При обучении естественных интеллектов как-то само собой принимается, что хорошо материал должен быть хорошо структурирован и правильно дозирован. Разве при обучении искусственных интеллектов считается, что главное - навалить кучу побольше, дальше оно само как-нибудь выползет? Или кто-то открыл, что он разговаривает прозой?
Результаты исследования, предоставленные Google.
Вместо наращивания объёмов был применен метод активного обучения (Active Learning). Это умный цикл обратной связи, где модель не просто пассивно поглощает информацию, а сама определяет зоны своей неуверенности и «запрашивает» помощь человека с самыми сложными примерами.
За поиск таких «слабых мест» отвечает система «LLM-as-Scout». Она находит в данных так называемые «пограничные случаи». Это примеры на грани двух категорий (например, сарказм и токсичность). Именно здесь точечная разметка эксперта приносит максимальную пользу.
Результаты говорят сами за себя. Модели Gemini Nano хватило всего 250–450 примеров, отобранных экспертами, чтобы обойти по качеству системы, натренированные на 100 000 случайных меток.
Это смена всей философии разработки: умные данные оказываются важнее больших данных.
Однако, конечно же, делать преждевременные выводы рано. Результаты, описанные в исследовании, относятся исключительно к задачам модерации рекламы (ads-safety), а не ко всем NLP-задачам. Эффективность метода сильно зависит от качества экспертных разметок.
Также стоит упомянуть, что метод активного обучения (Active Learning) не нов: Google лишь предоставила масштабную демонстрацию его применимости в продакшене.
Исследование
Тг-Канал
Привет, коллеги ML инженеры, Data scientist'ы и все, кто интересуется искусственным интеллектом, созданием нейросетей, машинным обучением и анализом данных! Принёс вам пачку вебинаров с интенсива трека Наука о данных курсов повышения квалификации Летней цифровой школы Сбера.
Process Mining — это анализ процессов на основе цифровых следов. Объем российского рынка Process Mining на 2024 г. составил 0,9 млрд руб. и будет расти со среднегодовым темпом 69%.
Youtube: https://www.youtube.com/watch?v=gScXVnhE34M
Rutube: https://rutube.ru/video/f119e2a5e125d24c269cf154b025924d/
VK Видео: https://vk.com/video-214877772_456239067
Презентацию можно скачать здесь: https://t.me/rcppe/77?comment=93
Что сегодня обсудим?
1. Глобальная роль ИИ
2. Какова цена ошибки в модельном мире?
3. Расскажем об управлении модельным риском
Youtube: https://youtu.be/z1vJw86Cteo
Rutube: https://rutube.ru/video/b3b4dad12c0f9d6e69dbcba427b35952/
VK Видео: https://vkvideo.ru/video-214877772_456239066
Презентацию можно скачать здесь: https://t.me/rcppe/78?comment=94
Фреймворк LightAutoML (Lama) – автоматическое машинное обучение. Сбер, Центр Практического Искусственного Интеллекта (ЦПИИ)*
* ранее Лаборатория Искусственного Интеллекта
Youtube: https://youtu.be/xhl4crD3x8g
Rutube: https://rutube.ru/video/5ba5d1a7ed4a0a6bbc656e607263e354/
VK Видео: https://vkvideo.ru/video-214877772_456239067
Презентацию можно скачать здесь: https://t.me/rcppe/79?comment=96
Машинное обучение для Time Series Forecasting. Временной ряд – последовательность некоторых значений по времени. Если рассматриваются одновременно несколько одиночных временных рядов, то такая структура называется многомерный временной ряд. Регулярный временной ряд – временной ряд с равномерными временными интервалами между точками. Имея историю L, делаем прогноз на горизонт H.
Youtube: https://youtu.be/inTVRC7y8AE
Rutube: https://rutube.ru/video/35d4d2275c548512f70dde6e2d242f46/
VK Видео: https://vkvideo.ru/video-214877772_456239068
Презентацию можно скачать здесь: https://t.me/rcppe/80?comment=98
Taieb, S. B., Bontempi, G., Atiya, A. F., & Sorjamaa, A. (2012). A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition. Expert systems with applications, 39(8), 7067-7083. – Классическая статья с описанием стратегий (MIMO, recursive, direct, recursive-direct, direct-mimo) и их сравнением на датасете NN5.
Taieb, S. B., & Hyndman, R. J. (2012). Recursive and direct multi-step forecasting: the best of both worlds (Vol. 19). Department of Econometrics and Business Statistics, Monash Univ.. – Статья, в которой авторы представляют rectify-стратегию.
Taieb, S. B. (2014). Machine learning strategies for multi-step-ahead time series forecasting. Universit Libre de Bruxelles, Belgium, 75-86. – Теоретический анализ про bias-variance tradeoff между прямой и рекурсивной стратегиями.
Bao, Y., Xiong, T., & Hu, Z. (2014). Multi-step-ahead time series prediction using multiple-output support vector regression. Neurocomputing, 129, 482-493. – Сравнение различных стратегий (MIMO, recursive, direct) на support vector regression.
An, N. H., & Anh, D. T. (2015, November). Comparison of strategies for multi-step-ahead prediction of time series using neural network. In 2015 International Conference on Advanced Computing and Applications (ACOMP) (pp. 142-149). IEEE. – Сравнение различных стратегий на FFN, но это старая статья, без трансформеров.
Ferreira, L. B., & da Cunha, F. F. (2020). Multi-step ahead forecasting of daily reference evapotranspiration using deep learning. Computers and electronics in agriculture, 178, 105728. – Сравнение LSTM, CNN, CNN-LSTM, FFN и случайного леса с рекурсивной, прямой и MIMO стратегиями
Hertel, M., Beichter, M., Heidrich, B., Neumann, O., Schäfer, B., Mikut, R., & Hagenmeyer, V. (2023). Transformer training strategies for forecasting multiple load time series. Energy Informatics, 6(Suppl 1), 20. – Сравнение local-, global-. multivariate-modelling подходов на примере трансформерных SOTA-архитектур в узком домене.
Рекомендательные модели ML. Что сегодня обсудим?
1. Зачем компании строят рекомендательные системы?
2. Базовые алгоритмы рекомендательных систем
3. Простой baseline без ML
4. Baseline с ML
5. Трансформеры и LLM в рекомендатльных системах
Youtube: https://youtu.be/RLbwjG_Ojaw
Rutube: https://rutube.ru/video/b0d3826924576f308fdb63a26f213f48/
VK Видео: https://vkvideo.ru/video-214877772_456239071
Презентацию можно скачать здесь: https://t.me/rcppe/81?comment=103
DreamML – Фабрика моделей, Low-Code разработка. Модель машинного обучения в три клика. AI-модели в три клика по методологии Сбера.
DreamEA – Сервис пилотирования моделей ML. Запусти бизнес-пилот AI решения сегодня.
DreamDE – Автоматизация П1518. Модель машинного обучения в ПРОМ за 3 дня.
Youtube: https://youtu.be/FeNfXEl6RBE
Rutube: https://rutube.ru/video/af55115d5788f97c579e8fda70d0b2b7/
VK Видео: https://vkvideo.ru/video-214877772_456239072
Презентацию можно скачать здесь: https://t.me/rcppe/82?comment=107
Пишите в комментариях, какие вебинары выложить ещё.
🌸 Настя и банка с бесконечной силой 🌸
Однажды утром, когда мама ещё спала, а солнце только начинало пробираться сквозь штору, Настя встала и прошла на кухню. На столе стояла банка с вишнёвым вареньем — толстая, стеклянная, с крышкой, закрученной ещё папой, когда он был жив.
Настя попробовала открыть. Не идёт.
Она поднатужилась — ничего.
Обмотала крышку полотенцем — щёлкнула пальцем, но банка — молчит.
Она даже постучала по крышке ножом. Крышка тихо отозвалась звонком, но осталась на месте.
— Ну всё, — сказала Настя. — Теперь я применяю бесконечную силу.
Она встала в позу супергероя, глубоко вдохнула, зажмурилась…
И вообразила, что её руки становятся воплощением бесконечности.
— Пусть будет сила больше любого числа, которое я знаю! Больше миллиарда! Больше гуголплекса!
Она резко дёрнула крышку…
💥
…и в тот же миг всё вокруг исчезло.
На кухне больше не было стола. Не было стен. Не было города, планеты, материи. Всё превратилось в поток энергии и света, разлетающийся во все стороны. Потому что бесконечная сила:
Сначала разнесла банку в элементарные частицы;
Потом сломала кухонный стол на кварки;
Потом взорвала молекулы воздуха;
Потом растопила само время, и кухня распалась на до и после.
Настя вдруг оказалась в белом пространстве, где больше ничего не было, кроме неё и крышки от банки, которая всё ещё не открылась.
— Хм, — сказала Настя. — Надо было просто тёплой водой облить…
И в этот момент мама вошла на кухню. Банка стояла на месте, крышка чуть-чуть приоткрылась, а Настя стояла с полотенцем и сияющим лицом.
— Мам, ты знала, что бесконечную силу лучше не применять? — спросила Настя.
— А ты лучше варенье поешь. С блинами, — сказала мама. — И не забудь: бесконечность — это для математики. А в жизни хватит и чайной ложки любви.
🌹🍒✨
Если хочешь, мы можем потом вернуться к этой Насте и написать продолжение — как она решила применять бесконечную скорость, бесконечный интеллект или бесконечную доброту.
Gemini-CLI (@google/gemini-cli) — это официальный инструмент от Google, который позволяет работать с языковой моделью Gemini прямо из командной строки. По сути, это ваш личный AI-помощник для повседневных задач в разработке: написание и отладка кода, поиск ответов на технические вопросы, генерация функций — всё это можно делать, не переключаясь между окнами и не покидая привычную среду.
Главное преимущество Gemini-CLI — его способность понимать контекст проекта. Инструмент умеет читать файлы, разбираться в структуре кода и давать точные, релевантные ответы. Более того, он хорошо интегрируется с редакторами вроде VS Code, благодаря чему может видеть, над каким файлом вы сейчас работаете, или какой фрагмент кода выделили. Это делает его не просто чат-ботом, а настоящим помощником, встроенным прямо в ваш рабочий процесс.
👇👇👇Что такое gemnini-cli и как начать с ним работать смотри 👇👇👇:
Первая часть:
Gemini CLI: Знакомство и первые шаги
Вторая часть:
Gemini CLI: Продвинутые техники и автоматизация сценариев (Часть 2)
Третья часть:
Релиз gemini-cli 0.1.14
Этот релиз включает в себя множество улучшений, исправлений и новых функций. Основные изменения можно сгруппировать по следующим направлениям:
Интеграция с IDE: Это самое крупное изменение. Представлено сопутствующее расширение для VS Code и добавлена интеграция с редактором Zed. Появились специальные команды (/ide status, /ide install) и множество улучшений для режима [ide-mode], позволяющего CLI взаимодействовать с редактором кода.
Новая архитектура команд: Многие слэш-команды (такие как /auth, /docs, /stats, /tools и другие) были переведены на новую, более стабильную архитектуру.
Обнаружение циклов: Добавлен сервис, который умеет обнаруживать и прерывать простые зацикливания в коде.
Отключение баннера: Добавлена настройка hideBanner для отключения приветственного баннера при запуске.
Безопасность: API-ключ теперь передается в заголовке запроса, а не в URL.
Улучшения UX: Внесены различные улучшения в пользовательский интерфейс, такие как улучшение цветовых тем, логика автодополнения и управление курсором.
Новые команды: Добавлена команда /copy для копирования вывода в буфер обмена.
Совместимость с Windows: Внесено множество исправлений, чтобы инструмент корректно работал в среде Windows.
Исправление ошибок: Устранено множество багов, включая проблемы с сериализацией JSON, сбои при обработке ANSI-кодов и некорректную работу с проектами без Git-репозитория.
Обновление зависимостей: Обновлены ключевые пакеты, включая yargs до v18.
Ссылка на github
Удачи 🚀
Он не просто мощный. Он первый в истории гигаваттный — компьютер, сожирающий целую электростанцию ради одной цели: обучения ИИ.
Внутри — сотни тысяч видеокарт, аккуратно уложенные кабели и идеальная инженерная симметрия, от которой реально можно словить кайф. Маск сам сказал: «Наслаждайтесь эстетикой».
🟡 Для чего он?
Colossus 2 — это сердце новой гонки искусственного интеллекта. Его будут использовать для тренировки нейросетей xAI, в том числе следующей версии Grok.
🟡 Масштаб?
Если сравнивать — это будто запустить сотни дата-центров одновременно. Или посадить за работу всех ПК в вашей области. Его мощность — фантастическая.
🟡 Почему это важно?
Такие машины меняют всё: от поиска лекарств до генерации кино и голосов. Это прям как запуск ракеты, только в мир ИИ.
Ребят, если вам хочется больше таких интересных новостей, мемов и всего самого свежего из мира технологий и медиа — заглядывайте на мой ТГ-канал InfoJAM, буду очень благодарен 🙌
Подтверждение данной статьи - https://clck.ru/3NHzJx
Первая часть:
Gemini CLI: Знакомство и первые шаги
Вторая часть:
Gemini CLI: Продвинутые техники и автоматизация сценариев (Часть 2)
В этой части мы попросим gemini-cli написать код игры life, создать тесты и документацию.
Шаг 1: Создание системной инструкции `GEMINI.MD
В рабочей директории создайте файл GEMINI.md и вставьте в него системную инструкцию. Пример инструкции:
## 📘 Инструкция для генерации Python-кода
### 1. Общие правила
* Используй **Python 3.10+**.
* Соблюдай **четкий, читаемый и однозначный стиль** кодирования.
* **Каждая функция, метод и класс** должны иметь:
* Аннотацию типов (`type hints`)
* Полную и корректную документацию в формате `docstring` (см. раздел 3)
* Внутренние комментарии (`#`), где необходимо
---
### 2. Комментарии
* Комментарии должны быть **точными** и описывать **что делает код**, а не «что мы делаем».
* **Запрещено** использовать местоимения: `делаем`, `возвращаем`, `отправляем`, `переходим` и т.п.
* **Разрешены** только термины: `извлечение`, `выполнение`, `вызов`, `замена`, `проверка`, `отправка`, `Функция выполняет`, `Функция изменяет значение` и т.д.
#### ❌ Пример неправильного комментария:
```python
# Получаем значение параметра
✅ Пример правильного комментария:
# Функция извлекает значение параметра
3. Docstring (формат документации)
Каждая функция/метод/класс должна содержать docstring в следующем формате:
def function(param: str, param1: Optional[str | dict | str] = None) -> dict | None:
"""
Args:
param (str): Описание параметра `param`.
param1 (Optional[str | dict | str], optional): Описание параметра `param1`. По умолчанию `None`.
Returns:
dict | None: Описание возвращаемого значения. Возвращает словарь или `None`.
Raises:
SomeError: Описание ситуации, в которой возникает исключение `SomeError`.
Example:
>>> function('param', 'param1')
{'param': 'param1'}
"""
Все параметры и возвращаемые значения должны быть описаны.
Формулировки должны быть лаконичными, точными и однозначными.
Не допускается пропуск описания параметров/возвращаемых значений/исключений.
4. Аннотация типов
Все переменные, параметры и возвращаемые значения должны быть аннотированы.
Используй синтаксис Python 3.10+: list[int], dict[str, Any], str | None и т.д.
Примеры корректных аннотаций:
✅ Простые типы:
name: str = "John"
count: int = 42
flag: bool = True
✅ Коллекции и сложные типы:
from typing import Any, Optional, Callable, TypeAlias
coordinates: tuple[float, float] = (55.75, 37.61)
metadata: dict[str, Any] = {"debug": True}
UserId: TypeAlias = int
✅ Функции и методы:
def get_user_name(user_id: int) -> str:
"""Возвращает имя пользователя по его идентификатору."""
...
✅ Асинхронные функции:
async def fetch_users() -> AsyncIterator[dict[str, int | str]]:
...
✅ Обобщённые типы:
from typing import TypeVar, Generic
T = TypeVar("T")
class Container(Generic[T]):
def __init__(self, value: T) -> None:
self.value = value
def get(self) -> T:
return self.value
5. Прочее
Используй default_factory в dataclass для изменяемых значений (list, dict).
Для Optional значений указывай T | None (Python 3.10+) или Optional[T].
Для сложных структур — используй TypeAlias.
📌 Подсказка: При генерации кода всегда включай аннотацию типов, docstring, и избегай субъективных формулировок в комментариях. Цель — максимально точная, воспроизводимая и формализованная структура кода.
Для удобства создадим директорию `game`, в которой будут храниться файлы проекта, и директорию `scenarios`, где будут храниться сценарии для Gemini CLI.
файл scenarios/life-create-code.md будет содержать инструкции для создания кода игры "Жизнь",
файл scenarios/life-create-test.md — инструкции для создания тестов,
а файл scenarios/life-create-doc.md — инструкции для создания документации.
Внутри директории `game` Создай файл life.py.Внутри напиши реализацию "Игры Жизнь" Конвея на Python, используя объектно-ориентированный подход.
используй библиотеки: `numpy`, `pygame` (для графики).
Требования:
1. Создай класс `Game`.
2. В `__init__` класс должен принимать размеры сетки (ширину, высоту) и создавать случайное начальное поле.
3. Создай метод `step()`, который обновляет состояние игры на один шаг в соответствии с правилами:
- Живая клетка с < 2 живыми соседями умирает (одиночество).
- Живая клетка с 2 или 3 живыми соседями выживает.
- Живая клетка с > 3 живыми соседями умирает (перенаселение).
- Мёртвая клетка с ровно 3 живыми соседями становится живой (рождение).
4. Создай метод `display()` или переопредели `__str__`, чтобы выводить поле в консоль. Используй символы, например '■' для живой клетки и ' ' для мертвой.
5. Используй библиотеку `numpy` для эффективной работы с сеткой.
6. В блоке `if __name__ == '__main__':` добавь пример, который создает игру, и в цикле запускает симуляцию с небольшой задержкой между шагами.
7. Для визуализации игры используй pygame или другую библиотеку для графики, если это возможно.
Внутри директории `game` используя контекст из файла @life.py, создай файл с тестами test_life.py. Используй фреймворк pytest. Тест должен проверять правильность эволюции простого осциллятора "Блинкер" (три клетки в ряд).
Сценарий теста:
1. Импортируй класс `Game` из `life`.
2. Создай функцию теста, например `test_blinker_oscillation`.
3. Внутри теста создай экземпляр `Game` с фиксированным размером (например, 5x5).
4. Вручную установи начальное состояние поля так, чтобы в центре была горизонтальная линия из трех живых клеток (Блинкер).
5. Вызови метод `game.step()`.
6. С помощью `assert` и `numpy.array_equal` проверь, что поле изменилось на вертикальную линию из трех клеток.
7. Вызови метод `game.step()` еще раз.
8. Проверь, что поле вернулось в исходное горизонтальное состояние.
Проанализируй файлы @life.py и @test_life.py внутри директории `game` и на их основе создай файл документации doc.md. Структура документации должна быть следующей: - **Заголовок:**
# Проект "Игра Жизнь" -
**Краткое описание:** Объяснение, что это за проект (реализация клеточного автомата Конвея). -
**Структура файлов:** Краткое описание назначения файлов `life.py` и `test_life.py`. - **Как запустить симуляцию:** Раздел с командой для запуска основного файла (`python life.py`). -
**Как запустить тесты:** Раздел с командой для запуска тестов (`pip install pytest numpy`, а затем `pytest`).
Структура директорий будет выглядеть следующим образом:
Шаг 2: Создание кода игры "Жизнь"
Запускаем gemini-cli в терминале:
Важно! Убедитесь, что вы находитесь в директории, где находится файл GEMINI.md.
GEMINI.md обнаружен
Даем команду на исполнение сценариев
Даем разрешение на создание файла
После этого gemini-cli сгенерирует файл life.py в директории game:
Продолжаем:
Создай виртуальную среду venv, установи необходимые зависимости и запусти испонение кода игры
Даем необходимые разрешения на запуск скриптов
pip
и наконец gemini-cli запускает игру:
Шаг 3: Создание тестов
Даем разрешение на запуск pytest
Ошибка
gemini-cli пытается решить проблему
Последний шаг — создание документации
Вуаля! Документация создана:
Проект на github
Полезно? Подпишись.
Понравилось — ставь «+»
Удачи! 🚀
Итак, любопытство возобладало и я решил проверить съедобность своей находки
Вот видеоотчет на Ютубе и ВК, кому как удобнее
За качество и звук больно не ругайте, я не шибко то и монтажёр
