#softskills #career

Я принес. Каким лидером быть? Стили лидерства, помогающие достичь результатов

Я вам как-то уже этого товарища приносил в посте про денежную мотивацию. Но оказалось, что хорошие видео у него — не разовая акция.

Вообще чувствую какую-то схожесть с ним по мнениям на разные управленческие вопросы. А еще плакат из The Legend of Zelda у него, за что отдельный мой респект 🙂

Сегодня видео про разные стили лидерства https://www.youtube.com/watch?v=U8KqU4TiJyQ

Мне понравился взгляд на геройский стиль лидерства. Знаю и таких лидеров, и команды с такими лидерами, подтверждаю, что оно примерно так и бывает, как говорит автор.

А еще мне импонирует сбалансированная позиция про то, что руководитель должен владеть разными стилями и ловко переключать между ними в зависимости от конкретного контекста. Есть у вас срочный пожар и разброд — быстро и оперативно решаем авторитарно или геройски, если есть подходящий набор скиллов. Есть стабильное время — помогаем людям расти и контролируемо наступать на грабли в коучинговом или сервант-стиле.

Я понимаю, что у каждого есть свои предпочтения и доминирующий стиль, но больше всего меня расстраивает, когда его применяют всегда вне зависимости от ситуации. Или всегда всем ультимативно говорят, что делать и как, или, наоборот, всех целуют во все места, даже когда это начинает расхолаживать.

#ReDigest

Продолжаем субботнюю рубрику, тут я кратко рассказываю про новости из мира технологий и AI, которые привлекли мое внимание.

Дайджест недели:

- OpenAI представила GPT-5-Codex — версию GPT-5, заточенную под агентное программирование. Может работать часами автономно, на SWE-bench Verified показывает 74.5%. Доступна в VSCode, JetBrains и терминале для всех подписчиков.

- xAI выпустили Grok 4 Fast с поражающим соотношением цена/качество: $0.20/M input против $1.25 у Gemini 2.5 Pro при схожем качестве. Плюс 340+ токенов в секунду и в 25 раз дешевле по итоговой стоимости благодаря эффективности.

- Meta представила Ray-Ban Display за $799 — очки с экраном и управлением жестами через нейронный браслет. На презентации дважды подвисали, но компания рассчитывает продать 100 тысяч к концу года.

- Google запустил крупнейший апгрейд Chrome с встроенным Gemini, который разбирает сложные страницы и работает с несколькими вкладками. AI Mode прямо в адресной строке.

- США и Китай наконец договорились о сделке по TikTok - ByteDance лицензирует алгоритм американской компании, сохранив технологию. Классический "TACO trade" от Трампа после всех угроз запрета.

- OpenAI опубликовали исследование 1.5 млн чатов с ChatGPT. Программирование оказалось нишей, зато половина запросов — просьбы совета. ChatGPT стал цифровым советником, а не инструментом автоматизации. 70% использования вообще не связано с работой.

- Anthropic выпустил третий отчет Economic Index — 40% сотрудников в США уже используют AI на работе (рост с 20% за два года). Израиль лидирует по использованию на душу населения в 7 раз выше ожидаемого. А еще там клевые интерактивные графики на сайте.

- @llm_arena выпустили исследование о выборе моделей (изучали мнение AI-инженеров, экспертов и т.д. - я тоже участвовал в опросе), почитайте, интересно вышло, например выяснилось что 82.2% команд полагаются на собственные тесты, а не бенчмарки. Более четверти вообще не используют рейтинги из принципа, предпочитая обзоры.

- Google выпустил Agent Payments Protocol (AP2) для безопасных платежей агентами через цифровые мандаты. В проекте участвуют 60+ партнеров, включая Mastercard и PayPal.

- Илон Маск назначил 20-летнего студента Диего Пасини руководителем команды аннотации данных для Grok после массовых увольнений 500+ сотрудников. До этого место занимал человек с 10-летним опытом из Tesla.

- YouTube представил AI-инструменты для подкастеров — автонарезка клипов и Shorts, плюс генерация видеоряда из аудио. Запуск в ближайшие месяцы для избранных, всем к концу 2026.

- Anthropic опубликовали постмортем по недавним проблемам с производительностью — три параллельных инфраструктурных бага создали запутанную картину, которую сложно было диагностировать в мультиплатформенной среде.

- Meta Superintelligence Labs выпустила REFRAG — новый подход к ускорению RAG-систем с 30.85× ускорением TTFT и 16× расширением контекстного окна через умное сжатие чанков контекста.

- Stripe представил практический фреймворк ценообразования AI продуктов на основе опыта с 78% компаний из Forbes AI 50. 56% используют гибридные модели подписка + usage-based fees.

- Gamma выкатили 3.0 с собственным AI-агентом для создания презентаций, который превращает сырые идеи в визуальные коммуникации одной командой и может исследовать темы в интернете.

Генеративные рекомендации III. Хайп и хаос

Меняя компанию, я успела походить по собесам в области RecSys DL, и в одной из секций всегда всплывали генеративные рекомендации. Тема сейчас настолько хайповая, что в терминологии полный хаос, который идёт к нам ещё из научных статей. Пара примеров понимания "генеративных рекомендаций" из статей 23-25 годов:

“The first generative recommendation system in the literature” – хочет назвать известная компания свою же прошлую архитектуру из “Actions…” (ICML'24). Сподвигает их к этому предложение "Generative Recommender", но их парадигма по сути только заменяет концепцию обучения с impression-based на авторегрессивную, не меняя ни задачи модели, ни способ инференса.

"In the paradigm of generative recommendation, the primary objective is to predict the next item a user is likely to interact with" - хочет написать Huawei в препринте этого года. И приписывает таким образом пальму первенства генеративных рекомендаций ванильному SASRec из 2019 года (а то и BERT4Rec из 2018). Мотивация Huawei понятна: они обновляют архитектуру трансформера для простой Shifted Sequence модели (как это делают FuX-α, HSTU, eSASRec и пр.), не меняя концепцию обучения или задачи инференса. Но подчеркнуть актуальность статьи нужно, “Generative” в название статьи добавить хочется, и потому возникает такой вот финт, причём применяется он сейчас в статьях часто. Под "Generative" в заголовке статьи 2024-25 года часто будет скрываться именно авторегрессивная постановка обучения, без концептуальных нововведений на уровне моделирования. Разве что каузальная маска внимания может быть чуть видоизменена под конкретную задачу, как в "Generative Rankers" из моего прошлого поста.

“We propose a generative Next-K strategy, where recommendations are generated item-by-item” – пишет Саша Петров с соавтором в "Generative Sequential Recommendation..." (SIGIR’23). Тут реализуется простая идея: айтем, сгенерированный авторегрессивной моделью, можно подставить в последовательность и продолжить генерировать рекомендации дальше. Помимо жадной генерации есть и другие стратегии. Интуитивно очень понятный подход, и тут он «генеративный» уже в прямом смысле слова, без оговорок. Но хайпует сейчас другое.

“We propose a new paradigm ... Instead of traditional query-candidate matching approaches, our method uses an end-to-end generative model that predicts the candidate IDs directly.” – пишет Google в статье про TIGER (NeurIPS’23). TIGER использует полноценную энкодер-декодер архитектуру и обучается генерировать один следующий айтем (состоящий из набора иерархических semantic ids) для пользователя с заданной историей (в которой также каждый айтем представлен как набор semantic ids). Результаты на публичных датасетах у этой модели легко бьются простым SASRec с gBCE или SS лоссом, но важно далеко не это. Открывается целое направление в RecSys ресёрче:

“We propose OneRec, which replaces the cascaded learning framework with a unified generative model. This is the first end-to-end generative model” - пишут KuaiShou в препринте OneRec (2025). В данном случае одна модель заменяет собой все стадии индустриальных рекомендательных пайплайнов от кандидато-генерации до ранжирования. Прямая генерация айтемов по семантическим айди повторяет идею TIGER, так что в первом приближении модель относится к кандидато-генерации ("Generative Retrieval"). Но использование RL подходов в серии статей “One…” от KuaiShou
позволяет моделям дообучаться на максимизацию приносимого ими профита. По сути, это инкорпорация сразу и ранжирующего сигнала (конверсии в целевые действия - на которые учатся ранжирующие модели), и даже более общего экономического сигнала сразу в единую модель. Что в идеальном мире позволяет ей быть end-to-end генеративным рекомендательным движком, затюненным на полезность в сервисе. Так что законно задаёмся вопросом – не это ли RecSys будущего?

Про серию “One…” можно почитать хардовые разборы у Коли Савушкина из Яндекса и поучаствовать в ближайших ридинг группах VK.

#llm #agents #petproject #ml #systemdesign

#finance #timeseries #code

Financial Data Science Python Notebooks — большой набор Jupyter‑ноутбуков про финансы

https://terence-lim.github.io/docs/financial-data-science-notebooks/README.html

Авторы собрали практические примеры по финансовой эконометрике, временным рядам и машинному обучению.

😎 Данные, данные, данные…

Вместе с ноутбуками поставляется библиотека FinDS, которая демонстрирует, как строить пайплайн для работы с финансовыми базами. Например, с макроэкономическими данными от FRED и BEA.

🅱️ Классические вопросы: цены, факторы и регрессии

Если вас интересуют классические стратегии, здесь есть ноутбуки про свойства цен и тестирование гипотез по методике Джегадиша—Титмана (моментум на CRSP‑акциях, оценка моментов и Newey—West стандарты ошибок). Есть материалы по исследованию Фама—Френч (стоимость и размер, линейные регрессии на CRSP/Compustat), по кросс‑секционным регрессиям Фама—Макбет (CAPM, нелинейные регрессии и квадратичная оптимизация), а также разбор стратегий контртренда с учетом структурных разрывов и затрат на реализацию.

🔮 Макроэкономика и риск‑менеджмент

Более широкие темы включают анализ экономических показателей (прогнозы, занятость, выбросы), тесты регрессий для индексов потребительских и производственных цен, промышленного производства и инфляции.

Есть ноутбуки по моделям пространственных состояний (скрытые марковские модели, гауссовы смеси), по кривой доходности и моделированию структуры процентных ставок, по факторной структуре доходностей облигаций (PCA), по оценке опционов (биномиальные деревья, Black–Scholes–Merton, Монте‑Карло), по Value‑at‑Risk для криптовалют.

🪐 Текстовый анализ и NLP

В ноутбуках по NLP разбирают, как построить тематические модели для стенограмм FOMC, оценить тональность отчётов 10‑K/10‑Q на основе словарей Loughran–Macdonald, проанализировать описания бизнеса с использованием методов POS‑тэггинга и кластеризации.

Далее идут примеры классификации отраслей, прогнозов макроэкономических индикаторов и нейросетей с эмбеддингами слов, использование сверточных и рекуррентных сетей для прогнозирования макро данных, примеры reinforcement learning для планирования пенсионных расходов.

🤡 LLM‑ы

И наконец, черешенка на торте — раздел про большие языковые модели: построение языковых моделей для «Федспика», анализ SEC Edgar, fine‑tuning моделей на индустриальной классификации, prompt‑инжиниринг для новостного сентимента и даже проектирование multi‑agent LLM‑систем для оценки корпоративной благотворительности, чего только не придумают.

Крутая энциклопедия по современному количественному анализу: от классической эконометрики и факторного анализа до сетевой науки, NLP и LLM‑агентов.

Что из этого вы пробовали? Приходите к нам в чат, обсудим)

Quant Researcher

#rl #courses

Двенадцать единственных и очевидных способов записать строку в файл в Python!

В Python можно принтануть сразу в файл!

with open("file.txt", "w") as f:
    print("привеееет!", file=f)

Хрен знает, зачем это вам! Но вот знайте!

Вообще в питоне есть один очевидный способ сделать это, дзен дело говорит!

Первый очевидный способ:

from pathlib import Path
Path("file.txt").write_text("привеееет!")

Второй очевидный способ:

from pathlib import Path
Path("file.txt").write_bytes(
    "привеееет!".encode("utf-8")
)

Третий очевидный способ:

with open("file.txt", "w") as f:
    print("привеееет!", file=f)

Четвёртый очевидный способ:

with open("file.txt", "w") as f:
    f.write("привеееет!")

Пятый очевидный способ:

import os
fd = os.open(
    "file.txt",
    os.O_WRONLY | os.O_CREAT | os.O_TRUNC)
os.write(fd, "привеееет!".encode("utf-8"))
os.close(fd)

Шестой очевидный способ:

import io, shutil
data = io.StringIO("привеееет!")
with open("file.txt", "w") as f:
    shutil.copyfileobj(data, f)

Седьмой очевидный способ:

import sys
sys.stdout = open("file.txt", "w")
print("привеееет!")
sys.stdout.close()

Восьмой очевидный способ:

from contextlib import redirect_stdout
with open("file.txt", "w") as f:
    with redirect_stdout(f):
        print("привеееет!")

Девятый очевидный способ:

import mmap
line = "привеееет!".encode("utf-8")
with open("file.txt", "w+b") as f:
    f.write(b"\x00" * len(line))
    f.flush()
    with mmap.mmap(f.fileno(), 0) as mm:
        mm[:len(line)] = line
        mm.flush()

Десятый очевидный способ:

import tempfile, os
with tempfile.NamedTemporaryFile("w", delete=False) as f:
    f.write("привеееет!")
    name = f.name
os.replace(name, "file.txt")

Одиннадцатый очевидный способ:

import csv
with open("file.txt", "w", newline="", encoding="utf-8") as f:
    writer = csv.writer(f)
    writer.writerow(["привеееет!"])

Двенадцатый очевидный способ:

import tarfile
import io
data = io.BytesIO("привеееет!".encode("utf-8"))
with tarfile.open("archive.tar", "w") as tar:
    info = tarfile.TarInfo("file.txt")
    info.size = len(data.getvalue())
    tar.addfile(info, data)
with tarfile.open("archive.tar", "r") as tar:
    tar.extractall(
        path=".",
        members=[tar.getmember("file.txt")], filter="data")

Вооот!

#llm #code #petproject