Вопросы с собеседований по Python@workakkk - админ@machinelearning_interview - вопросы с собесдований по Ml@pro_python_code - Python@data_analysis_ml - анализ данных на Python@itchannels_telegram - 🔥 главное в итРКН: clck.ru/3FmrFd
25 559 подписчиков
Несколько раз в неделюКачество: 100%🇷🇺 RUПоследний пост: 20.02.2026
🚀 ЛОКАЛЬНЫЙ ИИ БЕЗ ОБЛАКА И API КЛЮЧЕЙЗапуск локального ИИ - это способ получить быстрый отклик, приватность и контроль над моделью без зависимостей от облака. Главное - использовать лёгкие модели и готовые инструменты, чтобы не упереться в нехватку памяти и долгую настройку окружения. Ниже — примеры, которые позволяют сразу начать работу: чат, генерация кода, запуск через Python и HTTP API. Запуск модели в терминале (чат)# Чат с моделью прямо в терминалеollama run mistral# Модель, заточенная под кодollama run codellama# Запуск локального сервера Ollamaollama serve
🔥 На stepik вышел курс, который учит Создавать настоящие AI-сервисы, а не просто запускать скрипты?Этот практический курс по Python и FastAPI покажет, как собрать полноценное приложение с ИИ, базой данных, автогенерацией контента и Telegram-ботом.Ты пройдёшь путь от первого HTTP-запроса до рабочего сервиса, который сам генерирует текст через ИИ, сохраняет данные, отправляет результаты по расписанию и отвечает пользователям.Никакой теории ради теории - только практические шаги, из которых рождается реальный продукт.🎁 48 часов действует скидка в 40% процентов👉 Начать учиться на Stepik
📊 ПОЧЕМУ МАЛЕНЬКИЕ ИИ-МОДЕЛИ ИНОГДА ЛУЧШЕ БОЛЬШИХБольшие модели выглядят впечатляюще в бенчмарках, но в реальных системах часто выигрывают маленькие. Причина проста — продакшен живёт не метрикой “кто умнее”, а метриками latency, стоимости и стабильности.Маленькая модель отвечает быстрее. Это значит меньше задержки для пользователя, меньше таймаутов и выше конверсия. Когда у тебя API, чат или рекомендационная система, каждые 100 мс влияют на поведение людей.Она дешевле. Меньше VRAM, меньше серверов, меньше энергопотребление. Можно масштабировать горизонтально без огромных GPU-кластеров. В итоге ты платишь за инфраструктуру в разы меньше.Она стабильнее. Большие модели чаще галлюцинируют на узких задачах, перегружаются контекстом и сложнее дебажатся. Маленькая модель, обученная под конкретную задачу, ведёт себя предсказуемее.И самое важное — маленькие модели проще дообучать, быстрее деплоить и легче держать под контролем. Поэтому в проде часто побеждает не “самая умная”, а “самая управляемая”.from transformers import AutoModelForCausalLM, AutoTokenizerimport torch, timemodel_name = "Qwen/Qwen2.5-1.5B-Instruct" # маленькая модельtokenizer = AutoTokenizer.from_pretrained(model_name)model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16, device_map="auto")prompt = "Explain why smaller models can be better in production:"inputs = tokenizer(prompt, return_tensors="pt").to(model.device)start = time.time()out = model.generate(**inputs, max_new_tokens=100)latency = time.time() - startprint(tokenizer.decode(out[0], skip_special_tokens=True))print(f"Latency: {latency:.2f}s")
🛡 Продвинутый совет по Docker, который экономит часы и нервы.Большинство разработчиков используют Docker как «виртуалку в коробке». Продвинутый уровень начинается, когда ты начинаешь мыслить слоями, кешем и размером образа.Главное правило - многоступенчатые сборки (multi-stage builds).Зачем это нужно:Ты разделяешь процесс сборки и запуска. В одном образе у тебя компиляторы, dev-зависимости, инструменты сборки. Во втором - только чистый рантайм и готовый артефакт. В итоге:- образ меньше в разы - меньше уязвимостей - быстрее деплой - быстрее pull на серверах Как правильно мыслить:1. Build stage - всё тяжёлое Здесь ты устанавливаешь build-essential, gcc, node, go, poetry, всё что нужно для сборки.2. Runtime stage - только то, что нужно приложению в работе Никаких компиляторов. Никаких dev-зависимостей.3. Кеш слоёв - твой главный ускоритель Файлы зависимостей копируются раньше кода. Тогда при изменении кода Docker не пересобирает всё.4. Не запускай контейнеры от root Создай пользователя внутри контейнера. Это реальный прирост безопасности.5. Используй конкретные версии образов Не python:latest, а python:3.12.2-slim. Иначе однажды всё сломается без твоего участия.# Stage 1 - сборкаFROM python:3.12-slim AS builderWORKDIR /appCOPY requirements.txt .RUN pip install --prefix=/install --no-cache-dir -r requirements.txtCOPY . .# Stage 2 - минимальный рантаймFROM python:3.12-slimWORKDIR /appCOPY --from=builder /install /usr/localCOPY --from=builder /app .RUN useradd -m appuserUSER appuserCMD ["python", "app.py"]
🖥 Python управляет мышкой и клавиатурой как человек Хочешь почувствовать настоящую магию автоматизации - дай Python управлять твоим компьютером. Скрипт может сам кликать, печатать, открывать программы и выполнять рутину вместо тебя. Это уровень, где ты начинаешь автоматизировать действия, а не просто обрабатывать данные. И именно тут люди впервые понимают, что программирование - это сила, а не теория. import pyautogui, timetime.sleep(5)pyautogui.write("Python рулит!", interval=0.1)pyautogui.press("enter")pyautogui.moveTo(500, 500, duration=1)pyautogui.click()
🔥 Обработка ошибок при считывании JSON в PythonЕсли вы сталкиваетесь с проблемами при считывании JSON в Python, убедитесь, что вы не забыли обрабатывать потенциальные исключения. Используйте блоки try и except для отлова ошибок, таких как JSONDecodeError. Это поможет вам быстро диагностировать проблемы с форматом данных.import jsonjson_data = '{"name": "John", "age": 30}' # Пример корректного JSONtry: parsed_data = json.loads(json_data) print(f"Name: {parsed_data['name']}, Age: {parsed_data['age']}")except json.JSONDecodeError as e: print(f"Ошибка разбора JSON: {e}")except KeyError as e: print(f"Отсутствует ключ: {e}")except Exception as e: print(f"Произошла ошибка: {e}")
AI-гонка меняет правила игрыНа NeurIPS 2025 вклад в топ-50 научных работ распределился почти поровну между Китаем и США — глобальное лидерство в ИИ теперь реально делят две страны.Но самое интересное — структура исследований.В США центр тяжести смещается из университетов в индустрию. Корпоративные лаборатории Google DeepMind, Meta, Microsoft уже конкурируют на равных с топ-университетами вроде Stanford, MIT и CMU. ИИ-наука становится частью продуктовой гонки, а не только академической.В Китае картина другая — лидерство по-прежнему у академии: Tsinghua, CAS, Peking University, SJTU, HKUST. Сильная государственно-университетская модель продолжает давать результат.Другие заметные игроки:- Сингапур — NUS, NTU - Южная Корея — KAIST - ОАЭ — MBZUAI - Канада — Mila А вот Европа постепенно отстаёт. В списке, только Oxford, EPFL, ETH Zurich и TUM.Вывод простой:ИИ сегодня — это уже не только наука. Это геополитика, индустрия и борьба за экономическое лидерство.Кто контролирует исследования — тот контролирует будущее технологий.linkedin.com/posts/pierre-alexandre-balland-20b75b13_who-pushed-the-ai-frontier-at-neurips-2025-activity-7403119036496162817-vRPE
🔥 Быстрый старт HTTP API на FastAPI с валидацией данныхСохрани себе шаблон для быстрого старта HTTP API на FastAPI с базовой валидацией данных. Используй Pydantic для определения схемы данных и автоматической генерации документации.from fastapi import FastAPIfrom pydantic import BaseModelapp = FastAPI()class Item(BaseModel): name: str price: float is_offer: bool = None@app.post("/items/", response_model=Item)async def create_item(item: Item): return item@app.get("/")async def read_root(): return {"message": "Welcome to the FastAPI!"}
🖥 В трейлере «Истории игрушек 5» заметили терминал с zsh и Python.Самое смешное - код настоящий и вполне рабочий.Даже Pixar не пишет фейковый код.https://x.com/toystory/status/2024529641571320101?s=20
