Python 3.15 alpha: чинят то, что бесило годами 🐍

Уже доступна первая альфа Python 3.15. В релиз планируют завезти три фундаментальных изменения: ленивые импорты, новый профилировщик и UTF-8 по умолчанию.
Ну и ещё кучу всяких приятных мелочей.

О том, что нас ждёт, читайте в статье:

Python 3.15: Полный разбор главных фич. Lazy Imports, новый профилировщик и UTF-8 по умолчанию 🫲🏻

👨‍💻 Джуны всё? Нет, знакомьтесь — «супер-джуны».

Пока все обсуждают, заменит ли AI джунов, в OpenAI, наоборот, начали нанимать новый тип разработчиков — супер-джунов. Практикуется найм по схеме супер-сеньор + супер-джун.

Кто такой этот супер-джун?
Это молодой, часто предпринимательского склада ума, AI-native разработчик. Его главная сила — не в годах выслуги, а в умении использовать AI-инструменты.

Один из руководителей в OpenAI спросил такого супер-джуна, использовал ли он Codex (AI-ассистент) для выполнения сложной задачи. На что джун почти оскорбился и выдал примерно следующее:

Немного оскорбительно, что вы спрашиваете, использовал ли я Codex. Конечно, один Codex не справился бы с такой сложной задачей. Поэтому мне пришлось использовать много инстансов Codex, настроить между ними каналы связи, чтобы один валидировал задачу, а другие реализовывали её специализированные части.

То есть, чувак обиделся не на то, что его заподозрили в использовании AI, а на то, что его заподозрили в использовании всего одного инстанса!
Супер-сеньор в этой паре задаёт вектор и архитектуру, а супер-джун обеспечивает феноменальную скорость реализации, дирижируя оркестром из нейронок.

И да, это полностью меняет правила игры и требования к входу в профессию. Речь уже не про синтаксис языка и умение написать сортировку пузырьком. Речь про умение декомпозировать задачу так, чтобы её решал рой AI-агентов, и про способность верифицировать их работу.

❓Внимание вопрос: куда в этой схеме девается классический мидл? Или сейчас вся разница будем между обычными разрабами и AI-native-разрабами?

А ещё один интересный тренд — рабочая культура. В AI-стартапах Долины стремительно распространяется модель 996: работа с 9 утра до 9 вечера, 6 дней в неделю. Да, есть исключения, где фокус на результате, а не на часах в офисе, но это пока именно исключения.

Готовы ко времени, когда эти тренды дойдут до нас? 😁

#рыночек_порешал

👨‍💻 Программисты — одни из самых довольных своей работой

Тут SuperJob выкатил свежее исследование об удовлетворенности профессией. Оказывается, программисты — на втором месте 🥈. Целых 63% выбрали бы её снова, если бы представился шанс. Выше только врачи (66% 🩺).

Для сравнения, на дне списка — охранники (32%), курьеры (33%) и продавцы (34%). Разница почти в два раза.

В чем секрет? Внезапно(!), счастье всё-таки в деньгах. Среди тех, кто зарабатывает больше 100к в месяц, довольных аж 57%. А среди тех, кто меньше 50к — всего 43%.

А чем старше респондент, тем он довольнее выбором. Среди тех, кому за 45, довольных 51%, а среди молодежи до 34 — только 41%. Опыт и зрелость, видимо, приводят к дзену, а не к профдеформации.

#рыночек_порешал

Продолжаю нести свет знаний в массы (скромно)💡

Тут в блоге Яндекс Практикума опубликовали парочку статей, в подготовке которых я принимал участие. Прошло уже парочку месяцев, а я только узнал 😅

1️⃣ Стандартизация данных: полное руководство
Разбор того, как приводить данные в порядок перед подачей в ML-модели. Показал, чем StandardScaler отличается от MinMaxScaler и когда нужно использовать RobustScaler. И про главную ошибку новичков, которая приводит к утечке данных.

2️⃣ U-критерий Манна — Уитни: что это и как считать
Мастхэв для любого, кто проводит A/B-тесты. Объясняю, когда он нужен (спойлер: почти всегда, т.к. данные редко распределены нормально) и, что самое важное, — как правильно интерпретировать результаты, чтобы не делать идиотских выводов о «разнице средних».

Обе статьи достаточно лайтовые, но кому-то точно будет полезно.

#это_база

👎 Строим сбалансированные скобочные последовательности 👍

Ваша задача — сгенерировать все возможные комбинации правильных скобочных последовательностей длины 2*n.
Любая открывающая скобка должна быть закрыта позже по ходу последовательности, и нельзя закрыть то, что не было открыто.

✍️ Формат ввода:
Одно целое число n — количество пар скобок.

✅ Формат вывода:
Список list со всеми возможными строками.

Например:

n = 1 → ["()"]
n = 3 → ["((()))", "(()())", "(())()", "()(())", "()()()"]

На первый взгляд легко, но как убедиться, что все последовательности валидны и ни одна не упущена?

Кидайте свои решения в комменты 👇

#алгособес

Боремся с прокрастинацией🦥

ProctorAI — программка на Python, которая каждые несколько секунд делает скриншоты экрана, отправляет их в мультимодальную модельку, а та определяет сконцентрированы ли вы на работе. Если нет, то программка берёт под контроль ваш экран и начинает ругаться 🤬

Когда вы пообещаете прекратить отвлекаться, то ProctorAI даст 15 секунд на то, чтобы закрыть посторонние приложения, иначе он продолжит доставать 🤬🤬

При этом определение деятельности, которая будет считаться прокрастинацией, умное — пользователь перед работой должен сообщить, что он собирается делать и от этого будут зависеть допустимые активности. Например, если вы хотите изучать какую-то тему, то за просмотр видяшек по ней нагоняй получать не будете.

Исходники тут 👇
https://github.com/jam3scampbell/ProctorAI

#фана_ради

🤓 Разбор задачи по генерации скобок

Самым эффективным и элегантным вариантом является рекурсивный подход со стеком 🧠

def generate_parenthesis(n):
    res = []

    def dfs(left, right, s):
        if len(s) == n * 2:
            res.append(s)
            return

        if left < n:
            dfs(left + 1, right, s + '(')

        if right < left:
            dfs(left, right + 1, s + ')')

    dfs(0, 0, '')
    return res

Как это работает? 🧐

Представьте, что мы строим строку символ за символом, и на каждом шаге у нас есть выбор: поставить ( или ). Чтобы не генерировать заведомо неверные варианты, мы вводим два простых правила:

1. Ставим открывающую скобку (: Мы можем это сделать, только если их количество еще не достигло n. За это отвечает счетчик left.
2. Ставим закрывающую скобку ): Мы можем это сделать, только если количество уже поставленных закрывающих скобок right меньше, чем открывающих left. Это гарантирует, что мы не закроем то, что еще не открыто.

Рекурсивная функция dfs (поиск в глубину) исследует все возможные пути, отсекая неверные ветки на лету. Когда длина строки достигает 2*n, мы нашли одну из комбинаций и добавляем её в результат.

А что по сложности? 🚀

- Время: Количество правильных скобочных последовательностей описывается числами Каталана, и сложность алгоритма пропорциональна этому количеству, то есть примерно O(4ⁿ / n√n). Быстрее для этой задачи не получится, ведь нам нужно сгенерировать все варианты.
- Память: O(n) на глубину рекурсии, не считая памяти под хранение результата.

А можно ли лучше? 🤔

В данном случае — нет. Любой другой подход, например, генерация всех возможных строк из ( и ) с последующей проверкой на валидность, будет катастрофически медленным (O(n * 2²ⁿ)), так как будет делать массу лишней работы.

Метод с рекурсивным построением и отсечением неверных путей — это самый разумный и эффективный способ.

#алгособес

Хочешь прокачаться в ИИ и нейросетях по максимуму?

Вот вам подборка каналов по AI и IT — всё самое полезное в одном месте 💡

Лови доступ 👉 https://t.iss.one/addlist/RrWH7mLA7HM0YTBi

⚠️ Ссылка будет доступна 48 часов!

Хочешь добавить свой канал в папку? Пиши сюда 💬

Думаете, вас нечем удивить в современном IT-найме? Десятки этапов собесов, 5 лет опыта на джуна, составление натальных карт — вроде все уже повидали.

Встречайте: реальная вакансия "Кальянщик-программист" с вилкой от 70 до 350к. 🚬

Из описания:

Ищем кальянщика, который тестирует не только тягу, но и баги.
Греет угли быстро, а баг-репорты пишет ещё быстрее.

Можно смеяться, а можно принять, что рыночек теперь ждёт не только технических навыков, но и софт-скиллов с хорошим пониманием предметной области/

Жду вакансию "Нейрохирург-фронтендер" для разработки интерфейса управления кибер-протезами. Зарплата — почкой.

#хих

Изучаем основы работы с API LLM 🐍

🗓 18 ноября в 18:00 по мск я проведу очередной эфир в "Точке Сборки"!

📋 Что будет?
🟢На основе практически бесплатного API научимся общаться с LLM при помощи Python и langchain.
🟢Узнаем про основные параметры запросов.
🟢Познакомимся с базовыми и важными техниками промптинга.

🔑 Необходимые знания:
Базовое понимание синтаксиса Python. Опыт в машинном обучении или AI не требуется!

➡️Присоединяйтесь к "Точке Сборки", чтобы присутствовать онлайн, либо посмотреть записи (в том числе предыдущей встрече по чат-ботам!).

А если есть вопросы по формату / подписке, либо любые другие, пишите мне 🤗

Наткнулся на интересный open-source проект — Datarus Jupyter Agent. И это не просто очередная обертка над API OpenAI. Это полноценный, продуманный пайплайн. В чем соль? В архитектуре.

Вместо того чтобы просто гонять текст туда-сюда, система поднимает для каждой задачи изолированный Docker-контейнер с Jupyter-окружением.

Дальше начинается магия, построенная по принципу ReAct (Reason + Act):

1. 🧠 Модель получает задачу. Например, "проанализируй этот датасет, найди аномалии и построй модель".
2. 🤔 Модель думает. Формирует план первого шага в тегах <thought>: "Сначала надо загрузить данные и посмотреть на пропуски".
3. 👨‍💻 Модель пишет код. Генерирует код на Python для этого шага в тегах <action_input>.
4. 🔥 Код исполняется. Но не где-то в облаке, а в том самом изолированном Docker-контейнере через jupyter_client.
5. 📊 Модель получает результат. Вывод ячейки (или ошибка с трейсбеком) отправляется обратно модели.
6. 🔁 Цикл повторяется. Модель анализирует результат и переходит к шагу 1, пока не выполнит всю задачу.

Код упал с ошибкой? Агент не плачет в углу, а анализирует трейсбек и на следующей итерации пытается исправиться.

Когда анализ завершен, модель переключается в режим "синтеза" (CoT) и пишет итоговый отчет в тегах <answer>.

Что здесь ключевое:
🔵Изоляция и воспроизводимость: Docker решает 99% проблем с окружением.
🔵Настоящее исполнение кода: Это не симуляция, а реальная работа с библиотеками в привычной среде.
🔵Обратная связь: Цикл "подумал -> сделал -> увидел результат" — основа любого осмысленного процесса, и здесь он реализован в железе (ну, почти).
🔵Специализированная модель: Под капотом Datarus-R1-14B, дотюненная именно под такие аналитические "траектории" — с кодом, ошибками и рассуждениями.

Можно потестить в чате ◀️

#годный_опенсорс