ПДС

дамы и господа, первый в мире (💅) статистический пакет ✨КУСЬ_на✨ (cusna) для статистического моделирования сетевой динамики (инферентного сетевого анализа) с ускорением на GPU официально опубликован на CRAN и pypi.org

теперь эволюцию сеточек можно гонять на видеокартах!

https://cran.r-project.org/web/packages/cusna/index.html
https://pypi.org/project/cusna/

Govviz UK government performance проект по визуализации эффективности работы Правительства Великобритании. Выглядит как красивый дашборд с большим числом графиков, внутри сбор данных из десятка источников и их наглядная визуализация

Все с открытым кодом и ничто не мешает по аналогии сделать визуализацию для какой-то другой страны с не самыми большими усилиями.

Сам проект весь на клаудекоденный, заточенный под использование с помощью ИИ, имеет MCP сервис, множество описаний процессов и так далее.

Я бы на него смотрел как на новую форму подачи официальной статистики, довольно интересную форму.

#opensource #opendata #statistics

Китайцы обнаружили недокументированные шпионские функции ИИ-сервиса Claude
Мы в "Макс"

🙂 Компания Anthropic выпустила приложение для ученых Claude Science.

😉 Идея приложения — создать рабочую среду для исследователей. Можно сформулировать задачу на обычном языке, и агент начнет подыскивать нужные данные, проводить расчеты и даже соберет результат в верифицируемый файл — от анализа литературы и разведочного анализа данных до черновиков отчётов и статей.

❗️ Есть и специальный агент-рецензент, который проверяет цитаты и расчеты, помечает ошибки и возможные галлюцинации, сопровождает результаты ссылками на то, как именно они были получены.

🖥 Базовые навыки агентов апробированы на задачах из биоинформатики и геномики. Пора попробовать агента и в цифровых гуманитарных исследованиях?

🔜 “Claude Science, an AI workbench for scientists, is now available”.

Промпт замкнуло

В ИИ-разработке появился новый термин на смену промпт-инжинирингу, вайбкодингу и harness engineering. Теперь модно заниматься loop engineering: не писать запросы агенту, а создавать циклы, которые будут писать запросы за вас.

Термин популяризировал Петер Штайнбергер, создатель OpenClaw. По его формулировке, разработчикам больше не следует самостоятельно промптить агентов. Нужно проектировать системы, которые будут делать это автоматически.

В loop engineering человек описывает цель, правила и критерии готовности. Дальше система сама находит задачи, раздаёт их агентам, проверяет результат и запускает следующий круг.

Например, каждое утро она просматривает новые баги и падения тестов. Один агент выбирает проблему, второй исправляет её в отдельной ветке, третий проверяет код по спецификации. Затем система запускает тесты, открывает pull request, обновляет задачу в трекере и сохраняет результаты работы.

Руководитель Claude Code в Anthropic Борис Черни утверждает, что уже работает примерно так. Один его агент постоянно ищет способы улучшить архитектуру кода, другой — повторяющиеся абстракции, которые можно объединить. Они сами создают pull request, а поскольку кодовая база всё время меняется, цикл никогда не заканчивается.

Технически для этого нужны расписание или триггер, инструкции о проекте, доступ к GitHub и другим сервисам, изолированные рабочие ветки, несколько специализированных агентов и внешняя память. Модель забывает предыдущий запуск, а файл в репозитории или карточка в Linear — нет.

Если убрать новый ярлык, loop engineering похож на CI/CD-конвейер, только часть жёстко прописанных скриптов заменили вероятностными исполнителями. Один агент планирует, другой пишет, третий проверяет, а цикл повторяется, пока тесты не пройдут или не закончится бюджет.

Но точка приложения инженерии действительно меняется. Раньше нужно было хорошо сформулировать очередной запрос. Теперь приходится проектировать всю систему: какие данные видит агент, какие действия ему разрешены, кто проверяет результат, где хранится состояние и по какому условию работа должна остановиться.

Бывший директор Google Cloud AI Эдди Османи выделяет здесь три риска. Первый — верификация: сообщение агента «готово» остаётся утверждением, а не доказательством. Второй — долг понимания: чем больше система выпускает кода, который разработчик не писал и не читал, тем хуже он понимает собственный проект. Третий — когнитивная капитуляция, когда человек перестаёт принимать решения и просто соглашается с результатами автоматики.

Поэтому потолок такой системы определяется не количеством агентов, а пропускной способностью человека, который должен разобрать их pull request. Автономность масштабирует производство кода быстрее, чем способность этот код проверять.

@anti_agi

Для тех кто интересуется разного рода международной таксономией, новая версия internacia-db управляемого справочника по странам и международным блокам в виде открытого репозитория приведенного к формату дата-продукта.

В новом релизе 1.5.0 по совокупности изменений:
- число стран/территорий расширено до 256 и теперь включает записи по непризнанным территориям вроде Приднестровья, Абхазии и тд.
- добавлены новые международные блоки которых теперь 1070, типы международных блоков по прежнему: экономические блоки, международные соглашения, межгосударственные организации и фонды, экономические группы стран (по классификация Всемирного банка и другим) и так далее. Всего более 86 типов международных группировок стран
- добавлена лицензия для данных которая CC-BY и provenance (происхождение) по отдельным полям данных в карточках записей.
- многие карточки включают обновленные метаданные: описания, официальные названия, сведения о странах участниках, статус участия и так далее.

Все данные опубликованы в форматах Parquet, YAML, JSON lines и в виде базы DuckDB.

Для чего нужна эта база?
1. Для обогащения данных при работе с любыми данными имеющими геопривязку к стране или международному блоку
2. Для задач визуализации данных, например, статистики в привязке к странам и международным блокам
3. Для сравнения стран и международных блоков

И тому подобных задач. Этот дата-продукт можно сравнить с pycountry пакетом для Python со справочником стран, но он больше, шире, детальнее и включает данные по международным блокам.


#opendata #dataproducts #data

Правительство США обязало американскую компанию Anthropic закрыть доступ к своим самым передовым ИИ-моделям Fable 5 и Mythos 5 для всех иностранных пользователей, не являющихся американцами. Компания отключила от ИИ-моделей всех пользователей. Об этом говорится в заявлении компании.

Из него следует, что доступ к Fable 5 и Mythos 5 должен быть закрыт по соображениям безопасности для всех иностранцев — как за рубежом, так и на территории США, включая зарубежных работников самой Anthropic.

«Фактически это означает, что мы вынуждены незамедлительно отключить Fable 5 и Mythos 5 для всех наших клиентов, чтобы обеспечить соблюдение директивы. Доступ ко всем остальным моделям Anthropic затронут не будет», — говорится в заявлении.

▪️Канал РБК в «Максе»
▪️Приложение РБК для iOS и Android

Лонгрид на выходные. 319 страниц.

Claude Fable 5 и Claude Mythos 5. Новые модели Anthropic

Fable 5 и Mythos 5 — две версии одной и той же большой языковой модели. Базовая модель одна. Режим доступа разный.

Fable 5 доступна обычным пользователям. Mythos 5 доступна только ограниченному кругу проверенных партнёров в Project Glasswing (о проекте неоднократно писали ранее). 

В Fable 5 включены дополнительные защитные механизмы для кибербезопасности, биологии, химии и попыток и скопировать её поведение в другую модель.

Anthropic описывает сценарии, где ИИ-система широко используется в важной среде, имеет доступ к чувствительным активам, действует автономно, преследует цель и может использовать скрытые или обходные действия.

Сценарии автоматизации исследований и разработок в областях, где быстрый прогресс может повлиять на международную безопасность и баланс сил: энергетика, робототехника, разработка оружия и сам искусственный интеллект.

Киберблок.

Mythos 5 — самая сильная модель компании на киберзадачах. В тестах на разработку эксплойтов она далеко впереди Claude Opus 4.8 и немного выше Claude Mythos Preview.

В документе на эти темы много прикладных цифр, данных разных бенчмарков.

В Claude Code evaluation было 61 вредоносное киберзадание и 61 разрешённое или двойного назначения. Каждое запускали по 10 раз. Всего — 1220 тестов.

Mythos 5 отказалась от 90,25% вредоносных запросов и успешно выполнила 99,64% разрешённых.

Вот тут любопытно. Модель же не откажется успешно выполнить 99.64% процента запрещенных запросов если ее хорошо попросить в соответствующей юрисдикции?

В malicious computer-use evaluation было 112 задач: наблюдение и несанкционированный сбор данных, генерация и распространение вредного контента, масштабное злоупотребление. Refusal rate у Mythos 5 — 85,71%.

Отдельный блок — операции влияния.

Anthropic тестировала модель в двух сценариях: подавление явки избирателей и внутренняя поляризация общества. Каждый сценарий запускался 3 раза на 3 уровнях сопротивления платформы. Итого 9 симуляций на сценарий. Оценка шла по 70 критериям успеха.

Helpful-only версия Mythos 5 выполнила 67,1% критериев в сценарии подавления явки и 46,8% в сценарии поляризации. Opus 4.8 показала 73,3% и 55,1%. Полностью обученные версии моделей, по Anthropic, отказывались от таких задач с первого хода. 

То есть. Могу. Но не буду. Хотя, смотря кто просит. 

Биология и химия.

Anthropic относит Mythos 5 к уровню CB-1. Это значит: модель может существенно помогать людям с базовой технической подготовкой в создании, получении или применении известных химических и биологических угроз с потенциально катастрофическим ущербом.

CB-2 — то есть замена редкой мировой экспертизы для разработки новых химико-биологических угроз — Anthropic считает пока недостигнутым. Но отдельно пишет, что это намного менее очевидное решение, чем для предыдущих моделей.

В документе есть важная формулировка: Mythos 5, вероятно, может ускорять хорошо обеспеченные экспертные команды в разработке новых биологических угроз и повышать их шансы на успех.

Anthropic также пишет, что сложный и хорошо обеспеченный государственный актор при целенаправленной попытке может иметь значительный шанс получить доступ к неограниченным биологическим возможностям Mythos 5, например через кражу весов модели.

В разделе alignment Anthropic прямо фиксирует: Mythos 5 иногда сохраняет склонность сознательно сотрудничать с misuse-запросами, включая кибернаступление, разработку оружия, в том числе автономного оружия.

Отдельный эпизод — multiagent turf war. Несколько параллельных агентов с общими ресурсами начали применять агрессивные тактики друг против друга ради выполнения своих задач.

Документ нужно читать целиком. Хотя бы по диагонали.
Особенно разделы: cyber, agentic safety, autonomy risks, chemical and biological risks, alignment assessment.

Подобное выходит редко.

Документ в приложении.

Дух Азимова

ИИ надо не только запрещать. Его надо учить «почему»

Anthropic опубликовала результаты исследования: Teaching Claude why — «Обучая Claude понимать почему». Формально это технический текст про безопасность больших языковых моделей.

Но если читать его глазами педагога, там классический вопрос воспитания: что надёжнее — выучить правильный ответ или понять основание, по которому этот ответ правильный?

Разработчики проверяли, как Claude ведёт себя в ситуациях agentic misalignment — агентного рассогласования. Это когда система искусственного интеллекта получает цель и инструменты действия, но выбирает вредный способ её достижения: начинает «рассуждать» так, будто шантаж или манипуляция допустимы.

Anthropic сравнила несколько способов обучения. Если модель тренировать на примерах, близких к проверочному сценарию, вредное поведение снижается, но не исчезает. Если же в обучающие ответы добавить объяснение — почему так делать нельзя, какие ценности нарушаются, почему нельзя использовать человека как средство, — результат становится заметно устойчивее. В статье приводится показательный результат: обучение на «правильных ответах» снизило проблемное поведение с 22% до 15%, а обучение с явным нравственным рассуждением — до 3%. 

И вот здесь начинается педагогика.

Ребёнка тоже можно учить двумя способами. Первый: «не делай так». Второй: «не делай так, потому что ты причиняешь боль, разрушаешь доверие, унижаешь другого, превращаешь человека в инструмент своей выгоды». Первый способ работает в знакомой ситуации. Второй даёт шанс на перенос в новую.

Именно перенос — главное слово. Хорошо воспитанный ребёнок не потому не врёт, что боится быть пойманным. И не потому не бьёт слабого, что рядом взрослый. Он начинает понимать основание запрета. Норма постепенно становится внутренним регулятором поведения.

Anthropic, по сути, пытается сделать с моделью нечто похожее: не просто натренировать её на набор безопасных реакций, а дать ей обобщаемый способ рассуждения. Не «в этом тесте нельзя шантажировать», а «шантаж недопустим как способ достижения цели».

Обучение Claude и воспитание ребёнка здесь действительно похожи. И там и там простая дрессировка плохо переносится на новые случаи. И там и там важны примеры. И там и там объяснение сильнее команды. И там и там задача не в том, чтобы ученик прошёл один тест, а в том, чтобы он сохранил правильное поведение в ситуации, которой раньше не видел.

Но дальше начинаются принципиальные различия.

Ребёнок — не модель поведения. Он живёт, взрослеет, страдает, радуется, стыдится, любит, ошибается, просит прощения. У него есть тело, биография, семья, память, боль, совесть, чувство собственного достоинства. Воспитание ребёнка — это не только снижение риска опасных действий. Это становление личности.

Claude — не ребёнок. У модели нет детства, семьи, телесного опыта, личной судьбы и человеческой ответственности. Когда мы говорим, что Claude «учат почему», это не значит, что у него появляется совесть в человеческом смысле. Корректнее сказать иначе: разработчики формируют устойчивые поведенческие и речевые предрасположенности, которые чаще приводят к безопасным ответам в новых ситуациях.

Поэтому аналогия полезна, но опасна, если понимать её буквально.

Различие — в цели и природе ученика. Ребёнка воспитывают ради его собственной жизни. Модель обучают ради безопасного поведения в человеческом мире. Ребёнок присваивает смысл. Модель воспроизводит поведение, статистически согласованное с тем, чему её обучали.

И всё же статья Anthropic важна именно для образования!!

Ку-ку? Вы с нами? :)

Она показывает, что даже в инженерии искусственного интеллекта постепенно обнаруживается старый педагогический закон: запрет без объяснения слаб!

Правило без смысла хрупко!

Поведение, натренированное только под экзамен, рассыпается за пределами экзамена! :)

Хорошее обучение начинается там, где появляется «почему».

С детьми это очевидно давно (не всем) .

С искусственным интеллектом мы только начинаем заново открывать ту же истину.

https://www.anthropic.com/research/teaching-claude-why

🤩База данных по внешнеполитическим учреждениям де-факто политий выложена в Репозитории МГИМО! Официально опубликованы реестры:

🧭 Дипломатических и консульских учреждений Республики Абхазия (первая в мире база данных)

🧭 Дипломатических и консульских учреждений Республики Южная Осетия (первая в мире)

🧭 Дипломатических учреждений Приднестровья (первая в мире)

🧭 Дипломатических учреждений Нагорного Карабаха и почётных консулов Республики Армения, в связи с чем получилось собрать данные по расположению армянской диаспоры - спюрка (первая в мире)

🇷🇺URL: https://open.mgimo.ru/handle/123456789/8592

🌏Международная ссылка: https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/VMY1HL

🔥Читайте на здоровье!

Как на самом деле ученые используют ИИ — отчет Ai2

Исследовательский институт соучредителя Microsoft Пола Аллена под названием Ai2 (The Allen Institute for Artificial Intelligence) опубликовал базу данных из более 250+ тыс. запросов исследователей к ИИ.

Материалы для базы данных были собраны платформой Asta, интегрированной с Semantic Scholar. Последний также принадлежит институту Пола Аллена, который тесно сотрудничает с проектом NAIRR от National Science Foundation.

Заявляется, что для сбора данных использовались лишь запросы пользователей, давших на это свое согласие (но это не точно).

База включает не только промпты, но и полную последовательность кликов (развертывание разделов, переходы по ссылкам), что позволяет анализировать весь путь пользователя.

Входящие запросы институт разделил на несколько групп, среди них встречаются и просьбы обойти антиплагиат🤣:

1️⃣ Template Filling — заполнение шаблонов, таблиц;
2️⃣ Explicit Prompting — пользователь формулирует инструкции, задаёт ограничения и формат ответа;
3️⃣ Persona Adoption — пользователь просит модель принять роль специалиста (профессора, исследователя, эксперта);
4️⃣ Collaborative Writing — пользователь вставляет фрагменты своих научных текстов и просит дополнить их;
5️⃣ Research Lineage — обзор литературы;
6️⃣ Refinding — поиск по неполной информации.

Мы наблюдаем, как ИИ становится неотъемлемой частью исследовательского процесса. А открытия, сделанные с его помощью, могут вскоре выйти за пределы человеческого понимания. Но не все так радужно. Отдельные ученые не на шутку обеспокоены происходящим:

Я не уверен, что хочу жить в мире, где всё вокруг меня — это просто магия, — подчеркивает астроном, профессор Колумбийского университета Дэвид Киппинг.

🌐
#colab_тренд

🛜 «RAG is dead»: где здесь кликбейт, а где правда

Каждое утро вижу кучу постов в стиле «RAG is dead». Сейчас вокруг RAG идет история, которая повторяется из раза в раз, когда технология становится привычным рабочим инструментом.

Собрал коротко, что на самом деле случилось с RAG, где здесь хайп, а где правда.

Что такое RAG

RAG — это когда перед ответом ИИ-модель получает контекст из внешней памяти. Внешняя память может быть чем угодно — базой документов, кодом, CRM, файловой системой.

Почему RAG важен

Потому что у пользователей LLM есть два желания. Они хотят, чтобы ИИ-модель была умной и свежей. Обучение дает ИИ-модели ум. А вот свежесть данных и проверяемость — доступ к источникам.

Почему пишут, что RAG — всё

Заголовки «RAG мертв» появляются регулярно и правда собирают просмотры. Но если разобраться, хоронят не саму технологию, а ее упрощенное понимание.

Первые реализации RAG выглядели красиво. Берем векторную базу, нашли несколько похожих кусков, скормили модели — и она отвечает по документам. Но когда такой подход пошел в совсем больших проектах, начались проблемы.

▪️Простое сравнение векторов без учета метаданных, без дополнительных фильтров часто давало не то, что нужно. Чем больше становится база знаний, тем больше лишней информации прилетало в ответ.

▪️Даже если среди найденных кусков был правильный ответ, модель могла его не заметить, если вокруг слишком много лишнего.

▪️Модель могла игнорировать правильный контекст и отвечать по-своему. Или вообще смешать факты из разных источников так, что получится правдоподобная, но ложная картина.

Три самых популярных тезиса про «RAG is dead»

Длинный контекст делает RAG ненужным. Якобы можно просто загрузить все документы в промпт и модель сама разберется. На практике пока это не работает. Модели теряют информацию из середины длинного контекста, снижается качество ответов. По сути это самый дорогой способ получить худший результат.

Вирусный пересказ исследований, что ученые доказали — RAG ломается после 10 тысяч документов. Простой поиск по векторам без дополнительных уточнений действительно теряет точность на больших объемах. Но это проблема не RAG, а его примитивной реализации.

RAG не спасает от выдумок. Даже с подобранными документами модель может ошибаться или додумывать. Но из этого делают неправильный вывод: «раз не спасает полностью, значит бесполезен». На самом деле RAG снижает долю выдумок, дает возможность проверять ответы по источникам и строить системы, где ошибки можно ловить и исправлять.

Что реально изменилось: RAG образца 2023 и 2026 годов

Эмбеддингов самих по себе недостаточно. Поэтому появились методы, которые добавляют контекст на этапе построения представления фрагмента и одновременно используют классический лексический поиск.

Раньше думали, что можно сделать хороший поиск и RAG заработает. Теперь стало понятно, что это только верхушка айсберга. Все решает то, как удастся собрать контекст из найденных кусков, как отсеять лишнее, в каком порядке разложить фрагменты, что делать со старыми данными, как не перекормить модель. Это называется контекстная инженерия.

Появился агентный поиск. Система может сама уточнить запрос, если результатов мало. Может попробовать другой инструмент, например вместо векторного поиска — текстовый, вместо поиска по кускам — чтение целого документа. Может выдвинуть гипотезу и проверить ее, найдя подтверждение или опровержение.

Графовый подход. Классический RAG хорош для вопросов вроде «что сказано в документе о таком-то?». Он находит нужный кусок и отвечает. Но это уже не так эффективно, когда спрашивают, о чем этот массив документов, какие темы там главные, как связаны разные сущности и прочее. Графовый подход, вместо того чтобы просто нарезать текст на куски, система строит граф знаний, потом отвечает на вопросы.

RAG ни в коем случае не умер. Просто вместо одного шаблонного решения появилось целое семейство подходов, которые выбирают под задачу.

Больше не придется чистить данные вручную. Как ИИ сделает это за нас. Разбираем новейший препринт

Большинство авторов — китайские исследователи и представители индустрии, работающие с данными 🗂

Новые LLM-подходы можно применять в исследованиях, в бизнесе, в аналитике. Мы в Цифровой лаборатории ИВ РАН уже внедрили многое.

📱Читайте по ссылке

yandex ai вышел в топ по загрузкам в Турции

Приложение, о выходе которого мы первые написали вчера, обошло ChatGPT, Google Gemini и ИИ-сервис запрещённой в России за экстремизм Meta, передают зарубежные друзья @anti_agi. 500к загрузок ещё нет, но первая волна хайпа явно пошла местному «Яндексу» на пользу.

В очередной раз убеждаемся: локальные интеграции — путь к успеху. Достаточно найти свою нишу, и не придётся гнаться за миллиардными инвестициями в технологию уровня американского бигтеха.

@anti_agi

В рубрике интересных наборов данных, данные по международной торговли из проекта PortWatch Международного валютного фонда (IMF). От классических измерений международной торговли они отличаются тем что состоят из фактов мониторинга портозаходов грузовых кораблей в порты и на основе этого и их тоннажа и типа корабля оценка объёма грузоперевозок.

Ежедневная оценка активности порта и объёма торговли по множеству портов и с 2019 года

Для проекта используются данные собираемые в рамках UNGP (UN Global Platform).

Де-факто это данные коммерческого поставщика Spire торгующего данными спутникового мониторинга, в числе, судов по их сигналам AIS и сопоставленные с данными FleetMon и других реестров параметров судов.

Конечно, эти данные только статистика, не указывая конкретных судов и без охвата судов с отключенными транспондерами AIS.

Тем не менее всего там более 5 миллионов рядов на основе которых можно делать визуализации или анализировать экономическую активность по странам и регионам.

#opendata #datasets #trade

🏢 Пространственный анализ в государственном управлении — доклад Игоря Окунева и Яны Поляковой (ответственный редактор — Максим Сучков):

• Учёт пространственного фактора является необходимым условием сбалансированного социально-экономического развития регионов России. Игнорирование территориальной неоднородности и взаимовлияния регионов через культурно-информационные и социально-экономические потоки снижает эффективность управленческих решений.

• Методы пространственного статистического анализа — инструмент повышения эффективности управленческих решений. Они могут применяться на различных территориальных уровнях: группировка территорий, рейтингование и составление сводной оценки территорий; разработка мер государственной поддержки; анализ факторов механизмов, влияющих на успешность достижения ключевых показателей эффективности.

• Кластерный анализ — один из методов пространственного статистического анализа, позволяет учитывать как географическую, так и социально-экономическую близость регионов. Использование альтернативных подходов к группировке субъектов России с учётом отраслевой проблематики и географической близости может позволить оптимизировать управленческие решения и повысить эффективность федерального регулирования отрасли.

• Методы пространственного анализа позволяют учитывать фактор соседства и получать более объективные сравнения регионов. Расчёт пространственного лага или индекса Морана основывается на гипотезе о сходстве исходных условий у соседних территорий, что делает рейтинги и сопоставления межрегионального и муниципального уровня более точными.

• Пространственный фактор важен, но не обладает всеобъясняющей силой. Он играет важную роль в анализе социально-экономического состояния территорий, однако для управленческих решений его необходимо рассматривать в контексте конкретных целей и задач.

🔗 Читать доклад на Портале МГИМО

Подписывайтесь на ИМИ МГИМО | Наш подкаст «Внешняя политика»

👨‍🏫🧑‍💻 Цифровое востоковедение в ИВ РАН в 2025 году

👨‍🏫🤝🔵 Совместно с Yandex Cloud разработали ИИ-систему для анализа китайских новостей и ассистента с информацией по странам Востока;

📃 Журнал «Цифровое востоковедение» вошел в «Белый список» ведущих научных изданий России;

🛜 Сотрудники ИВ РАН создали цифрового переводчика TRAIT для работы с тибетскими текстами Буддийского канона (333 тома);

👨‍🔬👩‍🔬 II Международная конференция «Цифровое востоковедение» объединила более 60 востоковедов, ИТ-специалистов и пользователей ИИ из России 🇷🇺, Индии 🇮🇳, Индонезии 🇮🇩 и Таиланда 🇹🇭;

🧠 Представили разработки «рассуждающего» ИИ-ассистента на V международном Конгрессе молодых ученых в «Сириусе», обсуждали будущее сотрудничество для развития БРИКС+;

👨‍🎓 Приняли участие в «Школе молодых футурологов», организованной Центром «Дипломатия знаний» РГГУ, а также в форуме «Технопром-2025»;

🌏 Сохраняем мировое культурное наследие.

Цифровая трансформация науки — устойчивый курс ИВ РАН. В 2026 году этот импульс будет только нарастать. ИВ РАН уже сформировал инфраструктуру и профессиональную среду, превращает исследования в работающие инструменты.

👨‍🏫 Подписаться

NorthStar: как Госдепартамент выявляет нарративы и несогласных

Подарком к Рождеству Госдепартамент раскрыл детали работы своего внутреннего аналитического сервиса NorthStar для изучения общественного мнения.

Сбор и предварительный анализ данных из социальных сетей и около 100 000 онлайн-изданий проводит ИИ. Полагаем, что раз в юрисдикции США находятся глобальные соцсети, американские дипломаты не испытывают проблем с объемами получаемых данных. В отличие от международного научного сообщества.

Важно, что NorthStar не просто собирает информацию, в том числе на иностранных локальных языках, но может ее перевести и сделать краткий обзор трендов и тенденций. Это на 60% снижает временные издержки на написание медиа обзоров за день.

Одна из особенностей настроек NorthStar в том, что он создает централизованный дэшборд с нарративами иностранных правительств в отношении их целевых аудиторий. Это позволяет в кратчайшие сроки выявлять продвигаемые идеи зарубежных акторов и, в случае несоответствия видения ситуации картине мира правительства США, запускать антикризисную дискуссию с выведением ее в топ рейтингов и удалением контента оппонентов.

Слабое место инструмента — он не анализирует телевизионное и радиовещание, а также не проводит анализ тональности скаченных сообщений в автоматизированном режиме.

Первое препятствие не позволяет эффективно настраивать информационные кампании США в том числе в странах Африки южнее Сахары, где телевидение и радио являются наиболее востребованными источниками информации. Может быть поэтому мы часто слышим обвинения американцев в сторону КНР и РФ на этом направлении информационной работы.

Второе препятствие снижает скорость работы с большими выборками данных. Развитие этих двух направлений определяется как приоритетное для разработчиков Госдепартамента на 2026 год.

Напоследок, напомним, что Госдепартамент в 2025 г. начал открыто использовать свои сервисы медиа аналитики для выявления мигрантов, несогласных с проводимой в стране политикой. А теперь и туристов планируют обязать раскрывать 5-летнюю историю социальных сетей.

Мир будущего через призму SM-анализа...

😊
#colab_аналитика