🎮 Google инвестирует в индийскую соцсеть для геймеров STAN

Google приняла участие в инвестировании $8,5 млн в платформу STAN, располагающуюся в Сингапуре, но ориентированную на пользователей из Индии. Среди других участников раунда: Bandai Namco, Square Enix и Aptos Labs. Google вложилась через свой AI Futures Fund, запущенный в мае.

Чем выделяется STAN?

➖ Социальные функции. STAN стремится стать аналогом Discord для геймеров, но с уникальной моделью: пользователи зарабатывают виртуальную валюту "Gems", играя в популярные игры — от Minecraft до Call of Duty. Валюта обменивается на ваучеры для Amazon, Flipkart и других платформ.
➖ Инструменты для создателей. Контент-мейкеры создают клубы с платным доступом, на которых платформа зарабатывает комиссию.
➖ AI модерирование. Уже до 80% модерации чатов осуществляется с помощью ИИ, планируется еще больше развивать эту технологию.

📈 На платформе зарегистрировано 25 млн загрузок и 5,5 млн активных пользователей в месяц. STAN планирует выйти на международный рынок, начав с Юго-Восточной Азии.

По словам сооснователя Парта Чадхи, Google поможет внедрить ИИ-фишки: создание аватаров, мемов и фильтрацию чатов.

«STAN — это место, где геймеры находят друзей, играют вместе и общаются», — отмечает он.

👩‍💻 Data Flow

🚀 5 ИИ-инструментов для управления социальными медиа

Инструменты с искусственным интеллектом значительно упрощают работу с социальными сетями: автоматизация процессов, улучшение контента и анализ данных помогают брендам экономить время и повышать эффективность. Ниже - топ 5 сервисов для управления соцсетями:

🔸 FeedHive - автоматизация контента и аналитика. Поддерживает Facebook, Instagram, YouTube, помимо этого есть интеграция с Threads и LinkedIn.
💰 От $19/мес

🔸 Sendible - создание и планирование постов, а также полный контроль взаимодействия с подписчиками.
💰 От $29/мес

🔸 Ocoya - универсальный инструмент для создания текста, графики и видео. Доступно создание мультиязычного контента и ИИ-редактирование видео.
💰 От $15/мес

🔸 Vista Social - мониторинг репутации благодаря функциям анализа эмоционального отклика и рекомендациям по хэштегам.
💰 От $39/мес

🔸 Planable - платформа для совместного планирования и создания контента в командах.
💰 Бесплатные функции или $33/мес

💡 AI-решения не заменят стратегический подход, но помогают автоматизировать рутину. Благодаря аналитике и умным рекомендациям контент больше вовлекает пользователей, а бизнес получает лучшие результаты.

Какими инструментами вы уже пользуетесь? Делитесь в комментариях!

👩‍💻 Data Flow

💡 Как предприниматели используют AI для масштабирования своего бизнеса?

AI больше не прерогатива крупных корпораций. Малые, но амбициозные компании достигают больших успехов благодаря искусственному интеллекту. Пример — стартап Anysphere, который создал AI-кодинг ассистента Cursor и конкурирует теперь с OpenAI и GitHub.

📊 Основные выводы исследования Global Entrepreneurship Monitor:
- 87% амбициозных предпринимателей считают AI ключевым для своих бизнес-стратегий.
- Более 90% прогнозируют рост выручки благодаря AI.

🎯 Советы предпринимателям:
1. Начинайте с минимальных проектов — так легче экспериментировать.
2. Равномерно распределяйте задачи между AI и людьми (AI для рутины, люди для креатива).
3. Вовлекайте команду на всех уровнях. “Гражданские разработчики” могут стать движущей силой инноваций.

👩‍💻 Data Flow

🤖 Искусственный интеллект: друг или враг креативности?

В обсуждении на Reddit подняли интересный вопрос: как применение AI-инструментов влияет на творчество контент-мейкеров?

📊 Вот что показывают данные:
- 70% авторов используют AI, чтобы ускорить свою работу.
- При этом часть из них жалуется, что из-за этого их контент становится «плоским» и «стереотипным».

Один из участников отметил:

«Когда AI берёт на себя этапы мозгового штурма, я теряю навык думать нестандартно. Это удобно, но кажется, что я утрачиваю свою креативность».

Однако есть и те, кто придерживается иной точки зрения: ИИ освобождает от рутинных задач, оставляя время для идей и экспериментов.

🧠 Ответы зависят от подхода: для одних это инструмент ускорения и автоматизации задач, для других — «преграда», препятствующая профессиональному росту.

💬 А что вы думаете? AI - это ускоритель, помощник или тормоз для творческих процессов?

👩‍💻 Data Flow

🔬 Искусственный интеллект раскрыл новые законы физики в пыльной плазме

Исследователи из Университета Эмори с помощью нейросети обнаружили неожиданные физические закономерности в системе «пыльной плазмы» — газе с заряженными пылевыми частицами. Это стало возможно благодаря новой AI-модели и лабораторным экспериментам.

Что удалось выяснить?
✅ Нейросеть описала сложные несимметричные силы между частицами, с точностью более 99%, что ранее было невозможно.
✅ Выяснилось, что традиционные теории, например, о пропорциональности заряда частиц их радиусу, содержат ошибки.
✅ Новая модель корректно учитывает симметрии системы и движение частиц в 3D-пространстве.

Почему это важно?
Эти закономерности могут быть применены к другим сложным системам, где присутствует коллективное взаимодействие частиц — от материалов, вроде красок и чернил, до биологических систем. Например, исследования коллективного поведения клеток могут помочь понять, как рак становится метастатическим.

«Мы показали, что с помощью AI можно обнаруживать новые законы физики», — заявляет Джастин Бертон, один из ведущих авторов исследования.

👩‍💻 Data Flow

Как вы относитесь к участию AI в фундаментальных открытиях?
🔥 - Захватывает!
🤔 - Сомневаюсь в его надежности...

🧠 Почему мы «не видим» вещи у себя под носом

Исследователи из Еврейского университета в Иерусалиме объяснили, почему люди иногда не замечают предметы на самом видном месте - например, ключи на тумбочке или очки рядом с лампой.

🔬 Что показал эксперимент:

Участникам показывали визуальные объекты на мониторе, затем измеряли временную нейронную динамику внимания при наблюдении за одним или несколькими предметами одновременно.

⚡️Ключевые открытия:

🔹 Внимание работает дискретно, а не непрерывно - мозг делает «снимки» разных областей, быстро переключаясь между ними
🔹 При фокусе на одном объекте - точность распознавания колеблется с частотой 8 герц (8 раз в секунду)
🔹 При отслеживании двух объектов - частота падает до 4 герц
🔹 При трех объектах - снижается до 2,6 герца

🧩 Почему это происходит:

Когда несколько объектов требуют внимания одновременно, популяции нейронов конкурируют в областях мозга, обрабатывающих зрительные сигналы. Мозг не выполняет задачи одновременно, а переключается между ними, неосознанно «упуская» некоторые вещи из виду.

Это также объясняет, почему многозадачность дается человеку с трудом - иллюзия непрерывности внимания создается за счет очень быстрых переключений фокуса.

Значит, «рассеянность» - это не недостаток характера, а физиологический механизм работы нашего мозга! 🤯

👩‍💻 Data Flow

🔍 Универсальная нейросеть для табличных данных

Лаборатория Yandex Research представила архитектуру TabM для работы с табличными данными. Разработка превзошла классические модели машинного обучения.

🎯 Что особенного в TabM?

1️⃣ Универсальность: На 46 наборах данных модель заняла в среднем 1,7 место (между первым и вторым). Ближайший конкурент занял 2,9 место (почти третье).

2️⃣ Простота применения: Не требует глубокой донастройки под каждый новый набор данных, в отличие от специализированных решений.

3️⃣ Эффективность: Конкурирует по качеству с лучшими моделями градиентного бустинга (CatBoost, XGBoost).

💊 Где уже используется?

На платформе Kaggle TabM применяли для предсказания выживаемости пациентов после трансплантации костного мозга. Модель анализировала данные аналогичных случаев и делала прогнозы для новых пациентов.

🔬 Научное признание

Работа была представлена на конференции ICLR и выложена в открытый доступ на GitHub. С 2019 года исследователи Yandex Research опубликовали 8 статей по табличным данным, набравших более 1900 цитирований.

👩‍💻 Data Flow

🚀 Если уже успели потестить архитектуру, пишите в комментариях ваши впечатления.

🎵 ИИ-композиции вызывают более яркие эмоции, чем музыка, написанная человеком

Исследователи из Автономного университета Барселоны обнаружили неожиданный факт: ИИ-музыка может воздействовать на слушателей сильнее, чем произведения, созданные людьми.

Основные выводы исследования:

🔹 Эмоциональное воздействие ИИ-композиций на слушателей оказалось более интенсивным

🔹 Слушатели не могли различить кем была создана музыка: человеком или ИИ

🔹 Алгоритмы научились создавать мелодии, которые более точно попадают в эмоциональные триггеры

Почему так происходит?

Исследователи предполагают, что ИИ анализирует огромные массивы музыкальных данных и выявляет паттерны, которые максимально эффективно воздействуют на человеческую психику.

В отличие от композиторов, которые полагаются на интуицию и опыт, алгоритмы оптимизируются именно под эмоциональный отклик.

👩‍💻 Data Flow

Ты знаешь, кому это отправить 🎰💻

👩‍💻 Data Flow

🤖📊 WrenAI - open-source BI-агент

GenBI (Generative BI) - система для работы с базами данных на естественном языке. Пишешь вопрос обычными словами → получаешь точный SQL, графики и готовые бизнес-отчеты.

Что умеет:
• Поддерживает 11 типов БД (BigQuery, PostgreSQL, MySQL и др.)
• Работает с любыми LLM-моделями (OpenAI, Claude, Gemini, локальные)
• Есть API для встраивания в свои приложения

Особенности:
Можно развернуть локально за 3 минуты или использовать облачную версию. Лицензия AGPL-3.0, активное сообщество в Discord на 1,3k+ разработчиков.

🧑‍💻 GitHub

👩‍💻 Data Flow

📚 Практическое руководство по созданию интеллектуальных систем

Энтузиаст Александр Овчаренко (pridees) перевел на русский язык книгу Антонио Гулли "Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems".

Что это за книга?

Фундаментальное руководство по проектированию агентных AI-систем — 424 страницы практических знаний о том, как создавать интеллектуальных агентов, которые работают вместе для решения сложных задач.

📖 Структура перевода:
- 21 основная глава + 7 приложений
- 4 части: от базовых паттернов до продвинутых техник
- Охватывает LangChain, CrewAI, RAG, MCP и другие современные технологии

🧑‍💻 Перевод здесь

🔥 Ключевые темы:
• Цепочки промптов и маршрутизация
• Многоагентное сотрудничество
• Управление памятью и планирование
• Техники рассуждения и безопасность
• Человек в контуре и извлечение знаний

👩‍💻 Data Flow

Вы изучаете агентные системы?
💯 - да, активно
⚡️ - пока только планирую

🗺 Гид в мир Machine Learning.

Оглавление:
🔛 С чего начать путь в ML

🔑 Kaggle - лучший тренажёр для ML

🤓 Математика под капотом

🧠 От классики к нейросетям

🤯 Как работают LLM под капотом

⚙️ Поиграться с моделями: Groq, OpenRouter и другие

🤗 Hugging Face - кладезь моделей

💬 Сила комьюнити

🧰 Как уже сегодня собрать своего первого ИИ-ассистента?

🕶 Fine-tuning и RAG: нужно ли дообучать модели?

💻 Где запускать модели, если дома нет мощного GPU?

🧑‍🎓 GPT Week от Яндекса: как обучают и дообучают GPT
...

Гид в мир Machine Learning - это серия постов о том, как стартовать в Machine Learning.

Такой "базовый минимум", самостоятельно начав с которого можно заложить основу.

Roadmap не претендует на то, чтобы быть исчерпывающим.

Его цель скорее состоит в том, чтобы сузить огромное пространство материалов и информации, до эффективного минимума, эссенции.

Вектор будет чуть больше смещен в сторону работы с большими языковыми моделями - LLM.

Гид может быть полезен, если хочется начать работать с GPT-моделями / агентами, но при этом понимать, что вообще происходит под капотом.

И также, если вы просто решили немного приоткрыть для себя машинное обучение.

👩‍💻 Data Flow

🔛 С чего начать путь в ML #MLSTART

Когда только начинаешь разбираться в машинке, самое сложное - не утонуть в количестве курсов и туториалов.

Я сам через это проходил. В итоге понял, что лучше всего заходит один хороший, системный курс, где теория и практика идут рядом.

🎓 Курс Юрия Кашницкого - mlcourse.ai - это классика. Мне он очень помог. Там спокойно и по делу объясняются базовые вещи: от регрессии и классификации до бустингов и ансамблей.

Есть домашки — они помогают лучше разобраться в теме и закрепить материал. Плюс материалы есть на русском и на английском (на Хабре и на YouTube), так что кому интересно - можно сразу на английском проходить.

Иногда пересматриваю перед собесами — помогает освежить знания.

💡 И ещё совет: загляни на ODS.ai
Это известное ML-коммьюнити, где проходят курсы, челленджи и просто можно познакомиться с ребятами, кто тоже учится.

Так через совместную работу над проектами в ходе онлайн-курсов ты сможешь обрести полезные связи и влиться в сообщество.

💬 В общем, если только начинаешь, лучше не распыляться - возьми что-то одно, пройди до конца, сделай домашки и смело задавай вопросы в сообществе.

С этим уже можно уверенно идти дальше.

P.S.
Если знаешь еще крутые курсы и материалы, полезные на старте - делись в комментариях!

Вернуться к оглавлению

👩‍💻 Data Flow

🔑 Kaggle - лучший тренажёр для ML #MLSTART

Когда немного освоился с базой, самое время переходить к практике. И вот тут Kaggle - просто золото.

Это площадка, где можно решать реальные задачи машинного обучения. Там куча соревнований, от простых до продвинутых, плюс огромное количество открытых ноутбуков, где можно подсмотреть, как думают другие.

🥇 Kaggle поможет тебе прокачать навыки, связанные с
- выбором подхода к задаче,
- анализом и предобработкой данных,
- выбором метрик,
- подбором и улучшением моделей.

Над задачами можно работать не только в одиночку, но и в команде - такой опыт прокачает тебе еще сильнее 💪 Команду можно найти в тематических чатах (например, тут).

Чтобы быстрее выбиться в топ на leaderboard, рекомендую пройти курс по соревновательному Data Science - тут максимальный фокус на практику и подходы, которые работают.

Кстати, живые хакатоны тоже тема. Крупные компании, некоммерческие организации и даже правительство регулярно устраивают хакатоны и дают актуальные ML задачки из своей практики. Иногда, если круто показать себя на таком хакатоне, то можно не только деньги, но и оффер получить 😉

Как их найти? -> Просто подпишись на крупные ML-паблики в телеге + гугли. Все в открытом доступе!

💡 Если не хочется сразу врываться в соревнования - просто скачай датасеты и попробуй решить что-то самостоятельно. Это тоже отличная практика.

С Kaggle можно начать собирать первые проекты для портфолио, а вместе с этим - повышать уверенность в своих силах ↗️

Вернуться к оглавлению

👩‍💻 Data Flow

🤓 Математика под капотом #MLSTART

Многие стараются сразу перейти к моделям и кодингу, но в какой-то момент всё равно упираешься в то, что без математики дальше не продвинешься.

Не обязательно уходить в теорию с головой, но понимать, почему что-то работает - важно. Понимание принципов работы ML-алгоритмов поможет тебе точечно подбирать нужные инструменты под задачу, а не "стрелять из пушки по воробьям".

📖 Освежить теорию мне лично помогает воркбук от Яндекса. Это аккуратный, структурный разбор базовых концепций машинного обучения. Типы задач и моделей, обучение и переобучение, регуляризация, метрики и фукнции потерь - все есть.

🎓 Если захочется копнуть глубже - есть курс “Математические основы машинного обучения” от Воронцова (МФТИ): там еще больше линейной алгебры, теории вероятностей, оптимизации - одним слово, база. Очень много математики, но если разобраться и понять, то можно натренировать сильную интуицию, которая пригодиться в решении ML-задач.

Вернуться к оглавлению

👩‍💻 Data Flow

🧠 От классики к нейросетям #MLSTART

Когда появляется базовое понимание концепций машинного обучения, хочется всё систематизировать: какие вообще бывают задачи, какие под них модели использовать, и как это всё связано между собой.

🔹 На старте стоит разобраться с основными типами задач:

- Классификация - когда нужно определить категорию (например, спам / не спам).
- Регрессия - когда предсказываем числовое значение (например, цену квартиры).
- Кластеризация - когда данных много, но нет меток, и данные нужно как-то группировать.

🔹 Затем логично перейти к ключевым моделям: линейные, деревья, ансамбли. Тут важно не просто “знать названия”, а понимать, в каких случаях каждая из них лучше всего работает, как обучается, какие данные принимает на вход, а также какие сильные и слабые стороны имеет.

📈 Когда этот этап пройден - можно спокойно двигаться к нейронным сетям.

Тут начинается самое интересное: как строится сеть, как она обучается, какие бывают архитектуры, и почему трансформеры стали так популярны.

💡 На самом деле нейронки — это не “что-то отдельное”, а просто логичное продолжение базовых алгоритмов машинного обучения.

Такой постепенный переход - от классики к современным архитектурам - помогает не потеряться и осознанно подойти к следующей теме: LLM (Большие языковые модели).

Вернуться к оглавлению

👩‍💻 Data Flow

🤯 Как работают LLM под капотом #MLSTART

Когда впервые сталкиваешься с большими языковыми моделями, кажется, что внутри какая-то магия. 🪄

Но на деле всё куда проще (и интереснее). Если очень упростить, то можно сказать, что LLM - просто предсказывает следующий символ или слово.

Она “смотрит” на контекст, оценивает вероятности всех возможных продолжений и выбирает наиболее подходящее. То есть, в основе - обычная многоклассовая классификация, только на гигантском масштабе.

🎞 Чтобы наглядно это увидеть, есть два шикарных ресурса:

- 3Blue1Brown - визуально объясняет, как работают нейронные сети. После его видео многие вещи становятся буквально очевидными.

- Андрей Карпатый - бывший разработчик OpenAI, разбирает, как собрать GPT с нуля. Без лишней воды, очень системно. Он шаг за шагом показывает, как строится языковая модель и почему она делает то, что делает.

💬 Эти два плейлиста реально помогают сложить в голове пазл: от нейронок - к трансформерам, а от них - к пониманию LLM.

Вернуться к оглавлению

👩‍💻 Data Flow

⚙️ Поиграться с моделями: Groq, OpenRouter и другие #MLSTART

Когда начинаешь разбираться, как работают LLM, сразу хочется попробовать всё это в деле - “пощупать” модели своими руками, сравнить качество генерации, посмотреть как те или иные параметры влияют на ответ LLM.

Сейчас для этого есть куча удобных площадок и API, где можно тестировать разные модели, не поднимая инфраструктуру.

Вот несколько сервисов 👇

- Groq — классный сервис, но требует VPN. Можно запускать open-source модели бесплатно, лимитов хватает, чтобы спокойно поиграться и потестить идеи.

- OpenRouter - альтернатива без VPN. Там тоже есть бесплатные модели (лимитов чуть меньше), но интерфейс удобный, и можно быстро сравнивать разные LLM.

- Replicate и Together.ai - больше про продакшн и эксперименты. Эти сервисы платные, требуют зарубежную карту, но у них огромный “зоопарк” моделей, не только LLM: есть модели для изображений, аудио и видео

💡 Такие инструменты полезны, чтобы быстро проверить гипотезу, понять, как модель реагирует на разные промпты, и не тратить время на развёртывание локальной среды.

Если хочешь хочется поскорее потестить разные LLM-модельки - эти playground-площадки отличное место, чтобы начать.

Вернуться к оглавлению

👩‍💻 Data Flow

🤗 Hugging Face - кладезь моделей #MLSTART

Если Groq и OpenRouter - это площадки, где можно протестировать модели, то Hugging Face - это уже целая экосистема. Там собрано всё: модели, датасеты, пайплайны, демки и даже туториалы по обучению.

💫 Самое крутое - Hugging Face можно рассматривать как GitHub для ML. Каждый разработчик может выложить туда свою модель, а ты - взять, протестировать или дообучить под свою задачу.

Например, у ребят из Vikhrmodels есть несколько отличных русскоязычных моделей. Я сам использовал Vikhr-Nemo-12B-Instruct-R-21-09-24 - она довольно уверенно справляется с задачами на русском языке. Правда, она может быть тяжеловата для обычного ПК, так что может понадобиться квантизация.

Из других опенсорсных вариантов неплохо себя показывает Qwen - неплохое качество генерации, есть "легкие" версии, так что можно позапускать у себя на компьютере.

Кстати, для локального запуска LLM сразу с интерфейсом чата существует множество сервисов. Мой фаворит - LM Studio.

⚡️ Если хочешь поэкспериментировать с локальными моделями или попробовать свои силы в fine-tuning - welcome to Hugging Face!

Вернуться к оглавлению

👩‍💻 Data Flow

💬 Сила комьюнити #MLSTART

Когда начинаешь изучать ML и LLM, легко почувствовать себя в вакууме - вокруг куча инфы, но непонятно, куда двигаться дальше и с кем обсудить вопросы. Вот тут как раз и выручает комьюнити.

🦜 ODS.ai - отличное русскоязычное сообщество. Там проходят соревнования, курсы, митапы, а главное - всегда можно задать вопрос и получить ответ от практиков. Многие ребята, кто сейчас работают в топовых ML-командах, когда-то начинали именно там.

💬 Вот еще пара сообществ, где можно задать вопросы, обсудить идеи и найти единомышленников:
- Natural Language Processing - большое русскоязычное NLP-сообщество. Там обсуждают всё: от обучения моделей до построение пайплайнов и продакшн-задач.
- LLM under the hood - авторский канал про продукты на базе LLM. Автор делится продакшн-кейсами и идеями вроде SGR-подхода (Schema-Guided Reasoning) для повышения точности работы агентов. Есть также чат, где ребята активно обсуждают свои проекты и делятся опытом.

💡 Если ты только начинаешь - обязательно подключайся к таким сообществам.

Вернуться к оглавлению

👩‍💻 Data Flow

🧰 Как уже сегодня собрать своего первого ИИ-ассистента? #MLSTART

Если не хочется сразу погружаться в код, но хочется что-то сделать руками - тебе подойдут no-code инструменты. С их помощью можно собрать работающего LLM-агента буквально за вечер.

Вот пара сервисов, которые точно заслуживают твоего внимания 👇

- Flowise - визуальный конструктор LLM-агентов. Можно соединять модели, промпты, базы данных и API прямо в браузере. Отличный способ понять логику пайплайнов без кода и собрать своего первого агента уже этим вечером.
- n8n - мощный инструмент для автоматизации. С его помощью можно, например, сделать цепочку: Telegram-бот → LLM → Google Sheets → Telegram-бот = и всё это без единой строчки кода (бесплатный доступ к Enterprise-серверу n8n можно получить здесь).

А если захочется углубиться - обрати внимание на LangChain и LangGraph. Это уже code-фреймворки, но они лежат в основе большинства LLM-продуктов, и понимание их логики сильно прокачивает.

⚡️ No-code инструменты - отличный способ быстро собрать свой первый прототип и "пощупать", как это всё работает "вживую".

Вернуться к оглавлению

👩‍💻 Data Flow