🤖 Обзор Grok 4 от xAI: инструмент для глубокого анализа или рискованный эксперимент?

Разбираемся вместе с Артёмом Вяткиным, младшим научным сотрудником лПИИ СПб ФИЦ РАН и руководителем направления по исследованию данных Сбера.

🔍 Grok 4 — это языковая модель (LLM) от xAI, разработанная для глубоких рассуждений и прямолинейных ответов. В отличие от «вежливого» ChatGPT, Grok позиционируется как бунтарь.

На бенчмарке Humanity's Last Exam она показала 44.4% (Grok 4 Heavy), что ставит её в топ среди конкурентов!

➕ Сильные стороны

- Высокая точность в математических и научно-логических задачах благодаря многоступенчатому анализу.
- Глубокие рассуждения: Grok 4 отвечает в 2–5 раз более развернуто, чем, например, DeepSeek R1.
- Интеграция с X: нативный доступ к открытым постам X для анализа трендов в реальном времени.

❗️ Слабые стороны

- Избыточность: длинные глубокие рассуждения могут стать недостатком, замедляя работу с простыми запросами.
- Слабости в кодинге и изображениях: не силен в визуале, значительно уступает Gemini и Claude в программировании.
- Политизированность: бунтарский стиль приводит к ответам с правым уклоном. Илон Маск обещает исправления, но вопросы к объективности остаются.
- Отсутствие новых фич: Grok не предлагает уникальных функций, кроме улучшенного анализа.

🇷🇺 Работа с русскоязычными запросами

Grok 4 уверенно справляется с русским языком, как и большинство современных LLM. Проблемы минимальны, но иногда встречаются вкрапления английского или китайского (например, «extremно низкий» или «более 代表ительным»). Эти случаи несущественны и не влияют на общий опыт взаимодействия.

Уже тестировали Grok 4? Делитесь опытом в комментариях! ⬇️

🎓Учиться у практиков — значит быть в центре реальной AI-повестки

Гостем первого выпуска нового сезона подкаста «Фичи Катятся» стал преподаватель нашей магистерской программы «Искусственный интеллект и наука о данных» и Chief Data Scientist B2C в Сбере Дмитрий Бугайченко.

Выпуск — про эволюцию ИИ, мультиагентные системы, вызовы индустрии и будущее технологий.

💡Учитесь у лучших — слушайте новые выпуски и присоединяйтесь к нашей программе, чтобы быть в центре современных технологических трендов!

Слушать и смотреть можно на:
Rutube, Яндекс.Музыка

💡 Лайфхак: Как ускорить анализ данных в Python?

Хотите выжать максимум из Python для анализа данных? Делимся 5 проверенными способами, которые сэкономят время и ресурсы!

1️⃣Векторизация — ваш лучший друг
Используйте NumPy и Pandas для операций над массивами — это в 10-100 раз быстрее, чем использовать стандартные типы данных Python. Векторизация минимизирует накладные расходы Python, передавая вычисления низкоуровневым библиотекам.

2️⃣ Хотите еще быстрее?
Используйте Polars вместо Pandas. Polars — это библиотека для обработки данных, написанная на Rust. Она быстрее Pandas за счёт многопоточности и использования Apache Arrow, что снижает потребление памяти и ускоряет операции с большими данными (2–10 раз быстрее для группировок и объединений)

3️⃣ Numba для числовых задач
Numba — JIT-компилятор, который преобразует Python-код в машинный, приближая производительность к C. Он идеально подходит для числовых вычислений с циклами. Numba компилирует функции на лету, устраняя накладные расходы интерпретатора Python.

4️⃣ Parquet вместо CSV
Apache Parquet — столбцовый формат хранения данных, который компактнее и быстрее CSV благодаря продвинутым алгоритмам сжатия и выборочного чтения. Чтение/запись данных может быть в 5–20 раз быстрее.

5️⃣ Профилируйте код
cProfile — встроенный модуль Python для анализа времени выполнения кода. Он позволяет выявить неоптимальные по скорости выполнения участки кода для того, чтобы программисты могли их улучшить.

Эти лайфхаки помогут вам ускорить анализ данных и справляться с задачами быстрее!
А что упрощает работу вам? Делитесь опытом в комментариях! ⬇️

⚡️Вакансии от DSCS.pro и партнёров

Хотите работать над инновационным продуктом с использованием больших языковых моделей? Наша команда блока «Корпоративно-инвестиционный бизнес» Сбера разрабатывает AI-помощников на базе GigaChat для сотрудников банка. Мы ищем стажёра-ассистента проджект-менеджера, который поможет выстраивать бизнес-процессы внутри продукта!

💙 Что предстоит делать?
— Анализировать корпоративную документацию;
— Вести деловую переписку и взаимодействовать с партнерами внутри Сбера;
— Готовить презентации и отчёты по продукту;
— Резюмировать итоги встреч и формировать задачи;
— Участвовать в планировании и координации процессов;
— Организовывать работу команды по отдельным задачам.

🔍 Кого мы ищем?
Вы идеально подходите, если:
— Внимательны к деталям и умеете структурировать информацию;
— Легко справляетесь с большими объёмами данных;
— Коммуникабельны и знаете основы деловой переписки;
— Уверенно владеете PowerPoint и Excel;
— Пишете грамотные и понятные тексты;
— Самостоятельны и готовы организовывать процессы.

🔥 Плюсом будет:
— Опыт программирования;
— Понимание основ IT-архитектуры.

⚪️ Вакансия подойдет только для студентов очной формы обучения

Готовы присоединиться к нашей команде и развивать навыки в AI-проектах?
✅ Отправляйте резюме в телеграм Валерии @LeraPetr с пометкой «Стажер проджект-менеджера»

🤖 Как мы делаем GigaChat умнее: секреты дообучения | Часть 2

В первой части мы рассказали, как устроен процесс дообучения GigaChat: какие данные используем и как оцениваем прогресс.
Теперь поговорим о главном — как дообучение помогает решать реальные задачи бизнеса и пользователей!

Разбираемся вместе с Валерием Олисеенко — исполнительным директором по исследованию данных Сбера и научным сотрудником лПИИ СПб ФИЦ РАН.

🔍 Как дообучение помогает бизнесу и пользователям?

Дообучение — это насыщение модели знаниями и умениями. Без него LLM может не понимать суть вопроса, даже если имеет валидный материал внутри себя.

Яркий пример — ИИ-помощник Центра индустрии здоровья, который дает врачам и пациентам подсказки по вопросам здоровья. В его основе — сложная система с интеграциями, логикой, RAG и агентами. Но главное — это дообучение. Именно оно помогает модели понимать запросы и давать осмысленные, достоверные ответы.

💡 Что делает GigaChat креативным?

Всё просто: чем больше разнообразных примеров видит модель при дообучении, тем глубже и креативнее она отвечает. Опыт — главный источник вдохновения даже для ИИ.

⭐️ Куда движется дообучение?

По мнению Валерия Дмитриевича, LLM достигли пика развития: сами по себе они уже не становятся радикально лучше. Новые возможности появляются благодаря модулям, таким как Operator или DeepResearch от OpenAI, которые расширяют функциональность моделей.

Главный тренд сегодня — это движение к AGI. Речь идёт о системах, которые не просто отвечают на вопросы, а способны к осмысленному анализу, построению выводов и прогнозов. Например, по финансовым метрикам и новостному фону — предсказывать состояние компании точнее, чем классические ML-модели или даже человек.

🇷🇺 Зачем России GigaChat?

Создавать и обучать собственные LLM могут единицы стран в мире. Поэтому появление GigaChat — это важный шаг, который сложно переоценить!

Как думаете, с какими задачами GigaChat будет справляться через 5 лет? Делитесь в комментариях! ⬇️

📰Дайджест новостей в сфере ИИ: собрали главные инфоповоды недели

Что нового принесла эта неделя? В России создают мощные языковые модели и борются с мошенниками, а за рубежом готовят релиз GPT-5. Все главные события — в нашем дайджесте! ⬇️

🇷🇺В России:

Yandex B2B Tech открыл доступ к ИИ-модели Alibaba Qwen3-235B-A22B-Instruct-2507 в облаке

Холдинг VK обновил и выложил в открытый доступ модель RuModernBERT для обработки естественного русского языка. Доступны версии на 150 млн и на 35 млн параметров

В «Билайне» разработали ИИ-алгоритм для выявления воздействия мошенников на человека по изменению активности общения абонента

В НИУ ВШЭ представили архитектуру нейросетей GLGENN, которая упрощает работу ИИ с симметриями данных

В ВТБ до конца 2026 года планируют разработать платформу для создания и тренировки навыков ИИ-помощников

Исследователи тюменского научного центра «Роснефти» создали и внедрили ПО на основе LLM для снижения рутинной нагрузки, связанной с поиском, проверкой и оформлением текстов

Ozon планирует создать ИИ-ассистента для помощи в поиске товаров

🌍В мире:

OpenAI, по информации СМИ, планирует выпустить GPT-5 в августе

На Всемирной конференции по искусственному интеллекту в Шанхае представят более 3 тыс. экспонатов, включая 40 языковых моделей, 50 ИИ-решений и 60 роботов

Разработчик Anthropic создал три ИИ-агента для аудита LLM

Исследователи американской «Лаборатории Джексона» применили ИИ для открытия ранее неизвестных биомаркеров синдрома хронической усталости

Microsoft анонсировала новый режим Copilot Mode для браузера Edge. Он объединяет ИИ-помощника и веб-поиск в одном текстовом поле

В OpenAI представили новый инструмент в ChatGPT — «Режим обучения». Он помогает студентам разбираться в задачах поэтапно, а не генерирует готовые ответы

Исследователи Шанхайского университета Цзяотун (Китай) и компании MiniMax AI создали ИИ-систему ASI-Arch для автоматизации научных исследований в области нейронных архитектур

⚡️ Вакансии от DSCS.pro и партнёров

Команда блока «Корпоративно-инвестиционный бизнес» Сбера снова ищет таланты — на этот раз нужен Backend developer-стажёр. Если вы уверенно работаете с Python, знакомы с асинхронными фреймворками и владеете SQL, приглашаем присоединиться к разработке AI-помощников на основе GigaChat для сотрудников банка.

💙 Что предстоит делать?
— Разрабатывать и поддерживать системы парсинга интернет-ресурсов;
— Работать с логами;
— Рефакторить программные модули для повышения производительности.

🔍 Кого мы ищем?
— Уверенно владеете Python
— Знаете библиотеки sqlalchemy, aiohttp (+requests), telethon, bs4, fastapi, pandas
— Имеете навыки асинхронного программирования
— Разбираетесь в SQL и ORM
— Умеете работать с Git
— Знаете принципы ООП и SOLID
— Понимаете, как работает REST API
— Готовы брать сложные задачи и расти профессионально

🔥 Плюсом будет:
— Опыт работы с RabbitMQ, Celery
— Знание Docker/Kubernetes
— Опыт работы с Elastic Search Kibana
— Навыки работы с Nginx
— Опыт использования LLM
— Знание методов NLP (Natural Language Processing)

Готовы присоединиться к нашей команде и развивать навыки в AI-проектах?
✅ Отправляйте резюме в телеграм Валерии @LeraPetr с пометкой «Backend developer-стажёр»

💡 Знаете ли вы, что ИИ написал книгу еще в 2016 году? Рассказываем об эксперименте японских учёных

📔 «День, когда компьютер написал роман» — так называется новелла, вышедшая «из-под пера» нейросети. Учёные из Университета Хакодате задали ИИ структуру, сюжет, героев, подобрали лексику, а дальше алгоритм сам сформулировал текст. Причём справился настолько неплохо, что повесть вышла в финал престижного литературного конкурса имени Хоси Синъити!

Конечно, 80% работы все же сделали люди, но результат действительно впечатляет. Японское издание The Japan News приводит концовку книги:

«Я корчился от радости, которую испытал впервые, и продолжал с волнением писать. Это тот день, когда компьютер написал роман! В этот день, когда компьютер расставил приоритеты и начал писать для собственного удовольствия, он прекратил работать на людей»

📌 В России тем временем не отстают

В прошлом году GigaChat взялся за воссоздание утраченного второго тома «Мёртвых душ» Николая Гоголя. Модель обучается на письмах, черновиках и сохранившихся фрагментах под руководством филологов, историков и биографов. Проект ещё не завершён, но, возможно, именно GigaChat докажет: рукописи не горят!

Прочитали бы книгу, написанную ИИ? Поделитесь в комментариях ⬇️

Викторина 2️⃣
Классификация фишинговых URL

Фишинговые URL — это вредоносные ссылки, созданные для кражи личных данных или распространения зловредного ПО. Классификация таких URL — задача машинного обучения, где нужно определить, является ли ссылка фишинговой или безопасной.

Готовы проверить себя и узнать что-то новое? Тогда вперед! ⬇️

Разбор Викторины #2: Классификация фишинговых URL

💜 Спасибо за участие в нашей викторине! Пришло время разобрать ваши ответы.

✅ Правильный ответ: а) Random Forest

🔍 Почему Random Forest?

Классификация фишинговых URL — это задача бинарной классификации, где Random Forest показывает высокую точность благодаря ансамблевому подходу.

Random Forest может обрабатывать сложные признаки, такие как текстовые данные URL, числовые метрики (длина, количество символов) и категориальные данные (например, доменные зоны).

Алгоритм минимизирует переобучение и хорошо работает даже с несбалансированными наборами данных, что часто встречается в задаче обнаружения фишинга.

📌 Почему другие варианты не подходят?

➖ K-Means: подходит для кластеризации, а не для классификации с известными метками.

➖ Linear Regression: разработана для регрессии, а не для классификации. Плохо справляется с нелинейными зависимостями.

➖ Apriori: используется для поиска ассоциаций, а не для предсказания классов.

Был ли ваш ответ верным? Делитесь мыслями в комментариях.
Новые викторины уже скоро!

⚡️Сегодня в 20:30 Максим Викторович станет гостем программы «Акценты» на ЛенТВ24, где расскажет о будущем искусственного интеллекта и цифровых сервисов.

🎙В программе — современные технологические изменения, цифровизация повседневной жизни и влияние искусственного интеллекта на ключевые сферы. Не пропустите — встречаемся сегодня в 20:30 в прямом эфире на ЛенТВ24!

🔗Смотреть онлайн