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
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:
Классическое машинное обучение, глубокое обучение, PyTorch и практические задачи — от классификации и прогнозирования до работы с изображениями и текстом.
Hadoop, Spark, MapReduce и другие технологии для хранения и обработки больших объёмов 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
Реклама
2VtzqwpYTtg
Туз Елизавета Алексеевна
ИНН 772035623941
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍2
🛡 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.
https://github.com/LLMSecurity/awesome-agent-skills-security
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.
https://github.com/LLMSecurity/awesome-agent-skills-security
❤9👍5🥰2🤔1
🧪 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: https://arxiv.org/abs/2609.30199
Leaderboard: https://explorationbench.com/
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: https://arxiv.org/abs/2609.30199
Leaderboard: https://explorationbench.com/
❤10👍6🔥4
Forwarded from Machinelearning
🔥 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.
https://blog.google/innovation-and-ai/models-and-research/gemini-models/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.
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/
👍17❤8🥱6🔥5
Machinelearning
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/
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.
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.
👍34❤11🔥8🤣6🌚2💯1
⚡️ 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.
https://www.reuters.com/business/ftc-opens-probe-into-ai-giants-including-anthropic-openai-new-york-post-reports-2026-09-30/
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.
https://www.reuters.com/business/ftc-opens-probe-into-ai-giants-including-anthropic-openai-new-york-post-reports-2026-09-30/
❤11👍5🔥3🙏3
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: https://arxiv.org/abs/2609.24972
GitHub: https://github.com/google-research/rrsi
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥15❤8👍2❤🔥1
Media is too big
VIEW IN TELEGRAM
От билетов до мерча: как «Авангард» использует аналитику данных
После переезда на новую арену у ХК «Авангард» вырос объём коммерческих данных — продажи билетов, кейтеринг, мерчандайзинг. Клуб автоматизировал отчётность и объединил информацию в дашбордах на Yandex DataLens и Yandex Cloud.
Теперь бизнес-пользователи могут практически в реальном времени видеть фактический спрос, сравнивать его с прогнозом и постоянно отслеживать коммерческие показатели. А с помощью нейроаналитика в DataLens можно просто задать вопрос по данным — система сама найдёт нужную информацию и сформулирует ответ. Такой подход помогает быстрее реагировать на изменения спроса: за три года выручка от продажи билетов выросла более чем на 80%.
👉 Подробнее о Yandex DataLens
После переезда на новую арену у ХК «Авангард» вырос объём коммерческих данных — продажи билетов, кейтеринг, мерчандайзинг. Клуб автоматизировал отчётность и объединил информацию в дашбордах на Yandex DataLens и Yandex Cloud.
Теперь бизнес-пользователи могут практически в реальном времени видеть фактический спрос, сравнивать его с прогнозом и постоянно отслеживать коммерческие показатели. А с помощью нейроаналитика в DataLens можно просто задать вопрос по данным — система сама найдёт нужную информацию и сформулирует ответ. Такой подход помогает быстрее реагировать на изменения спроса: за три года выручка от продажи билетов выросла более чем на 80%.
👉 Подробнее о Yandex DataLens
❤7👍7🔥5❤🔥1
🚨 OpenAI связала пользователей Moonshot AI, разработчика Kimi, с масштабной кампанией по дистилляции моделей и попытками извлечь их скрытые рассуждения.
Активность началась 1 июля, а 24–25 июля OpenAI зафиксировала всплеск: 16 000 запросов более чем от 4 000 пользователей. Позже похожие шаблоны нашли уже у группы из 15 000+ пользователей. К 28 июля кампанию заблокировали.
Взлома шифрования или доступа к базе данных не было. По данным OpenAI, операторы копировали зашифрованные рассуждения из одного диалога и пытались заставить модель в другом диалоге воспроизвести их в открытом виде.
После этого OpenAI закрыла этот путь повторного использования данных, усилила проверки потоковых ответов и заблокировала связанные аккаунты.
Важно: 16 000 запросов - это число попыток извлечения, а не подтверждённых успешных случаев.
https://openai.com/index/disrupting-a-coordinated-model-distillation-campaign/
Активность началась 1 июля, а 24–25 июля OpenAI зафиксировала всплеск: 16 000 запросов более чем от 4 000 пользователей. Позже похожие шаблоны нашли уже у группы из 15 000+ пользователей. К 28 июля кампанию заблокировали.
Взлома шифрования или доступа к базе данных не было. По данным OpenAI, операторы копировали зашифрованные рассуждения из одного диалога и пытались заставить модель в другом диалоге воспроизвести их в открытом виде.
После этого OpenAI закрыла этот путь повторного использования данных, усилила проверки потоковых ответов и заблокировала связанные аккаунты.
Важно: 16 000 запросов - это число попыток извлечения, а не подтверждённых успешных случаев.
https://openai.com/index/disrupting-a-coordinated-model-distillation-campaign/
2🔥7👍3❤🔥2😁1
This media is not supported in your browser
VIEW IN TELEGRAM
Где ИИ-агенты реально помогают, а где создают новые риски
➡️ Узнайте на GoCloud Tech 2026
Каждый год Cloud․ru собирает ИТ-специалистов, чтобы вместе обсудить, как строить сложные технологии.
В этом году в программе конференции много докладов про ИИ/ML — от инженерных ограничений до инфраструктуры, которая выдерживает миллион токенов в секунду.
Обсудят:
15 октября, Москва + онлайн.
Зарегистрироваться на GoCloud Tech 2026
Каждый год Cloud․ru собирает ИТ-специалистов, чтобы вместе обсудить, как строить сложные технологии.
В этом году в программе конференции много докладов про ИИ/ML — от инженерных ограничений до инфраструктуры, которая выдерживает миллион токенов в секунду.
Обсудят:
▶️ Как выбрать инфраструктуру для ИИ-проекта▶️ Как построить систему, способную выдерживать больше миллиона токенов в секунду▶️ Как защищать чувствительные данные при работе с LLM▶️ В каких задачах ИИ реально помогает▶️ Где границы применимости ИИ-агентов в разработке
15 октября, Москва + онлайн.
Зарегистрироваться на GoCloud Tech 2026
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
🧩 Anthropic показала, как Claude уже ускоряет реальную науку, если давать ему задачи, подходящие под сильные стороны AI.
Профессор Matthew Schwartz собрал BootLoops - open-source harness, который помогает Claude искать связи между математикой, физикой, биологией и другими областями.
За 3 месяца команда работала над 36 рукописями в 18 направлениях. Среди результатов:
- 15 ранее не вычисленных интегралов в математической физике
- анализ 5,7 млрд пар мутаций в геномах
- база ударений для 6 072 языков
- автоматическая проверка данных из 4 452 экономических работ
Claude хорошо считает, пишет код и находит неожиданные связи, однако часто переоценивает значимость собственных результатов. Поэтому эксперты всё ещё нужны, чтобы выбрать действительно важную научную проблему и проверить выводы.
https://www.anthropic.com/research/claude-shaped-science
Профессор Matthew Schwartz собрал BootLoops - open-source harness, который помогает Claude искать связи между математикой, физикой, биологией и другими областями.
За 3 месяца команда работала над 36 рукописями в 18 направлениях. Среди результатов:
- 15 ранее не вычисленных интегралов в математической физике
- анализ 5,7 млрд пар мутаций в геномах
- база ударений для 6 072 языков
- автоматическая проверка данных из 4 452 экономических работ
Claude хорошо считает, пишет код и находит неожиданные связи, однако часто переоценивает значимость собственных результатов. Поэтому эксперты всё ещё нужны, чтобы выбрать действительно важную научную проблему и проверить выводы.
https://www.anthropic.com/research/claude-shaped-science
👍6🔥3❤2