Хэштег #машинноеобучение | Тинькофф Инвестиции Пульс

Как ИИ учится видеть мир быстрее человека Сегодня нейросети проходят обучение не на учебниках, а на симуляциях и реальных данных с датчиков. Современные алгоритмы компьютерного зрения позволяют дронам не просто летать по GPS, а принимать решения за доли секунды: обходить препятствия, отслеживать движущиеся объекты и адаптироваться к погоде. В основе лежат технологии Reinforcement Learning (обучение с подкреплением) и сверточные нейросети. Дрон «тренируется» в виртуальной среде, совершая тысячи ошибок, пока не выработает идеальную стратегию. А затем переносит этот опыт в реальный мир. Это не просто автопилот — это ИИ-ассистент, который видит тепловые следы, строит 3D-карты местности и прогнозирует траектории. Будущее уже в воздухе. 🚀 #ИИ

Искусственный интеллект уже не просто классифицирует данные — он создает их. 🧠✨ Прочитал книгу «A Beginner's Guide to Generative AI» (Бхати и др., 2026) — отличный фундаментальный обзор того, как работают современные генеративные модели. Вот ключевые тезисы для тех, кто хочет системно разобраться в теме: 1. Эволюция архитектур Путь от статистических N-грамм и LSTM до Transformer'ов. Главный прорыв — механизм самовнимания (Self-Attention), который позволил моделям обрабатывать контекст параллельно, а не последовательно. 2. LLM и чат-боты Архитектура «декодер-только» (как у ChatGPT) и методы тонкой настройки, включая RLHF (обучение с подкреплением через обратную связь), делают диалоги естественными, но оставляют проблему «галлюцинаций» и предвзятости. 3. Генерация изображений Сравнение подходов DALL-E 2 (CLIP + диффузия), Stable Diffusion (Latent Diffusion) и Midjourney (cGAN). На практике это компромисс между детализацией, скоростью и вычислительными затратами. 4. Диффузионные модели Сейчас это золотой стандарт генерации. Они учат систему убирать шум шаг за шагом, восстанавливая данные из полного хаоса. Это работает и для картинок, и для текстов. 5. Этический аспект Авторы поднимают проблемы смещения (bias), дезинформации и прозрачности. Использовать ИИ нужно осознанно, понимая ограничения, особенно в медицине, юриспруденции и образовании. Главный вывод: генеративный AI — это не магия, а сложная инженерия данных. И его внедрение требует одновременно технической грамотности и ответственности.

{$NRM6} {$NRN6} {$NGM6} {$NGN6} 🧠 Нейросетевой анализ NG (Natural Gas) — Эксперимент 📅 10+ лет данных • Вечный фьючерс CFD NG-C ⚠️ Дисклеймер: данный проект носит исключительно экспериментальный и исследовательский характер. Нейросеть — не более чем математическая модель, изучающая исторические закономерности. Материал не предназначен для принятия торговых решений и не является инвестиционной рекомендацией. 🔬 Суть эксперимента: Нейросеть (многослойный перцептрон, алгоритм SARPROP) обучена на всей доступной истории вечного фьючерса на природный газ — более 10 лет рыночных данных. Модель анализирует исторические экстремумы и ищет взаимосвязи между тремя параметрами: • Временной интервал между экстремумами • Величина ценового движения • Сезонный фактор (месяц года) На основе найденных паттернов строится прогнозная траектория, которая дополнительно корректируется по уровням Фибоначчи. 📊 Что на графике: • На исторических данных — подробная разметка: уровни Фибо, цена, дата (позволяет оценить точность модели на известных данных) • Будущая траектория — только кривая без текстовых меток (чтобы исключить восприятие как готового прогноза) ⚙️ Технические параметры: • Структура сети: 455-364-64 • Глубина анализа: 31 экстремум • Горизонт моделирования: 6 точек • Погрешность обучения (MSE): < 0.001 🎯 Цель проекта: Изучение возможностей нейросетевого анализа применительно к товарным рынкам. Сравнение предсказаний модели с реальным движением цены, накопление статистики точности, поиск закономерностей и аномалий. 💡 Результаты эксперимента публикуются для открытого обсуждения и не являются руководством к действию. 📌 Для желающих следить за ходом эксперимента — подписывайтесь 😉 Все наблюдения, обновления модели и новые графики будут публиковаться здесь. ❗️❗️❗️ Экспериментальный проект. Не является инвестиционной рекомендацией. Рынок природного газа характеризуется высокой волатильностью — любое решение о сделках принимается вами самостоятельно❗️❗️❗️

Российский рынок уже предлагает инвестору целую экосистему ИИ-инструментов — от простых помощников для новичков до сложных систем с элементами машинного обучения. Вот подробный обзор того, что доступно прямо сейчас, с акцентом на практическую пользу для заработка. 🧠 Инструменты на базе ИИ для российского инвестора 1. ИИ-ассистенты и чат-боты (аналитика и данные) · FinGPT (Московская биржа): Бесплатная нейросеть . Анализирует отчеты, ищет дивиденды, собирает новости, объясняет термины. Полезна для быстрого сбора информации и обучения . · "Дельфы Нейроинвест": Имитирует дебаты инвесткомитета. Несколько ИИ-агентов (аналитик, риск-менеджер) спорят о перспективах выбранной вами компании, помогая увидеть риски и драйверы . 2. Роботы-советники (робоэдвайзеры) Эти сервисы собирают портфель под ваши цели и следят за балансом : · ВТБ «Мои Инвестиции»: Автоматически подбирает стратегию от консервативной до агрессивной. · ПСБ: Дает рекомендации по сделкам с акциями и облигациями, выставляя их в один клик. · Conomy Terminal: Алгоритм для долгосрочных инвестиций, который сам отбирает активы и формирует заявки. 3. Скринеры и системы прогнозирования · Финам AI-скринер: Бесплатный мощный инструмент . ИИ оценивает более 8000 эмитентов по 200+ метрикам. Есть «температура» бумаги (аномальная активность), сигналы теханализа и бэктестинг стратегий . · Нейросеть ВШЭ: Разработка, способная с точностью 83,87% предсказывать краткосрочные биржевые кризисы за сутки . Позволит вовремя сократить риски. 4. Профессиональные терминалы · Andromeda Platform: Система для опытных аналитиков, где финансовые модели компаний сами обновляются каждые 15 минут вслед за рынком . · ИИ-индекс MOEX: Биржа тестирует индекс, где набор акций определяет ИИ, анализируя огромные массивы данных . На него можно будет равняться или инвестировать. 💡 Как на этом зарабатывать: практические советы 1. Освободите время. ИИ возьмет на себя рутину: сбор данных, расчет мультипликаторов, мониторинг новостей. Вы сможете фокусироваться только на принятии решений . 2. Снизьте влияние эмоций. Робоэдвайзер четко следует вашей стратегии и риск-профилю, удерживая от панических продаж. Автоследование на базе ИИ также исключает человеческий фактор . 3. Ищите скрытые идеи. ИИ-скринеры находят аномалии («закипание» бумаг) и скрытые закономерности, которые человек может пропустить . 4. Проверяйте гипотезы. Бэктестинг стратегий на истории в «Финам AI-скринере» позволяет отсеивать убыточные идеи до того, как вы вложите реальные деньги . 5. Помните об ограничениях. ИИ — мощный, но не безошибочный инструмент. Он плохо предсказывает «черных лебедей» и может ошибаться на нестабильных рынках. Окончательное решение всегда за вами . Хэштеги: #ии

основной смысл книги Кристиана Борча «Trading Beyond Understanding: Machine Learning, Risk, and Markets» (Stanford University Press, март 2026) в 20 предложениях. Основной смысл книги (20 предложений) 1. Машинное обучение фундаментально трансформирует финансовые рынки: теперь не люди создают стратегии, а модели генерируют их сами . 2. Борч вводит понятие «торговые автоматоны» — полунезависимые системы, которые учатся на рынке и действуют самостоятельно . 3. Книга основана на более чем десятилетии полевых исследований в финансовых хабах Лондона, Нью-Йорка и Чикаго . 4. Автор различает два поколения автоматизированного трейдинга, принципиально разных по устройству . 5. Первое поколение — системы, полностью спроектированные человеком и работающие по заложенным им правилам . 6. Второе поколение использует ML-модели, которые сами принимают торговые решения . 7. Во втором поколении человек не создаёт стратегии, а «курирует» процесс обучения машин . 8. Ключевая проблема второго поколения: разработчики часто не понимают, почему их система приняла то или иное решение . 9. Один из опрошенных трейдеров (Саймон) прямо признался: «Мы понятия не имеем», говоря о логике своего ML-алгоритма . 10. Это создаёт качественно новый риск по сравнению с первым поколением: система может вести себя неожиданно и непредсказуемо . 11. ML-системы могут совершать незаконные действия на рынке, не осознавая этого, — и никто не сможет объяснить почему . 12. В некоторых сегментах рынка автоматизированный трейдинг генерирует до 99,6% всех торговых сообщений . 13. HFT (высокочастотный трейдинг) составляет до 55% объёма акций США, 80% валютных фьючерсов и 66% казначейских рынков . 14. Фирмы, занимающиеся автоматизированным трейдингом, больше похожи на высокотехнологичные IT-компании, чем на традиционные финансовые институты . 15. В этих фирмах преобладают кандидаты наук в области computer science и физики, а атмосфера напоминает научную лабораторию . 16. Борч задаёт главный социологический вопрос: что происходит, когда машины становятся главными агентами на рынке . 17. Второй вопрос: как нам понимать экономическое действие, когда человеческое суждение больше не находится в центре . 18. Предыдущие технологии лишь расширяли возможности человека, ML же заменяет человека как первичного агента принятия решений . 19. Книга — не только о финансах, но и о социологии: традиционная социология всегда строилась вокруг человека как центрального субъекта, а теперь этот постулат рушится . 20. Борч призывает переосмыслить границы между технологическими системами и социальной жизнью в эпоху, когда машины действуют сами . Хештеги #ии

Власти Объединённых Арабских Эмиратов (ОАЭ) намерены в течение двух лет перевести до 50% государственных сервисов и операций на автономные системы искусственного интеллекта (ИИ). Инициатива реализуется по поручению президента страны Мохаммед бин Заид Аль Нахайян и стала частью масштабной реформы государственного управления. Об этом сообщает издание Gulf News. О планах объявил вице-президент, премьер-министр и правитель Дубая Мохаммед бин Рашид Аль Мактум, подчеркнув, что речь идет о создании новой модели управления, основанной на так называемых «агентных» ИИ-системах. По его словам, такие технологии способны самостоятельно выполнять задачи, управлять процессами и участвовать в принятии решений без вмешательства человека. «Передовые системы ИИ уже способны отслеживать изменения, проводить анализ, давать рекомендации и выполнять последовательности действий без участия человека. ИИ станет исполнительным партнером правительства, помогая принимать решения, повышать качество услуг и эффективность операций, а также оценивать результаты и вносить улучшения в режиме реального времени», – заявил он в X (Twitter). В рамках реформы деятельность министров и руководителей ведомств будет оцениваться по скорости внедрения новых стандартов и использованию ИИ в работе. Все сотрудники федеральных органов власти пройдут специализированное обучение, направленное на развитие компетенций в области искусственного интеллекта. Власти рассчитывают, что программа станет одной из крупнейших трансформаций государственного управления в мире. #ии

[AI05] AI системы: одной LLM недостаточно Самым популярным примером AI системы сейчас являются AI агенты. Рассмотрим пример, Допустим, пользователь пишет в чат (агенту): “Назначь встречу с Иваном на следующей неделе, найди свободное окно на час и отправь приглашение.” Если бы использовалась только Large Language Model (LLM), на выходе был бы просто текстовый ответ. Например: “Лучше всего подойдёт вторник в 15:00.” Но этого недостаточно. Нужно не просто ответить, а выполнить действие в реальной системе. Именно здесь начинается агентный контур. Как он обычно устроен: • LLM-ядро Преобразует человеческий запрос в структуру задачи: с кем встреча, на какой неделе, какой длительности, что именно нужно сделать. • Инструкции Задают правила работы: рабочие часы, длительность встречи, запрет на пересечения, подтверждение при неоднозначности, формат результата. • Инструменты Позволяют не только генерировать текст, но и обращаться к внешним функциям: посмотреть календарь, найти контакт, создать событие, отправить приглашение. • Среда исполнения Это уже реальные системы, где действия происходят: календарь, почта, контакты, уведомления. В такой системе цикл выглядит так: запрос → интерпретация → вызов инструментов → действие в системе → результат Именно поэтому агент — это не “умная модель, способная решить задачу”, а модель, встроенная в исполняемый контур. LLM отвечает за интерпретацию и выбор следующего шага. Инструкции задают рамку. Инструменты дают доступ к действиям. Среда исполнения превращает решение в реальный результат. Каждый этап делает большой вклад в качество системы целиком. Что с этим всем делать? Ценность от успехов в сфере AI создаётся не только на уровне foundation models, но и на уровне систем вокруг них, к которым выдвигаются серьезные требования: жонглирование инструментами, быстрый доступ к чистым данным, удобный и понятный интерфейс, масштабируемость на большое количество пользователей, классические требования к ПО такие как безопасность, надежность и отказоустойчивость. То есть все что у нас было в IT секторе, остается, но многие процессы ускоряются.

[AI04] LLM: “text in → text out” Large Language Model (LLM) формально решает одну задачу: по данному текстовому контексту предсказать наиболее вероятное — или, точнее, достаточно удовлетворительное — продолжение последовательности токенов (~слов). То есть базовая схема в любом случае выглядит так: text → LLM → text Благодаря такой широкой постановке один и тот же класс моделей может использоваться как универсальный интерфейс для очень широкого спектра задач, если они могут быть представлены в текстовой форме. То есть буквально: • вопрос на естественном языке — текст • сложное дифференциальное уравнение, описывающее движение жидкости, — тоже текст • код приложения — текст • транскрибированная речь — текст Различия между моделями возникают из-за масштаба, данных, архитектуры и инженерных компромиссов, а именно: • архитектура и размер модели • объём и качество данных обучения • post-training логика • длина контекста • стоимость и скорость инференса • готовность к multimodal и tool-based использованию В каждом из этих направлений за последние 6 лет была проделана огромная исследовательская и инженерная работа и потрачены миллионы и миллиарды долларов. Что значит, что модель “учится”? Во время тренировки параметры модели подбираются таким образом, чтобы её выход как можно лучше соответствовал тому, что считается желательным. В простейшем случае задача может выглядеть так: “Спутник Земли — это …” → “Луна.” В более сложном случае требуется получить такой ответ, который устроит пользователя. Но сама постановка здесь уже намного более размыта. Например, пользователю дают на выбор два варианта ответа, и он выбирает более предпочтительный. Это один из самых наглядных примеров того, как кожаные обучают AI. Именно таким, довольно неявным, способом модель может, например, научиться почти всегда занимать сторону спрашивающего. Отсюда и все истории, когда ChatGPT готов поддержать практически любую дичь, которой с ним поделились. Долгое время пальму первенства по большинству направлений удерживали модели OpenAI. Но сейчас в сообществе в целом признаётся, что модели Anthropic часто сильнее в code generation и tools orchestration. Модели Google Gemini заметно выделяются в мультимодальности. Более того, Google AI Studio предлагает много готовых инструментов для решения дизайнерских и других прикладных задач. Хотя LLM или мультимодальная модель остаётся ядром любой AI-системы, возможность встроить её в конкретный домен является ключевым критерием в тот момент, когда пользователь решает, кому платить за API-вызовы. Чтобы оценивать модели в разных задачах, существуют различные бенчмарки: • science • coding • long context • tool use • multilingual • и многие другие Но в итоге всё равно приходится искать компромисс под конкретную прикладную задачу: качество, стоимость, скорость. Что с этим всем делать? На российском рынке и в большей степени занимаются именно фундаментальными моделями, и это важно с точки зрения технологического суверенитета. При этом AI-сообщество, как и IT-сообщество в целом, остаётся в значительной степени открытым. Open-source модели часто показывают сопоставимое качество по сравнению с моделями того же класса. Это соотношение ещё может измениться, и наличие специалистов с достаточной экспертизой остаётся необходимым, чтобы избежать технологического отставания. Эта задача остаётся одной из ключевых на уровне государства. #AI

[AI03] AI-агент: что обычно имеется в виду на практике Под “AI-агентом” обычно понимается не отдельная модель, а система, в которой модель встроена в контур принятия и исполнения решений. В современных AI-приложениях в роли ядра часто используется модель, но сама система обычно строится как многослойный контур. На практике чаще всего встречаются несколько вариантов: • Large Language Model (LLM, text-to-text) — ядро для текста, кода, диалога и формализованных рассуждений • speech-контур — отдельные модели для распознавания речи (Automatic Speech Recognition, ASR) и синтеза речи (Text-to-Speech, TTS), которые подключаются вокруг LLM • Computer Vision (CV) и другие мультимодальные модели — если в систему входят изображения, видео или смешанные типы входа • нативно мультимодальные модели, где часть этих функций уже объединена внутри одной модели Для простоты дальше в серии будет рассматриваться прежде всего LLM-based контур, потому что именно он сегодня чаще всего имеется в виду, когда говорят об “AI-агентах”. При этом важно понимать, что голос, зрение и другие модальности обычно либо подключаются как внешние слои, либо постепенно встраиваются в более мультимодальные модели. Ключевой момент состоит в том, что сама по себе Large Language Model ещё не образует агентную систему. Чтобы появился агентный контур, вокруг модели обычно добавляются следующие слои: • context — информация, доступная модели в момент вызова • memory / state — накопленное состояние процесса и история предыдущих шагов • tools — внешние функции, базы данных, сервисы и API • guardrails — ограничения, проверки, policy-слой, допустимые границы действий • execution — фактическое выполнение команд • audit / logs — журнал данных, решений и действий Поэтому агент обычно описывается не как “одна модель”, а как цикл: получить контекст → интерпретировать → выбрать действие → выполнить → обновить состояние На практике значительная часть того, что сегодня строится вокруг Large Language Models, сводится к управлению контекстом. Именно контекст определяет: • что модели известно в данный момент • какие данные считаются релевантными • какими инструментами разрешено пользоваться • в каком формате должен быть выдан результат • какие ограничения должны быть учтены до и после ответа В этом смысле современная LLM-based система во многом представляет собой архитектуру управления контекстом: нужно не просто вызвать модель, а правильно собрать, отфильтровать, упорядочить и ограничить информацию, которая ей доступна. Что с этим всем делать? С одной стороны, продолжается гонка за более сильные foundation models: выше качество, длиннее контекст, ниже стоимость, лучше мультимодальность, надёжнее поведение. (OpenAI, Anthropic, Google gemini, Alibaba) С другой — строятся прикладные системы вокруг моделей: управление контекстом, инструменты, память, ограничения, интеграция в реальные процессы. Практический смысл этого различия особенно важен в финансах, коде и операционных системах. Качество текста — только верхний слой. Ключевое значение имеют: • доступ к данным • корректность контекста • набор доступных инструментов • ограничения на действия • возможность восстановить причинно-следственную цепочку после выполнения

[AI02] AI сверху, математика снизу: как устроена лестница технологий Сейчас слово “AI” чаще всего означает уже готовый интерфейс: чат, генератор, голосовой ассистент, агент, Copilot. Но это только верхний слой. Под ним обычно находится длинная лестница абстракций (ниже очень грубое очертание). AI — это верхний уровень: уже готовая система, которая решает прикладную задачу. Ниже — Machine Learning. Это модели, которые учатся на данных и умеют обобщать на новые случаи. Рядом (и пересекается) — Data Science. Это слой, где формулируется задача, выбираются метрики, проверяются гипотезы и принимается решение, что вообще стоит строить и как измерять результат. Под этим — теория вероятностей и математическая статистика. Именно они отвечают за работу с неопределённостью, шумом, риском, оценками и корректными выводами из данных. Ещё ниже — линейная алгебра, математический анализ и оптимизация. Это фундамент, на котором стоит большая часть современных моделей (да и, в принципе, инженерных систем). И внизу всегда остаются алгоритмы, инженерия и инфраструктура. Потому что модель сама по себе — это ещё не продукт и не система. Поэтому современный AI — это не совсем "черный ящик”. Это высокий слой над большой математической и инженерной конструкцией. Хорошая новость в том, что уровень абстракции вырос очень сильно. Сегодня уже можно решать большую часть прикладных задач высокоуровневыми инструментами, не погружаясь до самого фундамента. Но есть и вторая сторона: чем ближе задача к границе качества, стоимости, скорости, надёжности и цены ошибки — тем быстрее заканчиваются готовые рецепты и тем важнее становится фундаментальное понимание. Поэтому в практическом смысле картина обычно такая: высокоуровневые инструменты закрывают большую часть типовых задач, а самые сложные и дорогие 20% по-прежнему требуют глубокого понимания того, что происходит под капотом. #ИИ

Вот 20 ключевых правил по работе с генеративным искусственным интеллектом (GenAI), основанных на представленной информации: эффективного использования GenAI: 1. Четко определяйте цель вашего запроса. 2. Избегайте двусмысленных выражений и уточняйте детали. 3. Используйте детальные инструкции для конкретных задач. 4. Добавляйте нужный контекст и дополнительную информацию. 5. Применяйте метод пошаговых улучшений (iterative prompting). 6. Регулярно проверяйте точность и фактическую обоснованность полученных результатов. 7. Остерегайтесь случайных ошибок ("галлюцинаций") модели. 8. Создавайте библиотеки успешных запросов для повторного использования. 9. Экспериментируйте с разными стилями и формами подачи материала. 10. Постоянно повышайте уровень своего мастерства в составлении запросов. 11. Стремитесь получать оригинальные и уникальные ответы, адаптируя подсказки. 12. Помните, что GenAI служит помощником, а не заменой вашим знаниям и опыту. 13. Включайте элементы творчества и инновационности в свои запросы. 14. Используйте приемы и методы поощрения и наказания для оптимизации ответов. 15. Учтите ограничения модели, такие как объем доступной ей информации. 16. Всегда оставляйте пространство для ручной проверки и редактуры итогового продукта. 17. Проверяйте совместимость выбранного инструмента с вашей задачей. 18. Применяйте разумные меры предосторожности против возможных рисков и нарушений конфиденциальности. 19. Учитесь грамотно управлять памятью и историей запросов. 20. Подходите творчески и критически ко всему процессу взаимодействия с GenAI. Хэштеги: #ИИ