Media is too big
VIEW IN TELEGRAM
Anthropic балуют релизами — на этот раз они запустили Claude Managed Agents.
Это попытка упростить весь процесс разработки агентов, отдав ВСЮ инфраструктуру для запуска на сторону Anthropic. Да, прямо у них в облаке. То есть больше не нужно самому собирать песочницу, агентный луп и оркестрацию инструментов — просто создаёшь агента, выдаешь задачи, ставишь ограничения и запускаешь.
Внутри уже есть безопасные контейнеры, часовые автономные сессии с сохранением прогресса и, разумеется, мультиагентность.
По сути, это серверлесс от Anthropic для AI-агентов😊
Это попытка упростить весь процесс разработки агентов, отдав ВСЮ инфраструктуру для запуска на сторону Anthropic. Да, прямо у них в облаке. То есть больше не нужно самому собирать песочницу, агентный луп и оркестрацию инструментов — просто создаёшь агента, выдаешь задачи, ставишь ограничения и запускаешь.
Внутри уже есть безопасные контейнеры, часовые автономные сессии с сохранением прогресса и, разумеется, мультиагентность.
По сути, это серверлесс от Anthropic для AI-агентов
Please open Telegram to view this post
VIEW IN TELEGRAM
🚨 Claude восстановил игру 90-х без исходников
Разработчик откопал свой проект 1992 года. Тогда ему было 19. Это была мультиплеерная игра на CompuServe, она даже получила награду и закрылась в 1999.
Исходников не осталось. Только скрипты на кастомном языке, который он сам придумал для гейм-мастеров, старый мануал и запись геймплея.
Он просто загрузил всё это в Claude Code и попросил разобраться.
Модель сначала восстановила сам язык. Без документации и без примеров в сети. Вытащила грамматику из скриптов и текста, который писался для людей без технического бэкграунда.
После этого она пересобрала игру с нуля. Полноценный мир с тысячами комнат, предметами, монстрами, магией, крафтом и боевой системой.
Проект, который в 90-х собирался месяцами, был восстановлен за выходные.
Здесь важен не сам кейс, а паттерн. Модель работает с неполными данными, восстанавливает структуру и доводит систему до рабочего состояния.
Фактически это реверс-инжиниринг без исходников.
Игра сейчас доступна бесплатно, код открыт.
Разработчик откопал свой проект 1992 года. Тогда ему было 19. Это была мультиплеерная игра на CompuServe, она даже получила награду и закрылась в 1999.
Исходников не осталось. Только скрипты на кастомном языке, который он сам придумал для гейм-мастеров, старый мануал и запись геймплея.
Он просто загрузил всё это в Claude Code и попросил разобраться.
Модель сначала восстановила сам язык. Без документации и без примеров в сети. Вытащила грамматику из скриптов и текста, который писался для людей без технического бэкграунда.
После этого она пересобрала игру с нуля. Полноценный мир с тысячами комнат, предметами, монстрами, магией, крафтом и боевой системой.
Проект, который в 90-х собирался месяцами, был восстановлен за выходные.
Здесь важен не сам кейс, а паттерн. Модель работает с неполными данными, восстанавливает структуру и доводит систему до рабочего состояния.
Фактически это реверс-инжиниринг без исходников.
Игра сейчас доступна бесплатно, код открыт.
Клиент Telega для Telegram пропал из App Store. Приложение недоступно как в поиске, так и по прямым ссылкам для скачивания.
События по порядку:
– Выяснилось, что клиент может перехватывать данные и читать переписки;
– Telegram сняли верификацию с телеграм-канала Telega;
– В мессенджере начали отмечать пользователей сторонних клиентов;
– Приложение пропало из App Store.
Вот и всё.
События по порядку:
– Выяснилось, что клиент может перехватывать данные и читать переписки;
– Telegram сняли верификацию с телеграм-канала Telega;
– В мессенджере начали отмечать пользователей сторонних клиентов;
– Приложение пропало из App Store.
Вот и всё.
👍1
Модель OpenAI закрыла пять задач Эрдёша. Пять.
Команда OpenAI (Sawhney, Sellke, Alexeev и др.) выложила статью, где их внутренняя модель доказала пять открытых задач Пала Эрдёша.
Не помогала доказывать, не подсказывала направление, а именно выдала доказательства, которые потом записали в статью на 28 страниц.
Задачи из комбинаторики, теории чисел и теории вероятностей. Среди них, например, вопрос про обыкновенные прямые в планарных множествах точек и теорема конечности для целых чисел с определенными свойствами простых делителей. Вещи, которые висели открытыми десятилетиями.
Важный контекст: это уже вторая такая статья (в названии прямо стоит "II").
То есть первая не была случайностью и разовым хайпом. Процесс поставлен на поток: берем открытую задачу, скармливаем модели, получаем доказательство, проверяем, публикуем.
Речь про "internal model". Не GPT-4o, не o1, не что-то публично доступное. Где-то внутри OpenAI сидит штука, которая щелкает задачи из списка Эрдёша. И мы пока не знаем, как далеко она ушла от того, чем мы пользуемся.
📄 arxiv.org/abs/2604.06609
Команда OpenAI (Sawhney, Sellke, Alexeev и др.) выложила статью, где их внутренняя модель доказала пять открытых задач Пала Эрдёша.
Не помогала доказывать, не подсказывала направление, а именно выдала доказательства, которые потом записали в статью на 28 страниц.
Задачи из комбинаторики, теории чисел и теории вероятностей. Среди них, например, вопрос про обыкновенные прямые в планарных множествах точек и теорема конечности для целых чисел с определенными свойствами простых делителей. Вещи, которые висели открытыми десятилетиями.
Важный контекст: это уже вторая такая статья (в названии прямо стоит "II").
То есть первая не была случайностью и разовым хайпом. Процесс поставлен на поток: берем открытую задачу, скармливаем модели, получаем доказательство, проверяем, публикуем.
Речь про "internal model". Не GPT-4o, не o1, не что-то публично доступное. Где-то внутри OpenAI сидит штука, которая щелкает задачи из списка Эрдёша. И мы пока не знаем, как далеко она ушла от того, чем мы пользуемся.
📄 arxiv.org/abs/2604.06609
This media is not supported in your browser
VIEW IN TELEGRAM
🚨 ElevenLabs получил open source конкурента
Mistral выкатили Voxtral и это выглядит как серьёзный заход в TTS.
Модель всего на 4B параметров. При этом даёт около 70 мс задержки, что уже подходит для голосовых агентов в реальном времени.
Поддерживает клонирование голоса буквально с нескольких секунд аудио. Плюс работает на 9 языках и умеет переносить голос между ними.
По бенчмаркам заявляют 68.4% побед против ElevenLabs Flash v2.5.
Ключевой момент здесь не только в качестве. Веса открыты и доступны на Hugging Face.
Это значит, что TTS снова уходит из SaaS в инфраструктуру. Голос можно разворачивать локально, кастомизировать и встраивать без ограничений.
Для тех, кто делает voice agents, это сильный сдвиг. Контроль над голосом теперь можно держать у себя.
https://huggingface.co/mistralai/Voxtral-4B-TTS-2603
🐍 Python полезные ресурсы 🚀Max
@pythonl
Mistral выкатили Voxtral и это выглядит как серьёзный заход в TTS.
Модель всего на 4B параметров. При этом даёт около 70 мс задержки, что уже подходит для голосовых агентов в реальном времени.
Поддерживает клонирование голоса буквально с нескольких секунд аудио. Плюс работает на 9 языках и умеет переносить голос между ними.
По бенчмаркам заявляют 68.4% побед против ElevenLabs Flash v2.5.
Ключевой момент здесь не только в качестве. Веса открыты и доступны на Hugging Face.
Это значит, что TTS снова уходит из SaaS в инфраструктуру. Голос можно разворачивать локально, кастомизировать и встраивать без ограничений.
Для тех, кто делает voice agents, это сильный сдвиг. Контроль над голосом теперь можно держать у себя.
https://huggingface.co/mistralai/Voxtral-4B-TTS-2603
🐍 Python полезные ресурсы 🚀Max
@pythonl
Media is too big
VIEW IN TELEGRAM
🚨 Автоматическая фабрика рилзов в одну команду
Если видел эти бесконечные видео с озвученными тредами, теперь понятно, откуда они берутся.
RedditVideoMakerBot - скрипт, который полностью автоматизирует весь пайплайн.
Ты запускаешь один Python файл и получаешь готовое видео под TikTok, Shorts или Reels.
Под капотом происходит следующее.
• Скрипт сам тянет тред из выбранного сабреддита. • Делает скриншоты через Playwright.
• Прогоняет текст через TTS.
• Подкладывает фоновое видео и собирает всё в финальный ролик с таймингами.
Без монтажа. Без таймлайна. Без ручной сборки.
Фактически это конвейер контента. Один запуск равен одному видео.
Формат уже оптимизирован под алгоритмы. Тот самый визуал, который все видят в ленте. Minecraft фон, скриншоты Reddit, синтетическая озвучка.
Репозиторий уже набрал больше 10 тысяч звёзд. Полностью open source.
https://github.com/elebumm/RedditVideoMakerBot
Если видел эти бесконечные видео с озвученными тредами, теперь понятно, откуда они берутся.
RedditVideoMakerBot - скрипт, который полностью автоматизирует весь пайплайн.
Ты запускаешь один Python файл и получаешь готовое видео под TikTok, Shorts или Reels.
Под капотом происходит следующее.
• Скрипт сам тянет тред из выбранного сабреддита. • Делает скриншоты через Playwright.
• Прогоняет текст через TTS.
• Подкладывает фоновое видео и собирает всё в финальный ролик с таймингами.
Без монтажа. Без таймлайна. Без ручной сборки.
Фактически это конвейер контента. Один запуск равен одному видео.
Формат уже оптимизирован под алгоритмы. Тот самый визуал, который все видят в ленте. Minecraft фон, скриншоты Reddit, синтетическая озвучка.
Репозиторий уже набрал больше 10 тысяч звёзд. Полностью open source.
https://github.com/elebumm/RedditVideoMakerBot
🚨 Go теперь может напрямую работать с локальными LLM без API
Kronk - это попытка убрать прослойку SaaS и дать Go доступ к моделям напрямую.
По сути это SDK и модельный сервер, который позволяет встроить локальные LLM прямо в приложение. Под капотом используется llama.cpp, а API ощущается как OpenAI-совместимый.
Ты пишешь обычный Go-код и вызываешь модель так же, как привык через API. Только всё крутится локально. Без внешних запросов и без зависимости от провайдеров.
Есть стриминг, embeddings, rerank, токенизация. Всё через один интерфейс.
Отдельно важен момент с перфомансом. Проект заточен под hardware acceleration и работу с GGUF моделями. Это значит, что можно выжимать максимум из локального железа без костылей.
https://github.com/ardanlabs/kronk
👣 Полезные ресурсы Go 🚀Max
@Golang_google
#golang #go
Kronk - это попытка убрать прослойку SaaS и дать Go доступ к моделям напрямую.
По сути это SDK и модельный сервер, который позволяет встроить локальные LLM прямо в приложение. Под капотом используется llama.cpp, а API ощущается как OpenAI-совместимый.
Ты пишешь обычный Go-код и вызываешь модель так же, как привык через API. Только всё крутится локально. Без внешних запросов и без зависимости от провайдеров.
Есть стриминг, embeddings, rerank, токенизация. Всё через один интерфейс.
Отдельно важен момент с перфомансом. Проект заточен под hardware acceleration и работу с GGUF моделями. Это значит, что можно выжимать максимум из локального железа без костылей.
https://github.com/ardanlabs/kronk
@Golang_google
#golang #go
Please open Telegram to view this post
VIEW IN TELEGRAM
У классического RAG есть проблема, о которой мало говорят: state blindness. Агент тащит за собой линейную историю, и пока контекст текстовый, это работает.
Но добавь картинки и видео, и все сыпется. Визуал жрет токены, агент ходит по кругу, делает повторные запросы и теряет нить.
Tongyi Lab (Alibaba) предложили VimRAG.
Вместо линейной цепочки рассуждение моделируется как направленный ациклический граф (DAG). Узлы хранят состояния агента и мультимодальные доказательства.
Это позволяет отслеживать пути, убирать дубли и видеть, какие куски контекста реально повлияли на результат.
Для работы с визуалом придумали Graph-Modulated Visual Memory Encoding: значимость узла памяти оценивается по его позиции в топологии графа. Важным доказательствам больше токенов в высоком разрешении, мусору - меньше. Адаптивная аллокация вместо тупого сжатия.
На бенчмарках VimRAG выдает SOTA результат по мультимодальным RAG задачам, включая SlideVQA, MMLongBench, Large-Scale LVBench и другие. При этом graph pruning заметно ускоряет обучение.
Paper: arxiv.org/abs/2602.12735
GitHub: github.com/Alibaba-NLP/VRAG
@ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Cloudflare признали Telega шпионским ПО. Эта отметка появилась на двух доменах мессенджера.
После этого GlobalSign у них отозвали TLS-сертификат для защищенного соединения по HTTPS.
Поэтому клиент и удалили из App Store.
После этого GlobalSign у них отозвали TLS-сертификат для защищенного соединения по HTTPS.
Поэтому клиент и удалили из App Store.
This media is not supported in your browser
VIEW IN TELEGRAM
🚨 Claude Code ускорили в 4 раза на больших кодовых базах
Один и тот же таск. Один и тот же промпт. Меняется только инструмент.
Без него Claude Code 8 минут бродит по коду, читает десятки файлов и всё равно пропускает важные зависимости. В итоге решение сырое.
С ним тот же сценарий занимает около 2 минут и даёт более точный результат.
Речь про repowise.
Инструмент repowise - строит структурную модель проекта. Граф зависимостей с приоритизацией. Историю изменений с зонами ответственности. Автоген документации. И слой решений, который фиксирует, зачем вообще написан код.
Этот слой решает главную проблему. Обычно модель не понимает контекст решений и начинает действовать вслепую.
В тесте на репозитории с 3000 файлов задача была добавить rate limiting во все API.
Без repowise модель читает случайные файлы, не видит ключевые связи и ломает скрытые зависимости.
С repowise хватает нескольких вызовов. Модель сразу находит все зависимости, обнаруживает существующую логику ретраев и даже подсказывает, кто должен ревьюить изменения.
Расход токенов падает примерно на 60 процентов. Модель перестаёт читать всё подряд и работает точечно.
Дополнительно repowise генерирует CLAUDE.md на основе реального состояния репозитория.
Self hosted. Работает локально. Можно использовать с Ollama.
https://github.com/repowise-dev
Один и тот же таск. Один и тот же промпт. Меняется только инструмент.
Без него Claude Code 8 минут бродит по коду, читает десятки файлов и всё равно пропускает важные зависимости. В итоге решение сырое.
С ним тот же сценарий занимает около 2 минут и даёт более точный результат.
Речь про repowise.
Инструмент repowise - строит структурную модель проекта. Граф зависимостей с приоритизацией. Историю изменений с зонами ответственности. Автоген документации. И слой решений, который фиксирует, зачем вообще написан код.
Этот слой решает главную проблему. Обычно модель не понимает контекст решений и начинает действовать вслепую.
В тесте на репозитории с 3000 файлов задача была добавить rate limiting во все API.
Без repowise модель читает случайные файлы, не видит ключевые связи и ломает скрытые зависимости.
С repowise хватает нескольких вызовов. Модель сразу находит все зависимости, обнаруживает существующую логику ретраев и даже подсказывает, кто должен ревьюить изменения.
Расход токенов падает примерно на 60 процентов. Модель перестаёт читать всё подряд и работает точечно.
Дополнительно repowise генерирует CLAUDE.md на основе реального состояния репозитория.
Self hosted. Работает локально. Можно использовать с Ollama.
https://github.com/repowise-dev
Разгребаем завалы macOS — нашел Ghostmoon, который выводит скрытые настройки системы в два клика 😈
Это крошечная утилита заменяет пачку терминальных команд и блуждания по меню настроек.
Что умеет:
— Сброс сетевого стека (актуально😂 ) и чистка «упрямой» корзины;
— Массовое извлечение дисков и моментальное переключение аудио;
— Запрет сна и быстрый килл процессов без релога.
Приложение весит копейки и не жрет ресурсы. Пока это pre-release, так что придется разок повоевать с Gatekeeper, но оно того стоит.
Бесплатный мастхэв😊
Это крошечная утилита заменяет пачку терминальных команд и блуждания по меню настроек.
Что умеет:
— Сброс сетевого стека (актуально
— Массовое извлечение дисков и моментальное переключение аудио;
— Запрет сна и быстрый килл процессов без релога.
Приложение весит копейки и не жрет ресурсы. Пока это pre-release, так что придется разок повоевать с Gatekeeper, но оно того стоит.
Бесплатный мастхэв
Please open Telegram to view this post
VIEW IN TELEGRAM
Появился новый тариф Pro за $100 в месяц, заточенный под Codex.
По словам компании, он дает в 5 раз больше лимитов на Codex по сравнению с Plus и рассчитан на длинные, ресурсоемкие сессии. Все существующие фичи Pro никуда не делись: эксклюзивная Pro-модель, безлимитный доступ к Instant и Thinking моделям.
До 31 мая подписчикам нового Pro дают до 10x использования Codex относительно Plus - чтобы люди могли распробовать и привыкнуть.
А вот для Plus-подписчиков новости менее радужные. Промо-период с расширенным доступом к Codex закончился, и OpenAI ребалансирует лимиты: теперь упор на больше коротких сессий в течение недели вместо длинных марафонов за один день. По сути, если вы активно пользовались Codex на Plus и вам хватало - готовьтесь к тому, что лимиты стали жестче. OpenAI прямо говорит, что Plus за $20 остается лучшим вариантом для повседневного использования, а для тяжелой работы с Codex теперь нужно переходить на Pro.
https://chatgpt.com/ru-RU/pricing/
@ai_machinelearning_big_data
#openai
Please open Telegram to view this post
VIEW IN TELEGRAM
Теперь можно бесплатно дообучать Gemma 4 31B прямо в ноутбуке 🚀
Обучение модели на 31 миллиард параметров полностью бесплатно с использованием Kaggle и Unsloth.
GitHub: https://github.com/unslothai/unsloth
Гайд: https://unsloth.ai/docs/models/gemma-4/train
Ноутбук: https://kaggle.com/code/danielhanchen/gemma4-31b-unsloth
Обучение модели на 31 миллиард параметров полностью бесплатно с использованием Kaggle и Unsloth.
GitHub: https://github.com/unslothai/unsloth
Гайд: https://unsloth.ai/docs/models/gemma-4/train
Ноутбук: https://kaggle.com/code/danielhanchen/gemma4-31b-unsloth
Daniel Lemire, эксперт по производительности софта из топ-2% ученых мира (по рейтингу Stanford/Elsevier 2025) и топ-1000 разработчиков на GitHub, опубликовал статью про эволюцию языков программирования семейства C. Разбираем ключевые тезисы.
Всё началось с трех языков: Fortran (1957), Pascal (1970) и C (1972). Fortran создавался для числодробилки и научных расчетов. Pascal намеренно ограничивал низкоуровневый доступ, потому что задумывался как учебный язык для структурного программирования. А вот C победил именно потому, что позволял работать с указателями, прямым доступом к памяти и при этом оставался достаточно универсальным для системной разработки вроде Unix.
В 80-е и 90-е объектно-ориентированное программирование стало чем-то вроде религии. Lemire прямо пишет: это превратилось в секту. Но C не был объектно-ориентированным. Так появился C++, который начинался как «C with Classes». C++ принес шаблоны, обобщенное программирование и метапрограммирование на этапе компиляции. Это сделало язык мощным, но и сложным для освоения (с безумными сообщениями об ошибках).
Показываю как профессионально работать с Claude и другими ИИ у себя в телеге! И зеркало Max, если тг не работает(
C и C++ стали дико успешными, но писать кроссплатформенные приложения было больно. Приходилось целиться в Windows или конкретный Unix. Это было проблемой для Sun Microsystems, которая продавала Unix-машины и хотела конкурировать с Microsoft.
Так в 1995 году появилась Java. Безопасная, портативная альтернатива C++: без арифметики указателей, с обязательной сборкой мусора, проверкой границ массивов и виртуальной машиной (JVM) с JIT-компиляцией для производительности. Обещание «write once, run anywhere» напрямую закрывало боль портируемости C/C++. До сих пор Java остается сильным решением для enterprise и серверного кода.
В том же 1995-м появился JavaScript, который, несмотря на название, семантически почти ничего общего с Java не имеет. Lemire считает, что его лучше рассматривать отдельно от ветки C/C++. Python тоже стоит особняком.
Microsoft в 2000 году выкатила C#. Синтаксически он из того же семейства, что C++ и Java, но с поддержкой AOT-компиляции в современном .NET и возможностью работать с указателями в явно помеченных unsafe-блоках. По сути, C# можно назвать «C++ со сборкой мусора». Он даже конкурирует с C++ в геймдеве благодаря Unity.
Google создал Go как упрощенный современный C: со сборкой мусора, встроенной проверкой границ для слайсов и массивов, с указателями, но без произвольной арифметики в безопасном коде (пакет unsafe существует для низкоуровневых нужд).
Apple ответила Swift. Производительность и цели синтаксиса как у C++, но с современными фичами безопасности (проверка границ по умолчанию, паника при переполнении целых чисел в debug-режиме) и автоматическим подсчетом ссылок (ARC) для управления памятью. Swift заменил Objective-C, но Lemire рассматривает его как наследника C++.
Примерно тогда же появились Rust и Zig. Rust, как и Swift, отказался от поколенческой сборки мусора из Java, C# и Go. Вместо этого он полагается на систему владения и заимствования на этапе компиляции, с компромиссом: через циклические ссылки можно допустить утечку памяти. Zig делает работу с памятью полностью явной.
Интересный тезис Lemire: Rust и Zig правильнее считать потомками C, а не C++. Оба, конечно, намного мощнее C, но по духу они именно C-подобные языки.
Доминирующими языками для перформанс-критичных, системных, enterprise- и инфраструктурных задач до сих пор остаются C, C++, Java и C#. По эффекту Линди (чем дольше что-то существует, тем дольше оно, вероятно, просуществует), эти языки, особенно C, которому уже больше 50 лет, будут с нами еще очень долго.
https://vc.ru/dev/2860450-yazyk-c-i-vliyanie-na-c-java-rust-go-swift-i-zig
Please open Telegram to view this post
VIEW IN TELEGRAM
Почему теорема Байеса до сих пор рулит в AI: от спам-фильтров до глубокого обучения
В мире, где каждый день появляются новые архитектуры нейросетей, трансформеры переписывают правила игры, а компании вливают миллиарды в AGI, легко забыть про фундамент. Между тем одна формула, которой больше 260 лет, продолжает работать внутри самых современных AI-систем. Речь о теореме Байеса.
Суть теоремы укладывается в одно предложение: обнови свои убеждения, когда получил новые данные. Формально это выглядит так: P(H|E) = P(E|H) * P(H) / P(E).
Здесь P(H|E) - апостериорная вероятность гипотезы при наблюдении данных, P(E|H) - правдоподобие, P(H) - априорное знание, а P(E) - нормирующий множитель. Но за сухой записью скрывается мощная интуиция.
Представьте: вы проверяете кошелек и обнаруживаете, что денег меньше, чем ожидали. Мозг мгновенно начинает перебирать варианты. Вы были на рынке, где много карманников. Но вы также могли потратить деньги и забыть об этом. Мозг автоматически взвешивает вероятности, учитывает контекст и обновляет оценку. Это и есть байесовский вывод в чистом виде, только без формул.
Теперь перенесем это в реальную задачу. Допустим, вы строите спам-фильтр. Приходит письмо со словом "lottery". Нужно понять: спам или нет?
Из 1000 писем 400 оказались спамом, и в 120 из них встречалось слово "lottery". Среди 600 нормальных писем это слово было только в 18. До анализа вероятность спама - 40%. После применения формулы Байеса вероятность подскакивает до 87%. Одно слово радикально меняет оценку, и это не магия, а математика.
Показываю как профессионально работать с Claude и другими ИИ у себя в телеге! И зеркало Max, если тг не работает(
Именно на этом принципе работает Naive Bayes - один из самых простых и при этом удивительно эффективных классификаторов. Его называют "наивным", потому что он предполагает независимость признаков. В реальности признаки почти всегда коррелируют, но модель все равно дает отличные результаты в задачах классификации текстов, анализа тональности и детекции спама. Быстро обучается, не требует GPU и часто используется как базовая линия, которую потом сложно побить.
Но спам-фильтры - это только начало. Байесовские сети позволяют моделировать зависимости между переменными в виде направленного графа. Каждый узел хранит таблицу условных вероятностей, и теорема Байеса связывает все это воедино. Такие модели применяют в медицинской диагностике, обнаружении неисправностей и анализе рисков. В отличие от черных ящиков нейросетей, байесовские сети прозрачны и объяснимы.
Отдельная история - байесовская оптимизация. Когда нужно подобрать гиперпараметры модели (learning rate, количество слоев, размер батча), перебирать все комбинации слишком дорого. Байесовская оптимизация строит вероятностную модель целевой функции и на каждом шаге выбирает наиболее перспективную точку для проверки. Это на порядок эффективнее grid search и random search.
Пожалуй, самое интересное направление - байесовское глубокое обучение. В классических нейросетях модель учит фиксированные веса. В байесовском подходе вместо одного значения веса модель учит распределение вероятностей. Это дает нечто бесценное для критических задач: оценку неопределенности. Модель может сказать не просто "это кот", а "я на 95% уверена, что это кот" или "я не уверена, лучше позвать человека". В медицине и автопилотах такая честность спасает жизни.
Байес также работает за кулисами рекомендательных систем. Когда Netflix предлагает вам фильм или Spotify подбирает плейлист, за этим часто стоят байесовские методы. Они помогают справляться с проблемой холодного старта, когда о новом пользователе почти ничего не известно. Априорная информация и постепенное обновление убеждений позволяют выдавать релевантные рекомендации с первых взаимодействий.
В NLP байесовские методы используются в языковом моделировании, POS-теггинге и машинном переводе. Каждый раз, когда система определяет наиболее вероятное следующее слово или тег, она опирается на условные вероятности, то есть на ту самую теорему Байеса.
https://vc.ru/id5074146
В мире, где каждый день появляются новые архитектуры нейросетей, трансформеры переписывают правила игры, а компании вливают миллиарды в AGI, легко забыть про фундамент. Между тем одна формула, которой больше 260 лет, продолжает работать внутри самых современных AI-систем. Речь о теореме Байеса.
Суть теоремы укладывается в одно предложение: обнови свои убеждения, когда получил новые данные. Формально это выглядит так: P(H|E) = P(E|H) * P(H) / P(E).
Здесь P(H|E) - апостериорная вероятность гипотезы при наблюдении данных, P(E|H) - правдоподобие, P(H) - априорное знание, а P(E) - нормирующий множитель. Но за сухой записью скрывается мощная интуиция.
Представьте: вы проверяете кошелек и обнаруживаете, что денег меньше, чем ожидали. Мозг мгновенно начинает перебирать варианты. Вы были на рынке, где много карманников. Но вы также могли потратить деньги и забыть об этом. Мозг автоматически взвешивает вероятности, учитывает контекст и обновляет оценку. Это и есть байесовский вывод в чистом виде, только без формул.
Теперь перенесем это в реальную задачу. Допустим, вы строите спам-фильтр. Приходит письмо со словом "lottery". Нужно понять: спам или нет?
Из 1000 писем 400 оказались спамом, и в 120 из них встречалось слово "lottery". Среди 600 нормальных писем это слово было только в 18. До анализа вероятность спама - 40%. После применения формулы Байеса вероятность подскакивает до 87%. Одно слово радикально меняет оценку, и это не магия, а математика.
Показываю как профессионально работать с Claude и другими ИИ у себя в телеге! И зеркало Max, если тг не работает(
Именно на этом принципе работает Naive Bayes - один из самых простых и при этом удивительно эффективных классификаторов. Его называют "наивным", потому что он предполагает независимость признаков. В реальности признаки почти всегда коррелируют, но модель все равно дает отличные результаты в задачах классификации текстов, анализа тональности и детекции спама. Быстро обучается, не требует GPU и часто используется как базовая линия, которую потом сложно побить.
Но спам-фильтры - это только начало. Байесовские сети позволяют моделировать зависимости между переменными в виде направленного графа. Каждый узел хранит таблицу условных вероятностей, и теорема Байеса связывает все это воедино. Такие модели применяют в медицинской диагностике, обнаружении неисправностей и анализе рисков. В отличие от черных ящиков нейросетей, байесовские сети прозрачны и объяснимы.
Отдельная история - байесовская оптимизация. Когда нужно подобрать гиперпараметры модели (learning rate, количество слоев, размер батча), перебирать все комбинации слишком дорого. Байесовская оптимизация строит вероятностную модель целевой функции и на каждом шаге выбирает наиболее перспективную точку для проверки. Это на порядок эффективнее grid search и random search.
Пожалуй, самое интересное направление - байесовское глубокое обучение. В классических нейросетях модель учит фиксированные веса. В байесовском подходе вместо одного значения веса модель учит распределение вероятностей. Это дает нечто бесценное для критических задач: оценку неопределенности. Модель может сказать не просто "это кот", а "я на 95% уверена, что это кот" или "я не уверена, лучше позвать человека". В медицине и автопилотах такая честность спасает жизни.
Байес также работает за кулисами рекомендательных систем. Когда Netflix предлагает вам фильм или Spotify подбирает плейлист, за этим часто стоят байесовские методы. Они помогают справляться с проблемой холодного старта, когда о новом пользователе почти ничего не известно. Априорная информация и постепенное обновление убеждений позволяют выдавать релевантные рекомендации с первых взаимодействий.
В NLP байесовские методы используются в языковом моделировании, POS-теггинге и машинном переводе. Каждый раз, когда система определяет наиболее вероятное следующее слово или тег, она опирается на условные вероятности, то есть на ту самую теорему Байеса.
https://vc.ru/id5074146