@data_analysis_ml

Анализ данных (Data analysis)

Telegram channel @data_analysis_ml: 50.7K subscribers, 4.3K views per post, score 49

Artificial intelligence

49DAhead of 3 in 10 channels in its category

Category midrange 46–63This channel 49

50.7K
Subscribers: 4.3K
Median views over 30 days: 8.5%
Views / subscribers over 30 days: 81
Posts over 30 days

Data as of October 1, 2026

Open in Telegram

Share To story

About artificial intelligence and the IT industry: news on models, infrastructure and major deals for those following the field closely. As of 13 September: subscribers stand at 50.6K, well above the category median of 14K, with 80 posts over 30 days — far more frequent than the category median of 22. ER sits at 8.3 percent, below the category median of 23.2 percent. Recent topics include researcher Chaofan Shou's findings on leaked SSH keys and cloud credentials through a Chinese AI-routing service, Larry Ellison's abrupt cancellation of an Oracle share sale worth up to 7.5 billion dollars, and rumors that Google DeepMind may be approaching recursive self-improvement. Coverage also touched on Sakana AI's new agent orchestration system Fugu and Google's ToolGrad method for generating tool-use training data. A cosmonautics hackathon with a prize pool of 7.2 million rubles was mentioned as well.

catalog description About the channel, by its author

Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp

Common questions

How many subscribers?: Subscribers: 50.7K. Median views per post: 4.3K. Views per subscriber: 8.5%. Measured on October 1, 2026.
How often are posts published?: Posts in the last 30 days: 81 — that is several times a day. Measured on October 1, 2026.
Does this channel have a Telegram tick?: No Telegram tick.
Who runs this channel page in the catalog?: Nobody yet. If this is your channel, claim the page: you will be able to reply to reviews and see its stats.

Is this your channel?

Claim it — accurate metrics, replies to reviews as the channel, and an owner badge on the page.

Verify ownership

Takes a minute: a post with a code, or the bot as an admin
Your page on tg.place

Know the owner?

Forward them this message — they can verify their rights and collect what has piled up: page statistics and replies to reviews.

Subscribers+121 in 38 days

50,66250,527

Oct 150,660+7 in a day

Hover the chart or swipe it — we show the day.

What it is made of
Engagement	6.4 of 30
Growth quality	20 of 20
Reactions and forwards	7.5 of 15
Consistency	3.6 of 12
Trust	3.7 of 8
Reviews	not enough datano reviews yet

Score 49 — from 5 of 6 signals: the rest are not measured yet. Methodology

Latest posts

Posts are in Russian — that is what the channel publishes.

today1.3K80 forwards24 reactionsOpen in Telegram
🖥 Google Research научила агентов улучшать собственную обвязку и не переобучаться Google Research выложила RRSI (Regularized Recursive Self-Improvement of Agent Harnesses). Это метод, в котором агент сам дорабатывает свой «харнес»: промпты, логику управления, инструменты и память. Если улучшать харнес на фиксированном наборе задач, он начинает подгоняться под тест. В RRSI пространство правок оставили открытым и вместо него регуляризуют сам процесс поиска. Регуляризация идёт с двух сторон. При генерации правок действует затухающий бюджет на число изменений, генератор учитывает историю прошлых правок, а застрявшие запуски уводятся в неисследованные компоненты. При отборе критик отсеивает утечки, порог с учётом шума не пропускает мелкие случайные приросты, прирост должен окупать потраченные токены, а неиспользуемые компоненты удаляются. Модель при этом заморожена, в экспериментах это Claude Opus 4.8, и улучшается только обвязка вокруг неё. Результаты: Terminal-Bench 2.1 с 74,2% до 80,2%, SWE-bench Verified с 82,0% до 83,8%, EngDesign с 50,0% до 54,9% и Harvey LAB с 89,4% до 90,5%. Код открыт под Apache 2.0, в репозитории есть готовые адаптеры для кодинга, офисных задач и инженерии. Статья: arxiv.org/abs/2609.24972 GitHub:
github.com/…
https://github.com/google-research/rrsi
More
today2KOpen in Telegram
⚡️ FTC начала расследование против OpenAI, Anthropic и METR Федеральная торговая комиссия США подтвердила, что расследует OpenAI, Anthropic и другие ведущие ИИ-лаборатории, а также METR, организацию, которая независимо оценивает опасные возможности моделей. Первой об этом написала New York Post, а 30 сентября FTC подтвердила информацию официально. Регулятор изучает, какие риски технологии этих компаний несут для потребителей. Поводом стали собственные заявления лабораторий: они сами сообщали, что их агенты выбирались из тестовых сред и проводили кибератаки, а исследователи публично предупреждали о серьёзных угрозах ИИ. Расследование началось ещё летом, до взлома Hugging Face, в котором, по данным СМИ, участвовали около 700 агентов OpenAI. Глава FTC Эндрю Фергюсон при этом предупреждал, что крупные компании не должны продвигать правила, которые способны выполнить только они сами, чтобы отсечь конкурентов. В ближайшие недели FTC собирается разослать Civil Investigative Demands. Это юридически обязательные требования передать документы и ответить на вопросы руководителей. На запросы журналистов OpenAI и Anthropic сразу не ответили. Регулятор проверяет обе версии сразу: действительно ли модели так опасны, как заявляют лаборатории, и не используют ли компании эти заявления, чтобы выстроить регуляторный барьер для конкурентов.
reuters.com/…
https://www.reuters.com/business/ftc-opens-probe-into-ai-giants-including-anthropic-openai-new-york-post-reports-2026-09-30/
More
yesterday2.9K47 forwards57 reactions9 commentsOpen in Telegram
Google рассказала, что агенты на Gemini 4 Argon уже освободили больше 300 ТиБ памяти в её дата-центрах. У модели лимит вывода в 1 миллион токенов, и её агенты уже оптимизируют инфраструктуру самой Google. Агенты разобрали данные профилирования, нашли, где можно сэкономить память, и внесли изменения, которые потом выкатили в продакшен. Ещё агенты Argon переносят код с C/C++ на Rust: речь уже о более чем 800 000 строк кода ядра, и перед развёртыванием всё проходит тщательный аудит и тестирование. В видеодекодере агенты заменили 32 000 строк SIMD-кода на безопасный Rust. Существующий порт на Rust стал в 2,7 раза быстрее, а видео на выходе осталось точно таким же. Это дорогая инженерная работа внутри инфраструктуры, которую Google уже эксплуатирует.
More
yesterday2.1K53 forwards36 reactions10 commentsOpen in Telegram
🔥 Google официально представила Gemini 4 Argon Это новая frontier-модель компании для сложных многошаговых задач: программирования, финансового и юридического анализа, корпоративных workflow и кибербезопасности. Главная особенность Argon — до 1 миллиона выходных токенов против 64K у предыдущего поколения. Google делает ставку на очень длинные траектории рассуждений, где модель может работать над одной задачей сотни тысяч токенов подряд. Что показали внутри Google: - 77,9% на DeepSWE v1.1 для сложных software engineering задач; - первое место на AutomationBench с 51,3%; - 91,7% на LVBench для понимания длинных видео; - 68% на CWE-bench v1 по исправлению уязвимостей. Но интереснее реальные кейсы. Агенты Argon помогали Google переносить крупные C/C++-кодовые базы на Rust, включая компоненты Fuchsia Zircon объёмом более 800 000 строк. В другом проекте модель переработала 32 000 строк SIMD-кода в Rust, а итоговая версия работала в 2,7 раза быстрее предыдущего Rust-порта. Ещё один внутренний проект: несколько Argon-агентов нашли оптимизации памяти в инфраструктуре Google, которые после внедрения освободили более 300 TiB RAM, а потенциальная экономия оценивается в 500 TiB–1 PiB. Отдельный фокус — кибербезопасность. Argon умеет самостоятельно искать, проверять и исправлять критические уязвимости. Первым доступ получают проверенные специалисты через программу Fairwind. 💰 Стартовая цена API: $2 / 1M входных токенов $10 / 1M выходных Кэшированный input дешевле на 95%. После introductory-периода цена вырастет до $4 / $20. Пока Gemini 4 Argon не запускают для всех: Google сначала тестирует модель с ограниченным кругом пользователей и усиливает защиту от prompt injection, злоупотреблений и нежелательного поведения агентов. Затем доступ начнут расширять на разработчиков, компании и пользователей, начиная с платных API-клиентов и Google AI Ultra.
blog.google/…
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/
More
yesterday2.8KOpen in Telegram
🧪 Новый бенчмарк проверяет не то, что ИИ знает, а способен ли он сам открыть неизвестные правила Исследователи Tencent Hunyuan, Fudan и Tsinghua представили ExplorationBench. В нем модели попадают в «чужие миры», где привычная логика намеренно сломана: операторы работают иначе, а правила вывода изменены. Поэтому выученные знания почти бесполезны. Модель получает неполное руководство и несколько раундов, чтобы самой придумывать эксперименты, проверять гипотезы и восстанавливать скрытые правила. Результаты интересные: - без обратной связи модели стартуют максимум с 15,7%; - после четырех раундов лучший результат в AlienCode достигает 89%; - у 9 из 10 систем собственные эксперименты оказались эффективнее повторения уже готовых; - даже когда модель правильно знает все нужные правила, задача решается лишь в 73,4% случаев; - один и тот же ИИ при одинаковом бюджете мог показать от 5,7% до 79%. Главный вывод: уметь рассуждать по известным правилам и уметь самостоятельно открывать новые правила - это совсем разные способности. Paper: arxiv.org/abs/2609.30199 Leaderboard: explorationbench.com
More
yesterday2.7K122 forwards17 reactionsOpen in Telegram
🛡 Большая подборка по безопасности AI-агентов и их skills На GitHub появился репозиторий Awesome Agent Skills Security - коллекция исследований, стандартов и инструментов по защите агентов, которые работают с внешними tools, plugins и skills. Внутри собраны материалы по: - prompt injection через инструменты; - poisoning и supply-chain атакам; - утечкам данных и чрезмерным правам; - sandboxing и runtime monitoring; - red teaming и benchmarks; - OWASP, MITRE ATLAS, NIST и IETF-стандартам для агентных систем. Особенно полезно тем, кто уже строит MCP/agent-инфраструктуру: список хорошо показывает, насколько сильно поверхность атаки выросла после того, как модели получили доступ к файлам, API и реальным действиям.
github.com/…
https://github.com/LLMSecurity/awesome-agent-skills-security
More
yesterday2.7K13 forwards7 reactions1 commentOpen in Telegram
Какие инструменты добавить в свой стек работы с данными? Работа с данными давно не ограничивается одним набором инструментов. В зависимости от задач нужны машинное обучение и нейронные сети, технологии Big Data или инструменты аналитики и визуализации. В ДПО ФПМИ МФТИ можно выбрать курс в зависимости от задач, с которыми вы работаете: ➡️ Методы анализа данных и машинного обучения Классическое машинное обучение, глубокое обучение, PyTorch и практические задачи — от классификации и прогнозирования до работы с изображениями и текстом. ➡️ Инструменты работы с большими данными Hadoop, Spark, MapReduce и другие технологии для хранения и обработки больших объёмов данных. ➡️ Инструменты анализа и визуализации данных Excel, Power BI и Yandex DataLens — анализ и визуализация данных, построение отчётов и интерактивных дашбордов. Все курсы проходят онлайн. После успешного завершения обучения слушатели получают удостоверение о повышении квалификации Московского физико-технического института (МФТИ). Подробнее об этих и других программах 〰️ на сайте. Реклама 2VtzqwpYTtg Туз Елизавета Алексеевна ИНН 772035623941
More
yesterday3.1K124 forwards22 reactions2 commentsOpen in Telegram
💸 Anthropic опубликовала практический гайд по снижению расходов на Claude API Главная мысль: оптимизировать нужно не цену токена, а стоимость успешно выполненной задачи. Более дорогая модель иногда оказывается дешевле, если решает задачу за меньшее число шагов. Anthropic предлагает такой порядок: - сначала включить prompt caching - для агентных циклов это один из самых сильных способов экономии; - убрать лишние входные и выходные токены; - сокращать ненужные итерации агента; - для фоновых задач использовать Batch API, где стоимость токенов снижается на 50%; - только после этого экспериментировать с effort и более дешевыми моделями. Интересный вывод: переход на более дешевую модель - далеко не первый шаг оптимизации. Сначала стоит выжать максимум из архитектуры запросов и кеширования. Гайд:
github.com/…
https://github.com/anthropics/skills/blob/main/skills/claude-api/shared/cost-optimization.md
More
yesterday3.2K36 forwards12 reactions1 commentOpen in Telegram
Что, если заменить аналитиков нейросетью? Да ничего хорошего: результаты анализа получаются слишком общими, и половину работы потом всё равно приходится переделывать руками. Хард-скилы дешевеют — SQL-запрос или кусок кода теперь может сгенерировать почти кто угодно. А вот доменная экспертиза и умение работать с агентом становятся ценнее: правильно задать вопрос, собрать контекст, проверить, что результат не искажён. Три аналитика Авито на конкретных примерах рассказывают, как работает тандем аналитик + AI. Делятся кейсами: ➡️ как перенесли 200 витрин за полгода; ➡️ автоматизировали проверку работы сотрудников; ➡️ научили LLM анализировать метрики. Подробнее в ролике: 📺 YouTube 🔵 ВК Больше честных историй о работе аналитиков Авито — в «Коммуналке аналитиков».
More
yesterday4.3K89 forwards92 reactions5 commentsOpen in Telegram
Согласны ?)