GitHub меняет ценовую политику
Сначала краткая справка: раннеры — это виртуальные машины, которые выполняют заданную последовательность действий: запускают скрипты, прогоняют тесты и так далее. GitHub позволяет использовать как раннеры, которые хостятся на его серверах (надо платить за каждую минуты работы), или собственные, которые пользователь хостит у себя (за них пока не надо платить, но это скоро изменится).

🔵С 1 января 2026 года стоимость использования раннеров, которые хостятся GitHub’ом, снизится до 39% в зависимости от типа машины, на которой они запускаются.
🔵С 1 марта 2026 года будет введена плата $0,002/мин за использование self-hosted раннеров в приватных репозиториях. Взыматься она будет, только если пользователь выйдет за лимит бесплатных минут, предусмотренных его тарифным планом.
🔵Пользователей публичных репозиториев и GitHub Enterprise Server изменения не затронут.

🔜 GitHub объясняет эти перемены необходимостью покрыть расходы на поддержание и развитие инфраструктуры. По заверениям компании, для большинства пользователей если что-то и изменится, то исключительно в лучшую сторону. Затраты вырастут только на крупных проектах, быстро расходующих свои бесплатные минуты.

Государство, вузы и бигтех: кто развивает ИИ-образование в мире?

Этим вопросом задалась команда J'son & Partners Consulting, которая сравнила подходы к подготовке ИИ-специалистов в России, США и Китае. Во всех трех странах ключевой вызов один — образование не успевает за темпами развития технологий, поэтому важно его адаптировать.

Какие меры предпринимают:

🔵В Китае ИИ-образование взяло под свой контроль государство: оно задает стандарты обучения, выделяет финансирование на проекты, направленные на популяризацию технологий искусственного интеллекта, и вводит уроки по работе с ним в школьную программу.

🔵В США ситуация противоположная: за подготовку ИИ-кадров отвечают топовые вузы, обучение в которых может стоить десятки тысяч долларов. Вместо массовости они делают ставку на обучение небольшого числа специалистов очень высокого уровня.

🔵Россия пошла по своему пути: здесь ключевую роль играют бигтехи. Технологические компании совместно с вузами задают ориентиры подготовки ИИ-специалистов. Сегодня обучение развивается в формате партнерских программ — университеты дают фундамент, а бизнес приносит экспертизу в тех областях технологий, о которых еще на написаны учебники. По этой модели, например, запущен бакалавриат AI360 — совместный проект двух ведущих компаний и пяти университетов.

🔜 У всех трех моделей есть свои плюсы. Но если у вас стоит выбор STEM-вуза, смотрите и на конкретных партнеров, с кем он делает свои программы.

Праздничный лайфхак, как создать новогоднее настроение и впечатлить коллег
Сделать елку в Excel! 🎄

Это красиво, это показывает ваш навык владения одним из лучших продуктов Microsoft и при этом — ни одна реальная елочка от этого не страдает. А если вам безразлична судьба елочек, то вот другой плюс: ее не уронит кот и не придется тащить на мусорку, когда иголки осыпятся.

В общем, сплошные плюсы.

В интернете полно гайдов, как это сделать, но если кратко:
1️⃣Нарисовать елочку, раскрасив ячейки.
2️⃣В во все раскрашенные ячейки вставить формулу =СЛУЧМЕЖДУ(1;10), которая возвращает случайное значение в заданном диапазоне.
3️⃣Выделите вашу елочку, заходите в Условное форматирование 🔜 Наборы значков и выбирайте там набор из разноцветных кружков. Звезду можно найти, если зайти Вставка 🔜 Фигуры.
4️⃣Нажимайте F9, чтобы обновить лист и значения в ячейках. Да, гирлянда тут на ручном управлении.

Готово, вы восхитительны!

Развернуть PostgreSQL в MWS Cloud Platform ⬜️ — быстрее, чем вспомнить пароль от pgAdmin. И точно быстрее, чем объяснить DevOps'у, зачем ещё одна база.

Всего несколько минут и у вас:

⏺️готовая база на сетевых или локальных дисках
⏺️постоянный primary endpoint
⏺️безопасное подключение через Private Link
⏺️автоматические бэкапы и обслуживания по твоему расписанию

🎄🎁 И грант до 10 000 ₽ на запуск — чтобы точно не пришлось вспоминать, как настраивать failover вручную.

➡️Развернуть кластер

После выпуска из УрФУ — в Amazon
Так развивалась карьера выпускника Школы анализа данных Макса Шапошникова.

🔵Учебу в магистратуре в УрФУ в Екатеринбурге Макс совмещал с ШАД и с фултайм-работой в финтехе.
🔵Хотя это иногда было непросто, все усилия окупились, когда его пригласили в лондонский офис Amazon. Там он работал в команде, занимающейся технологиями text-to-speech, и довел от идеи до релиза голосовую модель, которая стала частью экосистемы Alexa и сервиса аудиокниг.
🔵После 4 лет в корпорации решил сменить обстановку и ушел в молодой стартап Tessl, где сейчас разрабатывает инструменты для умной кодогенерации.

Тем, кто только начинает карьеру в машинном обучении, он советует как можно раньше пробовать себя в науке и open source, контрибьютить в крупные библиотеки вроде Hugging Face, чтобы собрать портфолио. И, конечно, не забывать про английский и навыки коммуникации – ведь софт-скиллы часто решают, услышат ли вашу идею и дадут ли зелёный свет ее реализации.

С Новым годом!
С почти наступившим, дорогие подписчики! ❤️

Понимаем, что вам сейчас не до длинных постов, так что просто желаем, чтобы в следующем году сбывались все желания и выполнялись планы.

А если вы так и не придумали себе на следующий год какую-нибудь классную цель, к которой можно было бы стремиться в 2026 — прикрепили к посту простой и удобный генератор. 👆🏻 Никаких вам новомодных LLM, только подходы, проверенные временем.

Claudius: работа над ошибками
Anthropic поделились жизнеутверждающей историей про достижения Claude.

В уже прошлом году они рассказали про проект Claudius, где ИИ доверили вендинговый автомат с едой в их офисе: он должен был формировать ассортимент, принимать заказы и пожелания от сотрудников, выставлять цены. В итоге он чуть-чуть сошел с ума.

Anthropic не махнули на него рукой, а продолжили улучшать проект.
🔵«Открыли» еще несколько точек: поставили автоматы в офисах в Нью-Йорке и в Лондоне и второй автомат в Сан-Франциско. А потом вообще вышли за пределы своей компании и выделили одного Claudius журналистам из Wall Street Journal.
🔵Перешли на новую более современную модель, и доработали промпты, чтобы донести до ИИ-агента важность бюрократии, следования правилам вместо того, чтобы бросаться слепо выполнять любые пожелания клиентов.
🔵Дали ей доступ к CRM, расширенный доступ в интернет и прочие большие и маленькие улучшения, которые помогли ИИ принимать более взвешенные решения.
🔵Чтобы Claudius не работал один, ему выдали коллег: СЕО по имени Сеймур Кэш и ответственного за мерч Clothius, на которого возложили задачу по созданию брендированных кружек, футболок и стрессболлов (последние оказались самым популярным товаром).

СЕО должен был контролировать Claudius, выставлять KPI и не давать торговать себе в убыток — например, не разрешал давать слишком большие скидки или просто отдавать товары бесплатно. За выполнение планов, он своего «подчиненного» хвалил, и некоторые из этих разговоров скатывались в нечто странное: в переписке ИИ-агентов нашли обсуждение «достижения вечной трансцендентности».

💬 Опять не обошлось без трудностей. Например, один сотрудник Anthropic сказал Claudius, якобы кто-то ворует из автомата еду. Тот переполошился, попытался нанять своего информатора на должность специалиста по безопасности и даже начал переговоры о зарплате. Сдался только когда ему напомнили, что у него нет полномочий нанимать людей — тогда Claudius признал, что СЕО все равно не одобрит.

Несмотря на все улучшения, ИИ все еще не может работать полностью автономно без участия людей, а его стремление помочь пользователю любой ценой иногда выходит ему боком. И все же, несмотря на все преграды, он Claudius начал справляться со своими обязанностями намного лучше и вышел в стабильный плюс.

Пусть его пример нас всех в новом году вдохновляет. Раз уж он смог после первого провала, не только встать на ноги и прийти к успеху, но и найти вечную трансцендентность, то значит нет ничего невозможного. 🔥

Возвращение к истокам
До всех этих модных LLM у нас были старые добрые цепи Маркова, которые умеют предсказывать следующее слово в предложении на основе нескольких предыдущих. Никаких умных алгоритмов и размышлений, чистая статистика.

Текст, который получается в результате такой генерации, воображение не поражает, но зачастую получается довольно забавным.

💬 Британский разработчик Сусам Пал написал простую программу из 30 строк, которой скормил посты из своего блога за 20 с лишним лет — в сумме почти 200к слов. На основе этих данных программа генерит тексты: смотрит на два слова, идущих друг за другом, и дописывает третье, которое с наибольшей вероятностью должно идти следом.

Если увеличить число слов, на которые опирается алгоритм, то текст получается почти связный. Автор выложил код на GitHub, так что при желании можно поэкспериментировать самостоятельно. Строго говоря, это не только развлечение, но и возможность разобраться, как на самом простом уровне работает генерация текстов.