Пару месяцев назад я писал о 3 навыках Claude, которые каждый данные ученый должен изучить в 2026 году: Claude Dashboards, Claude Cowork для приоритизации задач в Jira и отладка с помощью Claude Code. Но эти варианты использования лишь царапают поверхность. Существует множество других способов, с помощью которых Claude может сократить повторяющуюся работу и освободить время для тех частей работы, которые действительно требуют участия человека. Поэтому вот еще 4 навыка.

1. Глубокое исследование для сравнения подходов к моделированию

Когда вы задаете вопрос Claude, он берет информацию из одного из трех источников: собственных данных обучения и знаний, веб-поиска или глубокого исследования. И веб-поиск, и глубокое исследование должны быть включены. Веб-поиск запрашивает веб для получения одного ответа на ваш вопрос. Но глубокое исследование выполняет последовательность связанных веб-поисков самостоятельно, каждый из которых строится на том, что нашел предыдущий. Затем он возвращает всесторонний отчет с цитатами.

Как использовать режим исследования в Claude: нажмите кнопку + в левом нижнем углу окна чата. Выберите Исследование (синий индикатор подтверждает, что оно активно). Если Claude не активирует его автоматически на вопросе, который требует этого, скажите прямо: «Claude, пожалуйста, используй инструмент исследования для...»

Вот несколько реальных примеров использования инструмента глубокого исследования Claude для данных ученых:

Проблема: Вы новичок в создании агентных ИИ-систем и вам нужно понять текущие лучшие практики оценки готовности агента к производству перед его первым развертыванием.

Запрос глубокого исследования Claude: Сведите вместе текущие лучшие практики и рамки оценки для тестирования ИИ-агентов перед развертыванием в производстве. Охватите распространенные режимы отказа, такие как зацикливание, неправильное использование инструментов и галлюцинации действий, и объясните, как команды измеряют надежность перед отгрузкой. Ссылайтесь на недавние статьи, опубликованные бенчмарки или документированные подходы из лабораторий ИИ.

Проблема: Решите, следует ли перестроить производственную модель прогнозирования вокруг более нового подхода или оставить уже запущенную конфигурацию градиентного бустинга.

Запрос глубокого исследования Claude: Сравните классические статистические методы прогнозирования (SARIMA, экспоненциальное сглаживание) с градиентным бустингом и моделями на основе трансформеров для прогнозирования часовой нагрузки энергии. Для каждого подхода подведите итоги точности на многодневных горизонтах, требований к объему данных и документированных режимов отказа. Ссылайтесь на конкретные статьи или бенчмарки.

Проблема: Решите, какой метод обнаружения выбросов применить к новому набору данных с сильными сезонными паттернами перед его подачей в производственную модель.

Запрос глубокого исследования Claude: Сравните методы z-score, IQR и изолирующего леса для обнаружения выбросов в сезонных временных рядах. Подведите итоги, где каждый метод склонен давать ложные срабатывания, вычислительная сложность в масштабе и документированные рекомендации по выбору между ними. Ссылайтесь на конкретные источники.

Для этого последнего Claude вернул организованный документ со следующими разделами:

TLDR/Сводка

Обзор методов — объясняет, что такое z-score, IQR и изолирующие леса и как они работают

Паттерны ложных срабатываний по методам (в сезонном контексте)

Вычислительная сложность и масштабируемость

Руководство по принятию решений: выбор между методами

Оговорки — обсуждает ограничения своих выводов

2. HTML-бриф проекта для заинтересованных сторон

Допустим, вы работаете в компании по маркетингу в социальных сетях, где вы разрабатывали модель прогнозирования вовлеченности контента для конкретной кампании коротких роликов. Однако модель работает не так, как ожидалось. Тогда вы и другие данные ученые составили план на 2 месяца для улучшения модели. Но нетехнические заинтересованные стороны часто нетерпеливы и не понимают, почему посты не работают так хорошо, как ожидалось изначально. Они хотят улучшений на этой неделе (что, как знают данные ученые, часто является нереалистичным сроком).

Создание HTML-брифа проекта, которым можно поделиться по ссылке, помогает преодолеть этот разрыв в коммуникации, предоставляя чистый и читаемый обзор статуса проекта, графика и ожиданий.

Ключевые сущности:

Компании: Towards Data Science

Часто задаваемые вопросы:

В чем отличие инструмента глубокого исследования Claude от веб-поиска?

Веб-поиск извлекает один ответ из веба, тогда как глубокое исследование выполняет последовательность связанных веб-поисков, каждый из которых строится на предыдущем, и затем возвращает всесторонний отчет с цитатами.

Часто задаваемый вопрос: В чем отличие инструмента глубокого исследования Claude от веб-поиска?

Часто задаваемый ответ: Веб-поиск извлекает один ответ из веба, тогда как глубокое исследование выполняет последовательность связанных веб-поисков, каждый из которых строится на предыдущем, и затем возвращает всесторонний отчет с цитатами.