Анализ данных (Data analysis)

💰 Гонка за AGI - это не только технологии. Это ещё и риск банкротства на триллионы. Dwarkesh спросил CEO Anthropic Дарио Амодеи: почему он так уверен в AGI, но при этом осторожен с масштабным строительством дата-центров? Ответ оказался жёстким. Если рынок AI продолжит расти в 10× в год, компания может выйти на $1 трлн выручки к 2027 году. Чтобы поддержать такой рост, придётся закупить примерно $5 трлн вычислительных мощностей. Но здесь и кроется опасность. Если прогноз окажется немного оптимистичным - например: - не $1T, а $800B выручки - рост замедлится до 5× - или рынок сдвинется всего на 1 год → компания просто обанкротится. По словам Амодеи:

Если ты ошибся в прогнозе, нет силы и нет хеджа, которые спасут от банкротства после таких инвестиций.

Главная мысль: AGI - это не только гонка моделей. Это самая рискованная инфраструктурная ставка в истории технологий. Поэтому «действовать ответственно» -не значит инвестировать сотни миллиардов. И, по его словам, некоторые игроки в гонке ИИ, возможно, даже не просчитали все риски до конца. 🚀 Полное интервью

Как создавать решения и автоматизировать рутину в 2026: No-Code 2.0 × Pro-Code с AI - Практикум от Отус Покажем, как в 2026 собирать рабочие внутренние сервисы: где хватает No-Code 2.0, а где нужен Pro-Code с AI — без бесконечных спринтов и «ручного» отчётничка. 📌 18 февраля, 20:00 (мск) 🦉 Спикер: Артём Колчин — 7+ лет в продакт/проектном управлении, выстраивал процессы в командах до 60 человек. О чём поговорим простыми словами; — Что такое No-Code 2.0 и почему он — оркестратор процессов, а не «замена разработке» — Связка No-Code + LLM: формы, базы, боты, автоматизации — Где No-Code заканчивается и начинается Pro-Code — Pro-Code + AI как «ускоренный Dev»: агенты для кода, интеграций, тестов и DevOps-рутины — Кейсы внутренних систем: заявки HR/Legal/Finance/IT, Jira/Notion как процессные хабы Бонусы: — cкидка 7% на любой курс OTUS — гайд по работе с промптами для LLM 🔗 Регистрируйся: https://tglink.io/4e26955ca39e4c Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: 2W5zFJAhvKB

🚀 Mistral научили маленькие модели думать как большие Mistral AI представила семейство Ministral - компактные модели, созданные с помощью подхода cascade distillation. - Большая модель Mistral 3 выступает в роли «учителя» - Дистилляция проходит в несколько этапов, а не за один раз - Каждая следующая модель учится на результатах предыдущей - Быстрее inference - Дешевле запуск в продакшене - Подходит для edge-устройств и локального запуска - Можно масштабировать AI-сервисы без огромных затрат - В итоге - меньше размер, ниже стоимость, высокая точность Большие модели будут использоваться для обучения… а в продакшене будут работать маленькие и эффективные. https://www.deeplearning.ai/the-batch/mistral-uses-cascade-distillation-on-mistral-3-to-build-ministral-family #ai #ml #llm #Mistral

⚡️ Илон Маск: xAI может построить завод на Луне для производства AI-спутников На внутренней встрече xAI Маск заявил, что в будущем компании может понадобиться лунная фабрика, которая будет производить спутники для ИИ, а также гигантская катапульта для их запуска в космос. Звучит как фантастика, но идея отражает масштаб амбиций. Что ещё он сказал сотрудникам: - xAI должна продолжать расти максимально быстро - В AI-гонке побеждает тот, кто движется быстрее всех - По его словам, сейчас xAI развивается быстрее конкурентов - Компания уже достигла масштаба, при котором требуется новая структура управления - Часть команды, эффективная на ранних этапах, может не подходить для стадии масштабирования Главная мысль Маска: Скорость - главный фактор лидерства в AI. Речь идёт о долгосрочной стратегии, где: - AI-инфраструктура выходит за пределы Земли - спутники могут стать частью глобальной вычислительной сети - конкуренция идёт не только за модели, но и за физическую инфраструктуру nytimes com/2026/02/10/technology/elon-musk-lunar-factory.html

🤖 Агенты на базе LLM звучит как модный тренд, но за ним скрываются конкретные архитектурные решения, ограничения и инженерные компромиссы. Без их понимания агентные системы быстро превращаются в нестабильные и трудно поддерживаемые эксперименты. На открытом уроке вы разберёте, что на самом деле стоит за agentic-подходом и чем он отличается от привычных LLM-приложений с chains, RAG и tools. Мы подробно рассмотрим устройство агента: модель, инструменты, память, планирование и контроль выполнения, а также разберём архитектурные паттерны агентных систем. Вы увидите, как один и тот же агентный сценарий реализуется в разных фреймворках, сравните их подходы и ограничения, поймёте, где агентный подход действительно оправдан, а где он усложняет систему без реальной выгоды. 🗓️ Встречаемся 17 февраля в 20:00 МСК в преддверии старта курса «LLM Driven Development». Зарегистрируйтесь: https://otus.pw/Q3x3F/?erid=2W5zFHNEkCZ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

🤖 Агенты на базе LLM звучит как модный тренд, но за ним скрываются конкретные архитектурные решения, ограничения и инженерные компромиссы. Без их понимания агентные системы быстро превращаются в нестабильные и трудно поддерживаемые эксперименты. На открытом уроке вы разберёте, что на самом деле стоит за agentic-подходом и чем он отличается от привычных LLM-приложений с chains, RAG и tools. Мы подробно рассмотрим устройство агента: модель, инструменты, память, планирование и контроль выполнения, а также разберём архитектурные паттерны агентных систем. Вы увидите, как один и тот же агентный сценарий реализуется в разных фреймворках, сравните их подходы и ограничения, поймёте, где агентный подход действительно оправдан, а где он усложняет систему без реальной выгоды. 🗓️ Встречаемся 17 февраля в 20:00 МСК в преддверии старта курса «LLM Driven Development». Зарегистрируйтесь: https://otus.pw/Q3x3F/?erid=2W5zFHNEkCZ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

⚡️ Вышла M2.5 - новая open-source frontier-модель Бенчмарки: - Кодинг: 80.2% на SWE-Bench Verified - Поиск и ресёрч: 76.3% (BrowseComp) - Agent tool-calling: 76.8% (BFCL) - Оптимизирована для офисных и рабочих задач Модель с упором на This URL is not verified. Verify URL properties - На 37% быстрее в сложных задачах чем перлдудущая версия - До 100 tokens/sec - Стоимость -0 около $1 в час Такой ценник меняет экономику AI-агентов. Модель за небольшую стоимость позволяет запускать: - долгие автономные агенты (часы и дни работы) - постоянные coding-агенты - исследовательские ассистенты - автоматизация бизнес-процессов MiniMax Agent: http://agent.minimax.io API: http://platform.minimax.io CodingPlan: http://platform.minimax.io/subscribe/coding-plan

🚀 SoftMatcha 2 - инструмент от Sakana, который проверяет, не “подглядывала” ли модель ответы Одна из главных проблем в обучении LLM - загрязнение бенчмарков. Модель показывает отличные результаты… но иногда просто потому, что похожие задачи уже были в обучающих данных. Проверить это сложно. Обычный поиск по точным совпадениям не работает - формулировки могут отличаться, слова меняться, а смысл оставаться тем же. SoftMatcha 2 новое решение от Sakana. Что делает инструмент: - Ищет совпадения в корпусах размером до триллионов токенов - Работает менее чем за 0.3 секунды - Находит не только точные копии, но и похожие по смыслу фрагменты (замены слов, вставки, удаления) - Помогает обнаружить утечки тестовых данных в обучении Почему это важно: Если модель уже видела похожие задачи: - метрики становятся завышенными - сравнение моделей теряет смысл - “прорыв” может оказаться просто хорошей памятью SoftMatcha 2 позволяет: - проверять чистоту датасетов - находить скрытые пересечения - честно оценивать качество моделей Как это работает: - Быстрый поиск на основе suffix arrays - Disk-aware архитектура - эффективная работа даже с огромными данными - Интеллектуальное pruning, чтобы избежать перебора миллионов вариантов Можно протестировать онлайн на корпусе 100B токенов или развернуть у себя для триллионных масштабов. Demo: http://softmatcha-2.s3-website-ap-northeast-1.amazonaws.com Paper: https://arxiv.org/abs/2602.10908 Code: https://github.com/softmatcha/softmatcha2 Сегодня важен не только размер модели. Главный вопрос - учится ли она думать, или просто запомнила ответы.

🔥 Курс AI Agents PRO обновлён под LangChain 1.0+ и LangGraph 1.0 Весь код переписан под актуальные stable-версии февраля 2026: ✅ LangChain 1.0+ — новая create_agent архитектура ✅ LangGraph 1.0+ — production-ready платформа ✅ Актуальные паттерны 2026 ✅ Работающий код из коробки Что внутри: - Агенты на LangGraph/AutoGen — от простых до multi-agent систем - Production RAG — hybrid search, reranking, vector DBs - Мониторинг — метрики, трейсинг, алерты - Деплой — от прототипа до прод-сервиса 🚀 48 часов скидка 25%

⚡️ DeepWiki - GitHub-репозитории, которые можно “спросить” как ChatGPT DeepWiki - это инструмент, который превращает любой GitHub-проект в интерактивную документацию с AI. Просто замените в ссылке: github.com → deepwiki.com И вы получите: - автоматически сгенерированную wiki по проекту - объяснение архитектуры - разбор ключевых файлов - ответы на вопросы прямо по коду Пример: https://deepwiki.com/karpathy/nanochat Почему это удобно Обычная документация часто: - устаревшая - неполная - не объясняет, как всё реально работает DeepWiki анализирует сам код — источник истины — и строит объяснения на его основе. Можно быстро узнать: - как устроена архитектура - где реализована нужная функция - как работает конкретный модуль - какие зависимости используются Практическая польза - Быстрое изучение чужих репозиториев - Онбординг в новый проект - Поиск логики без ручного чтения сотен файлов - Подготовка к собеседованиям - Работа AI-агентов с кодом через MCP Главная идея Теперь код можно не читать построчно. Можно задавать вопросы репозиторию и получать готовые объяснения. Это новый способ изучения и использования open-source. @data_analysis_ml