Machine learning chat

В Minstral ai занервничали

тоже интересно.

Топ навыков ML-инженера на примере реальной бизнес-задачи Предсказать отток клиентов — одна из самых распространенных и актуальных задач для любого бизнеса. На примере этой задачи можно рассмотреть все этапы работы ML-инженера: данные, признаки, модель, метрики и выводы для бизнеса. Чтобы увидеть полный цикл решения реальной задачи и понять, какие навыки нужны ML-инженеру в работе, приходите 16 сентября на практико-ориентированный вебинар от Кристины Желтовой — директора по разработке моделей в Газпромбанке. В ходе вебинара мы на примере задачи предсказания оттока клиентов разберём:

🟠Актуальность предсказания оттока клиентов для бизнеса 🟠Как работать с «сырыми» данными и подготовить их для обучения модели 🟠Как выбрать, построить и обучить базовую модель в Google Colab 🟠Как проверить, качество работы модели: разбор метрик и ошибок 🟠Какие ключевые навыки складываются в профессию

ML-инженера.🕗 Встречаемся 16 сентября в 19:00 МСК Обязательно ждем вас в лайве — вы сможете напрямую задать свои вопросы Кристине Желтовой и забрать с собой пример файла в Google Colab, с которым сможете продолжить погружаться в задачу после вебинара! 😶Зарегистрироваться на бесплатный вебинар

🔒 Nano Banana и цифровые водяные знаки Все изображения, сгенерированные через Nano Banana, автоматически содержат водяной знак synthID. Это специальная технология, которая встраивает в картинку невидимую метку — её можно обнаружить и подтвердить происхождение изображения. Подробнее о том, как работает synthID watermarking, можно прочитать здесь: 👉 https://huggingface.co/blog/synthid-text

⚡️ Александр Мордвинцев, исследователь из Google, создал цифровые системы на основе клеточных автоматов, где каждая клетка взаимодействует только со своими соседями. Эти нейронные клеточные автоматы (Neural Cellular Automata) способны самособираться в заданные формы и даже восстанавливаться после повреждений. В *Quanta Magazine* рассказали о том, как учёные научились обучать искусственные "клетки" собираться в заданные формы. Это похоже на игру «Жизнь» (*Game of Life*), но наоборот. 🧩 Что такое Game of Life? Это простая компьютерная модель: есть сетка из клеток, у каждой клетки всего два состояния — «жива» или «мертва». Жизнь клетки зависит от соседей (например, если вокруг слишком много соседей, клетка умирает). Обычно мы задаём правила и просто смотрим, что получится. А теперь учёные сделали наоборот: сначала задаём цель (например, фигуру), а потом подбираем правила так, чтобы клетки сами в неё собрались. ⚙️ Что изменили учёные? 1. Непрерывные состояния - клетка не просто «вкл/выкл», а может быть наполовину активна. Это как лампочка с плавным регулятором яркости. 2. Скрытые переменные - у каждой клетки есть «внутренние параметры», которые влияют на её поведение. Представь, что у клетки есть «настроение» или «память», которое не видно исследователю напрямую. 3. Асинхронное обновление — клетки меняются в случайное время, а не все сразу. Это ближе к реальной жизни, где всё развивается не идеально синхронно. 💡 Зачем это нужно? - Восстановление после повреждений: если часть фигуры «сломать», клетки могут достроить её заново. - Децентрализация: нет главного управляющего - каждая клетка действует локально, но вместе они формируют систему. - Устойчивость к шуму: клетки учатся справляться с хаосом и случайностями, а не просто повторяют выученный рисунок. 🟠Какие есть ограничения? - Пока это работает для картинок и форм, но не для сложных живых организмов. - Чтобы система умела «регенерировать», её нужно специально тренировать. - Перенести эту идею в настоящие биологические клетки или роботов сложно — там много физических ограничений. 🟠 Где это можно применить? - Медицина - модели самовосстановления тканей. - Робототехника - рой роботов, которые без команды сверху сами собираются в нужную конструкцию. - Материалы будущего — «умные» кирпичики или детали, которые сами подстраиваются под окружение. - Новые вычислительные системы - компьютеры без центрального процессора, где решения рождаются распределённо. Учёные показали, что нейронные клеточные автоматы можно рассматривать как модель эволюции: геном не задаёт форму напрямую, а запускает процесс её построения, что делает системы гибкими и адаптивными. Главное отличие от природы в том, что эволюция не имеет цели, а автоматы обучают под задачу. Эти модели предлагают новый тип вычислений: каждая клетка взаимодействует только с соседями, что делает архитектуру распределённой и потенциально энергоэффективной. Уже есть впечатляющие результаты — от распознавания цифр и умножения матриц до решения задач вроде IQ-тестов и управления роями роботов, которые начинают вести себя как единый организм. В итоге работы Мордвинцева соединяют биологию, компьютеры и робототехнику, возвращая к идее, что жизнь и вычисления — две стороны одного процесса. 🟢 Полная статья: https://www.quantamagazine.org/self-assembly-gets-automated-in-reverse-of-game-of-life-20250910/ @ai_machinelearning_big_data #evolution #machinelearning #neuralnetworks #biology

📊 McKinsey: ИИ взорвёт рынок дата-центров По данным свежего отчёта McKinsey, только искусственный интеллект потребует к 2030 году $5,2 трлн инвестиций в дата-центры. 💡 Ключевые цифры: - к 2030-му для покрытия спроса на ИИ понадобится 156 ГВт мощностей дата-центров; - с 2025 по 2030 годы нужно будет добавить 125 ГВт новых мощностей; - $5,2 трлн — это расчёт на основе сценариев масштабирования вычислений для ИИ. Этот прогноз подчёркивает: рост ИИ меняет индустрию дата-центров беспрецедентно быстро, а финансовая нагрузка, связанная с обеспечением вычислительных мощностей, станет колоссальной. 🔗 McKinsey Report: https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-cost-of-compute-a-7-trillion-dollar-race-to-scale-data-centers @data_analysis_ml