Почему ИИ не угадывает ярость урагана 21 сентября у тихоокеанского побережья Мексики Поло был ещё тропическим штормом. Через сутки он превратился в ураган пятой категории с ветром до 290 км/ч — один из сильнейших тихоокеанских штормов за десятилетия. Так же внезапно в 2018-м дорос до пятой категории Майкл — прямо перед ударом по Флориде. Когда стихия застаёт врасплох, на эвакуацию почти не остаётся времени. ИИ-модели погоды за считанные годы стали соперничать с лучшими физическими прогнозами, но с силой ураганов у них беда. Почему — объясняет исследователь ураганов Чань Кьеу в The Conversation. Первая причина — данные. Глобальные модели учились на десятилетиях наблюдений со всей Земли. А сила урагана — задача региональная: шторм меняется быстро, и данные нужны куда подробнее. Станции, радары и буи дают детали, но в основном у побережья, а ключевые стадии урагана проходят над открытым океаном. Спутники видят лишь часть картины и не могут разом просканировать объёмную структуру каждого шторма. Итог: полноценного трёхмерного датасета для обучения ИИ просто нет. Вторая причина — хаос. Даже если измерять тысячи штормов целиком каждую секунду, крошечные различия в начальном состоянии со временем разрастаются. У урагана есть потолок силы — «потенциальная интенсивность», которую задаёт окружение: тёплая вода подпитывает шторм, сдвиг ветра тормозит. Под этим потолком сила колеблется, и чем теплее океан, тем сильнее колебания. Отсюда ловушка. ИИ учат ошибаться как можно меньше, но если хаос реален, ошибку не свести к нулю. Модель выучивает самый вероятный сценарий и сглаживает всплески — по сути, усредняет характер урагана. А раз данные всегда неточны, правила модели остаются приближением, и прогноз силы портится уже через несколько дней. @vselennayaplus

Досье ФБР на Джона Леннона занимало около 300 страниц. McDonald’s собрал на своего клиента 515. Журналист WIRED запросил у сети фастфуда всё, что она о нём хранит. В ответ прилетел файл на полтысячи страниц, в котором помимо обычной статистики посещений и заказов нашлось немало интересного. Например, в McDonald’s высчитали, что в ближайшие шесть недель этот клиент заглянет к ним 2,16 раза, оставит $29,15 и с вероятностью 0% уйдёт к конкурентам. Система записала его в пожизненные клиенты. Соцсети, понятно, зашлись плачем Ярославны: тотальная слежка, конец приватности, цифровой гулаг, куда катится мир… Хотя, положа руку на сердце – не Бог весть какой секрет, сколько раз в неделю вы едите картоху фри и наггетсы, запивая диетической колой. А вот любой нормальный предприниматель разглядывает этот кейс со сдержанным восторгом. McDonald’s построил не просто программу лояльности, а настоящую прогностическую машину. Скидки тут – приманка, с помощью которой сеть получает знание о покупателе и затягивает его в управляемый контур. Скажем, система высчитала поведенческий архетип покупателя – он практикует “перекус во второй половине дня” и “быстрый перехват на ходу”. То есть алгоритм видит не абстрактного потребителя, а контекст и жизненный сценарий, в котором у него возникает потребность заглянуть в McDonald’s. А дальше – математика: модель с точностью до цента прогнозирует выручку с человека на дистанции в недели и месяцы. Вместо хаотичных продаж “в моменте” компания получает прогнозируемый денежный поток. Журналист, к слову, на такой расклад обиделся и поклялся вообще больше не есть в McDonald’s – исключительно чтобы доказать алгоритму, что тот насчёт него ошибался. Из серии “назло бабушке отморожу уши”. Хотя за сам отказ от джанк-фуда его, конечно, можно только похвалить.

☀️ Солнечный шторм теперь ловят заранее Погрешность в полчаса вместо пяти. Столько теперь ошибается прогноз того, когда в Землю прилетит выброс с Солнца. Речь про миссию NASA PUNCH — созвездие из четырёх микроспутников, запущенное в марте 2025 года. Аппараты круглосуточно следят за Солнцем и начали снимать корональные выбросы массы сразу, как оказались на орбите. Дальше учёные взяли один конкретный выброс, снятый 31 мая 2025 года, и скормили съёмку компьютерной модели. Та отслеживала, как со временем меняются края облака плазмы, и по его скорости и форме считала, когда всё это дойдёт до нас. Модели хватило первых 12 часов наблюдений, чтобы заявить: шторм ударит через восемь часов. Ошиблась она на полчаса. Откуда такая разница? До PUNCH приборы видели лишь пятую часть пути выброса от Солнца до Земли, остальное приходилось достраивать в уме. Теперь маршрут просматривается целиком, а картинка обновляется раз в четыре минуты. Зачем всё это. Солнечные штормы раскачивают магнитное поле Земли, а дальше по цепочке — радиоблэкауты, перебои с электричеством, проблемы у спутников и интернета. Знать точное время удара значит успеть подготовиться. В команде рассчитывают, что с более точными моделями горизонт прогноза удастся отодвинуть ещё дальше. @droidergram

​​Time Series with PyTorch — Graeme Davidson, Lei Ma Мне прислали очередную книжку от Packt на прочтение и ревью - на этот раз про time series forecasting на PyTorch. Тема мне близкая: временные ряды — одна из самых сложных для меня областей ML, и при этом большинство книг по deep learning относятся к ним как к чему-то второстепенному после CV и NLP. Книга идёт начинает с базовых вещей (что делает временные ряды сложными, как правильно оценивать модели, PyTorch с нуля), демонстрирует современные архитектуры (RNN, transformers, N-BEATS, N-HiTS, foundation models, diffusion) и выходит за пределы точечного прогноза — классификация, кластеризация, anomaly detection, self-supervised learning. Мне понравилось, что тема правильного качества моделей разбирается в деталях: например, показывают как заведомо худшая модель выигрывает по MAPE, и есть целая глава про data leakage. Отдельно порадовали объяснения через физику: один из авторов физик, и он объясняет RNN через качели на детской площадке, а diffusion — через каплю чернил, которая расплывается в воде, пока не превратится в гауссиану. Ещё мне понравилось, что примеры построены вокруг соревнования M5 на Kaggle. Я в нём когда-то участвовал и зафейлился, так что было интересно посмотреть на разные модели и подходы к оценке на данных, с которыми в своё время намучился. Из минусов — про time series foundation models (Lag-Llama, TabPFN, Chronos, TimeGPT) рассказывают, но не запускают их на практике, а это как раз то, что хотелось бы попробовать руками. Amazon Author's website Code Мои обзоры: Personal blog Medium #bookreview

К вопросу "а как можно использовать ИИ в военных операциях" — показываю. Это прогноз буквально на коленке, который я, вот вообще не специалист в военном деле, запилил в Gemini. Многофакторный анализ, который человек делал бы несколько дней, ИИ способен сделать за несколько минут. Да, там не б-г весть какая математика — банальная задача динамического моделирования систем на дифференциальных уравнениях с линейной экстраполяцией о бассейне с двумя трубами. И предсказание такое, что к концу сентября таки будет "каскадный дефицит топлива". Это было на конец июня данные и только что проверил, что ВСУ даже превышают поддерживающий темп ударов. Уже сейчас производство покрывает только 65% пикового летнего спроса на бензин. По сути, сейчас война идет не на фронте, а на уровне производственных возможностей сторон — производство дальнобойных дронов VERSUS ремонтные бригады нефтяных компаний. В ближайшие недели мы поймем кто победит, да. В принципе, это все можно посчитать и на калькуляторе — нет тут никакой сложности. Но ИИ подсвечивает вещи, которые человек может пропустить. А при усложнении задачи (тут можно ввести еще систему диффуров про ответные удары, импорт из других стран, адаптацию экономики к дефициту энергоресурсов — до бесконечности можно продолжать), то обычный системный аналитик тут сбойнет. Компьютер тупо быстрее считает. Так что да: в то, что победа будет за тем, у кого мощнее ИИ я начинаю вполне себе верить.

Предсказательный гадалкослоп Скотт Александр написал пост о том, что AI-суперпредсказатели (современные LLM со специальной обвязкой, заточенной под эту задачу) дескать уже сейчас соревнуются в корректной оценке вероятностей разных событий плюс-минус на равных с топовыми человечьими суперфоркастерами. Он там приводит в пример FutureSearch – один из таких специализированных ИИ-инструментов, который находится в более-менее открытом доступе. Естественно, я не мог упустить возможность потестировать его!

Смотрите, я на той неделе писал о возможности сделать на Полимаркете ставку на то, что Путин останется у власти как минимум до конца текущего года, по «цене» 86% (что эквивалентно «доходности к погашению» в размере 37,5% годовых в долларах). Сейчас уже вероятность поднялась до 89% (прибыль 3,5% за неделю, noice!), но всё равно остается на глаз довольно низкой.

Так вот, я попросил этот самый FutureSearch оценить вероятность ухода Путина с поста президента до конца года по любым причинам – результат можно наблюдать на приложенном скриншоте. Три «нейроисследователя» прошерстили 146 источников и пришли к выводу, что вероятность составляет около 5%: 1,5% по базовым медицинским причинам и 3,5% на прочие силовые методы. С первым компонентом всё понятно, а вот как конкретно эти ребята вышли на 3,5% – я, к сожалению, так и не понял. Но концептуально это не сильно далеко от моей собственной «прикидочной» оценки. Для сравнения, что ответили другие современные модели (без какой-либо специальной обвязки, просто ответы на тот же самый вопрос): 🐌 Claude Fable 5 – самая мощная на текущий момент базовая модель (на этой неделе платные юзеры Клода как раз еще имеют к ней доступ без доплаты): 3–5%, короче около 4%. По сути, почти тот же результат, что у FutureSearch выше. 🐌 Claude Opus 4.8: 4–8% – тут уже вероятность заметно выше. Вся вариация здесь и ниже идет в основном за счет того, как разные модели оценивают вероятность переворота в том или ином виде. 🐌 ChatGPT 5.5: 9% – этот сразу первым делом полез на Polymarket проверять вероятности и, видимо, заякорился на них. Написал, что «текущие 11% на Полимаркете могут быть завышены действиями не самых умных китов, но…» 🐌 Gemini 3.1 Pro: этот, по сути, вообще отказался оценивать вероятность самостоятельно. Сразу написал «бро, там на Полимаркете дают около 12% – я хз, чем тут тебе еще помочь можно». 🐌 Grok Expert: 11–13%. Этот тоже, кажется, на Полимаркет заякорился. Вывод: кажется, проверять вероятности на Fable / FutureSearch выглядит не самой глупой идеей. [Дежурная оговорка про рынки предсказаний]