(sci)Berloga Всех Наук и Технологий

🤖 ChatGPT, составь протокол эксперимента. Claude, обработай результаты. А кто будет отвечать, если всё пойдёт не по плану? ИИ осваивает новые задачки, хотим мы этого или нет. И часто представители «мокрых» направлений выдыхают: «Нас-то он не заменит». А так ли это? Приходите разбираться на наш следующий вебинар «Обзор актуального состояния ИИ-индустрии и новинок ИИ в науке»! На встрече: • Для начала уточним базовые термины (харнесс, контекст, контекстное окно, агент, скилл, плагин и инструменты) • Сориентируемся в возможностях ИИ в лабораториях широкого профиля • Рассмотрим кейс настройки своего агента для лабрутины • Обсудим свежий материал Google Research об агентах в экспериментальной биологии А еще поговорим про три способа использования ИИ в работе ученого: ассистент, воркфлоу и агент. Спикер — Валерий Гуща, магистр структурной биологии, Python Backend/ML-разработчик и основатель SynapSight. Когда: 29 октября в 19:00 🔗 Регистрация в боте: https://t.me/BlastimAI_bot На сайте: https://blastim.ru/scientist_of_the_future?#ailab Приходите узнать, какие задачи уже точно-точно можно делегировать ИИ, а где человек всё еще незаменим

👋 Здравствуйте! Меня зовут Вадим, я разработчик Я сам был на семейном обучении: самостоятельно освоил школьную программу, потом окончил МГУ с красным дипломом. Поэтому знаю, как тяжело учиться самому, когда нет ничего удобного. Теперь на СО мои дети. Мне хотелось, чтобы они сами понимали, что делать каждый день, а не ждали, пока взрослый всё распланирует. Сначала распечатывал им ежедневные задания, потом сделал сайт — ЮНИК: yoonik.ru В ролике за 5 минут показываю, как он устроен: 📅 выбираете класс, даты и свои учебники — сайт раскладывает программу по дням ✅ в разделе «Сегодня» ребёнок видит, какие параграфы пройти, и отмечает «Сделано» 🧭 если часть уже пройдена, план начнётся со следующего параграфа 🖨️ весь план можно скачать в PDF и распечатать 📝 после глав — контрольные, оценки появляются в дневнике 📚 в Ючебнике — объяснения тем, если в учебнике сложно (раздел пока в бете) Цель — помочь проходить программу быстрее, с ориентиром на класс за полгода. Сайт бесплатный, регистрация не нужна. Это волонтёрский проект: делаю его в свободное время и за свой счёт. Сейчас очень нужны дети из разных классов и семей, чтобы понять, как это работает у других. Буду благодарен за любые замечания детей и родителей — именно по ним хочу улучшать сайт. Мы на СО все в одной лодке, хочется сделать полезную вещь для всех нас) ▶️ Смотреть ролик

Нужные статьи с arXiv прямо в Telegram Следите за новыми исследованиями без ежедневного просмотра сотен аннотаций. В arXiv-боте можно настроить подписки по темам, авторам и научным разделам. Бот пришлёт подходящие публикации со ссылками на работы. Получать уведомления можно по мере появления статей или одной ежедневной подборкой. Всё бесплатно и без ограничений 👉 Настроить свою научную ленту

ggmlR: Vulkan GPU-бэкенд для R В последнее время у всех, кто работает с ML, один и тот же рефлекс: хочешь GPU, ставь CUDA, Python и PyTorch. А если ты R-аналитик, то ещё и ищи, как всё это подружить с твоим кодом. Задача выполнима, но на практике это обычно плясать с бубном вокруг драйверов, окружений и версий. Поэтому был создан ggmlR: нативный GPU-бэкенд для R на базе GGML и Vulkan. Без CUDA, ROCm, Python, PyTorch и TensorFlow. Vulkan работает на AMD, NVIDIA и Intel. На Data Fest 2026 @Zabis13 рассказал, что из этого получилось. В докладе: - llamaR, порт llama.cpp, выдаёт 22 токена в секунду против 24 у эталона. Для R-пакета это вполне достойно. - sd2R генерирует картинки через Stable Diffusion и Flux, и всё это прямо из R. Есть даже Shiny-интерфейс, чтобы не мучить консоль. - Инференс ONNX-моделей на GPU идёт в десятки раз быстрее, чем на CPU. В планах развитие экосистемы R🚀 https://www.youtube.com/watch?v=pS-mAmCgUEk #R #Vulkan #GPU #DataFest

А можно аналитику без зоопарка из десяти сервисов? Кажется, вокруг данных действует какой-то негласный закон. Чем больше компания, тем больше инструментов нужно, чтобы просто понять, что у нее происходит. Один сервис забирает данные, второй их хранит, третий считает, четвертый рисует дашборды. А между всем этим живут интеграции, которые тоже надо настраивать и поддерживать. По данным Yandex B2B Tech, 70% аналитических команд используют от 5 до 10 таких инструментов. Команда решила попробовать собрать весь этот конструктор в одном месте и представили DataLens Platform. Внутри хранилище, обработка данных, отчеты, дашборды и ИИ-помощник, которому можно задавать вопросы обычным языком. Представим, что выручка торговой сети растет, а прибыль в части магазинов снижается. Готового отчета с объяснением причины нет. Чтобы ее найти, нужно сопоставить продажи, закупочные цены, скидки, возвраты, остатки, стоимость логистики и данные программы лояльности. Обычно эта информация находится в разных системах, поэтому новый вопрос превращается в отдельный проект по сбору и сверке данных. Если данные уже собраны и связаны на общей платформе, бизнес может сразу искать причину: например, выяснить, связано ли снижение прибыли со скидками, изменением ассортимента, ростом возвратов или логистических расходов. ИИ-помощник упрощает работу с данными, но качество его ответа зависит от того, насколько хорошо эти данные подготовлены и согласованы. Самая интересная часть тут, кажется, даже не ИИ, а попытка убрать прослойку из множества сервисов и интеграций между ними. Yandex B2B Tech оценивает потенциальное снижение совокупных затрат на аналитику до 30%, а подготовку отчетов и дашбордов обещает ускорить в 3–5 раз. Пока платформа будет работать в Yandex Cloud. Публичный релиз планируют на март 2027 года.

Мастер-класс: превращаем сырой код в отчет или презентацию за 5 минут с Quarto Привет, это Иван Поздняков! Однажды я показывал научнику результаты своего анализа в виде красивого HTML-репорта с картинками и кодом. Научник говорит: «Супер, через 10 минут лабмитинг, там еще обсудим. Ты же сделал презентацию?». Я такой: «Ой, забыл». Но я выкрутился: поменял четыре буквы в шапке своего маркдаун-файла — с html на pptx. И спустя пару минут вполне приличная преза была готова! Думаю, что даже если не все слова знакомы, вы догадались, что чудеса случились благодаря R. А точнее — специальному инструменту Quarto, доступному внутри RStudio. И я поделюсь с вами этой волшебной штукой 22 сентября. На вебинаре научимся трансформировать R-скрипты (Python, Bash тоже можно) в интерактивные отчеты, презентации, постеры и во всё, что захотите. Код, графики, таблицы, комментарии окажутся в одном документе, который после любых изменений пересобирается одной командой! С Quarto можно писать диссер или статью, облегчить возню с библиографией и не бояться, что как в Word от случайного Enter слетит верстка десяти страниц. План: * посмотрим на ИИ-агента Posit Assistant в RStudio * изучим теорию: языки разметки, почему именно Markdown и как он проник везде — от банального форматирования текста в Телеграм до README на GitHub или SKILL.md для Claude Code * проведем демонстрацию: превратим один файл в HTML, Word, PDF, а также взглянем, как создавать дашборды, сайты и целые книги Приходите, будем делать воспроизводимые исследования по-современному: https://t.me/BlastimWeb_bot Если ссылка не работает, то записывайтесь тут

Друзья! Давно ничего не писал — исправляюсь. Во-первых, следующая тема канала — избыточное кодирование — то, чем я занимаюсь последний год. Вкратце, избыточное кодирование — это о том, чтобы исправлять данные после частичного повреждения. Практически в любой ситуации когда данные хранятся долго или передаются в не очень благоприятной среде ошибки неизбежны и избыточное кодирование помогает от этого защититься. Самый важные сферы применения — это собственно алгоритмы для обеспечения физических накопителей (флеш-карты, ленты, HDD) и передача данных (ethernet, WiFi), но к сожалению просто так заглянуть в них не получится... 😢 Однако у меня для вас есть наглядный пример — избыточное кодирование в QR коде! QR коды сейчас используются повсеместно, его легко визуально распознать, и я уверен что вы очень часто видели стилизованные QR коды с логотипами. Вот только если вы посмотрите на технические стандарты QR-кодов, вы нигде не увидите описание того, как и куда можно добавить логотип. Всё потому, что никакого регламента по логотипам в них нет и не было (и скорее всего никогда не будет), так как же так получилось, что логотипы просто лепят поверх данных, а QR коды все равно работают? Дело в том, что во все QR коды заложено избыточное кодирование, предполагалось, что это должно помочь считыванию в случае код нанесен на физическую поверхность, с которой со временем сходит краска. На второй картинке изображено подробное описание что к чему относится в QR коде: сине-голубая часть — исходные данные, желтая — данные избыточного кодирования, все остальное — вспомогательная информация для сканнера. Зеленые/красные границы фигур из в 8-ми квадратиков — это то, как биты формируют байты в QR коде. На третей картинке видно как логотип закрывает в 8-ми фигурках хотя бы по 2 квадратика и еще в двух частично закрывает один квадратик. Стандартные сканнеры могут считать конкретно этот QR код если закрыты не больше 8-ми фигурок (на самом деле можно больше, но об этом в другой раз) и если бы логотип был чуть-чуть больше, то QR код уже не считывался бы. В ближайшее время скрипты для отрисовки кодов на картинках доделаю и выложу в открытый доступ — можно будет поэкспериментировать, ссылку оставлю в одном из следующих постов

Нашли интересный канал посвященный теории кодирования и применениям матеиатики - рекомендуем: https://t.me/a_zachem_eto_nuzhno/

Как дочь Байрона придумала программирование Ада Байрон родилась в 1815 году и была единственным законным ребёнком лорда Байрона. Но знаменитого отца она почти не знала: родители расстались вскоре после её рождения, а Байрон навсегда уехал из Англии. Мать Ады, опасаясь, что дочь унаследует отцовскую «поэтическую безумность», сделала ставку на математику и логику. Но поэзия никуда не исчезла - просто Ада начала видеть её в формулах. В семнадцать лет она познакомилась с Чарльзом Бэббиджем, который работал над своими вычислительными машинами. Сначала была разностная машина - гигантский механический калькулятор. Затем Бэббидж задумал гораздо более амбициозное устройство - аналитическую машину. У неё должны были быть память, вычислительный блок, управление последовательностью операций и ввод программ с перфокарт. По архитектуре она удивительно напоминает компьютеры, появившиеся почти через сто лет. В 1843 году Ада перевела с французского статью итальянского инженера Луиджи Менабреа об аналитической машине и добавила к переводу собственные примечания. Они оказались примерно втрое длиннее самой статьи. В одном из них - знаменитой «Note G» - она описала последовательность операций для вычисления чисел Бернулли. Именно поэтому Лавлейс часто называют первым программистом: она написала программу для машины, которой в законченном виде ещё даже не существовало. Но алгоритм с числами Бернулли - далеко не самое интересное. Лавлейс поняла, что такая машина может работать не только с числами. Если представить музыку, текст или другие объекты в виде формальных символов и задать правила их обработки, машина теоретически сможет манипулировать и ими. Она даже предполагала, что когда-нибудь устройство сможет создавать сложные музыкальные произведения. Для 1843 года это почти фантастика. Большинство вычислительных устройств того времени воспринимались как очень сложные арифмометры. Ада смотрела на аналитическую машину скорее как на универсальную систему обработки информации. До Тьюринга, фон Неймана и реальных электронных компьютеров оставалось ещё около столетия. При этом сама Лавлейс была совсем не похожа на стереотипного тихого математика. Светская жизнь викторианской аристократии, скачки, рискованные ставки, попытки построить математическую систему для выигрыша на тотализаторе - всё это тоже было частью её биографии. Последняя затея, кстати, закончилась крупными долгами. Ада Лавлейс умерла в 1852 году в возрасте 36 лет, а аналитическая машина Бэббиджа так и не была построена при их жизни.

🚀 @SBERLOGASCI webinar on data science: 👨‍🔬 Никита Бухал: "Пример разработки агентов" ⌚️ сегодня 13 Сентября , Воскресение, 19.00 по Москве Предлагаю написать простого LLM-агента (а-ля Claude Code) с нуля. Разберём, как выглядят запросы к OpenAI Chat Completions API и что собой представляет agent loop. Если останется время, обсудим также разные точки зрения на процесс усложнения структуры агентов. В качестве LLM-провайдера будем использовать OpenRouter, поэтому желательно иметь API-ключ — хотя бы для доступа к бесплатным моделям. Код по которому будем идти: https://github.com/tttzof351/agent_from_scratch PS Для получения зум-линка - напишите @alexander_v_c