Вы владелец этого канала? Начните продавать рекламу уже сейчас вместе с pomogach.io
Технологии и IT
Бизнес и финансы
Подписчики
2'661
Вовлеченность (ER)
20 %
Вы владелец этого канала? Начните продавать рекламу уже сейчас вместе с pomogach.io
+ 24 ч
+4
+ 7 дн
+44
+ 30 дн
+101
Подписчики
2'661
За 24 часа
+4
За неделю
+44
За месяц
+101
Вовлеченность (ER)
20 %
История канала
загрузка…
Смотреть
История канала
загрузка…
Взаимореклама
Предложите бесплатную взаиморекламу этому каналу:
Взаимореклама
Предложите бесплатную взаиморекламу этому каналу:
Динамика подписчиков
Подписчики
Охват (Просм. поста)
Охват (Просм. 24ч)
Интенсивность публикаций
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Пн
Вт
Ср
Чт
Пт
Сб
Вс
Меньше
Больше
Метрики публикаций
Публикации
0
за день
9
за неделю
31
за месяц
Репосты
0
за день
0
за неделю
0
за месяц
Просмотры на пост
609
за день
591
за неделю
547
за месяц
Данные за последний месяц
Кто рекламировал
1 / 1
Упоминаний
Всего
54
MAX
9
TG
45
Каналов
Всего
13
MAX
8
TG
5
Название, ссылка или ID канала…
ℹ️
| Канал | Публикаций | Подписчиков | Последний пост |
|---|---|---|---|
Sber AI
[telegram]
|
40 | 30732 | 13.08.26 |
XX2 век
[telegram]
|
2 | 2047 | 20.07.26 |
Сергей Марков: машинное …
[telegram]
|
1 | 10804 | 15.06.26 |
ЗНАЙ НАШИХ
[telegram]
|
1 | 7515 | 28.05.26 |
|
ГигаЧат
[max]
|
2 | 55824 | 20.05.26 |
Mashkka про Data Science
[telegram]
|
1 | 4740 | 12.05.26 |
|
СберБизнес
[max]
|
1 | 18912 | 20.03.26 |
Кого рекламировал
1 / 1
Упоминаний
Всего
9
MAX
9
TG
—
Каналов
Всего
9
MAX
9
TG
—
Название, ссылка или ID канала…
ℹ️
| Канал | Публикаций | Подписчиков | Последний пост |
|---|---|---|---|
|
Карьера в Сбере!
[max]
|
1 | 1430 | 19.03.26 |
|
ГигаЧат
[max]
|
1 | 54651 | 19.03.26 |
|
Спасибо, выгодно!
[max]
|
1 | 2364 | 19.03.26 |
|
Для тех, кто рулит
[max]
|
1 | 666 | 19.03.26 |
|
СБЕРБУСТ
[max]
|
1 | 743 | 19.03.26 |
|
SBER для инвесторов
[max]
|
1 | 2411 | 19.03.26 |
|
СберПремьер
[max]
|
1 | 9695 | 19.03.26 |
Эффективность последних рекламных размещений
1 / 1
Загрузка данных...
| Размещенный пост | Текст публиакции | Рекламирующий канал | Просмотры | Просмотры 24 ч | Прирост подписчиков |
|---|
Загрузка данных...
| Размещенный пост | Текст публикации | Рекламируемый канал | Просмотры | Просмотры 24 ч | Прирост подписчиков |
|---|
Динамика просмотров публикаций по часам
1 / 1
| Дата и время публикации | Текст публикации | Рекламируемый канал | Динамика просмотров | Всего просмотров |
|---|---|---|---|---|
| 2026-08-14 13:45:11 | Собрали краткую историю эволюции железа и алгоритмов. Листайте конвейер, чтобы узнать, на каком этапе мы сейчас 👆🏻 🤖 От конвейерной ленты до Physical AI: как эволюционировали роботы Ещё недавно верхом автоматизации казался манипулятор, монотонно перекладывающий детали на заводе. Сегодня антропоморфные роботы ориентируются в незнакомом пространстве, работают с хрупкими предметами и болтают с нами на естественном языке 🎤 Какой путь прошла робототехника — от громоздких сортировщиков до умных помощников, которые учатся на своих ошибках? Смотрите выше 👆🏻 Собрали краткую … | — |
|
566 |
| 2026-08-13 19:06:41 | ВИДИМ ДАННЫЕ НАСКВОЗЬ 👀 Даже хорошая рекомендательная модель может показать отличный результат на тесте, но провалиться в реальности. И проблема часто скрывается в данных. Исследователи Центра практического ИИ Сбера и AIRI создали SplitLight — открытый инструмент, который помогает находить такие проблемы ещё до обучения и сравнения моделей. Что он умеет 🟣 Ищет аномалии в данных. Например, сбои логирования, дублирующиеся события и сдвинутые временные метки 🟣 Проверяет реалистичность эксперимента. Не попали ли в обучение данные из будущего, учтены ли новые пользователи и объекты, насколько отличаются тренировочная и валидационная выборки 🟣 Помогает сравнивать исследования. Фиксирует ключевые статистики разбиения и подготовки данных, чтобы эксперименты можно было воспроизводить и корректно сопоставлять 🟣 Показывает общую картину. Выводит на дашборде подробную статистику по проекту Команда проекта во главе с исполнительным директором по исследованию данных Центра практического ИИ Сбербанка Алексея Васильева протестировала SplitLight на шести популярных открытых датасетах и наглядно показала: даже незначительные изменения в разбиении способны заметно повлиять на метрики и трактовку качества модели. А научную работу о SplitLight представили на ACM SIGIR 2026 — одной из ведущих международных конференций в области информационного поиска и рекомендательных систем. Забрать инструмент можно на GitVerse, а также на GitHub ВИДИМ ДАННЫЕ НАС… | — |
|
458 |
| 2026-08-13 17:07:01 | А на какой стороне вы? Признавайтесь: вы за лаконичность или выдаёте базу на 300 токенов? ❤️ — Я за минимализм 🔥 — Я Влад, мне нужно 8К, cinematic lighting и octane render А на какой сторо… | — |
|
464 |
| 2026-08-13 15:04:28 | МИР СОЗДАН ДЛЯ ПРАВШЕЙ. А ДАННЫЕ? 🤔 Сегодня Международный день левшей. Казалось бы, при чём здесь ИИ? На самом деле связь есть 👇🏻 Представьте обычную кухню. Ножницы, открывалка, расположение ручек — большинством предметов удобнее пользоваться правой рукой Никто не хотел усложнить жизнь левшам. Просто потребности большинства приняли за норму. По тому же принципу возникает смещение данных при обучении ИИ. КАК МОДЕЛЬ ВИДИТ МИР? Точно не во всей его целостности. Модели доступны лишь те данные, на которых её обучают. Если некоторые объекты или ситуации попадаются чаще других, система может принять закономерность за правило. Так исследователи проекта ConceptScope показали, что в визуальных датасетах встречаются скрытые связи между объектами, фоном и текстурами. Например, если определённую птицу фотографируют преимущественно на воде, модель может связать её с водным фоном. Из-за смещения эта же птица будет хуже распознаваться в ином окружении. Похожая ситуация возникает и с видео Кажется, что ИИ считывает контекст по действию, но иногда ему достаточно увидеть лишь знакомый предмет: система может определить «приготовление еды» по ножу и разделочной доске. В результате модель даёт правильный ответ, но опирается не на фактическое действие, а на подсказки из обучающих данных. Поэтому в непривычной ситуации, когда тех же предметов в кадре нет, точность её ответа может снизиться. Можно предположить, что проблему перекоса решит простое увеличение объёма данных 👇🏻 🟣 Авторы исследования Data Matters Most сравнили модели, обученные на сотнях миллионов и миллиардах пар «изображение — текст» 🟣 И узнали, что при увеличении датасета с 400 миллионов до 2 миллиардов примеров некоторые гендерные и расовые смещения усилились. Получается, что два миллиарда похожих примеров необязательно дают более полную картину мира. Иногда они просто два миллиарда раз повторяют один и тот же перекос. А что думаете вы? 🔥 — идеального баланса не бывает 🤔 — мы найдём способ исправить это МИР СОЗДАН ДЛЯ П… | — |
|
685 |
| 2026-08-12 10:27:58 | ✨ Эпоха ручного промптинга УХОДИТ: Сбер выкатил ГигаАгента Пользователям стал доступен ГигаАгент, первый в России автономный универсальный ИИ-агент. Работает так: вы ставите верхнеуровневую цель — агент сам планирует календарь, делает ресёрч, ведёт переписку и собирает отчёты. Наш ответ зарубежным OpenClaw, Hermes Agent и NemoClaw. Подробнее ⬇️ 👉🏻 Проактивность ГигаАгент работает в фоне и параллелит задачи. Не хватает вводных? Он сам придёт с уточняющими вопросами. Нашёл ошибку в вашей логике? Будьте готовы к аргументированному спору. 👉🏻 Долгая память Большинство ИИ-агентов теряют контекст после одной сессии. ГигаАгент помнит ваши прошлые задачи, решения и контекст взаимодействия даже после перезапуска. 👉🏻 Саморазвитие Агент читает и переписывает собственный исходный код. Все изменения логируются как коммиты во встроенном Git-репозитории, чтобы система могла откатиться при критических ошибках. В основе этого лежит проект саморазвивающегося агента Ouroboros (совместная разработка Сбера и Института AIRI). На лидерборде Terminal Bench 2.1 система уже выдаёт качество 86,97%. 🔒 Безопасность тоже продумали: вся обработка идёт строго на отечественных платформах. ✨ Эпоха ручного … | — |
|
872 |
| 2026-08-11 12:21:00 | 👀 ЧТО-ТО ТУТ НЕ ТАК Несмотря на быструю эволюцию искусственного интеллекта, нейросети продолжают ошибаться в самых базовых вещах — например, неправильно считывают объекты на фото. Почему это так? Компьютерное зрение совсем не похоже на человеческое. ИИ не рассматривает изображение, а анализирует его в три этапа: 1️⃣ Разбивает на фрагменты Картинка делится на десятки небольших участков, каждый превращается в набор чисел 2️⃣ Ищет знакомые признаки Модель сопоставляет их с миллиардами изображений, на которых училась: усы + треугольные уши + шерсть = вероятно, это кот 3️⃣ Собирает контекст Определяет связи между объектами: человек держит чашку, собака лежит под столом, ребёнок запускает воздушного змея Что может провоцировать ИИ на неправильные ответы? ❗️Необычный или непривычный ракурс ❗️Оптические иллюзии: отражения, тени и перспектива ❗️Обрезанное фото со скромным контекстом ❗️Объекты, редко встречающиеся в обучающих данных 💡 Чем качественнее обучающие данные, тем сильнее модель и тем реже она ошибается. Где чаще ловите ИИ на ошибках? ❤️ — в текстовых запросах 🔥 — в генерации изображений 👍 — на анализе фото и файлов 👀 ЧТО-ТО ТУТ НЕ … | — |
|
698 |
Год
Месяц
Неделя
Загрузка данных...
| Время | Контент | Подписчиков | Кто ссылался | Просмотры 48ч | Просмотры 24ч |
|---|