Claude разработал белки, способные связываться с опасными токсинами скорпионов. ❤️

Anthropic провела эксперимент, в котором ИИ за опасными токсинами скорпионов.** ❤️

Anthropic проведля потенциального создания противоядия.

Результаты:
- 211 вариантов отобрали для лабораторных испытаний.
- 17 белков успешно связались с целевыми токсинами.
- Два лучших показали высокую силу связывания.
- Результаты проверили в независимых лабораториях.

Anthropic опубликовала все 211 конструкций и результаты испытаний.

https://www.anthropic.com/research/claude-scorpion-toxin-binder-design

Приглашаем на Код аналитика — бесплатный митап ЮMoney для всех, кто работает с системным анализом 🔥

✅ 22 октября, четверг, 19:00 (мск) — приходите на митап в Санкт-Петербурге или смотрите трансляцию.

Эксперты из ЮMoney, Сбера и Бындюсофт поделятся опытом и обсудят актуальные рабочие задачи и способы их решения.

Вот о чём будут доклады:

🟣 Вечно-меняющиеся требованиями и как с ними работать
Разберём один из наших проектов с большим количеством стейкхолдеров и их требованиям, которые менялись в процессе аналитики. Обсудим, какие ошибки и удачные решения мы вынесли из этого проекта.

🟣 Готовый прототип — ещё не продукт: как ИИ-агент становится промышленным решением
Расскажем, почему промышленный агент — это не просто более умный прототип, а управляемый контур, включающий спецификацию, ограниченную автономию, проверяемые навыки, постоянные проверки как контракт завершения и среду, в которой агент выполняет работу после релиза.

🟣 Автоматизация работы с архитектурой as Code
Поговорим про покрытие архитектуры тестами и автогенерацию архитектуры. А ещё о развитии опенсорс-репозиториев и том, как всё изменилось за последние три года.

🟣 ИИ-практики в команде системного анализа
Рассмотрим лучшие и худшие кейсы, обсудим, какие инструменты используем, как изменится экспертиза аналитика через два года и как справляться с высокой когнитивной нагрузкой.

Зарегистрируйтесь, чтобы принять участие. Все подробности — на сайте митапа Код аналитика 👈

🖥️ Зачем обучать модель 1000 раз, если можно выбирать параметры умнее?

Допустим, подбираешь три гиперпараметра: скорость обучения, глубину деревьев и их количество. По 10 вариантов на каждый — 1000 комбинаций. Если один запуск занимает минуту, полный перебор потребует почти 17 часов.

Байесовская оптимизация использует результаты предыдущих запусков, чтобы выбрать следующий.

Условный пример со скоростью обучения:

- 0.001 → модель учится слишком медленно.
- 0.1 → качество нестабильно.
- 0.03 → хороший результат.

Алгоритм оценивает, где стоит искать дальше: рядом с удачным значением или в ещё не исследованной области. Для этого строит вспомогательную модель, которая прогнозирует качество и неопределённость прогноза.

Пример на Python — подбираем параметры SVM:

# pip install scikit-optimize scikit-learn

from skopt import gp_minimize
from skopt.space import Real
from sklearn.datasets import load_iris
from sklearn.model_selection import cross_val_score
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

X, y = load_iris(return_X_y=True)

def objective(params):
    C, gamma = params
    model = make_pipeline(
        StandardScaler(),
        SVC(C=C, gamma=gamma),
    )
    # Оптимизатор минимизирует — меняем знак accuracy
    return -cross_val_score(model, X, y, cv=3).mean()

result = gp_minimize(
    objective,
    dimensions=[
        Real(1e-3, 1e3, prior="log-uniform"),
        Real(1e-4, 1, prior="log-uniform"),
    ],
    n_calls=25,
    n_initial_points=5,
    acq_func="EI",
    random_state=42,
)

print("C, gamma:", result.x)
print("CV accuracy:", -result.fun)

Первые 5 комбинаций выбираются случайно. Следующие 20 — с учётом накопленных результатов. EI означает «ожидаемое улучшение»: критерий выбора следующей точки.

Особенно полезно, когда каждый запуск дорогой. Но 25 попыток не гарантируют лучший результат: бюджет зависит от задачи. Итоговое качество проверяй на отдельной тестовой выборке, которую не использовал при подборе.

https://codecut.ai/bayesian-optimization-hyperameter-search/

Что делать с данными? 💬

Строить отчёты. А ещё, например:

✅находить закономерности в больших массивах;
⬜️предсказывать поведение пользователей;
⬜️строить рекомендательные системы;
⬜️обучать и улучшать ML-модели;
⬜️создавать продукты и помогать бизнесу расти.

В Школе аналитиков данных МТС учатся решать такие задачи на практике.
В программе — SQL и Python, математика и статистика, анализ данных, машинное обучение и большие данные, а также нейросети и рекомендательные системы.

Занятия ведут действующие эксперты Центра BigData MWS. Теория чередуется с практикой, а преподаватели дают обратную связь по работам и помогают отслеживать прогресс.

Это будет интересно:

➡️студентам последних курсов и выпускникам технических вузов
➡️алитикам данных, которые хотят погружаться в исследования
➡️ИТ-специалистам, которые хотят перейти в новое для себя направление

Обучение продлится 10 месяцев и будет полностью бесплатным.

⚡️ Сейчас — последний шанс подать заявку, так как прием закрывается 25 октября. Для поступления кандидатам предстоит заполнить анкету, написать мотивационное письмо и пройти отборочное тестирование.

Отправить заявку ↗️