSIGHT. Регистрируйтесь по ссылке

Крутая работа от NVIDIA + MIT 👏 QeRL (Quantization-enhanced Reinforcement Learning) - новый способ обучать LLM-модели с подкреплением, используя 4-битные веса и адаптивный шум. 📈 Результат работы метода: до 1.5× быстрее rollout’ы* и полноценное RL-обучение 32B модели на одной H100 (80 GB).

Rollout - это прохождение эпизода или попытка модели выполнить задачу от начала до конца, чтобы потом оценить её действия и выдать награду.

Обычный RL медленный, потому что rollout’ы длинные, а память занята политикой и эталоном. LoRA уменьшает число обучаемых параметров, но не ускоряет генерацию. QLoRA использует NF4, но таблицы тормозят вывод. ⚙️ QeRL решает это: - применяет NVFP4 веса через Marlin, - сохраняет LoRA только для градиентов, - использует одну 4-битную политику и для rollout’ов, и для scoring — без дубликатов. 🧠 Добавление адаптивного шума квантизации повышает энтропию токенов — модель исследует пространство решений активнее. Шум постепенно уменьшается и сливается с RMSNorm-масштабированием — без добавления параметров. 📊 На математических задачах: - награды растут быстрее, - точность равна или выше, чем у 16-битных LoRA и QLoRA. 💡 Итого: быстрее, экономнее по памяти, и крупные модели теперь реально можно обучать на одной GPU. 📄 https://arxiv.org/abs/2510.11696

Amazon планирует заменить около 600 000 сотрудников в США роботами. Это колоссальный сдвиг - не только для компании, но и для всей экономики. Да, многие рабочие места исчезнут. Но если смотреть шире, мы стоим у начала новой промышленной революции, где выигрывают те, кто инвестирует в технологии на раннем этапе. Доходы от акций и дивидендов в будущем смогут превысить сегодняшние зарплаты, благодаря эффекту сложного процента. Автоматизация будет только расти. Это неизбежно. И, вероятно, параллельно появятся формы базового дохода (UBI/UHI), чтобы сгладить переход. 2030-е будут эпохой не страха, а огромных возможностей - для тех, кто готов адаптироваться. #Robotics #Automation #Amazon #FutureOfWork #AIeconomy

Вы начали изучать Python, установили библиотеки, попробовали что-то запустить — и всё внезапно сломалось? Не переживайте, это случалось с каждым. Просто вы не изолировали окружение. На открытом уроке курса «Machine Learning. Basic» мы разберём, как грамотно настроить виртуальное окружение, чтобы работать с Python и ML-библиотеками спокойно и системно. Вы узнаете, что такое venv, conda и uv, как управлять зависимостями и подключать Jupyter Notebook к своему окружению. Настроим всё пошагово — без сложных терминов и магии. Присоединяйтесь 28 октября в 20:00 (МСК). Уверенный старт в Python и машинном обучении начинается с чистого окружения. Регистрация открыта: https://otus.pw/zyQi/?erid=2W5zFHYpC6C #реклама О рекламодателе

🚀 Примеры ChatKit для разработчиков Репозиторий содержит продвинутые примеры использования ChatKit, включая интеграцию FastAPI и Vite + React. Он демонстрирует, как создать сервер ChatKit с помощью Python SDK и использовать различные инструменты для взаимодействия с клиентом. 🚀 Основные моменты: - Полный шаблон проекта с фронтендом и бэкендом. - Интеграция с инструментами для получения погоды и переключения тем. - Легкая разработка с проксированием запросов через Vite. 📌 GitHub: https://github.com/openai/openai-chatkit-advanced-samples #python

Когда знания разбросаны по чатам и папкам, сотрудники теряют время, решения принимаются медленно, а ошибки повторяются.

Так выглядит страшный сон любой IT-компании 😳 Если вы решаете проблему внешними SaaS-решениями, такой подход ненадежен и уход Notion с рынка это доказал. Решение есть: создать свою базу знаний с AI в облаке. Как? Расскажет эксперт Cloud․ru на вебинаре 23 октября. Вы узнаете:

➡️ как развернуть и масштабировать корпоративную Wiki на базе виртуальных машин и объектного ➡️ хранилища для надежного управления данными; ➡️ как настроить единую точку входа (SSO) для централизованной аутентификации и безопасного доступа сотрудников; ➡️ как интегрировать AI-помощника, создав Telegram-бота с прямым подключением к базе знаний через MCP-сервер для мгновенных ответов на вопросы.

В практической части вам покажут процесс настройки и интеграции всех компонентов. Регистрируйтесь 🖱

🌌 Google Gemini научили распознавать взрывающиеся звёзды по 15 примерам Google Research показали, что мультимодальная модель Gemini способна находить *вспышки сверхновых и другие астрономические события* — буквально по нескольким обучающим примерам. 🚀 Главное - Использован few-shot learning — всего ~15 примеров для каждой обсерватории *(Pan-STARRS, MeerLICHT, ATLAS)* - Модель видит три изображения: новое, эталонное и разницу между ними - Gemini не просто ставит метку, но объясняет, *почему* считает событие настоящим - Средняя точность — 93 %, после итераций до 96,7 % - Умеет оценивать свою неуверенность и просить помощи человека - Объяснения модели признаны экспертами-астрономами достоверными 🔭 Почему это важно - Будущие телескопы вроде Vera Rubin Observatory будут генерировать *миллионы сигналов каждую ночь* — без ИИ это невозможно обработать - Подход few-shot позволяет быстро адаптировать модель к новым данным без переобучения - Gemini превращается в научного помощника, а не просто классификатор ⚠️ Ограничения - 93 % ≠ 100 % — человек-в-петле всё ещё необходим - Модель чувствительна к качеству примеров и может ошибаться на редких артефактах Вывод: Gemini теперь не просто анализирует изображения, а *учится думать как учёный* — объясняя, сомневаясь и адаптируясь к новым задачам. 📖 Источник: https://research.google/blog/teaching-gemini-to-spot-exploding-stars-with-just-a-few-examples/

🚀 AI Journey Contest 2025 в самом разгаре! Уже 30 октября закончится международное онлайн-соревнование по ИИ AI Journey Contest 2025 с призовым фондом 6,5 млн рублей. ✨ У тебя еще есть возможность присоединиться к лучшим разработчикам со всего мира. Выбери один или несколько треков:

🤖 Agent-as-Judge: Создай универсального «судью» для оценки текстов, сгенерированных ИИ. 🧠 Human-centered AI Assistant: Разработай персонализированного ассистента на основе GigaChat. Бонус: Участникам предоставляются токены для API + возможность получить дополнительно 1 млн токенов! 💾 GigaMemory: Придумай механизм долговременной памяти для LLM.

Твой шанс выиграть денежный приз и заявить о себе на AI Journey - главной международной конференции по ИИ в России! Спешите зарегистрироваться по ссылке.

Не говорите создателю Markdown, что целая индустрия AI-агентов теперь зависит от каких-то .md-файлов, которые он когда-то написал просто ради удобства.

Когда твоя AI-девушка жила на AWS us-east-1 💔* Все было прекрасно, пока датацентр AWS us-east-1 не упал.

🌍 NVIDIA лидирует в опенсорсе в области ИИ, а китайские лаборатории только догоняют. Всего пару лет назад большинство моделей - особенно крупные языковые - были закрыты . Теперь всё иначе: экосистема открытого ИИ растёт взрывными темпами. Только за последние 90 дней на Hugging Face появилось более миллиона новых репозиториев. NVIDIA вышла в лидеры по количеству открытых проектов в 2025 году: серии Nemotron, BioNeMo, Cosmos, Gr00t и Canary. Китайские компании (Alibaba Cloud с Qwen, Baidu, Tencent и другие) активно догоняют и уже способны конкурировать с западными лабораториями. Открытый ИИ стал не только про гигантов - тысячи независимых разработчиков публикуют модели, датасеты и адаптации (например, LoRA). Это превращается в целое движение. Меняется глобальная карта ИИ: Китай и США усиливают позиции, а Европа и другие страны всё больше уходит в тень. ⚠️ Но есть нюансы: Открытость ≠ качество: важно следить за достоверностью данных, этикой и устойчивостью моделей. Рост числа репозиториев требует фильтрации — не всё из нового имеет практическую ценность. Лицензии и совместимость становятся критически важными: ошибки здесь могут стоить дорого. 📎 Подробнее: https://aiworld.eu/story/nvidia-leads-open-source-ai-momentum-as-chinese-labs-close-in #OpenSourceAI #NVIDIA #China #Innovation #AI #Ecosystem

🖼️✨ Удаление водяных знаков из видео Sora 2 с помощью ИИ Этот проект позволяет эффективно удалять водяные знаки из видео, созданных с помощью Sora 2, используя технологии искусственного интеллекта. Пользователь загружает видео, система анализирует каждый кадр и удаляет водяной знак с помощью инпейнтинга. 🚀Основные моменты: - Использует ИИ для точного удаления водяных знаков - Поддерживает Windows, MacOS и Linux - Обработка видео с сохранением качества - Легкий в использовании интерфейс для загрузки видео 📌 GitHub: https://github.com/hate0s/sora2-watermark-remover

Uber запускает новый способ заработка для водителей в США 💰 Теперь водители смогут получать деньги, выполняя «цифровые задачи» — короткие задания, которые занимают всего пару минут и доступны даже во время ожидания пассажиров. Примеры таких задач: ▫️ разметка данных для обучения ИИ ▫️ загрузка меню ресторанов ▫️ запись голосовых сэмплов ▫️ озвучка сценариев на разных языках Потенциал огромен: компании вроде Scale AI и Surge AI, занимающиеся разметкой данных, уже оцениваются примерно в $30 млрд каждая. В начале октября Uber также приобрёл бельгийский стартап Segments AI, специализирующийся на разметке данных, чтобы усилить свои позиции в этой сфере.

Илон Маск написал у себя в X:

«У Grok 5 примерно 10 % шансов стать AGI - и он может оказаться очень близок к этому уровню.»

Большинство разногласий вокруг сроков появления AGI сводятся к тому, как именно его определяют. Например, по последнему мнению Андрея Карпатия, настоящая AGI — это не просто языковая модель, а интеллект с телом: продвинутые роботы, способные выполнять физическую работу и даже решать проблему согласования (alignment). Если придерживаться такого определения, то даже 10 лет - слишком оптимистичный прогноз.