@jdata_blog
Data Blog
Telegram channel @jdata_blog: 2.5K subscribers, 1.7K views per post, score 70
70BAhead of 8 in 10 channels in its category
Category midrange 46–63This channel 70
- 2.5K
- Subscribers
- 1.7K
- Median views over 30 days
- 67.3%
- Views / subscribers over 30 days
- 10
- Posts over 30 days
Data as of October 1, 2026
About interpretability research in neural networks, mechanistic analysis of models, and the author's work in AI research, mixed with personal notes on conferences and everyday work life. As of 16 September: 2.4K subscribers, median post views at 1.3K, and an ER of 53.8 percent, well above the category median. Subscriber count sits below the category median, and posting over the past 30 days was less frequent than the median for the category. Recent topics include a talk at the Applied Machine Learning for Cyber Security Conference in London on detecting jailbreaks, deduplication work across OpenAlex entries with duplicate papers compared by citation counts, and the release of a map of mathematical structures along with an accompanying write-up published on Habr. The author writes candidly, breaking down interpretability preprints on AI agents alongside personal reflections on work and summer life.
catalog description About the channel, by its author
Интерпретируемость (AI) моделей и путь до phD, если автор не уйдет пасти овец. Сотрудничество, предложения, вопросы: @sabrina_sadiekh
Overview
Written automatically from the channel's data, updated 9 September 2026. The numbers in this text are as of that date; the fresh ones are in the tiles above.
Data Blog is a personal channel where the author mixes machine-learning research notes with everyday reflection: posts cover deduplicating research datasets, explaining PDP, ICE and ALE, and reacting to fresh preprints like Mechanist, alongside candid notes about summer, rejections and ordinary life. The tone is informal and self-ironic rather than academic.
Over 30 days the channel published 17 posts, below the category median of 22. Median post views sit at 1,031, and ER runs at 46.0% — almost double the category median of 26.3%, meaning most readers actually watch what gets posted. Across the 13-day observation window subscribers grew by 9, while average views dropped by 129.
The channel suits readers who want interpretability and NLP topics served with personal voice rather than a dry academic feed. Subscriber count is still below the category median — 2,243 versus 14,145 — but engagement runs well above the category norm. Place Score stands at 74.
Common questions
- What is the @jdata_blog channel about?
- It's a personal blog about ML research: the author writes about model interpretability, deduplicating research datasets, and methods like PDP, ICE and ALE, mixed with posts about everyday life.
- Is advertising available on @jdata_blog?
- The owner hasn't published an ad price yet. You can reach out directly on Telegram to discuss placement.
- How many subscribers?
- Subscribers: 2.5K. Median views per post: 1.7K. Views per subscriber: 67.3%. Measured on October 1, 2026.
- How often are posts published?
- Posts in the last 30 days: 10 — that is a few times a week. 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 ownershipTakes 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.
2,4822,234
Oct 12,482+7 in a day
Hover the chart or swipe it — we show the day.
| What it is made of | |
|---|---|
| Engagement | 25.1 of 30 |
| Growth quality | 16.7 of 20 |
| Reactions and forwards | 8.1 of 15 |
| Consistency | 6 of 12 |
| Trust | 4.1 of 8 |
| Reviews | not enough datano reviews yet |
Score 70 — from 5 of 6 signals: the rest are not measured yet. Methodology
Latest posts
Posts are in Russian — that is what the channel publishes.
- Привет, друзья! Ура-ура, я проспалась и дописала новый-красивый геометрически-AI-ный туториал. Никогда меня так не накрывал джетлаг — три дня я просто сонный картофель — не иначе. Что у нас на Хабре: Туториал, посвященный и вдохновленный работой Navigating the Latent Space Dynamics of Neural Models. Она попалась мне на глаза ещё в мае 2025 и привлекла своей необычной постановкой. Сейчас, в сентябре 2026 наконец-то её разбирая, я была очень рада увидеть её принятой на ICLR 2026 (а ещё зацените, как долго я иногда дохожу до чего-то).. = ) Динамическая система — множество состояний и правило, по которому состояние меняется во времени. Шаг за шагом точка движется, и можно спросить, куда она в итоге придёт. Иногда она прилипает к «притягивающим» точкам — аттракторам. Оказывается, такую систему можно найти внутри автоэнкодера. Берём код z, декодируем, снова кодируем: f = E∘D. Применяем f снова и снова — и получаем траекторию в латентном пространстве, а разность f(z) − z задаёт векторное поле. Такая постановка позволяет изучить саму модель через её пространство, а не через данные. У этого есть прикольные примерения — например, детекция Out of Distribution. В процессе туториала, идя по нему step-by-step, у вас получится: 1. Задать определение векторного поля в общем смысле и посмотреть, что это за объект внутри модели. 2. Узнать детали поля (когда пояляется, как сходится, какие есть теоремы). 3. Узнать, что такое аттракторы, бассейны притяжения и и как найти их (вместе с тонкостями процесса). 4. Проанализировать, как поле эволюционирует за обучение. 5. Увидеть, зачем это надо, кроме красивых картинок. 6. Порадоваться — ведь шесть шагов выше — это разбор ICLR статьи и вы его преодолеете. Шаг 6 будет самый значимый. Если вы будете "трогать" термины впервые — это титанический труд — дойти до конца. Поэтому не сдавайтесь, читайте, перечитывайте и всё получится! Всем чудесного вторника! 💔 Я рада добить этот туториал безумно — больно долго он пекся. Ноутбучек. Хабропост. Призываю ставить классы репозиторию и единорожиков (не говно, ради бога) сюда 🗿
- 1.2KOpen in TelegramЭтот перец и мой тубус выглядят лучше, чем моя цель купить наушники, до которых я шла два месяца, ибо надо время найти зайти в магаз 🦄 💅🏻
- AMLUCS 2026 Ну что, я всё, я еду обратно! Меня прям много спрашивали, как мне поездка на конференцию. И сейчас, пока самолет опаздывает, появились силы объять все свои чувства во что-то одно. Сначала структурно: — Было два дня конфы + пре-dinner. Всем советую приватные ужины — я хоть и не пью, но в день конфы это помогло мне чувствовать себя менее потерянным новичком — я уже знала ключевых организаторов, а они меня. — Было два трека. Исследователи и практики. Я была в первом, докладов было 14 у нас и 20 на практическом треке. — Из людей, я пообщалась с тремя scientific supervisors из вузов. Двум показала свою работу, с одним поныли на ICLR 2026 и на текущее состояние науки (мне понравилось). — Пообщалась с лидами и creators из OWASP. Остальная инфа — кто был умный, кто спонсировал и был рядом под бочком — будто на сайте конфы. Теперь — эмоционально: Первое, безумно рада. Горжусь, это была моя первая поездка по визе за 6 лет. Первая и одиночная — я очень часто путешествовала с кем-то. В этот же дебют добавилось выступление на конфе на английском языке, чего я не делала никогда. Для меня это про расширение моих границ. И несколько месяцев назад я была воробушком своей версии сейчас. Я правда очень боязлива и мне нравится себя здесь перебарывать и чувствовать сильнее сейчас, хотя я все ещё местами много чего боюсь и преодолеваю. Второе, удивлена. Для меня была новой открытость людей ко мне. Открытость и интерес. За два дня я наобщалась с огромным количеством разных людей, от small talks, до совместных breakfast/lunch на конфе. И всем было пофиг, что я русская, что было моим немного страхом, you know. По моим оценкам выступления — выступила хорошо. Было примерно 30 человек (а они ходили между залами практиков и теоретиков) и много вопросов. После доклада 5, в процессе постера — еще батч. Третье, благодарна людям! Особенно моему руководителю Евгению за волшебный пинок «подайся», пре-интро в людей конфы и возможность поехать. И всем моим друзьям, семье и знакомым, кто-то саппортнул тубусом для постера, кто-то ответил на тупые вопросы, кто-то ставил реакции на тревожные или восторженные кружочки : ) As you can see, это прям поездка — важная для меня, как личности. Если есть вопросы — feel free to ask! И ниже будет немного фотокарточек трипа.
- А ещё вас стало невероятно сильно больше, и я безумно рада видеть новых людей (вы мой маленький олимпийский, друзья)! 💔 Про меня почитать TLDR можно тут. Из других фактов, меня сейчас взаправду описывает фраза "горит жопа", ибо я как дурачек вычитываю презу для конфы в Лондоне, у меня финалится статья, и никто не отменял основные дела, а в другое время я пишу туториалы и всякие лекции читаю, вот. И я обязательно вернусь, но а пока чилл-посты и личные заметки. 🗿 Можете накидать вопросы!
- "AI решил выберите-проблему-математиков" Безумно обожаю, когда решаются какие-то сложные задачи, и на места встают паттерны в чиселках и абстракциях. И за последний год много куда нейрон приложил AI. И хотя, кажется, нас волновало в основном уравнение Навье-Стокса из-за скандала, красивого было много: 1. Циклы Кнута Дональд Кнут — автор «Искусства программирования», ему 87. Он решал задачу поиска маршрутов на кубе m×m×m из точек, где из каждой точки три стрелки, и надо разложить все стрелки на также три маршрута, каждый из которых обходит все точки ровно раз. Случай 3×3×3 был решен, общего решения не было. Его (вернее, подход к обобщению) принес Клод, и Дональд Кнут написал доказательство. Статью назвал «Циклы Клода», открыл её словами «Шок! Шок!» и закончил тем, что попросил не писать ему с обсуждением =) Там, если что, ещё не доведены четные m 2. Aletheia на Gemini Deep Think. Пример успешного натравления агента (двух на разных моделях) на решение актуальных задач. Решено 6 из 10. Из забавного: у каждого агента по отдельности был хотя бы один ложноположительный результат и все шесть задач были решены именно парой только парой: отчёт First Proof, блог DeepMind 3. Точки на плоскости Расставьте n точек на плоскости. Сколько пар может оказаться на расстоянии ровно 1? Эрдёш в 1946 году предположил верхнюю границу. Модель OpenAI построила расстановку, которая её превышает и опровергла гипотезу. Пост в x. 4. Августовские шары (жаль, не перекати-поля) и несофические группы. OpenAI выкатила пакет: 249-страничный манускрипт, и доказательства на GitHub. Там итого было 10 задач, с затратой в 2000$ Из важного выделяют несофические группы (существование таких не могли ни доказать, ни опровернусть с 1999), а остальные девять — про упаковку шаров в многомерном пространстве (верхняя оценка улучшена впервые с 1978 года), про числа Рамсея, про сложность вычисления перманента, про решётки в постквантовой криптографии. Анонс OpenAI. 5. Августовская Дзета-функция Про это я писала выше. Коротко: доля нулей, про которые доказано, что они на критической прямой, выросла с 41.6% до 67.25%. Рекорд стоял с 2020 года, а до него его поднимали с 1914-го. Anthropic 6. Сентябрьский Ферма Формализация теоремы. Это не новый результат, но пример формализации, бывшей с точки зрения описания сложной. 7. Сентябрьский Навье–Стокс Уравнения описывают течение жидкости. Вопрос на миллион долларов (правда дают денег!): может ли из гладкого начального состояния за конечное время возникнуть точка, где скорость бесконечна? С историей много связано моментов: за 12 часов до этого о близких результатах объявила другая команда, сейчас идёт спор о приоритете, а ещё часть математиков считает, что решён не тот вариант задачи. Если вы видели — была прям драмма. OpenAI. В каждую новость и в их совокупность, помимо красивого, можно вложить много смыслов. Первый момент, как мне кажется, может показаться, что человеческий мозг в целом отмирает, и становится рудиментом. И зачем учиться, зачем углубляться, есть AI. У этого есть ряд контр-аргументов: — Независимые замеры: FrontierMath Erdős, 68 задач, отобранных человеком, и моделями решено 2 из 68, тут таблица. — Весь агентский рисерч (Sakana, Autoresearch Андрея Карпатого, AiScientist, OpenResearch (и далее — их чет прям много)) — суть просто культурный pipeline исследования, описанный агенту инструкцией. Отсюда мозг-то надо, просто теперь как-то иначе приходится думать Второй момент — это авторство. "Что написано в интернете осталось в интернете" — это теперь "что написано в "GPT" осталось в трейне". Это стремно и тревожно, так как сейчас стали жестче даже submissions, ибо ревьюеры пользуются AI, в том числе чтобы съесть твою жопу (простите). И у меня есть ощущение, что исследователи и так in the hurry. По позиции с этим я никуда не приземлилась, так что просто работаю.
- Третий момент, который мне прям вот захотелось записать-написать — это то, что надо это ловить и изучать. В моменте у нас безумно простой доступ к знаниям, инструментам и реализациям, господи, мне кажется мы самые счастливые обладатели техники — потому что очень быстрый доступ к любой теории у нас есть просто на уровне запроса. Ну, а если философия вокруг вам не интересна, то список новостей классный, я залипла. У меня сейчас дедлайн на дедлайне и страдание на страдии, но в загашнике я ещё обязательно допишу всё, что встало на стоп. И если у вас есть мысли, буду рада, если поделитесь!
- Вебинар про объяснимость агентов и во что можно поиграть Как самый ответственный человек на земле, я решила, что лучшее время слечь — время на своих выходных. Поэтому вместо отдыха без интернета, я злая (и растроенная) долепливаю открытый вебинар со степик. Пока готовилась, узнала слово трюизм: общеизвестная, банальная и самоочевидная истина, которая не требует доказательств и не несет в себе никакой новой информации — вот примерно это то, как вижу все чеклисты, которые можно дать людям после вебинара. Будто люди сами не додумаются (хотя я иногда не до всех пунктов додумываюсь и мне чеклисты полезны для структуризации себя, мне самой дать кому-то такой чеклист — это какое-то сложно-тошнотворное действие). Отсюда вместо трюизмов я решила, что будет прикольно дать ссылки на всё, что можно потыкать и поучиться взаимодействию с агентами и их failure modes. Что накопилось: Агентные игры: Gray Swan Arena — сценарий: агенту дают инструменты (почту, магазин, браузер) и вы пытаетесь заставить его сделать запрещенку. Очень популярна сейчас (и свежая). OWASP FinBot CTF — мультиагентная система закупок. Задача: обмануть агентов так, чтобы одобрили фальшивый счёт, слили данные или что-нибудь (кого-нибудь) снесли. Gandalf: Agent Breaker — задачки по обходу нескольких GenAI-приложений с защитами. Если помните старого Гэндальфа, то он вот, теперь новенький. Чатботовые игры: Защищ[AI] от Selectel — мини-игрушка на русском, на пять уровней. Прикольно, чтобы дать кому-то потыкать с фразой "не шли PII агенту, пожалуйста". Prompt Airlines от Wiz — игра на то, чтобы выманить у бота поддержки бесплатный билет. HackAPrompt — игра-обучение и соревнование. Doublespeak.chat — ещё текстовая игра с уровнями. CrowdStrike AI Unlocked — опять игра (по ссылке описание) на prompt injection, но там надо еще зарегаться. Ещё был Mosscap от Lakera, но я не нашла ссылку. А ещё, а ещё, мои коллеги ведут курс с "задачами на поломать" на степике и у меня есть ссылка на курс со скидкой: здесь. Я же буду рассказывать про зеро-лвл (что такое агент), плюс пройдусь по причинам, почему объяснить нормально в смысле xai мы его не можем. И нотбучек планирую за час с фреймворком AgentShap разобрать. У вебинара даже лендинг красивый есть (это я вас так зову, если вам хочется слушать онлайн 15 сентября, в 18:00 (мск)). И надеюсь, ваши выходные лучше моих!
- Теперь официально: погнали пить кофе в Лондоне. 23 сентября выступаю на конференции Applied Machine Learning for Cyber Security Conference в Лондоне, Olympic Park с докладом «Does a model know when a jailbreak is working?» TLDR на вопрос доклада: возможно, да, но у нас есть много свободных переменных, из-за которых мы не можем надежного отличить "знание" от случайного результата без предварительных приседаний и проверок. Вдруг кто-то будет мимо-проходить, заходите. В любом случае потом поделюсь впечатлением — для меня это что-то новое =) Вообще говоря, AMLUCS — сильная британская конфа на стыке ML и кибербезопасности, с прикладным уклоном. Например, в оргкомитете есть Джон (John Sotiropoulos) из OWASP GenAI Security Project (авторы OWASP Top 10 for LLM Applications, я туда даже ручку прикладывала). В докладах буду принимать участие исследователи из NCSC, Dstl, Alan Turing Institute, AI Red Team в Microsoft, AWS и профильных security-стартапов. И я — как лид HiveTrace — мы тоже сильный профильный стартап 🗿 P.S., да, это к тому, что мне дали визу, и ждун дождался. Я рада и вместе с этим волнуюсь — у меня на конфе и talk, и постер, а я давно не выступала очно (кажется, с зимы). И в целом — формат, форма и сообщество (кибербез) новый. Такие дела!
- Вообще, я тут порефлексировала за лето,
и поняла, что в канал надо постить кружки, чтобы оно разлеталосьи самой важной мыслью для меня было и есть какое-то просто принятие происходящего и "делание того, что делается". Очень многое меняется в мире, даже в локально рабочем. Он чувствуется веселым и скачущим: новые методы пишутся — успей отследи, модели растут — увидь, пойми, привыкни, конкурс на статьи — жесть, школу мы запустили, а формальности, нормальные оплаты и вот это всё требуют времени, я как ждун жду свой (не)аппрув на визу в Лондон и там было что-то ещё. В какой-то момент я поняла, что оно всё раздражающее, но мелкое и в этом мелком не потеряться помогают возможные действия в моменте. Так что я каждый раз нахожу отдушину и пинаю её для себя. Карту, новые материалы в курсе и туториалы я делаю именно на таком настрое. Ещё из нового — помимого того что в сентябре надо доставать скинни-джинсы (простите), я в этом году буду вести факультатив по XAI в ВШЭ! Волнуюсь как будто впервые буду что-то вести, надеюсь, выйдет также прикольно, как вышло в моей голове. Быть может, эти мысли в чём-то помогут и вам, если вас периодически накрывает тревожка на тему "а дальше то куда?". Кажется, что просто куда-то — адаптируемся, разберемся, профессию трансформируем и дальше пойдем. Вот. - Вернуться бы в 2007, где надо было считать на бумажке. Пока вокруг нас по интернету ходят агенты, ушедшие из сэндбоксов, и у нас опять релизы моделей умнее, я чувствую себя стремительно тупее — опять привыкать к новым переспособностям и недоспособностям. 🙂 Чтобы унять мозг, я обновляю курс и чищу теорему для новой статьи. Побочный социально-полезный артефакт — я донесла ещё библиотек! Во времена, когда мы были не механистичны, базовым способом посмотреть, что модель выучила, была «feature visualization». Идея метода — спросить модель «что ты ищешь» в конкретном месте — канале. Ответ мы получаем градиентным подъёмом: меняем вход, пока активация нейрона не станет максимальной (так делали в 2009). Пока мы поднимаемся (поднимаемся мы с регуляризацией, иначе картинке будет плохо), мы получаем картинку, вполне себе читаемую. Вполне себе, потому что выглядит всё равно фразой «без пива не разберёшь» (не пью, но фраза смешная). Чтобы уменьшить (или увеличить — тут не ясно) количество пива, необходимое для понимания картинки, можно решать разные задачи: Просим нарисовать не одну картинку, а несколько разных для одного и того же детектора (diversity). Тут нам мешает полисемантичность: один детектор часто отвечает сразу за несвязанные вещи и поэтому сегодня больше любим SAE. Feature inversion — обратная задача: восстановить вход из активаций слоя. Что восстановилось — то сеть сохранила, что расплылось в кашу — выбросила как ненужное. Semantic dictionaries и spatial attribution (Building Blocks, 2018) — соединяем атрибуцию свизуализацией. Не просто «эта область важна», а «эта область важна, потому что здесь сработал вот такой детектор». Рисуем карту целиком (activation atlas, 2019). Прогоняем много тысяч изображений, раскладываем реакции сети на плоскости так, чтобы похожее лежало рядом, и в каждую клеточку рисуем такую картинку. На выходе — атлас того, что сеть вообще знает о мире, по которому можно водить пальцем. Идея в чистом виде почти вымерла, так как сейчас нам стало интереснее копать более точно. Но все circuits выросли отсюда: curve detectors, high-low frequency detectors, весь язык про фичи и полисемантичность. И если вы тоже любите классику, вот, что есть в Python (из того, чего я раньше не видела): Lucid — первоисточник, от команды, которая всё это и придумала. 27 моделей, все методы выше и ноутбуки ко всем классическим статьям. Написан на TensorFlow первой версии, в апреле 2024 отправлен в архив, только для чтения. Запускать больно, читать — прикольно полезно, это готовый учебник. torch-lucent — то же самое, переписанное на PyTorch. Последнее обновление — 2021. FlashTorch — просто карты важности и «нарисуй, на что реагирует этот фильтр» в несколько строк кода. Картинки заметно грубее, зато весь метод видно целиком и сразу. Для учёбы почти идеально, для работы — тоже нет, обновлений с 2020-го. Метод годен только на модальности картинок, так как с текстом надо приседать отдельно. Есть ещё хитрые способы на CLIP моделях и даже поиск признаков на агентах, но это я пока ещё не переварила. Табличка: xai-table.streamlit.app Всем желаю залипнуть на картинки, друзья и отличных выходных!
The channel in numbers
- Created
- July 28, 2022
- Photos
- 142
- Videos
- 6
- Files
- 5
- Links
- 246
Telegram data as of October 1, 2026
Contacts
- Ads
- @sabrina_sadiekh
From the channel description
Reviews
Leave a review
No reviews yet. Yours would be the first.
