Анализ данных (Data analysis)

Частые вопросы

Сколько подписчиков?

Подписчиков — 50,7 тыс. Медиана просмотров поста — 4,3 тыс. Просмотров на подписчика — 8,5%. Данные на 1 октября 2026 г.

Как часто выходят посты?

За 30 дней вышло постов: 81 — это несколько раз в день. Данные на 1 октября 2026 г.

Есть ли у канала галочка Telegram?

Галочки Telegram нет.

Кто ведёт страницу канала в каталоге?

Пока никто. Если это ваш канал — заберите страницу: сможете отвечать на отзывы и видеть её статистику.

Последние посты

• сегодня1,3 тыс.80 пересылок24 реакцииОткрыть в 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

  Ещё
  
• сегодня2 тыс.Открыть в 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/

  Ещё
• вчера2,9 тыс.47 пересылок57 реакций9 комментариевОткрыть в 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.

  Ещё
  
• вчера2,1 тыс.53 пересылки36 реакций10 комментариевОткрыть в 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/

  Ещё
  
• вчера2,8 тыс.Открыть в 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

  Ещё
• вчера2,7 тыс.122 пересылки17 реакцийОткрыть в 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

  Ещё
  
• вчера2,7 тыс.13 пересылок7 реакций1 комментарийОткрыть в 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

  Ещё
  
• вчера3,1 тыс.124 пересылки22 реакции2 комментарияОткрыть в 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

  Ещё
• вчера3,2 тыс.36 пересылок12 реакций1 комментарийОткрыть в 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».

  Ещё
  
• вчера4,3 тыс.89 пересылок92 реакции5 комментариевОткрыть в Telegram
  Согласны ?)
  

О канале в цифрах

Создан

28 мая 2022 г.

Фото

3,7 тыс.

Видео

460

Файлы

1

Ссылки

3 тыс.

По данным Telegram на 1 октября 2026 г.

Контакты

Связь

@haarrp

Из описания канала

Отзывы

Отзывов пока нет. Ваш будет первым.

Похожие

Ещё по теме