Вопрос на интервью по Audio ML Engineering:

Что легче тестировать TTS модель или STT модель? Почему?

Ответ:
STT (Распознавание речи) тестировать принципиально легче, чем TTS (Синтез речи).
​Основная причина в том, что для STT критерий успеха объективен и легко автоматизируется (машина либо правильно угадала текст, либо нет). Для TTS же критерий успеха субъективен (насколько голос приятный, естественный, правильная ли интонация), что требует привлечения людей и сложной ручной оценки.

#audioml #interview_prep

Anthropic и Cerebral Valley запускают Built with Claude: Life Sciences

Это онлайн-хакатон для тех, кто хочет собрать AI-продукт вокруг биотеха, медицины и научных исследований.

Anthropic всё активнее двигает Claude в сторону life sciences. Недавно компания представила Claude Science, AI-workbench для исследователей с коннекторами, scientific skills, поддержкой Jupyter/R/HPC и проверяемыми артефактами.

https://cerebralvalley.ai/e/built-with-claude-life-sciences

Разрыв между исчезновением динозавров и появлением первых мамонтов составляет около 60 миллионов лет. Таким образом, гипотеза о хищничестве динозавров в отношении мамонтов является научно несостоятельной, так как кости динозавров к моменту появления мамонтов уже прошли полный процесс окаменелости.

#findings

🤩 Круто: NotebookLM умеет делать качественный видеопересказ, инфографику и ментальные карты - полезно для изучения каких-то сложных/интересных тех. материалов.

Link: https://notebooklm.google.com/

The Higgs boson (14 years since official publication in July 4, 2015)

You and everything around you are made of particles. But when the universe began, no particles had mass; they all sped around at the speed of light. Stars, planets and life could only emerge because particles gained their mass from a fundamental field associated with the Higgs boson. The existence of this mass-giving field was confirmed in 2012, when the Higgs boson particle was discovered at CERN.

With 5154 authors, a physics paper has seemingly broken the record for the largest number of contributors to a research article, Nature News reports.

CERN article: https://home.cern/science/physics/higgs-boson/
Arxiv article: https://arxiv.org/abs/1503.07589

~ больше половины пейпера - это перечисление авторов 😅

Protect the first two hours of your morning for uninterrupted, deeply focused work on your absolute highest-leverage priority ⚡ (~before being distracted by other things)

#productivity #gemini_flash

Продвинутые структуры данных MIT
проф. Эрик Демейн

Конспекты лекций: https://courses.csail.mit.edu/6.897/spring03/scribe_notes/

#1288 | Remove Covered Intervals

~ Задача на интервалы - классические задачи на интервью по распределению задач по процессам, планирование / оптимизация событий и т.д.

Problem Link: https://leetcode.com/problems/remove-covered-intervals/

Ещё на nFactorial подкасте был крутой разбор задачи по schedule-optimization от ex-Google DeepMind SWE - Adilet Zh.: https://youtu.be/gbgiFVFhGkc?si=3z3feGwhfNHOhJbo

#LeetCode #POTD #Intervals

June 30, 2026 -> Google's new model for zero-shot predictions on tabular data (classification / regression) was released.

~ Tested it today on Kaggle's Predicting Student Health Risk Competition ~ multiclass classification task.

~ For 295,753 test rows -> it took 7 hours inference... (on free GPU T4) ~ inference batch size: 1024.

The Takeaway: TabFM sacrifices raw inference speed to give you high-quality, out-of-the-box predictions in a single forward pass without the headache of building a custom ML pipeline.

+ TabFM is being integrated directly into Google BigQuery (AI.PREDICT SQL) ~ it will run on Google's computational power, so we will not feel any inference speed issues while using in BigQuery (I think).

Article: https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/

#GoogleTabFM #TabularML

+ Есть схожая модель, только для Time Series Forecasting задач (2024):

TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model ~ decoder only model that uses non-overlapping patches of time-series data as input and outputs some output patch length prediction in an autoregressive fashion.

https://huggingface.co/docs/transformers/model_doc/timesfm

Привет!

С вас 20$ :)

TabFM Inference Setup for Classification: https://www.kaggle.com/code/armanzhalgasbayev/ps-s6-e7-tabfm-zero-shot-clf/notebook

Great project by kazakh scientist - Sanzhar Taizhan 🔥

TaiSan says its proprietary polymer electrolyte enables sodium batteries that are 30% lighter and 25% more compact than conventional lithium-ion batteries, while replacing flammable liquid electrolytes with a solid-state alternative. The next phase will be about seeing whether they translate from the lab to everyday mobility.

Article: https://micromobility.io/news/beyond-lithium-taisans-ps4-65m-bet-on-sodium---ion

Forbes interview: https://youtu.be/KOMur3VDG8M?si=ilKFACu7XWTwRX9p

Background music for vibe coding 🫡

> A lot of bad changes, bad changes... But it still ships everything for me 😁

🗞️ В статье Google DeepMind “Intelligent AI Delegation” есть хороший разбор того, как правильно отдавать задачи AI.

Речь не о том, чтобы просто написать модели «сделай это» и надеяться на удачу.

Авторы предлагают смотреть на делегирование как на цепочку решений:

стоит ли вообще отдавать задачу AI, как её объяснить, какой уровень полномочий дать и как потом проверить результат.

Сейчас многие системы держатся на жёстких правилах, которые ломаются при неожиданных сбоях. Исследователи предлагают более гибкий подход: динамический рынок, где агенты могут «торговаться» за задачи через smart contracts.

Чтобы это работало безопасно, нужны строгий мониторинг и криптографические доказательства: система должна подтверждать корректность работы, не раскрывая приватные данные.

Вместо простых рейтингов агенты смогут использовать проверяемые цифровые сертификаты, которые показывают их реальные навыки.


Делегирование должно быть живым процессом- полномочия и ответственность могут меняться по ходу работы. Если ситуация изменилась или агент ошибся, система должна не разваливаться, а уметь передать задачу дальше, откатиться или включить запасной сценарий.

Отдельно важна тема доверия.

Фреймворк оценивает сложность задачи и прошлые результаты агента. Это помогает избежать двух ошибок:

* over-delegating - когда AI дают задачу, к которой он ещё не готов
* under-delegating, когда человек делает всё сам, хотя AI мог спокойно справиться

Результат тоже нельзя принимать на веру.

Система должна проверять ответ, учитывать уверенность агента и заранее иметь план, если он ошибётся. Для реальных рабочих процессов это критично: одна слепо принятая ошибка может потянуть за собой цепочку проблем.

Авторы также разбирают сценарий, где один AI-агент передаёт задачу другому. В таком случае система должна отслеживать, кто отвечает за результат, какие полномочия переданы и где находится контроль.

arxiv.org/abs/2602.11865

Очень полезная статься кажется, нужно почитать 👀

True ✅

Autonomous Agent Prediction (Beta)

You are tasked with submitting an Agent Config comprising models, prompts, tools, skills, and even subagents. Equipped with a sandboxed Docker container with a standard set of data science libraries, your agent will then complete two entire mini-competitions during each submission session. The task for each mini-competition is binary classification.

How Does It Work?
> Each agent submission runs through two mini-competition sessions, one that populates the Public Leaderboard and another that populates the Private Leaderboard. During each session:
1. The agent is given a training dataset, a test dataset, and a sample submission inside a Docker sandbox with the standard Kaggle environment.
2. The agent explores the data, trains models, and submits predictions via tools that interact with the sandbox.
3. Each submission is scored on a public subset of the test labels — the agent sees these scores and can use them to pick its best work.
4. The agent selects its final submissions. Those are scored on a hidden private subset of the test labels, producing the agent's final score. This final score populates that competition's leaderboard.

Link: https://www.kaggle.com/competitions/autonomous-agent-prediction-beta/