Data Portal | DS & ML

Claude Code может терять направление, когда задача требует реального анализа: отладки, архитектурных компромиссов, оценки рисков или выработки стратегии. Claude Code Thinking Skills — это библиотека из 39 ментальных моделей и фреймворков критического мышления для пользователей Claude Code, которым нужен более структурированный подход к рассуждениям Она помогает разбирать сложные задачи через навык thinking-model-router, который подбирает подходящую модель мышления под тип проблемы, вместо того чтобы полагаться на случайные промпты. Что входит: • 39 моделей мышления — включая First Principles, Bayesian Reasoning, Systems Thinking, OODA, Pre-Mortem, TRIZ и другие. • Точка входа через Router — определяет домен и тип задачи, после чего предлагает наиболее подходящий фреймворк. • Нативная интеграция с Claude Code — каждая модель упакована как отдельный Claude Code Skill, который можно вызвать по имени. • Установка через плагины — в README есть инструкции по установке через маркетплейс Claude Code и ручному копированию. • Прозрачная система оценки — проект публикует результаты тестирования и репликации, включая текущий результат: «ноль устойчиво воспроизведённых вердиктов ELEVATE». Проект распространяется с открытым исходным кодом по лицензии MIT. https://github.com/tjboudreaux/cc-thinking-skills 👉 @DataSciencegx

Google опубликовала бесплатное руководство по масштабированию ИИ-моделей и работе с GPU. 📘 How to Scale Your Model https://jax-ml.github.io/scaling-book/ 📘 How to Think About GPUs https://jax-ml.github.io/scaling-book/gpus/ В материалах разбираются принципы масштабирования моделей, устройство GPU, вычислительные ограничения, пропускная способность памяти, параллелизм и другие темы, которые пригодятся при обучении и запуске современных ИИ-моделей. Полностью бесплатно и доступно онлайн. 👉 @DataSciencegx

Вышел Memento-Skills. И это агентный фреймворк, в котором агенты учатся на собственных ошибках и переписывают свои скиллс самостоятельно. Большинство агентных систем используют статические скиллы. Тоесть написал один раз, загрузил в контекст и надеешься, что всё сработает. Если скилл ломается — исправлять приходится вручную. Memento-Skills работает иначе. Если скилл не справляется с задачей, система анализирует причину сбоя, находит проблемный скилл, переписывает его и сохраняет улучшенную версию обратно в библиотеку. Цикл работы выглядит так: → Read — выбирает нужные скиллы из локальной библиотеки → Execute — выполняет их в песочнице с доступом к инструментам → Reflect — анализирует ошибки и определяет, какой скилл подвёл → Write — улучшает существующие скиллс или создаёт новые По сути, это агентная система, которая постепенно улучшает собственную библиотеку навыков на основе накопленного опыта. Проект протестировали на бенчмарках HLE (Humanity's Last Exam) и GAIA. По мере роста библиотеки навыков результаты улучшались от раунда к раунду. Поддерживает Kimi, MiniMax, GLM и другие OpenAI-совместимые API. В комплекте уже есть 9 базовых скиллов: работа с файлами, веб-поиск, PDF, DOCX, XLSX, PPTX, анализ изображений, создание навыков и установка зависимостей. Исходный код полностью открыт. 🔥 👉 @DataSciencegx

Лето начинается: водные развлечения, гриль на острове и новые маршруты в бутик-отеле «Заонежье» Для гостей бутик-отеля «Заонежье» к новому сезону подготовлены лесные трассы для первых заездов на новых квадроциклах — они позволяют исследовать дикие уголки карельской тайги и скалистые берега озер. Велопрогулки по дорогам Заонежья стали еще комфортнее благодаря электробайкам, которые этой весной пополнили велопарк отеля. В мае, в отеле открылся сезон водных развлечений: гостям доступны сапы, каяки и весельные лодки. В этом году пользование ими - комплементарное для всех гостей. Также появились новые маршруты для катеров по заливам Онежского озера. Ресторан «Руна» представляет летнюю серию гриль-сетов, которые можно приготовить самостоятельно на одном из необитаемых островов или устроить барбекю на лужайке у дома. В меню — овощные и рыбные сеты, а также мясное ассорти. Бутик-отель «Заонежье» приглашает к активному отдыху среди озер и северной природы Карелии.

Вышла новая работа о том, как ИИ-агенты меняют интеллектуальный труд. Редкий случай, когда обсуждают не модели и бенчмарки, а то, как меняется сама работа людей. Авторы рассматривают внедрение агентов через 3 параметра: • уровень автономности • рост эффективности • объём задач, которые сотрудники готовы делегировать агентам Интересный вывод: главный барьер для внедрения агентов часто связан не с качеством моделей. Большинство людей просто никогда не учили работать с агентными системами. Статья: https://arxiv.org/abs/2606.07489 👉 @DataSciencegx

Поздравляем, вы на 1 шаг ближе к работе мечты 🥳 Осталось только прочитать этот пост, подписаться на канал и откликнуться на вакансию 😉 Avito Career* — место, где Авито делится актуальными вакансиями и стажировками для Data Science специалистов. Подписывайтесь, чтобы найти ту самую работу ✨ *карьера

Как AI Engineer, изучайте: - Инженерию агентных рантаймов (agent harness engineering), а не только промпт-инжиниринг - Контекстную инженерию (context engineering), а не только длинные промпты - Компромиссы между prompt caching и semantic caching - Управление KV-кэшем: вытеснение, повторное использование и давление на память при масштабировании - Разницу между задержкой на prefill и decode, и почему они требуют разных подходов к оптимизации - Continuous batching, paged attention и повышение пропускной способности (throughput) - Компромиссы между speculative decoding, квантизацией и дистилляцией - INT8, INT4, FP8, AWQ, GPTQ и случаи, когда квантизация ухудшает качество - Сбои структурированного вывода, валидацию схем, циклы исправления (repair loops) и цепочки резервных сценариев (fallback chains) - Надёжность function calling, контракты инструментов (tool contracts), валидацию аргументов и идемпотентность - Ограничители для агентов (guardrails), лимиты циклов, лимиты использования инструментов и условия завершения работы - Маршрутизацию моделей (model routing), логику плавного переключения на резервные сценарии (graceful fallback) и UX в деградированном режиме - Архитектуру RAG: чанкинг, эмбеддинги, гибридный поиск, реранжирование и актуальность данных - Оценку качества поиска (retrieval evals): полноту (recall), точность (precision), grounding, attribution и качество цитирования Evals: эталонные наборы данных (golden sets), регрессионные тесты, adversarial-тесты, LLM-as-a-judge и ручную оценку - Наблюдаемость LLM-систем (LLM observability) как полноценную инженерную дисциплину: трассировки, спаны, токены, задержки, ошибки и дрейф - Атрибуцию затрат по функциям, workflow, арендаторам (tenants) и пользовательским сценариям, а не только по моделям - Инженерию безопасности: защиту от prompt injection, предотвращение утечек данных и разграничение прав доступа - Изоляцию арендаторов (multi-tenant isolation), безопасность кэшей и предотвращение загрязнения контекста между пользователями - Fine-tuning, in-context learning, RAG и дистилляцию, а также случаи, когда каждый из этих подходов оказывается неподходящим инструментом - Компромиссы между задержкой, качеством, стоимостью и надёжностью по всей цепочке инференса - Типичные сбои в продакшене: галлюцинированные вызовы инструментов, некорректный JSON, устаревшие данные из поиска, зациклившиеся агенты и незаметные регрессии в evals 👉 @DataSciencegx

Джек Дорси создал локального ИИ-агента Goose и передал проект в Linux Foundation. Сейчас у проекта: • 46,4 тыс. звёзд на GitHub • 518 контрибьюторов • 137 релизов • обновления выходят до сих пор Goose не ограничивается генерацией кода. Он умеет устанавливать зависимости, запускать приложения, редактировать файлы, выполнять тесты, отлаживать и деплоить проекты. Что есть из коробки: Нативное десктопное приложение, CLI и API — можно выбрать любой способ работы Поддерживает любые LLM: Claude, GPT, Gemini, DeepSeek, Ollama и ещё более 15 моделей Работает с уже существующими подписками — не нужно отдельно платить за новые API Более 70 MCP-расширений: GitHub, Google Drive, базы данных, браузер и многое другое Параллельные субагенты — разбивает сложные задачи на части и выполняет их одновременно Recipes — позволяет сохранять workflow в YAML и делиться ими с командой Встроенный режим adversary — ревьюер, который выявляет prompt injection и потенциально опасные действия Совместим с Claude Code и Codex в качестве провайдеров через ACP Написан на Rust. Поддерживает macOS, Linux и Windows. Лицензия Apache 2.0 Самая любопытная часть — Goose может использовать Claude Code или Codex как субагентов. Goose координирует работу, а они выполняют задачи. https://github.com/aaif-goose/goose 👉 @DataSciencegx

Hugging Face выпустили Repo2RLEnv — инструмент, который превращает любой GitHub-репозиторий в источник данных для обучения RL-агентов. Идея довольно красивая. Каждый смёрженный PR — это уже решённая задача. Кто-то нашёл баг, исправил его и добился прохождения тестов. Repo2RLEnv автоматически собирает такие кейсы и превращает их в RL-задачи. Указываешь репозиторий, а дальше система сама: - поднимает Docker-окружение; - находит смёрженные PR; - создаёт задачи на основе сломанной версии кода; - проверяет, что до фикса тесты падают, а после проходят; - публикует готовый датасет в Hugging Face Hub. С наградами тоже всё просто. Агент предлагает исправление → запускаются тесты → прошли = +1, не прошли = 0. Без LLM-судей и других эвристик. Под капотом 9 пайплайнов генерации данных: реальные PR, коммиты, баги, CVE, рефакторинг, mutation testing и другие сценарии. Поддерживаются Claude Code, Codex CLI, Gemini CLI, OpenHands и любые другие агентные фреймворки через Harbor. Что особенно понравилось — инструмент работает не только с открытыми, но и с приватными репозиториями. По сути, теперь любой достаточно крупный GitHub-репозиторий можно превратить в фабрику задач для обучения кодовых агентов. Полностью open source.

Хотите не читать про AI Engineering, а реально что-то собрать? Выложили в опенсорс коллекцию из 50+ практических туториалов по AI Engineering. Внутри пошаговые проекты по: • AI-агентам и мультиагентным системам • RAG (Agentic, Vision и Local) • MCP-агентам • OCR-приложениям • Голосовым AI-агентам • и многому другому Всё бесплатно, с исходниками и готовыми примерами. 🥩 👉 @DataSciencegx

Кто-то потратил несколько месяцев и вручную написал 200-страничный гайд по математике и основам машинного обучения. Без маркетинговой воды и бесконечных ссылок между статьями. Просто попытка собрать всё самое важное в одном месте. Внутри: • нейросети: backpropagation, SGD, Adam, BatchNorm; • классический ML: SVM, Gradient Boosting, K-Means, PCA; • железо для AI: Tensor Cores, Systolic Arrays, CUDA; • трансформеры: Multi-Head Attention, KV Cache, LoRA; • компьютерное зрение: ViT, CNN, MAE, IoU, NMS, VLM; • агентные системы: ReAct, память, оркестрация, OpenClaw. Автор описывает его как материал, который хотел бы получить сам несколько лет назад. И да, весь гайд распространяется бесплатно. https://www.arjunvirk.com/writing/ml-guide 👉 @DataSciencegx

Если у вас уже 200 открытых вкладок с курсами, статьями и GitHub-репозиториями по ML, этот репозиторий может немного спасти ситуацию. Awesome Machine Learning Resources — это огромная подборка подборок по машинному обучению, deep learning и AI. Вместо бесконечного поиска по Google всё разложено по категориям: • основы машинного обучения • нейросети и современные архитектуры • задачи и прикладные области • датасеты • библиотеки и инструменты • fairness и AI ethics • production ML и MLOps У каждой ссылки есть короткое описание, поэтому можно быстро понять, стоит ли открывать её или пройти мимо. Отдельно понравилось, что авторы помечают заброшенные подборки значком , если их не обновляли больше года. https://github.com/ZhiningLiu1998/awesome-machine-learning-resources 👉 @DataSciencegx

В большинстве учебников синус и косинус вводят через углы, измеряемые длиной дуги единичной окружности. Но существует менее известный и при этом полностью строгий подход: определять угол через площадь кругового сектора. В этой формулировке угол связывается не с длиной кривой, а с величиной, которую можно напрямую вычислить средствами интегрального исчисления. Получается интересный взгляд на основы тригонометрии: вместо геометрических соглашений и интуитивных определений всё строится на анализе и математически строгих определениях. Такой подход позволяет вывести тригонометрию из анализа и избежать части логических кругов, которые часто встречаются в классическом изложении темы. В статье разбираются основы тригонометрии от единичной окружности до строгих аналитических определений синуса и косинуса. Полный разбор⟶синус и косинус через анализ 👉 @DataSciencegx

Туториалов по AI-агентам стало слишком много. Большинство показывает очередного чат-бота на 50 строк кода, но не объясняет, как строить реальные агентные системы. Наткнулся на хороший open-source репозиторий для изучения LangChain и LangGraph. LangGraph 101 проводит путь от базовых агентов до более продвинутых паттернов через ноутбуки и готовые примеры. Что внутри: • Два уровня обучения: 101 для основ и 201 для продвинутых сценариев • Пошаговые ноутбуки по моделям, инструментам, памяти, стримингу, middleware, guardrails и human-in-the-loop • Готовые проекты: email triage, исследовательские агенты, multi-agent системы и Deep Agents • Интеграция с LangGraph Studio для локальной разработки и hot reload • Инструкции по настройке OpenAI, Azure OpenAI, AWS Bedrock и Google Vertex AI По сути, это структурированная дорожная карта по LangGraph вместо десятков разрозненных статей и видео. MIT License. Open Source. https://github.com/langchain-ai/langgraph-101 👉 @DataSciencegx

Кто-то взял Gemma 4 12B, снял цензуру, сделал аблитерацию модели и получил довольно неожиданный результат. https://huggingface.co/AEON-7/Gemma-4-12B-it-AEON-Abliterated-K4-BF16 Новая версия показала более высокий результат на OpenAI HumanEval, чем официальный Gemma 4 12B. Да, модель стала менее выровненной и при этом лучше справилась с задачами по программированию. Пока доступна только в BF16. Следующий шаг — NVFP4-квантизация. Интересно будет посмотреть, сохранится ли прирост после квантизации или это преимущество исчезнет вместе с частью весов. Не каждый день увидишь, как "uncensored" версия обгоняет оригинал в кодинге. 👉 @DataSciencegx

ByteDance выкатили бумагу, от которой у NVIDIA может начать дёргаться глаз. https://arxiv.org/html/2602.24286v1 Они натренировали агента, который пишет CUDA лучше многих людей. Называется CUDA Agent. Схема простая: → пишет CUDA-ядро → компилирует → гоняет профилировщик → ищет узкие места → переписывает код → повторяет цикл снова и снова По сути это RL-агент, который бесконечно оптимизирует код под конкретное железо. Самое интересное, что он начал находить оптимизации памяти и стратегии тайлинга, которые обычные компиляторы просто не видят. Результаты на KernelBench получились очень жирными. • до 3.2× быстрее стандартного исполнения через PyTorch • на сложных задачах обошёл Claude Opus 4.5 и Gemini 3 Pro примерно на 40% • регулярно генерирует более быстрые CUDA-ядра, чем традиционные компиляторы Почему это важно? Одна из главных причин доминирования NVIDIA заключается в том, что хороший CUDA-разработчик стоит дорого, а сама экосистема очень липкая. Когда оптимизация под железо требует лет опыта, большинство компаний просто остаются внутри CUDA. Но если агент способен сам писать и оптимизировать ядра... то внезапно становится не так важно, какой у тебя чип. Сегодня CUDA. Завтра ROCm. Послезавтра какой-нибудь кастомный AI-ускоритель. Самый интересный вывод из всей истории: возможно, главным конкурентным преимуществом скоро станет не сам SDK, а агент, который умеет автоматически выжимать максимум из любого железа. 👉 @DataSciencegx

Почитай это, если хочешь разобраться в ML-инфраструктуре. https://www.sei.cmu.edu/blog/a-hitchhikers-guide-to-ml-training-infrastructure/ Это отличный обзор от CMU верхнего уровня про то, что важно учитывать при обучении ML-моделей. В статье разбираются:

аппаратное обеспечение память и пропускная способность памяти процесс проведения ML-экспериментов

Отдельно объясняется, почему GPU настолько важны для обучения моделей, чем они отличаются от CPU и какие аппаратные ограничения сильнее всего влияют на скорость обучения. 👉 @DataSciencegx

40 собесов и оффер за 1 месяц Алексей разработчик. Искал работу с декабря - написание сопроводов и отклики занимали очень много времени. Выхлоп - почти нулевой. В какой-то момент понял: так можно искать бесконечно. И по совету друга попробовал ии-ассистента Софи. ▫️За ~1 месяц прошел около 40 собеседований ▫️Получил оффер с вакансии, на которую, по его словам, не откликнулся бы сам

В описании она выглядела скучно, а по факту - одна из самых интересных компаний, с которыми я общался.

Весь процесс - от первого собеседования до оффера - занял 4 дня. P.S. Попробовать Софи бесплатно можно будет 16 июня. Не пропусти анонс здесь.

Как получить ChatGPT Plus стоимостью $20 бесплатно В некоторых регионах ChatGPT предлагает бесплатный месяц подписки. Что для этого нужно: - Аккаунт GoPay (его можно открыть в Индии) - Новый аккаунт ChatGPT - VPN с подключением через Японию Как получить предложение:

Перейдите по ссылке: https://chatgpt.com/?promo_campaign=plus-1-month-free#pricing

1. Подключите VPN через Японию 2. Создайте новый аккаунт ChatGPT 3. Нажмите «Claim Offer» 4. Пролистайте страницу вниз и выберите Индонезию 5. Выберите тариф «Plus» 6. В качестве способа оплаты выберите GoPay 7. Оплатите и пользуйтесь ChatGPT Plus в течение месяца. Повторяйте это каждую неделю, создавая новые аккаунты. На балансе GoPay должен быть 1 рупий. GoPay начисляет 1 рупий при открытии аккаунта. Если нужно больше, их можно купить у индонезийских пользователей. 👉 @DataSciencegx

9 мер расстояния, которые часто используются в Data Science и ML 👉 @DataSciencegx