Если ИИ заменит вас на работе, шансы устроиться ниже, чем при обычном увольнении
Goldman Sachs проанализировал статистику увольнений в ИТ за 40 лет. Итог: вытеснение технологией даёт более тяжёлые и длительные последствия, чем обычное сокращение.
📊 Данные исследования: Поиск работы на месяц дольше. Зарплата при трудоустройстве ниже на 3%. За 10 лет отставание в доходах достигает 10 процентных пунктов. Рецессия усиливает эффект вдвое.
⚙️ Современный мультипликатор: Исследование описывает паттерны прошлого, но сейчас риск даже выше. Если вашу должность автоматизировали в одной компании, шаблон агентной ИИ автоматизации легко раскатывается на другие.
Растёт вероятность, что в других местах внедрят те же системы ИИ, из-за которых вас уволили. Вы ищете работу в отрасли, которая активно избавляется от рутинных специалистов оптом.
🔮 Будущее: При прогнозе вытеснения 6-7% работников за десятилетие задача защиты от раскатки автоматизации станет политической. Налоги на автоматизацию без переобучения и страхование от ИИ-рисков.
Какая-то муравьиная спираль смерти получается.
Каждый следующий шаг усиливает разрушительный эффект предыдущего.
#ИИ #работа #экономика #GoldmanSachs #автоматизация
------
@tsingular
Goldman Sachs проанализировал статистику увольнений в ИТ за 40 лет. Итог: вытеснение технологией даёт более тяжёлые и длительные последствия, чем обычное сокращение.
📊 Данные исследования: Поиск работы на месяц дольше. Зарплата при трудоустройстве ниже на 3%. За 10 лет отставание в доходах достигает 10 процентных пунктов. Рецессия усиливает эффект вдвое.
⚙️ Современный мультипликатор: Исследование описывает паттерны прошлого, но сейчас риск даже выше. Если вашу должность автоматизировали в одной компании, шаблон агентной ИИ автоматизации легко раскатывается на другие.
Растёт вероятность, что в других местах внедрят те же системы ИИ, из-за которых вас уволили. Вы ищете работу в отрасли, которая активно избавляется от рутинных специалистов оптом.
🔮 Будущее: При прогнозе вытеснения 6-7% работников за десятилетие задача защиты от раскатки автоматизации станет политической. Налоги на автоматизацию без переобучения и страхование от ИИ-рисков.
Какая-то муравьиная спираль смерти получается.
Каждый следующий шаг усиливает разрушительный эффект предыдущего.
#ИИ #работа #экономика #GoldmanSachs #автоматизация
------
@tsingular
👀21✍8⚡2❤1
Nanobot от HKUDS обновление v0.1.5
HKUDS выпустили v0.1.5 релиз Nanobotа с более надёжным стеком памяти и способностью дольше работать над задачами самостоятельно.
🏠 Собственный сайт: на nanobot.wiki теперь мультиязычная документация (EN, CN, JP, KR, ES, FR) и каждая страница доступна для обновления читателями.
🧠 Память через сны: Двухуровневая архитектура, - живое общение отделено от консолидированных догосрочных знаний. Фоновая консолидация («агент спит») + git хранилка с версиями.
Миграция с
⚙️ Надёжность долгих задач: Обработка CancelledError без orphan subprocess, retry classification через structured error metadata (429 quota exhaustion останавливается сразу, rate limit — ждёт и пробует), отключены SDK auto-retries (прекращено request amplification 12→4 запросов).
🔒 Production security: exec sandboxed через bwrap, контейнеры non-root по умолчанию, API порт на localhost, ${VAR} подстановки для секретов (никаких ключей в конфиге), новый Docker-сервис nanobot-api с изолированным workspace.
🤖 Поддержка провайдеров: GPT-5, Xiaomi MiMo, Baidu Qianfan (китайская экосистема), reasoning_content (DeepSeek-R1, Kimi, MiMo).
📱 Каналы: Email — извлечение аттачментов с MIME filtering. WhatsApp — транскрипция голоса через Groq/Whisper. Telegram — threads в DM, заметки по инструментам как сворачиваемые блоки цитат, разделение больших ответов на блоки.
🛠 Для разработчиков: Встроенные grep/glob инструменты, Tool class с proper JSON Schema, Python SDK интерфейс для изоляции по сессиям, CLI --config для мультинстансов.
🔮 Философия: «Фреймворк для ИИ-агентов хорош не за счет добавления новых функций, а благодаря тому, что его можно оставить работать без присмотра даже в пятницу вечером.»
#Nanobot #HKUDS #агенты #opensource #update
───
@tsingular
HKUDS выпустили v0.1.5 релиз Nanobotа с более надёжным стеком памяти и способностью дольше работать над задачами самостоятельно.
🏠 Собственный сайт: на nanobot.wiki теперь мультиязычная документация (EN, CN, JP, KR, ES, FR) и каждая страница доступна для обновления читателями.
🧠 Память через сны: Двухуровневая архитектура, - живое общение отделено от консолидированных догосрочных знаний. Фоновая консолидация («агент спит») + git хранилка с версиями.
Миграция с
HISTORY.md проводится автоматически.⚙️ Надёжность долгих задач: Обработка CancelledError без orphan subprocess, retry classification через structured error metadata (429 quota exhaustion останавливается сразу, rate limit — ждёт и пробует), отключены SDK auto-retries (прекращено request amplification 12→4 запросов).
🔒 Production security: exec sandboxed через bwrap, контейнеры non-root по умолчанию, API порт на localhost, ${VAR} подстановки для секретов (никаких ключей в конфиге), новый Docker-сервис nanobot-api с изолированным workspace.
🤖 Поддержка провайдеров: GPT-5, Xiaomi MiMo, Baidu Qianfan (китайская экосистема), reasoning_content (DeepSeek-R1, Kimi, MiMo).
📱 Каналы: Email — извлечение аттачментов с MIME filtering. WhatsApp — транскрипция голоса через Groq/Whisper. Telegram — threads в DM, заметки по инструментам как сворачиваемые блоки цитат, разделение больших ответов на блоки.
🛠 Для разработчиков: Встроенные grep/glob инструменты, Tool class с proper JSON Schema, Python SDK интерфейс для изоляции по сессиям, CLI --config для мультинстансов.
🔮 Философия: «Фреймворк для ИИ-агентов хорош не за счет добавления новых функций, а благодаря тому, что его можно оставить работать без присмотра даже в пятницу вечером.»
#Nanobot #HKUDS #агенты #opensource #update
───
@tsingular
👍10⚡4❤2🔥2❤🔥1
HermES Agent Self-Evolution: ИИ-агент, который улучшает сам себя
NousResearch выпустил open-source фреймворк, где ИИ-агент эволюционирует и улучшает собственные навыки через генетический отбор промптов.
Использует метод GEPA, который обходит reinforcement learning на 6%, используя в 35 раз меньше вычислений.
Никакого GPU-обучения, только API-вызовы.
🧬 Как это работает: Фреймворк берёт ваш SKILL.md, генерирует тестовые примеры, запускает GEPA-оптимизатор. Тот меняет промпт, оценивает результаты и отбирает лучшие варианты через правило Парето.
Выживают варианты, которые одновременно лучше по качеству и короче по размеру.
Каждая версия проходит constraint-гейт: тесты, лимиты на размер, проверка структуры.
⚙️ Что оптимизируется:
Фаза 1 (уже работает) это навыки (SKILL.md файлы).
Фаза 2 планирует оптимизацию описаний инструментов,
Фаза 3 системных промптов,
Фаза 4 кода через Darwinian Evolver.
Финальная цель,- полностью автоматический цикл непрерывного улучшения агента.
🔬 GEPA vs GRPO: Ключевое отличие от reinforcement learning в том, что GEPA читает трассировки выполнения и формулирует правила на естественном языке: «Когда задача содержит X, добавь в промпт инструкцию Y». Это рефлексия, а не просто reward signal.
Средний прирост +6%, до +20% на отдельных задачах, при этом 35x меньше rollouts.
💼 Зачем бизнесу: Стоимость непрерывной оптимизации промптов падает с «команда инженеров неделю» до «$10 и 15 минут в API». Компании с ИИ-агентами в продакшене могут прогонять эволюцию навыков еженедельно, получая измеримо лучшие результаты. Открытый код, никакого vendor lock-in.
🔮 Будущее: ИИ-агенты, которые автоматически становятся лучше без дообучения модели, это следующий шаг после RAG и tool use. К концу года самоулучшение промптов станет отраслевым стандартом операцией CI/CD пайплайна, как сегодня автотесты.
Hermes Agent Self-Evolution показывает, что это уже работает сегодня.
#ИИ #GEPA #Hermes #эволюция #промпты #opensource #NousResearch
------
@tsingular
NousResearch выпустил open-source фреймворк, где ИИ-агент эволюционирует и улучшает собственные навыки через генетический отбор промптов.
Использует метод GEPA, который обходит reinforcement learning на 6%, используя в 35 раз меньше вычислений.
Никакого GPU-обучения, только API-вызовы.
🧬 Как это работает: Фреймворк берёт ваш SKILL.md, генерирует тестовые примеры, запускает GEPA-оптимизатор. Тот меняет промпт, оценивает результаты и отбирает лучшие варианты через правило Парето.
Выживают варианты, которые одновременно лучше по качеству и короче по размеру.
Каждая версия проходит constraint-гейт: тесты, лимиты на размер, проверка структуры.
⚙️ Что оптимизируется:
Фаза 1 (уже работает) это навыки (SKILL.md файлы).
Фаза 2 планирует оптимизацию описаний инструментов,
Фаза 3 системных промптов,
Фаза 4 кода через Darwinian Evolver.
Финальная цель,- полностью автоматический цикл непрерывного улучшения агента.
🔬 GEPA vs GRPO: Ключевое отличие от reinforcement learning в том, что GEPA читает трассировки выполнения и формулирует правила на естественном языке: «Когда задача содержит X, добавь в промпт инструкцию Y». Это рефлексия, а не просто reward signal.
Средний прирост +6%, до +20% на отдельных задачах, при этом 35x меньше rollouts.
💼 Зачем бизнесу: Стоимость непрерывной оптимизации промптов падает с «команда инженеров неделю» до «$10 и 15 минут в API». Компании с ИИ-агентами в продакшене могут прогонять эволюцию навыков еженедельно, получая измеримо лучшие результаты. Открытый код, никакого vendor lock-in.
🔮 Будущее: ИИ-агенты, которые автоматически становятся лучше без дообучения модели, это следующий шаг после RAG и tool use. К концу года самоулучшение промптов станет отраслевым стандартом операцией CI/CD пайплайна, как сегодня автотесты.
Hermes Agent Self-Evolution показывает, что это уже работает сегодня.
#ИИ #GEPA #Hermes #эволюция #промпты #opensource #NousResearch
------
@tsingular
🔥9⚡8✍6❤2👍1🤔1
Forwarded from Machinelearning
Через 3 недели после мартовского релиза MiniMax открыла веса флагманской самоэволюционирующей модели на 229 млрд параметров.
За несколько дней после публикации сообщество сделало 32 квантованные сборки и 6 файнтюнов.
Напомним, M2.7 - первая модель MiniMax, которая участвовала в собственной разработке: внутренняя версия более 100 раз автономно правила каркас, анализировала неудачные трассы, прогоняла эксперименты и решала, оставлять изменения или откатывать.
Итог: рост производительности на 30% и триумф на бенчах. Модель уступала по тестам только Opus 4.6 и GPT-5.4.
Заявлена нативная поддержка Agent Teams: конфигурация, где несколько агентов работают с устойчивой ролевой идентичностью и автономным принятием решений.
Для локального деплоя MiniMax советует SGLang, vLLM или Transformers. Модель также доступна через NVIDIA NIM.
Параллельно команда открыла исходники OpenRoom, интерактивного Web GUI с визуальной обратной связью и ролевым взаимодействием, где модель отвечает за персонажей.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11👍4⚡3❤1
Forwarded from Анализ данных (Data analysis)
⚡️ NVIDIA раздает жирнейший набор API - почти сотка нейросетей бесплатно
Без лишнего шума: открыли доступ к 95+ моделям сразу. Внутри всё, что сейчас в топе - DeepSeek, Kimi, Mistral, Qwen, Flux, Whisper, GLM и ещё пачка инструментов под любые задачи.
Можно собирать свои продукты без вложений: озвучка, чат-боты, липсинк, генерация видео, дизайн. Всё через API, без костылей и с нормальным качеством.
Самое интересное - выкатили доступ к своим моделям. Обязательно попробуй Nemotron: отлично режет шум и вытягивает звук даже с плохого микрофона.
Забирай, пока не прикрыли.
https://build.nvidia.com/models
#NVIDIA
🎯Полезные Мл-ресурсы 🚀 Max
@data_analysis_ml
Без лишнего шума: открыли доступ к 95+ моделям сразу. Внутри всё, что сейчас в топе - DeepSeek, Kimi, Mistral, Qwen, Flux, Whisper, GLM и ещё пачка инструментов под любые задачи.
Можно собирать свои продукты без вложений: озвучка, чат-боты, липсинк, генерация видео, дизайн. Всё через API, без костылей и с нормальным качеством.
Самое интересное - выкатили доступ к своим моделям. Обязательно попробуй Nemotron: отлично режет шум и вытягивает звук даже с плохого микрофона.
Забирай, пока не прикрыли.
https://build.nvidia.com/models
#NVIDIA
🎯Полезные Мл-ресурсы 🚀 Max
@data_analysis_ml
❤16🔥8👍7⚡1
Vercel песочница, - самая быстрая microVM-песочница для ИИ-агентов на диком западе
Guillermo Rauch (CEO Vercel) заявил, что Vercel Sandbox стал номером один среди microVM-песочниц.
Независимый бенчмарк ComputeSDK это подтверждает: Vercel на втором месте с медианным запуском 0.38 секунды, первое за Daytona с 0.10 секунды.
⚙️ Как устроен: Firecracker microVM с собственным ядром на sandbox.
microVM даёт каждой песочнице собственное ядро, выход ИИ агента за её пределы не возможен.
🧩 Не путаем с Kubernetes: Контейнеры и microVM решают разные задачи. K8s управляет развёртыванием сервисов, балансировкой, скейлингом. Песочницы дают изоляцию для исполнения непроверенного кода, который агенты генерят на каждом шаге.
microVM-изоляция аппаратная через KVM. Т.е microVM работает внутри подов как рабочая среда агента.
Это не конкуренция подам кубера.
🇷🇺 Свой sandbox на своей инфраструктуре: Vercel работает как облачный сервис только в iad1 (US East). Если вам нужно собрать что то похожее в закрытом контуре для изолированной инфраструктуры есть такие open-source варианты:
Microsandbox (5.1K звёзд, Apache 2.0): серверный, запуск <200ms, любой Docker-образ, программируемый networking, multi-agent с peer-sandbox.
BoxLite (1.6K звёзд, Apache 2.0): встраивается как библиотека без демона, запуск <50ms, stateful, snapshot + fork для 500 копий из одного образа.
💼 Зачем бизнесу: Агенты генерируют непроверенный код. Песочницы дают изоляцию от продакшена, параллелизм и воспроизводимость через снапшоты.
Для изолированной инфраструктуры self-hosted варианты не зависят от зарубежных облаков.
В этом плане, кстати, направление контейнерной безопасности будет расти кратно, - надо ж теперь не только за подами следить, но и за вот такими атомарными песочницами.
#Vercel #песочницы #ИИ #агенты #microVM #VM
------
@tsingular
Guillermo Rauch (CEO Vercel) заявил, что Vercel Sandbox стал номером один среди microVM-песочниц.
Независимый бенчмарк ComputeSDK это подтверждает: Vercel на втором месте с медианным запуском 0.38 секунды, первое за Daytona с 0.10 секунды.
⚙️ Как устроен: Firecracker microVM с собственным ядром на sandbox.
microVM даёт каждой песочнице собственное ядро, выход ИИ агента за её пределы не возможен.
🧩 Не путаем с Kubernetes: Контейнеры и microVM решают разные задачи. K8s управляет развёртыванием сервисов, балансировкой, скейлингом. Песочницы дают изоляцию для исполнения непроверенного кода, который агенты генерят на каждом шаге.
microVM-изоляция аппаратная через KVM. Т.е microVM работает внутри подов как рабочая среда агента.
Это не конкуренция подам кубера.
🇷🇺 Свой sandbox на своей инфраструктуре: Vercel работает как облачный сервис только в iad1 (US East). Если вам нужно собрать что то похожее в закрытом контуре для изолированной инфраструктуры есть такие open-source варианты:
Microsandbox (5.1K звёзд, Apache 2.0): серверный, запуск <200ms, любой Docker-образ, программируемый networking, multi-agent с peer-sandbox.
BoxLite (1.6K звёзд, Apache 2.0): встраивается как библиотека без демона, запуск <50ms, stateful, snapshot + fork для 500 копий из одного образа.
💼 Зачем бизнесу: Агенты генерируют непроверенный код. Песочницы дают изоляцию от продакшена, параллелизм и воспроизводимость через снапшоты.
Для изолированной инфраструктуры self-hosted варианты не зависят от зарубежных облаков.
В этом плане, кстати, направление контейнерной безопасности будет расти кратно, - надо ж теперь не только за подами следить, но и за вот такими атомарными песочницами.
#Vercel #песочницы #ИИ #агенты #microVM #VM
------
@tsingular
✍8❤3⚡1👍1
Forwarded from Уставший техдир
Кста, для справки, как выглядит клодкодинг на максималках
4 человека выжрало $113к за месяц
П.С. Персональные учетки субсидируются х20, поэтому пока ты сам чето пишешь, без жестокой автоматизации PDLC тебе как-будто их хватает (условно учетка в $200 на самом деле дает сожрать $4000 в пересчете на стоимость API)
4 человека выжрало $113к за месяц
П.С. Персональные учетки субсидируются х20, поэтому пока ты сам чето пишешь, без жестокой автоматизации PDLC тебе как-будто их хватает (условно учетка в $200 на самом деле дает сожрать $4000 в пересчете на стоимость API)
👏11
Forwarded from Machinelearning
Инженер из AMD опубликовал на GitHub подробный разбор деградации Claude Code на сложных задачах, начавшейся в феврале. Автор сгенерировал отчет силами Opus 4.6, проанализировав 17 тыс. блоков размышлений и 234 тыс. вызовов инструментов в 6 852 локальных сессиях.
Главная метрика - отношение чтений файлов к правкам упала с 6,6 до 2,0. Иначе говоря, модель почти перестала изучать код перед его модификацией: доля правок без предварительного чтения выросла с 6,2% до 33,7%.
Параллельно был зафиксировал рост зацикливаний (с 8,2 до 21,0 на тысячу вызовов), удвоение использования полной перезаписи файлов вместо точечных правок и вспышку поведенческих симптомов (уклонение от ответственности, преждевременные остановки и склонность к простейшему решению).
Специальный stop-hook, ловящий такие фразы, сработал 173 раза за 17 дней после 8 марта, против нуля за весь предыдущий период.
Автор связал регрессию с заголовком
redact-thinking-2026-02-12, после появление которого содержимое thinking-блоков перестало приходить клиенту.Борис Черный, глава команды Claude Code ответил на Hacker News:
Заголовок убирает саммари размышлений из интерфейса, чтобы не гонять их по сети ради снижения латентности, но не трогает ни сам ризонинг, ни бюджеты на него.
Локальный анализ транскриптов поэтому и видит пустые блоки и делает неверный вывод об отсутствии мышления. Если надо, то вернуть отображение можно опцией
showThinkingSummaries:true в settings.json.9 февраля вместе с Opus 4.6 включили adaptive thinking - модель сама выбирает длину размышлений вместо фиксированного бюджета.
3 марта дефолтный уровень усилий для Opus 4.6 подняли до medium (effort=85) как компромисс между интеллектом, латентностью и стоимостью.
В ответ на гипотезу о том, что виноват свежий 1M-контекст и работа без
/compact после 200k токенов, Борис предложил решения, которыми можно вернуть прежнее поведение:/effort high или /effort max - поднять максимальный бюджет thinking-токенов на задачу;CLAUDE_CODE_AUTO_COMPACT_WINDOW=400000 - принудительно укоротить рабочее окно контекста.CLAUDE_CODE_SIMPLE=1 - упрощенный режим для проверки гипотезы об интерференции системного промпта.Дополнительно есть
CLAUDE_CODE_DISABLE_ADAPTIVE_THINKING=1 , он отключает адаптивный режим и возвращает фиксированный бюджет рассуждений.Борис также заверил, что Anthropic протестирует включение high effort по умолчанию для тарифов Teams и Enterprise.
Это приведет к большему расходу токенов и росту латентности, но даст гарантированную глубину рассуждений.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
✍12⚡4🔥4❤3😐3
😢12🔥3
скоро на всех маркетплейсах страны
белые списки, конечно, очень "помогают" качать модели ИИ.
20 попыток - 15% только выкачалось от геммы4
#censored
———
@tsingular
белые списки, конечно, очень "помогают" качать модели ИИ.
20 попыток - 15% только выкачалось от геммы4
#censored
———
@tsingular
😢29
Skills в Chrome: промпты собираются в навыки-кнопки
Google собрал повторяющиеся запросы к Gemini в один клик. Skills в Chrome сохраняют промпт как именованный навык: вызов через
⚙️ Как работает: Удачный промпт сохраняется прямо из истории чата как Skill. Вызов: набрать
Редактирование и ремикс в любой момент.
🔗 Библиотека готовых Skills: Google запускает каталог с преднастроенными сценариями: разбор состава косметики, подбор подарков по бюджету и интересам, сравнение спецификаций из нескольких вкладок. Любой можно добавить в свою коллекцию и адаптировать промпт.
🛡 Приватность: Skills наследуют защиту Gemini в Chrome. Действия с календарём или почтой требуют подтверждения пользователем. Синхронизация между устройствами через аккаунт Google.
💼 Зачем бизнесу: Skills это прототип корпоративных AI-макросов. Команда поддержки сохраняет «проанализируй жалобу и предложи ответ» как Skill, маркетолог «собери конкурентов в таблицу из трёх вкладок», юрист «выдели ключевые условия из оферты». Когда ИИ-операции становятся воспроизводимыми, их можно стандартизировать, аудировать и масштабировать.
🔮 Будущее: Браузер превращается в runtime для AI-агентов. Skills эволюционируют в цепочки: один Skill вызывает другой, результат первого становится контекстом для второго. Браузерная автоматизация, которая сейчас живёт в Selenium и Puppeteer, переедет в промпты.
#Google #Chrome #Gemini #ИИ #браузер #агенты
------
@tsingular
Google собрал повторяющиеся запросы к Gemini в один клик. Skills в Chrome сохраняют промпт как именованный навык: вызов через
/, выбор из библиотеки, запуск на текущей вкладке.⚙️ Как работает: Удачный промпт сохраняется прямо из истории чата как Skill. Вызов: набрать
/ или нажать + в боковой панели Gemini. Skill выполняется на текущей странице, можно подключить дополнительные вкладки для кросс-табличного анализа. Редактирование и ремикс в любой момент.
🔗 Библиотека готовых Skills: Google запускает каталог с преднастроенными сценариями: разбор состава косметики, подбор подарков по бюджету и интересам, сравнение спецификаций из нескольких вкладок. Любой можно добавить в свою коллекцию и адаптировать промпт.
🛡 Приватность: Skills наследуют защиту Gemini в Chrome. Действия с календарём или почтой требуют подтверждения пользователем. Синхронизация между устройствами через аккаунт Google.
💼 Зачем бизнесу: Skills это прототип корпоративных AI-макросов. Команда поддержки сохраняет «проанализируй жалобу и предложи ответ» как Skill, маркетолог «собери конкурентов в таблицу из трёх вкладок», юрист «выдели ключевые условия из оферты». Когда ИИ-операции становятся воспроизводимыми, их можно стандартизировать, аудировать и масштабировать.
🔮 Будущее: Браузер превращается в runtime для AI-агентов. Skills эволюционируют в цепочки: один Skill вызывает другой, результат первого становится контекстом для второго. Браузерная автоматизация, которая сейчас живёт в Selenium и Puppeteer, переедет в промпты.
#Google #Chrome #Gemini #ИИ #браузер #агенты
------
@tsingular
🔥12⚡10✍4❤2
Qlik превращает аналитику в агентную цепочку
На Connect 2026 Qlik анонсировал команду из 6 агентов, которые связывают обнаружение, анализ, прогноз и автоматизацию в единый конвейер с контролем результатов.
🤖 Шесть агентов вместо одного чат-бота:
Discovery фиксирует аномалии в ключевых данных.
Qlik Answers объединяет структурированную и неструктурированную аналитику с семантическим слоем.
Predict строит ML-модели и интерпретирует результат.
Automate запускает рабочие процессы по команде на естественном языке.
Analytics ускоряет разработку дашбордов.
MCP Server подключает сторонних ИИ-ассистентов к контексту Qlik.
🛡 Доверие как продукт: Data Products получают Trust Score (точность, актуальность, полнота, разнообразие), контракты с операционными стандартами, SLA и автообнаружение дрейфа.
Data Quality Agent и Data Product Agent управляют качеством через диалог.
Идея: данные для ИИ должны иметь такой же SLA, как любой production-сервис.
⚙️ Дата-инженерия через намерения: Declarative Pipelines позволяют описывать пайплайны на естественном языке. Open Lakehouse Streaming объединяет стриминг, batch и CDC в одном окружении. AI Assistant для Talend Studio (позже в 2026) генерирует джобы, SQL и документацию.
Цель: инженер описывает «что», платформа решает «как».
📊 Контекст рыночного движа : Вендоры перешли от гонки «больше агентов» к «качественнее данные». Databricks выпустила инструмент точности агентных ответов, MongoDB новые модели для RAG, Teradata обновила векторное индексирование.
IDC называет Qlik лидером по количеству встроенных агентов.
💼 Зачем бизнесу: Большинство компаний не могут поставить ИИ в прод из-за данных, а не моделей. Qlik предлагает «данные как продукт с SLA». Для CDO это рамка, в которой ИИ-инициативы получают контролируемый конвейер: от обнаружения изменения до автоматического действия с аудитом.
Confidence level эволюционирует в Trust Score
#Qlik #ИИ #аналитика #данные #агенты #MCP
------
@tsingular
На Connect 2026 Qlik анонсировал команду из 6 агентов, которые связывают обнаружение, анализ, прогноз и автоматизацию в единый конвейер с контролем результатов.
🤖 Шесть агентов вместо одного чат-бота:
Discovery фиксирует аномалии в ключевых данных.
Qlik Answers объединяет структурированную и неструктурированную аналитику с семантическим слоем.
Predict строит ML-модели и интерпретирует результат.
Automate запускает рабочие процессы по команде на естественном языке.
Analytics ускоряет разработку дашбордов.
MCP Server подключает сторонних ИИ-ассистентов к контексту Qlik.
🛡 Доверие как продукт: Data Products получают Trust Score (точность, актуальность, полнота, разнообразие), контракты с операционными стандартами, SLA и автообнаружение дрейфа.
Data Quality Agent и Data Product Agent управляют качеством через диалог.
Идея: данные для ИИ должны иметь такой же SLA, как любой production-сервис.
⚙️ Дата-инженерия через намерения: Declarative Pipelines позволяют описывать пайплайны на естественном языке. Open Lakehouse Streaming объединяет стриминг, batch и CDC в одном окружении. AI Assistant для Talend Studio (позже в 2026) генерирует джобы, SQL и документацию.
Цель: инженер описывает «что», платформа решает «как».
📊 Контекст рыночного движа : Вендоры перешли от гонки «больше агентов» к «качественнее данные». Databricks выпустила инструмент точности агентных ответов, MongoDB новые модели для RAG, Teradata обновила векторное индексирование.
IDC называет Qlik лидером по количеству встроенных агентов.
💼 Зачем бизнесу: Большинство компаний не могут поставить ИИ в прод из-за данных, а не моделей. Qlik предлагает «данные как продукт с SLA». Для CDO это рамка, в которой ИИ-инициативы получают контролируемый конвейер: от обнаружения изменения до автоматического действия с аудитом.
Confidence level эволюционирует в Trust Score
#Qlik #ИИ #аналитика #данные #агенты #MCP
------
@tsingular
✍8❤2⚡2🆒1
Forwarded from Искусственный интеллект. Высокие технологии
Media is too big
VIEW IN TELEGRAM
NVIDIA Ising: ИИ-модели, которые приближают эру настоящих квантовых компьютеров
14 апреля NVIDIA представила семейство открытых ИИ-моделей NVIDIA Ising. Это первые в мире open source модели, заточенные под ускорение разработки квантовых компьютеров. Название отсылает к модели Изинга из статистической физики, которая когда-то радикально упростила понимание сложных физических систем.
Зачем вообще ИИ в квантовых вычислениях?
Две главные головные боли квантовой индустрии - калибровка процессоров и коррекция ошибок. Без решения этих задач квантовые компьютеры остаются лабораторными игрушками. NVIDIA считает, что именно ИИ станет тем самым "control plane", который превратит хрупкие кубиты в надежные масштабируемые системы. Дженсен Хуанг прямо назвал Ising "операционной системой квантовых машин".
Что внутри Ising?
Семейство состоит из двух основных компонентов. Первый - Ising Calibration, vision-language модель, которая умеет интерпретировать измерения с квантовых процессоров и автоматизировать непрерывную калибровку. То, что раньше занимало дни, теперь делается за часы. Второй - Ising Decoding, две вариации 3D-сверточной нейросети для real-time декодирования при коррекции квантовых ошибок. По бенчмаркам модели работают в 2.5 раза быстрее и в 3 раза точнее, чем pyMatching (текущий open source стандарт).
Модели уже используются серьезными игроками: Fermi National Accelerator Laboratory, Harvard, IQM Quantum Computers, Lawrence Berkeley National Laboratory, Infleqtion и другими. Среди тех, кто внедряет Ising Decoding - Cornell University, Sandia National Laboratories, University of Chicago, UC Santa Barbara и Yonsei University.
NVIDIA выкладывает не только модели, но и cookbook с воркфлоу для квантовых вычислений, тренировочные данные и интеграцию с NVIDIA NIM микросервисами. Это позволяет дотюнить модели под конкретное железо с минимальным сетапом. Плюс все можно запускать локально, что критично для тех, кто работает с проприетарными данными.
В экосистеме NVIDIA Ising дополняет платформу CUDA-Q для гибридных квантово-классических вычислений и аппаратный интерконнект NVQLink для связки QPU-GPU в реальном времени. Ising также пополняет портфель открытых моделей NVIDIA наряду с Nemotron (агентные системы), Cosmos (physical AI), Alpamayo (автономное вождение), Isaac GR00T (робототехника) и BioNeMo (биомедицина).
По оценкам аналитиков Resonance, рынок квантовых вычислений превысит $11 млрд к 2030 году, но только если удастся решить проблемы коррекции ошибок и масштабируемости. Ising - это попытка NVIDIA закрыть этот гэп средствами ИИ.
Модели и данные доступны на GitHub, Hugging Face и build.nvidia.com.
Ссылки:
Пост в X: https://x.com/nvidianewsroom/status/2044058999029473407
Пресс-релиз NVIDIA: https://nvidianews.nvidia.com/news/nvidia-launches-ising-the-worlds-first-open-ai-models-to-accelerate-the-path-to-useful-quantum-computers
NVIDIA Ising: https://www.nvidia.com/en-us/solutions/quantum-computing/ising/
NVIDIA CUDA-Q: https://developer.nvidia.com/cuda-q
NVIDIA NVQLink: https://www.nvidia.com/en-us/solutions/quantum-computing/nvqlink/
NVIDIA NIM: https://www.nvidia.com/en-us/ai-data-science/products/nim-microservices/
NVIDIA Quantum Day: https://www.nvidia.com/en-us/events/quantum-day/
14 апреля NVIDIA представила семейство открытых ИИ-моделей NVIDIA Ising. Это первые в мире open source модели, заточенные под ускорение разработки квантовых компьютеров. Название отсылает к модели Изинга из статистической физики, которая когда-то радикально упростила понимание сложных физических систем.
Зачем вообще ИИ в квантовых вычислениях?
Две главные головные боли квантовой индустрии - калибровка процессоров и коррекция ошибок. Без решения этих задач квантовые компьютеры остаются лабораторными игрушками. NVIDIA считает, что именно ИИ станет тем самым "control plane", который превратит хрупкие кубиты в надежные масштабируемые системы. Дженсен Хуанг прямо назвал Ising "операционной системой квантовых машин".
Что внутри Ising?
Семейство состоит из двух основных компонентов. Первый - Ising Calibration, vision-language модель, которая умеет интерпретировать измерения с квантовых процессоров и автоматизировать непрерывную калибровку. То, что раньше занимало дни, теперь делается за часы. Второй - Ising Decoding, две вариации 3D-сверточной нейросети для real-time декодирования при коррекции квантовых ошибок. По бенчмаркам модели работают в 2.5 раза быстрее и в 3 раза точнее, чем pyMatching (текущий open source стандарт).
Модели уже используются серьезными игроками: Fermi National Accelerator Laboratory, Harvard, IQM Quantum Computers, Lawrence Berkeley National Laboratory, Infleqtion и другими. Среди тех, кто внедряет Ising Decoding - Cornell University, Sandia National Laboratories, University of Chicago, UC Santa Barbara и Yonsei University.
NVIDIA выкладывает не только модели, но и cookbook с воркфлоу для квантовых вычислений, тренировочные данные и интеграцию с NVIDIA NIM микросервисами. Это позволяет дотюнить модели под конкретное железо с минимальным сетапом. Плюс все можно запускать локально, что критично для тех, кто работает с проприетарными данными.
В экосистеме NVIDIA Ising дополняет платформу CUDA-Q для гибридных квантово-классических вычислений и аппаратный интерконнект NVQLink для связки QPU-GPU в реальном времени. Ising также пополняет портфель открытых моделей NVIDIA наряду с Nemotron (агентные системы), Cosmos (physical AI), Alpamayo (автономное вождение), Isaac GR00T (робототехника) и BioNeMo (биомедицина).
По оценкам аналитиков Resonance, рынок квантовых вычислений превысит $11 млрд к 2030 году, но только если удастся решить проблемы коррекции ошибок и масштабируемости. Ising - это попытка NVIDIA закрыть этот гэп средствами ИИ.
Модели и данные доступны на GitHub, Hugging Face и build.nvidia.com.
Ссылки:
Пост в X: https://x.com/nvidianewsroom/status/2044058999029473407
Пресс-релиз NVIDIA: https://nvidianews.nvidia.com/news/nvidia-launches-ising-the-worlds-first-open-ai-models-to-accelerate-the-path-to-useful-quantum-computers
NVIDIA Ising: https://www.nvidia.com/en-us/solutions/quantum-computing/ising/
NVIDIA CUDA-Q: https://developer.nvidia.com/cuda-q
NVIDIA NVQLink: https://www.nvidia.com/en-us/solutions/quantum-computing/nvqlink/
NVIDIA NIM: https://www.nvidia.com/en-us/ai-data-science/products/nim-microservices/
NVIDIA Quantum Day: https://www.nvidia.com/en-us/events/quantum-day/
👍6❤4⚡4🔥4
Forwarded from Уставший техдир
CLAUDE.md по завету Андрея Карпатых
Там репка летит, в ней один файл — CLAUDE.md с поведенческими гайдлайнами для модели. Гайдлайны хорошо подходят и для разработчиков, например, инструкция из самого начала файла: "Не гадай, не скрывай замешательства, обсуждай трейдоффы"
Добавил себе в инструкции
https://github.com/forrestchang/andrej-karpathy-skills
Там репка летит, в ней один файл — CLAUDE.md с поведенческими гайдлайнами для модели. Гайдлайны хорошо подходят и для разработчиков, например, инструкция из самого начала файла: "Не гадай, не скрывай замешательства, обсуждай трейдоффы"
Добавил себе в инструкции
https://github.com/forrestchang/andrej-karpathy-skills
GitHub
GitHub - multica-ai/andrej-karpathy-skills: A single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathy's…
A single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathy's observations on LLM coding pitfalls. - multica-ai/andrej-karpathy-skills
1👍13✍5
Все эти обсуждения за размер контекста у моделей жёстко флешбечат в 90е.
у модели только 32К контекста, а для запускаWolfstain3D ИИ агента нужно минимум 64К.
ждем фразы - 640К контекста хватит любому..
А скорость инференса - это чисто скорость загрузки по диалапу, - тоже же 3.600, 8.200, 14.400, 115.200 модемы все эти и потом мегабиты, гигабиты..
Короче мы настолько еще в начале эпохи ИИ, что все сегодняшние метрики через 10 лет будут вспоминать с удивлением.
#мысли
———
@tsingular
у модели только 32К контекста, а для запуска
ждем фразы - 640К контекста хватит любому..
А скорость инференса - это чисто скорость загрузки по диалапу, - тоже же 3.600, 8.200, 14.400, 115.200 модемы все эти и потом мегабиты, гигабиты..
Короче мы настолько еще в начале эпохи ИИ, что все сегодняшние метрики через 10 лет будут вспоминать с удивлением.
#мысли
———
@tsingular
💯31👍9🤣8❤3