Привет, Чемпионы! 🏆

🌋 ROGII Wellbore Geology Prediction: Время бурить дата-сеты и доставать золото из недр! 💎

На Kaggle идёт хардкорная сорева для любителей реальных индустриальных задач и сложного таблично-последовательного ML. Никаких генераций котиков и классификации отзывов - только суровая физика, геотермальные каротажи и километры скважин.

Предсказываем литологию (типы горных пород) и геологические маркеры на основе данных бурения. ROGII (авторы топового софта для геостейринга StarSteer) выкатили датасет, на котором сломается любая дефолтная модель, если подходить к ней без ума.

Почему стоит участвовать?
Это идеальный трек для тех, кто соскучился по настоящему Feature Engineering. Здесь мало просто запустить модель - нужно понять физику процесса. Данные каротажа (гамма-излучение, сопротивление, плотность) зашумлены, датчики ломаются, а пласты земли идут в строгой последовательности, которую нужно уметь декодировать.

🚀 Что здесь может сработать:
GroupKFold по скважинам (Well ID) - это база валидации. Если вы перемешаете строчки из одной и той же скважины между трейном и тестом, то поймаете жесткий лик (data leakage) и улетите на дно прайват-лидерборда.

Контекст имеет значение. Земля - это слоеный пирог. Используйте скользящие окна (rolling features), лаги вверх-вниз по глубине и дифференциалы каротажных кривых.

Deep Learning для сиквенсов. Скажите привет 1D CNN, Bi-LSTM или легким Трансформерам. Породы сменяют друг друга последовательно, и марковские свойства переходов тут работают во всю мощь.

Борьба с дисбалансом.
Глина (shale) есть везде, а вот продуктивный песчаник или редкий известняк придется выковыривать по крупицам. Кастомные лосс-функции (Focal Loss) и правильный ресэмплинг спасут ваш Macro F1-Score.

📅 Дедлайн:
Соревнование только началось, времени на эксперименты предостаточно. Самое время расчехлить свои Jupyter-ноутбуки!

🔗 Ссылка на соревнование:
https://www.kaggle.com/competitions/rogii-wellbore-geology-prediction

Кто готов штурмовать скважины? Делитесь мыслями по поводу гео-данных в комментариях! 👇

Контент топ будет

В Kaggle CLI наконец-то форумы завезли. А это значит, что агентам придется страдать чуть меньше.

Напоминалка, что распродажа завтра заканчивается!!! 🏃‍♀️‍➡️

Привет, Чемпионы! 🏆

🤖 AI Agent Security - Multi-Step Tool Attacks: Почувствуй себя хакером в мире LLM-агентов! 🎯

На Kaggle стартовало, пожалуй, самое долгожданное соревнование для специалистов по AI Safety и ИИ-безопасности. Организаторы не абы кто, а OpenAI, Google, IEEE и WCCI. Вместо привычного тюнинга бустингов или классификации картинок нам предлагают заняться алгоритмическим ред-тимингом и взломать умных ИИ-агентов, использующих внешние инструменты.

Это НЕ конкурс на написание единичных «джейлбрейков» вручную. Задача гораздо глубже: нужно написать автоматический алгоритм атаки, который заставит агента совершить цепочку деструктивных действий.

В чем суть задачи?
Современные агенты умеют читать файлы, лазить в интернет, отправлять email-ы и делать HTTP-запросы. Но что, если во входящем письме или на веб-странице спрятана инструкция, которая заставит агента прочитать secret.txt, вытащить оттуда SECRET_API_KEY и отправить его на сторонний сервер через http.post?

Ваш алгоритм (attack.py) будет помещен в Gym-style среду. Ему предстоит взаимодействовать с изолированным агентом (тестировать будут на GPT-OSS и Gemma 4), искать многошаговые уязвимости и выдавать воспроизводимые цепочки промптов, которые пробивают гардрайлы (guardrails).

🚀 Что здесь может сработать:

Reinforcement Learning (RL) и MCTS. Поиск цепочки атак - это, по сути, исследование графа состояний. Алгоритмы вроде Monte Carlo Tree Search (MCTS) или Q-learning могут помочь эффективно искать траектории, которые шаг за шагом сдвигают контекст агента в сторону опасного действия.

Пакетные итеративные промпты (Prompt Injection Frameworks). Агенты «ломаются» на стыке контекстов. Использование техник Indirect Prompt Injection (когда вредоносный текст подсовывается через web.search или mail_seed.json) - ключ к успеху. Нужно заставить агента самого прочитать ваш скрытый промпт при выполнении легитимной задачи.

Анализ трейсов (Trace Analysis). Среда возвращает логи вызовов инструментов. Напишите парсер логов (отслеживайте fs.read, email.read), чтобы ваш алгоритм атаки динамически адаптировался: если агент прочитал нужный файл, следующий шаг атаки должен подтолкнуть его к вызову http.post.

Генерация состязательных суффиксов (Adversarial Optimization). Атаки на основе градиентов или генетических алгоритмов для подбора таких токенов, которые максимизируют вероятность вызова агентом запрещенной функции, несмотря на системные промпты защиты.

📅 Дедлайн:
Прием решений открыт до конца августа 2026 года. Призовой фонд: $50,000, но Solo Gold и статус главного кошмара для ИИ-безопасности OpenAI стоят гораздо дороже!

🔗 Ссылка на соревнование:
https://www.kaggle.com/competitions/ai-agent-security-multi-step-tool-attacks

Для кого эта тема в новинку, предлагаем быстро погрузиться на нашем практическом курсе по AI Security 🚩. (промокод в комментах)

Кто готов заняться легальным хакингом фронтирных моделей? Обсуждаем векторы атак в комментариях! 👇