🟢Илон Маск объявил о запуске Grok 3 от xAI.

Презентация с живой демонстрацией пройдет в понедельник в 20:00 PT.

«Самый умный ИИ на планете», — написал миллиардер.

🔍 Gemini 2.0 Flash Thinking — Бесплатный AI-помощник в Colab!

Теперь любой разработчик, студент или исследователь может использовать Gemini 2.0 Flash Thinking бесплатно в Google Colab! Это мощный AI от Google, который ускорит работу с кодом и текстами.

Чем полезен?
✅Читает и анализирует код прямо в блокноте.
✅ Советует, как улучшить код и оптимизировать решения.
✅ Отвечает мгновенно — без задержек и сложных настроек.
✅ Доступен без VPN — просто открой и работай!

👨‍💻 Тестируем здесь.

👩‍💻 Cursor AI на максималках: библиотека умных правил для разработки

Коллекция .cursorrules для:
✅Автогенерации React, Python и Go кода в вашем стиле
✅ Создания тестов и документации без лишних правок
✅ Соблюдения ваших стандартов кода с первого раза
✅ Оптимизации под специфику вашего проекта

Забудьте о постоянных правках сгенерированного кода. Просто подключите нужные правила и работайте эффективнее.

4️⃣ Репозиторий

🎵 Как компьютер слышит звук: простое объяснение сложного процесса

Друзья! Хочу поделиться с вами увлекательной темой – как компьютеры "понимают" звук. Недавно погрузился в эту область в рамках рабочего проекта и просто не могу не рассказать вам об этом!

Не будем сильно углубляться в технические дебри, а разберём всё на простых и понятных примерах. А для тех, кому захочется копнуть глубже, могу посоветовать замечательный курс от Hugging Face – именно он вдохновил меня на создание этой серии публикаций.

Давайте начнем с того, что вообще из себя представляет звук.

🎼Представьте, что звук — это волны на поверхности озера. Когда вы бросаете камень, волны расходятся плавно и непрерывно. Точно так же распространяются и звуковые волны в воздухе!

Но как же компьютер может "поймать" эти волны? Всё происходит в три этапа:
🗣Сначала микрофон, как чувствительная мембрана, превращает звуковые волны в электрические сигналы
📸 Затем Аналого-Цифровой Преобразователь делает тысячи "фотографий" (измерений) этого сигнала в секунду. Этот процесс еще называется дискретизацией или семплированием. Результат каждой такой "фотографии" — некоторое число.
🔤В конечном итоге получается последовательность чисел, которую компьютер может хранить и обрабатывать.

🎞 Кстати, этот процесс очень похож на то, как создаётся фильм! Камера делает множество последовательных кадров в секунду, чтобы передать плавное движение. Точно так же и звук превращается в последовательность цифровых "кадров".

📄Звуковые файлы бывают разных форматов:
• WAV (Waveform Audio File) — как оригинальный фильм в максимальном качестве, где каждый кадр сохранён в мельчайших деталях
• FLAC (Free Lossless Audio Codec) — как сжатый архив с фильмом, который при распаковке даёт то же самое качество, что и оригинал
• MP3 (MPEG-1 Audio Layer 3) — как фильм, оптимизированный для онлайн-просмотра, где некоторые детали удалены для экономии места, но основное содержание сохраняется

➡️В следующих постах расскажу подробнее о каждом этапе этого удивительного процесса и о том, как это применяется в реальных задачах!

P.S.
Кстати, если уже работали с аудио и у вас есть классные материалы на эту тему, делитесь под этим постом!

🥇 Алхимия 21 века

Технология ZeST (Zero-Shot Material Transfer from a Single Image) позволяет переносить материалы с одного изображения на другое.

Работает просто: берете фото яблока, находите картинку с золотым предметом - и вуаля! Ваше яблоко теперь золотое, с естественными бликами и тенями.

И что самое классное - остальная часть фотографии остается без изменений.

На момент публикации демо на HuggingFace недоступно, но код и веса модели выложили на GitHub.

4️⃣ GitHub

🔐 Контрабанда данных внутри эмодзи

Наткнулся на перевод любопытной статьи. Для любителей шифроваться и оставлять тайные послания 😎

🧐 Статья (оригинал)

⛈ Весь код в один файл для ИИ.

Repomix собирает весь ваш репозиторий в один файл, который можно скормить любой ИИ-модели.

Больше не нужно загружать десятки файлов в ChatGPT или Claude — просто упаковал весь проект и загрузил. Работает со всеми популярными моделями: Claude, ChatGPT, Gemini, Llama, Grok и другими.

Попробовать ➡️ онлайн

5️⃣ GitHub

Сколько часов в сутках на самом деле? 🤔

Формально, 24. Но ...

Вот вычитаем сон, ежедневную рутину, рабочие задачи. Сколько остается теперь? Сколько из 24 часов остается на то, что действительно важно?

Этот вопрос сподвиг меня к тому, чтобы задуматься, а как я вообще использую свое время?

Поразмыслив немного, мы с командой разработали приложение, которое помогает лучше понять свой день.

TimeFlow помогает ответить на важные вопросы:
🌟 Как на самом деле распределяется мой день?
🌟 Сколько времени уходит на рабочие задачи, а сколько на рутину?
🌟 Где найти дополнительное время для важных задач?
🌟 Какую часть дня я трачу на полезные привычки и личные цели?
🌟 Сколько времени занимает дорога на работу и обратно?
🌟 Как много времени я теряю на прокрастинацию?
🌟 Достаточно ли времени я уделяю обучению и концентрации?
🌟 Как соотносятся рабочие дела и домашние обязанности в моём расписании?
🌟 Сколько времени я действительно провожу с семьёй и близкими?
🌟 Уделяю ли я время своим жизненным целям и развитию полезных привычек?
🌟 Как прошёл мой день и достиг ли я цели дня?

В самом приложении вы сможете:
⏱ Вести точный учет рабочего и личного времени
✔️ Ставить цели, отслеживать формирование и поддержание полезных привычек
📊 Анализировать итоги каждого дня для повышения эффективности
🗒 Вести личный дневник для заметок и самоанализа


👋 Приложение постепенно дорабатывается: в будущем планируется добавить режим таймера, расширенную статистику и ИИ-анализ. Поэтому, если вы найдёте ошибки или у вас есть предложения - пишите в поддержку бота.

📱 Приложение

🚀 Автоматическая документация к GitHub-репозиториям от создателей Dewin

Разработчики Dewin выпустили DeepWiki — AI инструмент, который автоматически генерирует подробную документацию к GitHub-репозиториям. Представьте: открываете незнакомый код и сразу получаете понятную структурированную документацию с визуализацией!

Как это работает:
✨ Просто замените github.com на deepwiki.com в URL репозитория
✨ Или найдите проект среди 30 000+ уже проиндексированных.
✨ Не нашли нужный? Добавьте репозиторий самостоятельно!

Документация разбита на тематические разделы, сложные моменты визуализированы в виде графиков и схем. Вот, например, библиотека Transformers 🤗

💡 Бонус: встроенный нейропоиск Deep Research позволяет быстро найти информацию или задать вопросы ИИ прямо на странице документации.

😀 DeepWiki

Всем привет!

Вчера у нас прошел интенсив «Vibe Coding – Новая парадигма программирования»👨‍💻 Провели его Александр Миленькин и Станислав Гасиловский.

Ссылки на запись:

- Youtube

- VK

Всем большое спасибо за участие!

Спикеры также приготовили приятный бонус для участников:

🎁 Скидка 35% на новый курс «Vibe-coding | AI-программирование | Экспресс-курс» по промокоду VIBECODING

🎁 Промокод DATAFEELING на другие курсы Александра по Data Science и ML


До новых встреч!

#stepik #vibecoding #интенсив #AI

Если вы когда нибудь задавались вопросом, как выглядит офис фармацевтической компании Takeda в Европе, то этот кружочек для вас 🤖

🚀 Наивный RAG — это скам!

...когда дело касается продакшн.

📱 Часто в YouTube показывают RAG как «запихнул документы — и всё работает». Но в реальной жизни всё куда сложнее. Чтобы система действительно работала, нужно глубоко погрузиться в структуру данных заказчика, учесть особенности поисковых запросов и привести их в соответствие с полями БД.

⚙️ Основная задача продакшн‑RAG — это не генерация, а правильное извлечение нужных документов из БД: предобработка запроса, сопоставление с полями, фильтрация, нормализация — и лишь затем отправка в LLM. На это иногда уходит львиная часть времени, гораздо большая, чем на промпты. И всему этому должна предшествовать качественная подготовка документов: разделение, предобработка и хранение.

🤖 Да, работать с RAG круто и интересно — но поверьте, это далеко не тот «волшебный» инструмент, как рисуют на хайповых видео. Успех — за глубоким пониманием данных и тщательным подходом. И если вы берёте заказ на RAG, оцените: хватит ли времени и ресурсов, чтобы сделать всё правильно.

Staff+

Прочитал интересную статью про архетипы Staff-инженеров - чётко раскладывает, что вообще за роли бывают на этом уровне.

Всего выделяют 4 архетипа:
1. Tech Lead - ведёт техническую стратегию команды, помогает приоритизировать задачи, координирует между техом и продуктом. Самый частый архетип.
2. Architect - глубокий эксперт в узкой области (например, API или инфраструктура). Делает системные изменения, влияет через качество решений, а не иерархию.
3. Solver - разбирается с хаосом: нестабильные системы, технические долги, срочные пожары. Обычно перемещается между командами.
4. Right Hand - правая рука CTO/директора. Масштабирует их влияние, берёт на себя сложные кросс-командные инициативы.

Также интересный факт: ~⅔ получают Staff внутри своей компании, остальным нужно менять работу. И “staff-проект” (большой важный проект) не обязателен - часто хватает устойчивого вклада или просто смены контекста.

Если вы на пути к Staff или уже там, то автор также приводит график недели каждого из типов — можно "примерить" на свой 😎