Data science | Machinelearning [ru]

🤥 Разработчики врут на собеседованиях больше всех Такую статистику показало новое исследование. Больше половины работодателей в России сталкивались с приукрашенным резюме у кандидатов. При этом чаще всего врут разработчики ПО, за ними идут тестировщики и руководители проектов. А вот меньше всего обманывают эйчаров датасаентисты, аналитики, сетевые инженеры и специалисты технической поддержки. ✖️ xCode Journal

Поговорим про деньги в IT? Приглашаем опытных IT-специалистов пройти небольшой опрос про зарплаты и бенефиты в технологических компаниях. Это займёт не более 7 минут — а ваше мнение поможет одному крупному российскому работодателю делать актуальные оферы. Пройти опрос можно здесь

GPT-5 выигрывает в «необычном» бенчмарке среди ИИ 😐 В мире искусственного интеллекта появляется всё больше необычных бенчмарков, и Among AIs — один из самых нестандартных. В этом тесте ИИ соревнуются в игре, вдохновленной популярной «Мафией» — Among Us. На космическом корабле пять мирных агентов выполняют задания, а один — самозванец, который саботирует и пытается уничтожить остальных. Главная цель игры — либо выжить как мирный, либо выиграть, сыграв роль самозванца.

Как проходил тест? В Among AIs участвовали 6 ИИ, которые сыграли 60 партий. Очки начислялись за победу в разных ролях: 10 очков за выживание мирным и 50 — за победу самозванцем, что делает роль саботажника особенно сложной. GPT-5 стал абсолютным лидером, одержав 6 побед в роли самозванца и 45 побед среди мирных. Этот ИИ продемонстрировал высокие социальные навыки, уверенно лидируя в обсуждениях и точно определяя "козлов отпущения". Особо отметили его способность адаптироваться: играя за самозванца, GPT-5 менял свою стратегию и умело врал, чтобы сбить с толку других игроков. Как выступили другие ИИ? • Claude Sonnet 4 — занял второе место, выиграв 3 игры как самозванец и 42 как мирный. Этот ИИ показывал хорошие результаты, но не всегда мог выиграть в критических моментах. • Kimi K2 — ещё один интересный участник. Этот ИИ не пытался быть лидером, а наоборот, играл роль поддерживающего игрока, что в некоторых случаях приносило успех. • GPT-OSS, Qwen3 и Gemini 2.5 Pro — не смогли победить в роли самозванцев, но взяли по 39 побед за мирных. Их напористость и слабая аргументация приводили к тому, что их часто ошибочно принимали за самозванцев.

Бенчмарк Among AIs показал, как важно для ИИ не только выполнять технические задачи, но и успешно взаимодействовать в социальных ситуациях. Такие тесты открывают новые горизонты в понимании того, как ИИ могут работать в условиях сложных агентных взаимодействий, где нужно учитывать психологию, манипуляции и лжесвидетельства. Data Science

SWE-MERA: Новый стандарт для тестирования кодовых моделей 🤨 В мире ИИ динамичные условия гонки требуют не только инноваций в моделях, но и актуальных инструментов для их тестирования. Именно поэтому AI Alliance, вместе с Sber и ITMO, представили новый бенчмарк для оценки моделей программирования — SWE-MERA. Это не просто обновление: это подход, который решает проблемы устаревших статичных бенчмарков.

Что нового в SWE-MERA? Главное отличие этого бенчмарка — его динамичность. Он основан на задачах и pull-запросах с GitHub, но каждый месяц обновляется на 250 новых задач, что обеспечивает его актуальность. Это означает, что вы можете использовать его для тестирования моделей без риска столкнуться с устаревшими данными. Более того, встроенная защита от утечек данных позволяет отслеживать, насколько результаты не искажены данными, которые могли попасть в тренировочный набор. Почему это важно? С статичными бенчмарками модели тестируются на тех же задачах, что и во время обучения, что снижает объективность. В условиях быстро развивающегося ИИ-сектора, где каждый день появляются новые подходы и технологии, static benchmarks теряют актуальность. SWE-MERA же обеспечивает непрерывную проверку моделей на «неизвестных» задачах, создавая объективную картину их реальной эффективности. Сейчас в базе SWE-MERA уже около 700 задач, и продолжает добавляться новый контент, благодаря чему бенчмарк всегда остается актуальным и «живым».

SWE-MERA устанавливает новый стандарт для тестирования ИИ моделей. Это не просто очередной инструмент, а необходимый элемент для точной и актуальной оценки в постоянно меняющемся мире. А вы что думаете? В чем важность динамичного тестирования моделей? Data Science

Курс: Hard Аналитика Представьте: через полгода Вы спокойно строите дашборды, работаете с DWH и проводите эксперименты, как настоящий Middle-аналитик. Такое возможно — с курсом от karpov.courses. 📚 За 6 месяцев обучения Вы: • прокачаете навыки работы с BI, • освоите эксперименты и машинное обучение, • решите реальные аналитические задачи, • станете увереннее в профессии. А ещё — до 30 октября у Вас есть шанс не просто учиться, а попасть в команду Garage Eight! После покупки курса Вы сможете участвовать в конкурсе на две вакансии — дата-аналитика и продуктового аналитика. 📅Новый поток стартует 23 октября. Один курс — и впереди новые карьерные возможности ✨ Перейти на сайт #реклама 16+ karpov.courses О рекламодателе

🤖 Мы с ChatGPT действительно близки Генерал армии США в Южной Корее рассказал, что стал активным юзером чат-бота. Все дело в том, что ИИ помогает «принять решение в нужный момент», ускоряя цикл НОРД — наблюдение, ориентация, решение, действие. Привет Скайнет.... ✖️ xCode Journal

⚠️ Как ИИ-агенты заменяют дата-аналитиков Если вы хоть раз пытались перевести запрос на человеческом языке в график, то знаете, насколько это может быть непростой задачей. Данные разрозненные, код не всегда стабилен, а сам график часто требует нескольких правок. Но вот что интересно — Google предложила решение, которое позволяет взглянуть на этот процесс с другой стороны. Вместо того, чтобы просто генерировать код, Google применяет подход, где задействованы мультиагентные системы.

✔️ Создание графика больше не сводится к прямому переводу текста в код. Вместо этого, CoDA работает с метаданными и включает в себя несколько агентов, каждый из которых выполняет свою роль в процессе: • Понимание задачи: Агент анализирует запрос и собирает информацию о данных — схемы таблиц, статистику, возможные проблемы. • Планирование: Следующий агент выбирает тип диаграммы, соответствующий запросу, подбирает цветовую палитру и формат. • Генерация: Пишется Python-код, который запускается и отлаживается автоматически. • Саморефлексия: Последний агент проверяет созданный график, оценивает его соответствие запросу и вносит правки. 📊 Такой подход позволяет создавать более точные и качественные графики, избегая частых ошибок и упрощений, которые были характерны для старых систем. — Гибкость и точность: CoDA не зацикливается на одном типе данных и умеет работать с разными форматами и задачами. Каждый этап проверяется отдельно, что исключает типичные ошибки. — Высокие показатели качества: Эксперименты показали, что CoDA обходит конкурентов по ключевым метрикам — точность графиков и время работы на реальных задачах. — Саморефлексия: Способность системы оценивать свои ошибки и возвращаться к предыдущим этапам — это настоящая революция в подходах к автоматизации визуализаций. В результате, такой подход позволяет создавать графики, которые гораздо лучше отражают данные, при этом процесс становится более проверяемым и адаптивным.

Сегодняшние ИИ-агенты, такие как CoDA, способны значительно улучшить создание визуализаций, превращая процесс в многоэтапную кооперацию агентов, которые на каждом шаге «контролируют» и корректируют результат. Мы приближаемся к моменту, когда ИИ будет не только автоматически генерировать данные, но и критически оценивать свои собственные результаты — что по сути делает систему более близкой к живым аналитикам. Data Science

Бесплатный вебинар: Разбор RFM-анализа на практике Начинаете свой путь в аналитике данных? Узнайте, как работать с клиентскими данными и измерять эффективность маркетинговых акций на вебинаре «RFM-анализ в действии» от karpov.courses. Мы подробно разберем RFM-анализ — мощный инструмент для сегментации клиентов по трем параметрам: давность, частота и сумма покупок. Вы поймете, как на основе этих данных выстраивать маркетинговые стратегии для увеличения конверсии и дохода. Опытные аналитики поделятся практическими кейсами, покажут, как избежать ошибок новичков и применять анализ для оптимизации рекламных кампаний. Мы разберем все процессы на простые шаги, чтобы вы могли сразу использовать знания на практике. Присоединяйтесь, чтобы развить свои аналитические навыки и построить успешную карьеру в сфере данных! Зарегистрироваться #реклама 16+ karpov.courses О рекламодателе