AML

https://www.cbinsights.com/learn/ai-dashboard

Карта рынка по ML и данных 2025 — год, когда пузырь раздувается, но фундамент строится Если всё сойдётся (дистрибуция, маржи, регулирование, энергия), Ml станет новой инфраструктурой Главные тренды и прогнозы: - Reasoning + RL — новый фронтир (DeepSeek R1, o-series от OpenAI) - Китай строит параллельный стек (Huawei, DeepSeek, Qwen3) - Энергия — основная задача для решения - Консолидация: крупные сделки ( ~$14B в Scale AI, ServiceNow-Moveworks $2.85B) - Vibe coding в хите: агенты типа Cursor, Claude Code меняют разработку - Мультимодальность взлетает (видео: Veo3/Sora, голос: ElevenLabs) - Open source выживает (Llama 4, Mistral, Qwen3) — гибридные стеки - Энтерпрайз: фокус на governance, incumbents (Salesforce, ServiceNow) доминируют в агентах - Distribution побеждает invention, маржи через outcome-based pricing

Иногда кажется, что A/B-тесты понятны — пока не начинаешь разбираться в деталях Чем глубже погружаешься, тем больше нюансов всплывает: чувствительность, сплиттинг, метрики-отношения, доверительные интервалы… Даже если у тебя уже есть опыт, в реальных задачах часто возникают ситуации, где нет очевидного решения — и нужна практика, а не очередная статья на Хабре Симулятор A/B-тестов от karpovꓸcourses закрывает эту потребность: это рабочая среда с реальными сценариями, более чем 100 задачами и возможностью пройти полный цикл экспериментов — от гипотез до выводов для бизнеса Ключевые преимущества: 1. Детальный разбор процесса подготовки, проведения и оценки результатов А/В экспериментов От формирования гипотезы до принятия решения 2. Много практики на реальной платформе А/В тестирования, что позволяет прокачать навыки от теории к практике 3. Изучение продвинутых техник, таких как расчет минимального размера выборки (MDE), работа с доверительными интервалами, повышение чувствительности тестов, техники снижения дисперсии (стратификация, CUPED) 4. Качественная теоретическая база по статистике и теории вероятностей, необходимая для глубокого понимания А/В тестов 5. Хорошо структурированные материалы курса, позволяющие закреплять знания на практике в Python с помощью классов или функций Попробуйте симулятор, чтобы уверенно проводить A/B-тесты в реальных сценариях: https://clc.to/mTqXaw

23 декабря на Матфаке ВШЭ будут новогоднии лекции для школьников: А.Ю. Окуньков расскажет про подсчет целых точек на окружности А.Б. Калмынин — про скатерть Улама https://math.hse.ru/announcements/1110923088.html

AML pinned a file

Искусственный интеллект в России - 2025: тренды и перспективы {здесь} С.С.Вашурина Применение систем искусственного интеллекта в сфере правосудия: конституционно-правовые аспекты.{здесь} Диссертация на соискание учёной степени кандидата юридических наук, специальность 5.1.2 Эксперт Сухих считает вредным практику Ml в фундаментальной подготовке студентов {здесь} Ml в образовании: как преодолеть соблазн готовых решений {здесь} Около 87 % студентов используют Ml в процессе своего обучения Из них 36 % — для выполнения учебных задач больше одного раза в неделю, 33 % — несколько раз в месяц, 10.7 % — ежедневно 12.5 % респондентов никогда не используют Ml в обучении Продовольственная безопасность и внедрение Ml {здесь} К 2026 году роботизация может снизить стоимость еды на 15 %

В математике есть особенный тип открытий — это не инструкции «как сделать», а доказательства того, чего сделать принципиально невозможно Задача о двух генералах, появившаяся в 1970-х, как раз из этой серии Она показывает, где проходят границы возможного в любых системах, где связь ненадёжна Представьте двух генералов, чьи армии стоят на холмах вокруг вражеской долины Чтобы победить, им нужно атаковать одновременно Связываться они могут только через гонцов, которых враг может поймать в долине Вопрос: как договориться о времени атаки, если каждое сообщение может не дойти? На первый взгляд, решение простое: • Генерал А посылает: «Атакуем завтра на рассвете» • Генерал Б получает и отвечает: «Подтверждаю, атакую на рассвете» Но тут возникает проблема Генерал А, получив подтверждение, задумывается: «Б получил моё сообщение, но знает ли он, что я получил его ответ? Если Б думает, что его подтверждение не дошло, он может не атаковать» Чтобы развеять сомнения, А посылает: «Получил твоё подтверждение» Теперь Б задаётся тем же вопросом: «А знает ли, что я получил это сообщение?» Так начинается бесконечный обмен подтверждениями Каждое новое сообщение должно создать уверенность в предыдущем, но после любого конечного числа обменов всегда остаётся шанс, что последнее сообщение потерялось И если оно потерялось, один из генералов не будет уверен в планах другого Математически это можно сформулировать так: для полной уверенности в согласованных действиях нужно, чтобы оба генерала не просто знали время атаки, но и знали, что другой знает, и знали, что другой знает, что они знают, и так до бесконечности При ненадёжной связи достичь этого невозможно Это строго доказанная теорема: не существует алгоритма, который гарантировал бы согласие за конечное число шагов, если есть хоть малейший шанс потери сообщения Это открытие изменило подход к созданию распределённых систем Вместо поиска идеального решения инженеры научились создавать системы, где вероятность сбоя становится настолько мала, что ей можно пренебречь на практике Именно так устроены технологии — они не стремятся к абсолютной гарантии, а создают условия, где сбой стремится к практической невозможности

На сайте hacktricks есть очень объемная Wiki по безопасной настройке Docker Много информации по Socket, Capabilities, Escape from Containers и т.д. Рекомендую к изучению: • Basic Docker Engine Security: - Secure Access to Docker Engine - Security of Container Images - Image Scanning - Docker Image Signing • Containers Security Features: - Namespaces - cgroups - Capabilities - Seccomp in Docker - AppArmor in Docker • К слову, в канале есть еще тонна дополнительного материала по Docker: • Список вспомогательных приложений и скриптов для автоматической проверки Docker образов на уязвимости • Docker с нуля: бесплатный курс от Select; - Актуальная и объемная шпаргалка по Docker на русском языке Включает в себя команды для работы с сетью, образами, дисками и т.д.; • Metarget: инструмент, который позволяет развернуть уязвимую версию Docker Будет полезно пентестерам для получения практического опыта • Secret Docker Commands: небольшое видео о полезных и продвинутых командах Docker, которые обычно не встречаются в документации - Play with Docker: онлайн-сервис для практического знакомства с Docker • Attacking Docker: хорошая статья, которая включает в себя описание актуальных методов атак на Docker, описание различных уязвимостей и неправильных конфигураций, слабых мест в различных компонентах и т.д. • Docker Security: еще одно объемное руководство по безопасной настройке Docker S.E.infosec.workVT

Российский CatBoost попал в топ Ml-инструментов для науки Американское издание Marktechpost выпустило доклад Ml Global Impact Report 2025 с анализом исследований из более чем 125 стран Российская технология CatBoost от Яндекса вошла в число самых популярных Ml-инструментов в мировой науке CatBoost создавался для поискового движка Яндекса Теперь его используют ученые по всему миру Каждая 30-я статья с применением машинного обучения содержит упоминание этой технологии

Google выложили в открытый доступ работу, где Ml создал RL-алгоритм, превзошедший разработанные людьми Это работа команды Дэвида Сильвера (создателя AlphaGo), в которой они разработали подход, где мета-сеть учится генерировать правила обновления для RL-агентов Тут об этом писали еще в октябре Вот GitHub Также можно ознакомиться с другой работой по метаградиентному RL и его онлайн-версией с мета-обученной функцией

ThreadWeaver: Adaptive Threading for Efficient Parallel Reasoning in Language Models https://arxiv.org/abs/2512.07843 https://arxiviq.substack.com/p/threadweaver-adaptive-threading-for Авторы представили ThreadWeaver — фреймворк, позволяющий LLM динамически разбивать последовательную цепочку рассуждений (CoT) на параллельные потоки Обучив модель выдавать специальные управляющие токены (<Parallel>, <Thread>) и используя trie-based механизм внимания, система реализует паттерн выполнения «fork-join» Для оптимизации используется модифицированный алгоритм P-GRPO, который балансирует между правильностью ответа и сокращением длины критического пути Время инференса в сложных задачах на рассуждение (reasoning tasks) обычно растёт линейно с длиной цепочки (O(N)), создавая узкое место для масштабирования System 2 ThreadWeaver показывает, что можно сохранить SOTA-качество (на уровне последовательного Qwen3-8B) и при этом получить значительное ускорение по времени (до 1.53x) Что важно, это работает на стандартных движках (например, vLLM) без необходимости писать кастомные CUDA-ядра или хитро управлять KV-кэшем