Data Science ODS

Недавно завершилось соревнование по памяти в LLM для диалогов – GigaMemory: global memory for LLM (хабр) Основной метрикой выступала Accuracy. 1-е место (86,6%) Вместо классического RAG для каждого чанка текста модели отдельно задают вопрос: Релевантен ли этот текст заданному вопросу?. Модель должна ответить токеном Да или Нет. По logprobs этих токенов рассчитывается уровень уверенности. В итоге возвращается список чанков, где уверенность выше порога 0.5. На основе этой информации формируется первичный ответ, который затем используется для итогового решения. 2-е место (84,5%) Подход технически сложнее, но концептуально похож на решение победителя. 3-е место (74,5%) Классический RAG с энкодером bge-m3 – этого оказалось достаточно для призового места. Решения звучат интересно, но кажется в топ 2 решениях, под каждый запрос все прошлые диалоги перечитываются заново, а не берутся из уже готовой краткой выжимки 🤔

🤖 Крах ИИ-стратегии ❗️ Microsoft и стремительный взлет ❗️Google Gemini Microsoft столкнулась с критическим падением спроса на свои флагманские ИИ-решения и была вынуждена резко сократить внутренние планы продаж. Свежая аналитика FirstPageSage за декабрь 2025 года фиксирует квартальный рост аудитории Google Gemini на уровне 12% против стагнирующих 2% у продукта Copilot. Инсайдеры издания The Information сообщают, что менеджеры «изо всех сил пытаются» закрыть сделки на фоне очевидного технологического превосходства конкурентных больших языковых моделей. Эксперты подчеркивают, что принятая генеральным директором Сатьей Наделлой стратегия «выпускай сейчас, чини потом» привела к появлению на рынке откровенно слабых продуктов с низкой отказоустойчивостью. В то время как конкуренты выстраивают полный стек собственных технологий, Microsoft рискует потерять статус инноватора и превратиться в обычного посредника на рынке вычислительных мощностей. У корпорации есть всё еще солидные 14% рынка и огромный корпоративный сегмент, но если катастрофический тренд сохранится, то Copilot потеряет статус второй платформы мира в 2026, уступив место Google Gemini. ✋ @Russian_OSINT

☁️ МГТУ и «Росатом» открыли доступ к облачной квантовой платформе Специалисты МГТУ им. Баумана, ВНИИА им. Духова и «Росатома» запустили облачную платформу Bauman Octillion. Она позволяет удаленно проводить эксперименты на реальных квантовых сопроцессорах. 🔜Пользователям предоставляется круглосуточный доступ к квантовому сопроцессору SnowDrop 4Q на базе четырех сверхпроводниковых кубитов. Точность выполнения однокубитных операций на нем составляет 99,89%, двухкубитных — 99,1%. ☝️С 10 по 20 декабря будет открыт тестовый доступ к более мощному устройству — SnowDrop 8Q с восемью кубитами и повышенной точностью. Это позволит ученым тестировать более сложные алгоритмы. Подпишитесь на Электричку

🧠 Продвинутая типизация Python, о которой почти никто не знает Статья показывает, что Python уже давно вышел за рамки простых List[int] и Optional[str]. Главные идеи: ✔️ TypeGuard и новый TypeIs позволяют писать функции, которые доказательно сужают типы - например, проверка превращает Any в конкретный тип для дальнейшего кода. ✔️ assert_never из typing помогает ловить случаи, когда ты забыл обработать один из вариантов, что особенно важно в match и сложных условных ветках. ✔️ Python 3.13+ добавляет улучшенный вывод типов и строгие проверки, чтобы типизированный код стал надёжнее. ✔️ Поддержка typed function overloading - теперь можно описывать разные сигнатуры для одной функции, и анализаторы понимают их корректно. 📌 Вывод из статьи - Python типизация уже стала инструментом для архитектуры и предотвращения ошибок, особенно в больших проектах. Но большинство разработчиков использует только её простейший слой. Кому полезно: • работаешь с крупными кодовыми базами • пишешь библиотеки • хочешь меньше скрытых багов и более предсказуемые refactor-ы Источник: martynassubonis.substack.com/p/advanced-overlooked-python-typing

📌Адвент-календарь по ML и DL. Towardsdatascience запустил декабрьский Адвент-календарь "Machine and Deep Learning", котором предлагает разобраться, что под капотом у ML-процессов.

Фреймворки, например scikit-learn, сделали нас ленивыми. Вызов model.fit стал настолько обыденным, что в эпоху Gen AI кажется, будто обучение модели -это просто подбор параметров. ML-инженеры жонглируют моделями со сложностью, которая растет в геометрической прогрессии, но при этом они не всегда способны вручную пересчитать и объяснить результаты даже самых простых алгоритмов: линейной регрессии или классификатора. Модели превратились в "черные ящики", и это огромная проблема, ведь знание, что стоит за каждой функцией, критически важно для понимания процесса.

Фишка в том, что весь материал разбирается в Excel. Звучит диковато, но в этом и есть гений. В отличие от кода, где операции скрыты за функциями, в Excel каждая формула, каждое число, каждый расчет - всё на виду. Никаких "черных ящиков". Уже вышло 7 статей: 🟢День 1 : k-NN Regressor 🟢День 2 : k-NN Classifier 🟢День 4 : GNB, LDA и QDA 🟢День 5 : GMM (Gaussian Mixture Model) 🟢День 6 : Decision Tree Regressor 🟢День 7 : Decision Tree Classifier Цикл поможет ответить на вопросы, которые часто остаются за кадром: как грамотно обрабатывать категориальные признаки, когда масштабирование не является правильным решением, и как измерять важность признаков, интерпретируя их напрямую с моделью, минуя модель-агностические пакеты LIME и SHAP. Серия будет полезна студентам для осмысления формул, и менеджерам для понимания какой ML-метод необходим для бизнеса. А для разработчиков это шанс наконец-то понять теорию. В общем, это маст-рид для тех, кто хочет перестать быть оператором библиотек и по-настоящему понять, как работает ML-движок. 🔜 Мониторить выход новых статей можно тут, обещают публикацию до конца декабря в формате "один день - одна статья". @ai_machinelearning_big_data #AI #ML #DL #Tutorial #Excel

Китайцы собрали своего терминатора Гуманоид T800 от EngineAI пинает генерального директора Чжао Туняна. Мой Компьютер

Всем привет! Встречайте двадцать третий выпуск подкаста "Капитанский мостик". В этом эпизоде обсуждаются последние новости в области робототехники и автоматизации, а также рассматриваются вопросы безопасности смарт-контрактов и их уязвимости. Ведущие подкаста - Валентин Малых и Дмитрий Колодезев. Смотрите видео на каналах ⤵️ ODS VK Video ODS YouTube 📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai).

Большое сравнение производительности мобильных чипов Китайцы собрали более 70 смартфонов с разными процессорами и протестировали их все, собрав в единую табличку. Вышло довольно интересное сравнение! За базу в 100 баллов принят Snapdragon 8+ gen 1. За результат теста CPU взято соотношение 25% однопотока + 75% многопотока Geekbench 6. GPU: 50% Wild Lige Extreme + 50% Aztec 1440P Общий результат 65% CPU + 35% GPU Итог таков: За 10 лет производительность CPU увеличилась в 9 раз. Производительность GPU в 22 раза! Ещё из интересного: Уже несколько лет подряд мобильные чипы от Apple не самые быстрые в текущем поколении. Последние пару лет решения от MediaTek по графике чуть быстрее Snapdragon. Источник @HWvsSW