К слову. Сегодня, плюс-минус лапоть, я девять лет как стал "активистом" и пришел работать в ОЗИ. А еще, опять таки с лаптем, десять лет "пакету яровой", после которого я начал задумываться, а не стать ли мне активистом. P.S. Не помню почему именно 17 июля у меня встало. Сам 374-ФЗ и 375-ФЗ (вы же помните, что это "пакет"?) был принят 6 июля 2016 г. P.P.S. Вспомнил: https://www.roi.ru/28432/ Петиция "против пакета яровой" была где-то в это время опубликована и набрала нужные 100К подписей к 14 августа, меньше, чем за месяц. PPPS: Рекордсменом по набору 100К тогда был Алексей Навальный с петицией "запретить чиновникам покупать машины дороже 1,5 млн рублей". Так вот он почти год собирал 100К. Собственно, вот по поводу этой петиции мы тогда с ним в первый раз созвонились... хотя, память, конечно, может подвести...

🚀 Динамика рынка Индекс Мосбиржи падает на 0,6% с начала торгов 🔥 Общий фон: отчаянные попытки закрепиться После сильнейшего падения главный индекс страны пытается удержаться выше минимумов октября 2022 года. Конфликт между США и Ираном продолжает обостряться. Стороны обмениваются ударами по военным и энергетическим объектам, что поддерживает нефть Brent выше $86 за баррель. Россия нанесла удары по портовой инфраструктуре Украины, а ЕС впервые применил отдельный тип санкций "за удары по Киеву". Дополнительным негативом стали заявления Дональда Трампа, назвавшего Россию противником США и имеет возможности влияет на американские выборы. Еще одним фактором давления могут стать дивидендные отсечки Сбера, Дом.PФ и ВТБ, которые способны дополнительно снизить индекс Мосбиржи на 2,5%. 📈 Растут • ВТБ; • ЮГК; • Совкомфлот; • Русгидро; • Алроса. 📉 Падают • Аэрофлот; • VK; • Полюс; • МТС; • Эн+. Бумаги Аэрофлота падают на фоне дивидендного гэпа. 📍 Подписаться на канал | Мы в MAX

Итак, третье заседание прошло огненно, значит переводим на постоянные рельсы :) По следам трех встреч, есть несколько изменений а формате и подаче. 1. Я думаю, назвать это лучше всего «кейс-клуб», так как мы разбираем конкретные кейсы. 2. Третья встреча, когда разбирали один кейс полтора часа, оказалась и продуктивной и не выматывающей. Лучше чаще встречаться, чем уже умирать к концу третьего часа. Плюс, фокус на одном кейсе задает ей общий тон. 3. Кейсы имеет смысл привлекать не только из нашего комьюнити — автор кейса на третьем созвоне был найден у Артема Субботина в его закрытом сообществе ИИзнанка и это отлично зашло. Такие пока соображения.

Как читать больше книг Свободная минута появляется, и рука сама тянется к телефону. Стоишь в очереди, едешь в транспорте, ждёшь кого-то у магазина, и вот уже листаешь ленту вместо той книги, которую собирался начать месяц назад. Время на чтение вроде и есть, но оно каждый раз утекает в экран, а стопка на полке не двигается. Человек, который дошёл до книги в неделю с прежних десяти в год, уверяет, что специально выделять часы на чтение не нужно. Нужно просто читать каждый раз, когда ты не занят чем-то другим, заменив чтением ровно то время, что уходит на смартфон. Звучит просто, но именно здесь он пошёл на меры, которые многие сочтут слишком радикальными, и параллельно вывел несколько правил о том, что читать, когда бросать книгу и чего при этом делать нельзя категорически.

Знаете, почему вы не можете пощекотать себя сами? По той же причине, почему вы не пугаетесь собственного голоса, когда вдруг начинаете говорить! Это сопутствующий разряд — он же эфферентная копия. Чтобы произнести какое-то слово, мозг делает две копии пакета инструкций. Один идёт в речевой аппарат на исполнение, второй — в слуховую кору. В слуховой коре он используется как образец шума, который надо загасить. Слуховая кора снижает чувствительность к ожидаемой частоте. Вроде как кроме не вздрагивать ещё полезен, чтобы отличать свой голос от других. И да, при внутреннем монологе, кстати, эфферентная копия тоже отправляется. Плюс это шумодав, чтобы во время разговора слышать что-то вокруг. Такие же копии движения отправляются в глаз для стабилизации изображения, когда вы двигаетесь и т.п. И вот со щекоткой так же, там глушится чувствительность места, которое вы будете трогать. Начнём издалека. Учёные очень большие затейники, поэтому выяснили, что если зверям вырезать и пришивать глазки вверх ногами, то звери не начинают ходить на голове, а плавают или бегают кругами. Это были 50-е, если что. Поэтому причину искали тоже незатейливо: взяли 37 рыб, перешили глаза и стали по одному вырезать вакуумным отсосм куски мозга. Оказалось, это не мозжечок, а зрительные доли. Но откуда зрительная часть мозга узнает, что тело движется? Логично предположить, что сигналы идут от вестибулярного аппарата. Вырезали и его. Не нужен. И вот так методом десятков последовательных исключений родилась гипотеза, что когда мозг посылает мышцам команду плыть вперед, он одновременно посылает копию этой команды в зрительный центр. Это для упреждающей настройки, чтобы стабилизировать изображение. Картинка крутится в нужном направлении, реальное вращение компенсирует её до полной неподвижности. Но поскольку глаз перевёрнут, получается, мир вращается в другую сторону. Дальше животное пытается вернуть всё как надо, и потому крутится. Тут вывели цепочку: 1. Высшие центры мозга отдают приказ мышце (эфференция). 2. Мозг оставляет на более низком уровне управления точную копию этого приказа. Это прогноз, что должно произойти. 3. Мышца двигается, и от её рецепторов, от глаз и других органов в мозг возвращается обратная связь. 4. Это сравнивается с оставленной копией приказа. Если они идеально совпадают, всё правильно. 5. Если не всё правильно, некомпенсированный остаток отправляется в высшие центры мозга как сигнал ошибки для докоррекции. Ещё мухам перешивали уже головы (просто глаза оказались мелкими). Ещё проверяли по параличу глазных мышц у человека — если что, когда он хочет посмотреть вправо, а мышцы парализованы, то весь мир двигается на ожидаемый сдвиг глаза, чтобы скомпенсировать размытие. Крутили рыб в центрифуге. Дели N+40-ножку N+20 и N+10-ножкой и так далее. Получается примерно как у людей при полиневрите — в мозг поступает слишком слабый сигнал от стоп — кажется, что твердый пол под ними прогибается или сделан из резины. Собственно, всё логично. Мозг отличает так ваше действие от происходящего в мире. И заодно корректирует сенсоры и сравнивает план с результатом. Именно так бы мы и проектировали эту систему! — Тут изучали звук. Основное вы уже знаете, но есть ещё нюанс. Подавление слуховой коры нужно, чтобы повысить чувствительность к своим же ошибкам — любое отличие от прогноза будет сразу как пенопластом по стеклу. — Это щекотка, но она с фМРТ. — Системное исследование, которое подтвердило то, до чего учёные с ножами только догадывались. Заодно узнали, что птицы учатся петь, сравнивая свои звуки с песней отца в памяти, и накапливаемая ошибка позволяет корректировать своё пение.

Человек глючный: слепозрение, стрим с глаза идёт пакетами с монтажом, как устроены прерывания у человека, чем больше всякой фигни происходит перед глазами, тем короче субъективное время.

-- Вступайте в ряды Фурье! | Лучшие посты Мужчин-психопатов в 6 раз больше, чем женщин. Что мы делаем, чтобы преодолеть это неравенство?

🔥 Как прошёл офлайн-бранч ODS Moscow × Нескучный Data Science 🧠 Начали с доклада Альберта про то, как в Avito обучают собственную LLM. Это не история про «взяли открытую модель и немного дообучили», а полноценный процесс: выбор базовой модели, собственный токенизатор, адаптация на данных Avito, SFT и дальнейшее обучение с помощью RL. Для SFT собрали больше 800 тысяч примеров: открытые датасеты, синтетические данные, олимпиадные задачи, внутренние бизнес-кейсы и диалоги пользователей с большими моделями. На этапе RL отдельно развивают несколько навыков модели: решение математических задач, следование сложным инструкциям и корректный вызов инструментов. Причём для каждого навыка нужен свой автоматически проверяемый reward. В математике система извлекает финальный ответ и проверяет его эквивалентность правильному. В instruction following — смотрит, выполнила ли модель все заданные ограничения. В function calling — проверяет название инструмента, аргументы и их значения. Отдельно поговорили про инфраструктуру. Для моделей на 8B параметров можно относительно быстро запускать эксперименты и проверять гипотезы. Но при переходе к большим MoE-моделям главным вызовом становятся масштабирование, распределение модели по GPU, батчинг, инференс и offloading. 👨‍🔬 После продуктовых LLM резко переключились на химию. Константин начал с важной мысли: химическая информация — это не один универсальный тип данных. Одну и ту же молекулу можно представить текстом, строкой SMILES, двумерным графом, трёхмерной структурой или структурой, которая изменяется во времени. И под каждое представление нужны свои методы и модели. Поговорили о том, почему даже на фоне сложных нейросетевых архитектур связка Morgan fingerprints + XGBoost всё ещё остаётся очень сильным базовым решением для многих задач с химическими данными. Затем перешли к геометрическим графовым нейронным сетям. Они учитывают расположение атомов и позволяют предсказывать свойства молекул в десятки раз быстрее традиционных DFT-расчётов. Отдельно разобрали нейронные потенциалы и delta-ML. Идея в том, чтобы не выполнять каждый раз дорогой квантово-химический расчёт полностью: часть свойства можно посчитать более дешёвым методом, а нейросети поручить предсказать необходимую поправку. Дошли и до LLM с агентами. Здесь пока всё не так магически, как иногда выглядит в заголовках: модели могут по-разному отвечать на один и тот же вопрос в зависимости от того, передали им обычное название соединения, IUPAC или SMILES. А некоторые агенты, которые должны самостоятельно запускать вычислительные эксперименты, пока скорее напоминают roadmap, чем полностью автономного исследователя. Зато роботизация лабораторий уже вполне реальна: специализированные платформы, роборуки, автоматическое проведение серий экспериментов и превращение обычного оборудования в high-throughput-системы. 🎬 После двух технических докладов разговор с Денисом про ИИ в кино оказался очень кстати 😅 Обсудили, где новые инструменты уже помогают при работе с контентом, какие процессы способны ускорить, где вызывают сопротивление и в каких задачах пока остаются скорее экспериментом. Но, как обычно, самое ценное происходило не только во время выступлений. После докладов продолжили обсуждать услышанное за завтраком, задавать вопросы, спорить, знакомиться и делиться своими кейсами. Спасибо Альберту, Константину и Денису за содержательные выступления, ODS Moscow — за очередную совместную встречу, МИРА бистро — за пространство, а всем, кто пришёл, — за вопросы и атмосферу. Формат «бранч + несколько докладов» точно будем повторять. Поэтому уже начинаем собирать темы для следующего бранч-митапа. Если вам есть о чём рассказать — про рабочий кейс, исследование, неожиданный эксперимент, применение ИИ в своей индустрии или даже неудачу, из которой можно сделать полезные выводы, — присылайте тему доклада и пару предложений о себе в комментарии или личные сообщения. P.S. Будем учиться фотографироваться до того, как все разошлись 😅

📈 Число корпоративных дефолтов в России выросло более чем на 60% За первое полугодие дефолт по своим обязательствам допустили 13 компаний против 8 годом ранее. Несмотря на такой рост, эксперты АКРА считают, что ситуация пока не несет системных рисков для долгового рынка. Суммарный публичный долг компаний, впервые допустивших дефолт, составляет около ₽42 млрд — это лишь 0,1% всего рынка корпоративного долга. При этом основная часть этой суммы приходится на одного эмитента. Рост числа дефолтов уже отражается на рынке: инвесторы стали осторожнее, требуя более высокую доходность за риск, поэтому доходности корпоративных облигаций остаются высокими даже на фоне смягчения денежно-кредитной политики. В АКРА допускают, что во втором полугодии количество дефолтов может увеличиться, особенно в четвертом квартале, когда приходится пик погашений облигаций. Однако массовой волны банкротств агентство не ожидает: при отсутствии новых внешних шоков доля дефолтных эмитентов по итогам года, по прогнозу, останется ниже 5%. 📍 Подписаться на канал | Мы в MAX