Что делать с данными? 💬

Строить отчёты. А ещё, например:

✅находить закономерности в больших массивах;
⬜️предсказывать поведение пользователей;
⬜️строить рекомендательные системы;
⬜️обучать и улучшать ML-модели;
⬜️создавать продукты и помогать бизнесу расти.

В Школе аналитиков данных МТС учатся решать такие задачи на практике.
В программе — SQL и Python, математика и статистика, анализ данных, машинное обучение и большие данные, а также нейросети и рекомендательные системы.

Занятия ведут действующие эксперты Центра BigData MWS. Теория чередуется с практикой, а преподаватели дают обратную связь по работам и помогают отслеживать прогресс.

Это будет интересно:

➡️студентам последних курсов и выпускникам технических вузов
➡️алитикам данных, которые хотят погружаться в исследования
➡️ИТ-специалистам, которые хотят перейти в новое для себя направление

Обучение продлится 10 месяцев и будет полностью бесплатным. Заявки принимаем до 25 октября.

Отправить заявку ↗️

Читать полностью…

🤖 Как дать AI-агенту кошелёк и не уехать в тюрьму

Посмотрел второй выпуск «ПРОДАКТовой корзины» и поймал себя на мысли: мы слишком долго обсуждали, умеет ли AI нормально отвечать на вопросы. Теперь пора решать, можно ли давать ему деньги.

В выпуске разбирают AI-поиск, научные эксперименты с участием нейросетей, персональные цены, роботакси, магазины-склады и кошельки для агентов.

Ведёт шоу стендап-комик Сева Ловкачёв, а вместе с ним новости обсуждают:

— Артём Петренко, CPO «Магнит Плюс»;

— Александра Прокшина, руководитель Security Development в «Авито»;

— Антон Сачков, CTO MAGNIT OMNI;

— Даниил Гаврилов, руководитель научной лаборатории T-Банк AI Research и специалист по LLM.

Больше всего мне запомнилось обсуждение кошельков для AI-агентов. Агенту предлагают выделить ограниченный бюджет, чтобы он самостоятельно покупал API, MCP-инструменты и контент.

Разговор довольно быстро дошёл до идеи сказать агенту: «Братан, теперь содержи себя сам». А затем — до агентского сетевого маркетинга, сомнительных схем и вопроса, кто понесёт ответственность, если автономный помощник решит зарабатывать наиболее маржинальным способом 😅

Не менее интересным получился спор о персональных ценах.

Предложить конкретному человеку скидку — звучит как забота. Показать ему цену выше, потому что модель поняла, что он готов заплатить, — уже как повод возненавидеть продукт. Хотя данные и модель могут быть теми же: меняется только бизнес-правило.

В итоге получился нормальный разговор о технологиях без восторгов в стиле «AI завтра изменит всё». Здесь пытаются разобраться, где уже появляется реальный продукт, а где пока есть только громкая новость и красивая презентация.

Смотреть выпуск:
🎞 YouTube:
😄 VK Видео:

Читать полностью…

Как научиться предсказывать что угодно? 🔮

На видео спикер рассказывает, что его команда научилась за три дня до расставания предсказывать, что девушка бросит парня.

Когда я впервые увидел это в трансляции, то понял только часть проблемы: спикер вообще не шарит, а команда решает странные задачи и пилит такие же фичи 😅 Тогда моего руководительского опыта не хватило, чтобы задуматься о процессах внутри компании — меня просто поразил уровень абсурда.

Причём настолько, что эта история догнала меня даже спустя семь лет.

Но сейчас, когда я строю собственную компанию, меня гораздо больше беспокоит другой вопрос: какие процессы внутри компании привели к тому, что топ-менеджмент рассказывает об этом на конференции как об успешном кейсе? 🤔

Начнём с самого кейса.

Пока я не пересмотрел видео, у меня были разные гипотезы о том, как они собрали целевую переменную:

— может быть, провели опрос?
— спарсили социальные сети?
— а как тогда собрали хард-негативные сэмплы?

Но нет.

Судя по видео, аналитики придумали сегмент на основе набора косвенных признаков.

С какой точностью этот сегмент отражал реальность?

Правильно: никто не знает 🙃

Дальше, вероятно, построили модель, которая научилась предсказывать эту синтетическую целевую переменную.

И здесь появляется ещё один уровень неопределённости.

Сначала мы с неизвестной точностью восстанавливаем целевую переменную по косвенным признакам. Затем с некоторой точностью обучаем модель предсказывать уже эту восстановленную переменную.

То есть модель предсказывает не само расставание, а предположение аналитиков о расставании.

На ошибку при создании таргета накладывается ошибка самой модели. Поэтому итоговое качество относительно реального события становится ещё менее понятным 🎯

Следующий вопрос: как проверяли лики?

Не протекли ли в модель те же признаки, на основе которых изначально восстановили целевую переменную? 🫠

Ну и самое интересное: как измерили эффект?

Никак.

Модель встроили в рекомендательную систему, в которой, судя по рассказу, нет прозрачно рассчитанного финансового эффекта 💸

Итак, рецепт, как научиться предсказывать что угодно:

1. Конструируете целевую переменную с неизвестной точностью.
2. Обучаете модель предсказывать этот синтетический таргет.
3. Получаете два слоя ошибки: в разметке и в самой модели.
4. Встраиваете модель в продукт, где невозможно оценить её эффект в деньгах.
5. Рассказываете об успешном кейсе на конференции.
6. Готово — вы великолепны! 🚀

Всё это звучит смешно ровно до того момента, пока вам самим не приходится собирать такие фантастические сегменты и обучать на них модели.

Напишите в комментариях, если знаете достоверный источник данных для такого сегмента. Особенно интересно, где взять качественные хард-негативные сэмплы 👇

Читать полностью…

🎙 Мини-интервью с руководителем ML-департамента рисков в Яндекс Финтехе

Владимир Ершов — ex. Visa, Сбер и Alfa-Bank, выпускник МГИМО и IE Business School.

Четыре интересных факта про героя интервью:

1️⃣ Пришёл в ML из экономики: после МГИМО выбрал магистрату по Big Data в испанской IE Business School.
2️⃣ Успел поработать во всех ML-направлениях бизнес-группы Персональных сервисов Яндекса.
3️⃣ Сейчас его команда отвечает за порядка 50 моделей для Сплита, кредитной карты, кредита наличными и B2B-кредитования.
4️⃣ Практически не пишет код уже четыре года, но иногда сам ревьюит самые важные куски.

👉 Подробнее — на карточках.

Ставьте 🔥, если хотите больше интервью с ML-руководителями. Вопросы Владимиру оставляйте в комментариях 👇

#мини_интервью

Читать полностью…

✈️ Альфа оплатит до 20 000 рублей на обеды состоятельным сотрудникам Сбера

🍽 У премиальных клиентов Альфа-Банка есть привилегия: банк компенсирует еду в ресторанах российских аэропортов.

Чтобы не заключать договор с каждым заведением вручную, Альфа подключила дата-сайентистов 👨‍💻 Как рассказали в статье на РБК, алгоритм анализирует карточные операции, сопоставляет их с координатами терминалов и определяет, прошла ли покупка на территории аэропорта.

📱 Подходящие операции автоматически появляются в приложении. Загружать чек обычно не нужно, хотя банк оставляет за собой право запросить билет или подтверждение покупки. Запомним этот момент)

Но недавно у алгоритма обнаружился интересный побочный эффект 😅

Ресторан в офисе Сбера на одном из верхних этажей определяется как ресторан в аэропорту. Возможно, терминалу присвоили неправильные координаты. Возможно, подвели исходные данные. А может быть, ресторан просто оказался слишком близко к небу ☁️

В итоге премиальные клиенты Альфы могут компенсировать там обычные рабочие обеды — как будто едят перед вылетом 🛫

💸 За один чек можно вернуть до 5 000 рублей. При остатках свыше 12 млн рублей количество визитов не ограничено, но действует общий лимит компенсации ресторанов — 20 000 рублей в месяц.

Работаешь в Сбере, держишь деньги в Альфе, а обеды в Сбере оплачивает Альфа. Получается не просто выгодно, а Альфа-Выгодно ❤️

😅😅😅 Если вы работаете в Сбере и соответствуете условиям премиального обслуживания, оформляйте карту Альфа-Банка, пока дата сайентисты в Альфе не исправили баг

А теперь два вопроса:

1️⃣ Технический: какую метрику или алерт вы бы поставили на мониторинг, чтобы быстро выявлять случаи неправильной геопривязки терминалов?

2️⃣ Бизнесовый: как бы вы поступили на месте Альфы — закрыли бы лазейку и исключили ошибочно привязанные терминалы или превратили бы баг в PR-ход для привлечения клиентов с крупными остатками?

👇 Пишите свои варианты в комментариях.

Читать полностью…

🚀 50 грантов Tech Orda: специализация AI Agents Engineer

Уникальная возможность для граждан РК от 18 до 45 лет:
1. Получить грант 400 000 ₸ от государства на обучение в IT;
2. С вероятностью 60+% достичь карьерных целей в ближайшие 6 месяцев при обучении с BigData Team.

📌 Как подать заявку? До 6 сентября:
1. Нажать "подать заявку" на портале Astana Hub
2. Зарегистрироваться и пройти тестирование на Learn BDT
3. Подписаться на наш Telegram, чтобы не пропустить новости.
Результаты отбора — на почту; анонсы — здесь.

Особенности 2026

1️⃣ Конечно же ИИ (Agentic Coding и AI Agents)
Не банальный prompt engineering, а фундаментальная база: tools, skills, MCP, окружения (*code*, *claw) или harness. Управление памятью (context, memory, fine-tuning vs RAG, embeddings vs Zettelkasten) и качеством (MAS, ralph-loop, evals, понимание LLMs).

2️⃣ Стоимость
Разработали программу доступную каждому:
— стоимость программы (level 1): 595 000 ₸
— грант Tech Orda: 400 000 ₸
— остаток: 195 000 ₸. Если поделить на 6 месяцев обучения:
🔥 32 500 ₸/месяц

3️⃣ Аналитика зарплат и выпускников от Astana Hub
По нашим выпускникам программы Tech Orda в Казахстане:
— 44% пришли без профильного ИКТ-образования
— 61% достигли карьерных успехов уже в период обучения
💰 1+ млн ₸ средняя зарплата выпускника
Откуда цифры — из налоговой (но анонимно). Подробности читайте в гайде по Data-профессиям.

📌 Ключевая информация
В AI-native эпоху в IT профессии базовых навыков Computer Science уже недостаточно — важно уметь ускорять процессы разработки и аналитики в десятки раз с помощью автономных ИИ-агентов, не теряя контроля над кодовой базой и архитектурой. В 2026 году мы трансформировали программу BDMLE в новый стандарт — AI Agents Engineer (AIE).

🗓 Старт обучения: сентябрь–октябрь
▶️ Видео о школе и программе (10 минут)
🔄 Волны отбора
— I волна — до 23 августа, 23:59 🔥
— II волна — до 30 августа, 23:59
— III волна — до 6 сентября, 23:59

Last, but not least

Поспешите! (почему)

📩 Вопросы: личка, комментарии или techorda@bigdatateam.org
🤗 Лайк и репост — у кого-то из ваших знакомых сейчас закроется вопрос "а на что учиться".

BigData Team: the way you learn best
AI Agents | Py4BDA | Python | Machine Learning | Big Data

#study #BigDataTeam #TechOrda #AstanaHub #BDMLE #AIE

Читать полностью…

🧠 10 бит в секунду, или Почему люди тупые

Когда я учился в университете, мой сосед любил повторять:

— Люди тупые. В том числе и я.

Вторая часть фразы нравилась мне гораздо больше первой. В ней была полезная мысль: свои когнитивные ограничения лучше учитывать заранее, а не обнаруживать постфактум.

💾 Позже я попал к научному руководителю, у которого одновременно со мной было ещё несколько десятков студентов. Он честно предупреждал:

— Женя, я обещаю, что забуду всё, о чём мы сегодня говорили.

Он просто хорошо понимал ограничения собственной памяти и не делал вид, что способен удержать в голове всё.

🔬 Ещё в 1952 году психолог Уильям Хик оценил скорость обработки информации в задачах выбора примерно в 5 бит в секунду. Спустя семь десятилетий исследователи из Caltech проанализировали самые разные виды человеческой деятельности — от чтения и печати до игр и запоминания — и получили величину того же порядка: около 10 бит в секунду, или 1,25 байта.

⚠️ Это не скорость всего мозга. Сенсорные и двигательные системы работают значительно быстрее. Скорее, речь об узком канале, через который информация превращается в осознанный выбор и контролируемое действие.


🤔 Отсюда простой вывод.

Если вы задали человеку сложный вопрос, а через секунду получили уверенный ответ, возможны три варианта:

1. Перед вами гений.
2. Человек уже долго думал об этом раньше.
3. Он озвучил первое, что пришло в голову.

Чаще, чем нам хотелось бы, срабатывает третий вариант.

🤖 Для GPT мы специально включаем thinking mode и соглашаемся немного подождать. А от человека почему-то ожидаем качественного решения немедленно — желательно прямо на созвоне, между двумя уведомлениями и вопросом «ну что тут вообще думать?».

Но человеку тоже можно включить thinking mode.

📝 Поэтому сложные вопросы лучше задавать заранее, а важные договорённости — записывать. И не стоит путать скорость ответа с качеством мышления.

🗂 Кажется, единственный выход с учётом наших ограничений — учиться структурировать знания и сохранять их так, чтобы потом быстро находить. Такая внешняя память медленнее оперативной, но гораздо быстрее, чем каждый раз вспоминать или придумывать всё заново.

🛡 И тут начинается самое интересное: если мы понимаем ограничения естественного интеллекта, становится понятнее, как работают некоторые виды атак на него — и как от них защищаться.

Возможно, об этом поговорим в следующих постах.

Читать полностью…

ИИ крадёт у нас или учится у нас? 🧠

Недавно сидел на панельной дискуссии. Во время вопросов из зала прозвучало примерно следующее:

— Как быть с тем, что ИИ будет обучаться на наших данных? Как защитить то уникальное, на создание чего человек потратил столько времени?

Но тут возникает неудобный вопрос: а в чём именно заключается эта уникальность?

Я люблю сравнивать работу ИИ с ЕИ — естественным интеллектом. Такое сравнение помогает лучше замечать некоторые паттерны человеческого мышления и обучения.

Так вот: ЕИ тоже учится на чужих данных 📚

Человек читает книги, слушает преподавателей, разбирает чужие работы, наблюдает за другими людьми и запоминает удачные решения.

В творческих профессиях это называют насмотренностью и начитанностью. А затем человек комбинирует знания и приёмы, придуманные до него, — и создаёт нечто, что мы считаем уникальным.

Даже гены в некотором смысле можно рассматривать как накопленный поколениями опыт 🧬

Это, конечно, не обучение в обычном смысле, а результат эволюционного отбора. Но принцип сохранения успешных решений здесь тоже просматривается.

Поэтому мне немного странно слышать от ЕИ, что ИИ обязательно что-то у него «украдёт». Ведь ИИ обучается на созданном людьми примерно так же, как сам человек когда-то учился на наследии предыдущих поколений.

Возможно, главное, чему ИИ пока не научился, — это вкус 🎨

Не просто способность скомбинировать знакомые элементы, а умение почувствовать: что действительно стоит создавать, зачем и для кого.

Хотя и вкус, если честно, тоже формируется не в вакууме.

На фото мы с Радославом @girafe_ai — довольные тем, что обсудили эту тему и поняли друг друга с полуслова 🤝

💬 Как думаете, что на этом изображении создано с ИИ?

Читать полностью…

На конференциях только и разговоров, что об агентах.

Вообще, я бы назвал это harness'ами. Они могут приносить кучу пользы, и их огромное количество: Claude Code, Codex, pi, Hermes, OpenClaw, Cursor, Muse Code...

Хорошая новость в том, что под капотом +- одни и те же механизимы, и если в них разобраться, почти не важно, какой harness у вас под рукой.

Поэтому проведу в понедельник, 10 августа в 18:30 открытый вебинар «Агенты без магии».

Разберём:
* как правильно ставить задачи агенту
* что такое скиллы, MCP и зачем они нужны
* в чем разница с пайплайнами, и почему для повторяемых задач они лучше подходят (например, n8n)

И с теорией, и с примерами. Свои подписки не требуются (но точно не будут лишними :) )


Участие, как и в предыдущий раз, свободное. Но нужно будет заполнить формочку (чтобы я знал, сколько вас будет).

А если есть вопросы или кейсы, которые хочется разобрать – пишите в комментарии.

А для тех, кто хочет глубоко погрузиться в ИИ и стать магистром AI ☕️ – у нас целая программа в МФТИ есть, с которой успешно выпустилось пять потоков. Онлайн, на английском, совместимо с работой, в небольшой группе. Подача документов через Госуслуги до 11 августа, вам достаточно оставить заявку, дальше мы проведем по шагам. Присоединяйтесь!

P.s. Долго думал, какие аналогии провести, получилось вот такое:
Claude Code – для храбрых
Codex – для спокойных
Goose – для желающих пропатчить KDE2 под FreeBSD
Hermes – для отаку
pi – 🐭

Читать полностью…

🔥 ODS Moscow × Нескучный Data Science: бранч в эту субботу

После поста про МИРА можно уже не делать вид, что выбор места — случайное совпадение и не очень нативная рекламная интеграция 😅

В эту субботу снова собираемся там на офлайн-бранч вместе с ODS Moscow.

Будем знакомиться, есть и обсуждать ИИ, Data Science, карьеру и собственный бизнес. Заодно можно будет посмотреть на тот самый «очень дорогой pet-проект» из предыдущего поста и спросить, что в нём уже удалось оцифровать, а где операционка пока побеждает ИИ.

📆 Когда: суббота, 8 августа
🕛 Время: 12:00
📍 Место: @mirabistro, МИРА бистро, Тверская ул., 16, стр. 1
Вход со стороны метро «Тверская» / «Пушкинская»

Бронь на имя Даниель ODS.

Ставьте 👍, если планируете прийти — будет полезно понимать примерное количество людей.

Буду рад увидеться!

Читать полностью…

От стажёра до Head of DS: что я узнал, изучив почти 700 карьер в Data Science 🧬

Наконец-то дождались 🗿

Чуть больше года назад вы заполнили мой зарплатный опрос. Я обещал проанализировать результаты, но 695 анкет превратились в технический долг, о котором мне регулярно напоминали в комментариях.

Сегодня я этот долг возвращаю. Кажется, даже с процентами: вместо очередной таблицы «кто сколько получает» получилось большое исследование карьер в Data Science.

Да, за прошедшее время зарплатные вилки успели сдвинуться. Но карьерные зависимости никуда не делись, поэтому статья не только о суммах, а о профессиональном росте, удовлетворённости работой и готовности её сменить.

Внутри вас ждет лонгрид, где в том числе есть ответы на пять не самых очевидных вопросов:
1️⃣ Можно ли удержать недовольного дата-сайентиста высокой зарплатой и запереть его в золотой клетке?

2️⃣ Какие навыки помогут быстрее вырасти в грейде и больше зарабатывать?

3️⃣ Одинаково ли зарабатывают мужчины и женщины с одним грейдом и опытом?

4️⃣ Что дата-сайентисты хотят сказать Head of DS, когда отвечают анонимно?

5️⃣ Как часто дата-сайентисты ******* и связано ли это с доходом и удовлетворённостью работой?

Ещё там премии стажёров, ШАД на скейтборде, зарплата CDS до 4,5 млн рублей 😳, переработки и попытка понять, где заканчивается развитие и начинается менеджмент. В анализ вошли 694 анкеты.

Спасибо «Start Career in DS», «DziS Science | Data Science», «girafe.ai», «Artificial stupidity», «LightAutoML framework» и «Борис опять»

👉 Читать на Хабре

Читать полностью…

🥩 Как перестать быть жирным как поезд пассажирный?

Сейчас я снова в «отпуске» и наконец возвращаюсь к серии постов про work-life balance.

Год назад в предыдущем посте я рассказывал про свой первый подход к снаряду — борьбе с лишним весом:

Я собрал дома спортзал, регулярно тренировался, купил велосипед и иногда проезжал на нём по 80 километров. Но желаемого результата не было.

Тем не менее я продолжал пытаться.

🌍 Как мне помогли полгода путешествий

Волею судьбы я провёл полгода в путешествиях: Турция, Казахстан, Таиланд, ОАЭ, Сейшелы и Армения. Вроде ничего не забыл.

С едой возникло сразу несколько проблем.

Во-первых, я довольно привередлив. Во многих ресторанах мне не нравится, когда настоящий вкус продукта пытаются спрятать под тонной соуса.

Во-вторых, в каждой стране своя кухня. А ежедневные эксперименты создавали дополнительную нагрузку не только на желудок, но и на бюджет.

В-третьих, с тех времён, когда я качался и переставал быть дрищом (как сейчас, лол), я люблю мясо.

Но приходишь в Турции, Таиланде или даже ОАЭ выбирать мясо — и абсолютно ничего не вызывает доверия. А отравиться за рубежом без медицинской страховки совсем не хочется.

🥩 Так появилась стейковая диета

Я начал сам готовить себе на обед стейк с гарниром и овощами, а на ужин — красную рыбу с овощами.

Рецептом стейка со мной ещё в студенческие годы поделился сосед по общаге. Он уже тогда был аспирантом и поэтому мог позволить себе стейк на ужин.

Изначально главным преимуществом такого рациона для меня было стабильное и предсказуемое качество. Я сам выбирал продукт и полностью контролировал приготовление.

Неожиданно именно такой рацион помог мне начать сбрасывать вес.

🔍 Как это сработало в моём случае?

Раньше я ел курицу. Чтобы нормально наесться, её требовалось много. Но даже после большой порции довольно быстро снова хотелось есть.

Отсюда появлялась проблема перекусов: я заходил на кухню и сметал всё, что плохо лежало. А иногда и то, что лежало хорошо.

После стейка с гарниром и овощами я просто не думал о еде до ужина вообще.

Стейк — достаточно калорийный, сытный и питательный продукт. Но именно поэтому после него у меня пропала потребность постоянно перекусывать. В результате общая калорийность моего дневного рациона снизилась, и дефицит наконец сошёлся.

🏠 Что было после возвращения?

Вернувшись в Россию, я продолжил придерживаться этого рациона и стал развивать навык приготовления стейков.

Купил домой гриль и постепенно начал получать от самого процесса эстетическое удовольствие. Дошло до того, что на командных тимбилдингах я вставал за гриль и готовил стейки уже на всех.

Разнообразие в собственный рацион начал добавлять только примерно через три года.

В студенчестве я пять лет ел куру с гречкой и не страдал. А тут всего три года — практически высокая кухня.

В результате я сбросил чуть больше десяти килограммов.

⚠️ Важная ремарка

Это мой личный опыт с выборкой из одного наблюдения, а не рекомендация переходить на стейки.

Перед регулярным употреблением красного мяса лучше проконсультироваться с врачом. Я со своим консультировался. ВОЗ и IARC относят красное мясо к вероятно канцерогенным продуктам, а переработанное мясо — к канцерогенным. Риск зависит в том числе от количества: Поэтому повторять мой эксперимент бездумно не стоит.

А какой способ похудеть неожиданно сработал у вас?

Читать полностью…

🔥 ODS Moscow × Нескучный Data Science: офлайн-бранч в эту субботу

В эту субботу снова собираемся на офлайн-бранч вместе с ODS Moscow.

Раньше наши бранчи проходили совсем без программы: просто встречались, ели и разговаривали про ИИ, data science и рабочие истории. В этот раз хотим сохранить этот живой формат, но добавить несколько докладов — чтобы было от чего оттолкнуться в обсуждении и куда глубже копнуть.

На позапрошлом бранче мы обсуждали, зачем Avito вообще обучать свою LLM. Тогда тема вызвала много вопросов, и я предложил Альберту рассказать об этом подробнее — уже не на уровне «а зачем», а на уровне технических деталей.

Альберт Акопян
LLM research engineer Avito | ex. Alfa Bank | MIPT & YSDA alumni

«Как мы в Avito делаем RL для нашей LLM»

Поговорим про то, как выглядит RL для LLM внутри большого продукта: какие задачи этим решают, как это связано с качеством модели и что вообще приходится учитывать, когда LLM живёт не в демке, а в реальном сервисе.

На прошлом бранче у нас была очень живая дискуссия про применение ИИ в медицине. В этот раз продолжим смотреть на ИИ в науке, но уже со стороны химии.

Ушенин Константин
ведущий научный сотрудник AIRI | кандидат физ-мат наук | препод в УрФУ и ТГУ | ex. Академия наук РФ | автор канала «эйай фор сайенс» — @not_only_llm

«Применение ИИ в химии»

Константин расскажет, как ИИ применяется в химии: где он действительно помогает исследователям, какие задачи уже можно решать с помощью моделей и как это выглядит не в хайповых заголовках, а ближе к реальной научной практике.

А ещё мне не хочется, чтобы наши бранчи превращались исключительно в разговоры про работу, метрики и продакшен. Это полезно, но иногда получается слишком душно 😅

Поэтому я позвал Дениса рассказать про ИИ в кино. Если вы давно читаете канал, возможно, помните, что он помогал вытаскивать книжный сериал «Дата Сапиенс», а сейчас сам активно начинает применять ИИ в жизни и творческих проектах.

Ну и, конечно, у нас будет шанс разведать, что произойдёт в следующем сезоне одного из сериалов с его участием. Скажу честно: у меня пока не получилось 😅

Денис Бузин
актёр театра и кино | выпускник ВГИК | основатель бренда одежды CNSTRCTR | снимался в «Универ. 15 лет спустя», «Кузя. Путь к успеху», «Полицейский с YouTube», «Солдаты», «Полярный»

«Как использует ИИ индустрия кино в РФ»

Обсудим, как ИИ уже используется в киноиндустрии: где он помогает, где вызывает сопротивление, какие задачи действительно закрывает, а где пока остаётся игрушкой.

📆 Когда: суббота, 11 июля
🕛 Время: 12:00
📍 Место: МИРА бистро, Тверская ул., 16, стр. 1
Вход со стороны метро «Тверская» / «Пушкинская»

Бронь на имя Александр ODS.

Ставьте 👍, если планируете прийти — будет полезно понимать примерное количество людей. Буду рад увидеться!

Читать полностью…

🧠 Что интересного было в AI/DS за неделю

Сделал обзор топ постов, которые сам прочитал за эту неделю. Буду выпускать такой обзор раз в неделю.

На этой неделе лучше всего зацепили темы про AI-инструменты для разработки, роль AI-инженера, ML в реальном бизнесе и выход IT-продуктов на внешние рынки.

🛠 AI coding tools: контекст важнее красивой демки [1], [2]

В обсуждении Cursor, Codex и Claude Code главная мысль такая: в длинных задачах решает не только модель, а то, как инструмент держит контекст, переживает сжатие истории и не теряет цель в автономной работе.

Это хороший сдвиг в разговоре про AI coding. Уже недостаточно спросить “какая модель умнее”. Нужно смотреть, какая среда лучше помогает довести задачу до конца.

🧑‍💻 Хороший AI-инженер: не тот, кто просто сделал модель [1]

Сильный тезис про роль AI-инженера: разработка моделей постепенно становится commodity. Готовых LLM, пайплайнов и туториалов уже много.

Настоящая ценность всё чаще в другом: сформулировать гипотезу, выбрать метрики, поставить эксперимент, довести до деплоя и потом следить за качеством.

Короче, хороший AI-инженер всё больше похож на владельца результата, а не на человека, который “прикрутил нейронку”.

🏢 ML в бизнесе ломается не только об accuracy [1]

Отличный кейс про recommendation/search bias из корпоративной жизни.

Самый интересный тип bias там не из учебника, а из реальности: “уважаемый человек попросил”. Даже хорошая модель может начать вредить продукту, если поверх неё начинают вручную проталкивать внутренние приоритеты.

Это напоминание, что ML-система в бизнесе живёт не в вакууме. Ей нужны продуктовые границы, доверие пользователей и защита от организационного шума.

🌍 Российские IT-продукты всё активнее смотрят наружу [1], [2], [3]

Заметная линия недели: как IT-проектам выходить за пределы локального рынка.

Темы очень практичные: платежи, язык, поддержка, SEO, органический трафик, упаковка продукта. Общий вывод простой: иногда следующий рост даёт не новая фича, а способность продать уже работающий продукт на другом рынке.

💭 Мой вывод недели:

AI-инструменты становятся мощнее, но выигрывает не тот, кто просто подключил модель. Выигрывает тот, кто умеет держать контекст, формулировать задачу, измерять эффект и доводить систему до результата.

🎯 Теперь хочу расширить список источников.

Если читаете адекватные каналы про AI, DS, ML, разработку, продукты или IT-бизнес — скиньте их в комментарии.

Читать полностью…

❗️Айтишники испортили клиентский опыт курьера

🤔 Этот заказ во ВкусВилле оказался очень поучительным.

🖍 Первое: секрет успеха ВкусВилла прост — сделай довольными сотрудников, и они уже сделают довольными клиентов.

🖍 Второе: неважно, где именно проблема: в программисте, который зафродил интеграцию, в дата-сайентисте, который специально агрессивно отрезал хвосты распределения, или в дизайнере, который прикинулся, что знает, как выглядит белый цвет, но не знает, как выглядит Bugatti Chiron.

Важно другое: один из них, а возможно, все сразу, испортили клиентский опыт что привело к потере клиента, который сам очень успешен в том, чтобы делать клиентов счастливыми, поэтому к такому отношению точно не привык.

🙏 Но, возможно, курьер читал мой предыдущий пост и простит их так же, как я простил таксиста.

🙏А банк, надеюсь, читал комментарии к предыдущему посту и не будет списывать комиссию за возвращение реального изображения в приложении.

Читать полностью…

Объектное хранилище в эпоху быстрых данных

Объём данных, с которыми нужно работать, растёт ежедневно. Стандартных решений уже не хватает для задач ИИ и аналитики. Большие объёмы данных нужно не только хранить, но и быстро записывать и читать.

В MWS Cloud Platform мы построили объектное хранилище не только на привычных HDD-дисках, но и на NVMe. На вебинаре покажем, какие сценарии работы это открывает и как меняет привычные подходы.

Подключайтесь! Обсудим:
✅ Чем классы хранения MWS Object Storage отличаются от привычных
✅ В каких сценариях новый тёплый класс проявляет себя лучше всего
✅ Преимущества и слабые места в разных сценариях работы

📆 7 октября в 14:00 (мск)

Зарегистрироваться

Читать полностью…

💩 Как улучшить F1-micro и насрать рекламодателю — в прямом смысле

Вас тоже бесит, когда вы ищете один товар, а рекламный алгоритм настойчиво подсовывает совсем другой? Обычно мы видим эту проблему со стороны пользователя. А сейчас покажу, как она выглядит со стороны рекламодателя, которому алгоритм привёл совсем не тех пользователей.

В @mirabistro нет-нет да заходят люди исключительно ради туалета. Мы находимся в центре, пешеходный трафик огромный. Я думал, что это неизбежные издержки локации. Туалет у нас — комплиментарная услуга для гостей.

👀 Неделю назад сижу в бистро и наблюдаю: заходит человек и сразу направляется в туалет.

У этого сегмента, кстати, есть устойчивый поведенческий паттерн. Они закрывают не только дверь туалета, но и дверь в зону с раковиной. Как будто пришли не руки помыть, а помыться целиком.

Через минуту заходит второй.

Два одинаковых события подряд меня уже насторожили.

💡 И тут меня осенило: дело в таргетинге.

📈 Недавно я купил продвижение в одном картографическом сервисе. Как аналитик, первым делом полез смотреть, как люди находят бистро и по каким запросам переходят в карточку.

Среди запросов был «туалет», хотя мы вообще-то кафе.

Давайте разберёмся, что пошло не так при обучении поискового алгоритма. Достоверно я этого не знаю, но с большой вероятностью — всё было именно так.

1️⃣ Поставили цель на квартал выбить XX% по F1-micro.
2️⃣ В датасет поискового движка долили запросы про туалеты.
3️⃣ Кафе, в которых есть туалет, разметили как релевантные ответы — то есть на уровне таргета фактически приравняли кафе к туалету.
4️⃣ При micro-усреднении все true positive складываются в общую копилку, поэтому новая категория помогла вытянуть итоговый F1

Классический случай: офлайн-метрику оптимизировали, заборы успешно покрасили, менеджеры получили бонусы, а на рекламодателей оказалось насрать — в прямом смысле слова, но хотя бы чужими силами.

😆 Публиковать статистику сервиса я не хотел, но 8% туалетного трафика это уже не смешно.

Читать полностью…

Конференция, на которой точно не соскучишься🎙️

26 сентября Яндекс празднует 10-летие Data Driven, и празднует с размахом: доклады про AI-first-аналитику, стенды с экспертами, Random Coffee с топовыми аналитиками, а вечером — афтерпати с музыкой, закусками и IT stand-up от аналитиков про наболевшее.

Из докладов особенно ждём: Роман Халкечев расскажет о том, как AI переписывает правила игры при работе с данными, Артём Солоухин покажет MARS — первую мультиагентную рабочую среду Яндекса, а Максим Стаценко поделится, как собрать агента-аналитика, которому можно доверять, — с конкретными шагами.

Москва + онлайн💻, 26 сентября.

Мест офлайн немного — регистрируйтесь по ссылке

Новости конференции

Читать полностью…

🤣 Как за год заработать банку 50 тысяч

👼 После того как я стал руководителем, мне хотелось решить как можно больше задач силами своей команды. Мы умели работать с текстами, и эту экспертизу хотелось применить в продуктах банка.

📈 Одна такая задача нашлась в инвестиционном продукте. Новости без категорий было неудобно читать. По крайней мере, так казалось мне — человеку, который умел их классифицировать. Решение выглядело очевидным: давайте сделаем классификатор. Я убедил бизнес, собрал первую модель и передал её джуну на доработку. Мы разметили данные, улучшили качество и показали результат заказчику. Тексты хорошо раскладывались по категориям, заказчик был доволен — договорились внедрять в мобильное приложение.

🗓️ А дальше приложение переделывали, команда менялась, приоритеты уезжали. Так прошёл год.

🎉 Наконец классификатор внедрили, запустили A/B-тест и ещё через месяц подвели итоги. Оказалось, что он приносит банку 50 тысяч рублей в месяц — примерно зарплату джуна, который его допиливал.

🤦‍♂️ Где мы облажались?

- Не спросили, какую продуктовую метрику хотим изменить, за счёт чего и насколько. Мы просто решили, что категоризированные новости — это хорошо.

- Заранее не договорились, как будем измерять эффект. В итоге продакт что-то как-то протестировал, а мы что-то как-то посчитали.

Этот печальный опыт усилил мою аллергию на внедрение технологий по мотивам русских сказок: «Пойди туда, не знаю куда. Внедри затем, не знаю зачем». После этой истории у меня закончился нейросетевой недотрах. 😅

🎯 Прежде чем делать модель, ответьте на два вопроса: какой бизнес-эффект она должна дать и как вы его измерите. До продакшена классификатор мы довезли. До бизнес-эффекта — нет.

А как думаете вы, почему классификатор удалось внедрить только через год? Пишите свои версии в комментариях 👇

Читать полностью…

🐍 Как сделать автоматизацию поддержки 100% одной фразой

🎤 В 2018 году в одной крупной компании проходила презентация чат-бота. Команда защищала метрику автоматизации.

Один из топ-менеджеров выслушал доклад и сказал:

— Я знаю, как одной фразой довести вашу автоматизацию до 100%.

📊 В 2020 году уже в другой крупной компании топ-менеджера уволили за то, что он слишком успешно растил автоматизацию.

Автоматизацию растили. Топ-менеджера сократили. Баланс всё-таки нашёлся — просто не там.

🤖 В 2026 году помощь понадобилась одному AI-директору. Он обратился во внутренний хелпдеск, но ответа не получил: годом ранее компания успешно выполнила цели по внедрению AI и сократила поддержку.

AI внедрили. Помогать стало некому.

Когда-то я уже выпускал статью о том, как сделать контактный центр автономным. Похоже, кто-то воспринял слово «автономный» слишком буквально: теперь контактный центр не зависит ни от операторов, ни от обращений, ни от необходимости кому-то отвечать.

Что общего у этих историй?

У метрики автоматизации есть неприятная особенность: она не умеет отличать ситуацию «клиенту помогли» от ситуации «клиент не смог ни до кого достучаться». В обоих случаях оператор не понадобился.

Поэтому автоматизацию нельзя растить без второй метрики, которая показывает, не стало ли клиентам хуже. Иначе вместе с автоматизацией можно незаметно вырастить отток, а повторные покупки и кросс-продажи — так же незаметно сократить.

🐍 Говорят, на змею не действует собственный яд. Но в этой истории в конце концов подействовал. Правда, это был яд других гадюк.

💬 А теперь вопрос: какая одна фраза может сделать автоматизацию чат-бота 100%?

Пишите свои версии в комментариях 👇

Читать полностью…

🤣 Яндекс сам себя забанил

Помните, я писал, как Тинькофф защитил меня от собственного спама?

Похоже, тг-боты Яндекса это прочитали, решили повторить успех и применили тот же подход к рекламе.

🍽 Хотел купить рекламу для @mirabistro на Яндекс Картах. Написал в чат-бот поддержки. Бот объяснил, что нужно отправить письмо на указанный им адрес, добавить номер телефона и логин — всё сделал по инструкции.

✉️ Причём для надёжности отправлял письмо из Яндекс Почты на аккаунт Яндекса. Текст — практически тот же, который предложил бот.

🛡 Но письмо не ушло: Яндекс решил, что оно похоже на спам, и временно заблокировал отправку.

Итого: бот Яндекса написал инструкцию, я ей последовал, а другой бот Яндекса защитил Яндекс от покупки рекламы в Яндексе.

Вот она — настоящая сквозная автоматизация бизнес-процессов 😅

P.S. @yandex свяжитесь со мной)

Читать полностью…

Конференция Ozon Tech, уже успевшая заслужить высокоранговую славу, обещает и в этом году собрать много интересного для тех, кто работает с ML&DS. Программа E-CODE 2026 еще пополняется, но трек уже выглядит вполне серьезно: сложный индустриальный ML, генеративные подсказки, уровни дообучения и агентский Cotype.

Такое нам определенно надо. Еще и участие бесплатное - осталось только зарегистрироваться: https://ecode.ozon.tech/

Ну и в рамках соблюдения work-life balance вечерком прям там же можно и под «Хлеб» с «Нейромонахом Феофаном» отжечь 😅

Читать полностью…

Как понять по письму, что задача не выполнена? 📨

За годы работы в крупных компаниях мне пришлось прочитать очень много писем. Иногда их приходит до сотни в день. Поэтому навыки анализа данных приходится применять и здесь.

Представьте: вы поставили кому-то задачу, подошёл срок — и вам присылают отчёт. Это может быть один абзац, а может быть целый лист А4. Вы читаете про процесс, коллег, сложности и то, как все героически преодолевали препятствия. Первый абзац, второй, третий… Очень интересно. Все явно вспотели 😅

Письмо заканчивается, а вы так и не поняли: задача выполнена или нет? 😅

Чем выше вы поднимаетесь в компании, тем сильнее вас интересуют две вещи: какой результат получен и сколько пользы он принёс бизнесу в рублях 💰

Письма с результатом обычно короткие:

✅ «Задача выполнена. Конверсия выросла с X до Y. Эффект для компании — N миллионов рублей».

Но даже если письмо длинное, при наличии результата о нём напишут в первом абзаце. В крайнем случае — в последнем.

Поэтому длинные письма можно читать по простому алгоритму 🔍: сначала первый абзац, затем последний. Если ответа нет ни там ни там, скорее всего, внутри будут процесс, сложности и оправдания.

А если вам сложно писать короткие и ёмкие тексты, советую прочитать книгу «Пиши, сокращай: Как создавать сильные тексты» 📘 Она хорошо учит убирать лишнее и сразу доносить главную мысль.

Конечно, бывают исключения. Но в классификации статусных писем и отчётов длина письма — топ-фича 🎯 Если результата нет в первом или последнем абзаце, с большой вероятностью его нет. Более того, если такие письма вам приходят постоянно от одного и того же оправителя, то результат можно вовсе не ждать.

Читать полностью…

❓ Научитесь отвечать на вопрос «зачем?», прежде чем ставить задачу ИИ

Моё знакомство с Codex началось, когда появилась вполне конкретная задача: собрать сайт для @mirabistro.

Сайты я делал и раньше — первый написал на PHP ещё в восьмом классе. Но никогда не вайбкодил и относился к этому довольно скептически. Несмотря на десять лет работы в анализе данных, мне казалось, что нормальный рабочий продукт всё равно придётся долго собирать руками. А тратить время на проект без понятной цели я не хотел.

🌐 Здесь наконец появилась конкретная цель. К тому же все «эксперты по ИИ» в соцсетях уже рассказывали, что теперь такие вещи можно собрать чуть ли не за один вечер. Я решил проверить — и сайт действительно получился. Напишите в комментариях, как он вам 👇

После этого я начал вайбкодить почти каждый день. 😁

Но именно тогда я понял главное: когда ИИ позволяет очень быстро собрать практически любой MVP, становится особенно важным ещё до начала работы ответить на вопрос: «зачем?»

🏠 Недавно у меня появилась новая «задача».

Дома стоит старый видеодомофон Tantos. У него есть приложение vhOme, которое работает довольно медленно, не присылало уведомления о звонках на iPhone и просто не нравилось мне визуально.

Приложения под Android я тоже писал — как вы помните. Правда, это было ещё в 2014 году. И самое смешное, что vhOme выглядело примерно так же, как мои приложения того времени. Но у меня хотя бы не было дизайнера. Точнее, дизайнер был — я сам 😅

Я такой:

— Сейчас сделаю своё приложение.

📱 Закинул в Codex APK Android-приложения. Он разобрал его, вытащил используемые методы, нашёл механизмы подключения к домофону и получения видеопотока. Ещё немного — и можно было начинать писать полноценное приложение под iOS.

Можно было упороться окончательно: сделать системный экран входящего звонка, после ответа сразу открывать видео, добавить две кнопки — «Открыть» и «Не открывать», оформить аккаунт разработчика и попробовать выложить всё это в App Store.

В целом многие приложения теперь действительно можно допиливать и переделывать под себя. Если есть работающий клиент, ИИ способен исследовать его поведение, разобраться с протоколами и собрать свое решение.
В итоге я потратил несколько часов на исследование vhOme.

🤔 Но перед тем, как переходить к полноценной разработке и публикации в App Store, я всё-таки остановился и задумался: а точно ли эту задачу нужно решать таким сложным способом? Нет ли чего-то проще?

И главное: зачем мне вообще собственное приложение?

Мне было нужно не приложение само по себе. Мне было нужно не пропустить звонок в дверь.

🔔 А потом выяснилось, что проблема была не в домофоне: пришлось поиграться с режимами «Фокусирование» на iPhone и правильно настроить допуск уведомлений.

После этого они начали приходить.

Собственное приложение с быстрым переходом к видео и двумя кнопками всё ещё было бы удобнее. Но когда пуш уже работает, потенциальный аплифт от разработки резко снижается.

🎓 Если, конечно, перед вами не стоит образовательная цель. Тогда ответ на вопрос «зачем?» тоже есть: разобраться в чужом приложении, исследовать протоколы и научиться собирать собственные продукты под iOS. В этом случае само исследование уже становится результатом.

🤔 Но изменилось ли что-то с появлением вайбкодинга?

В вопросе целеполагания — ничего. Ведь и раньше существовало огромное количество бесполезных стартапов, научных статей и корпоративных проектов, которые пятый год подряд делают одно и то же второй раз.

ИИ не решает проблему целеполагания. Он помогает быстрее написать код и дешевле проверить гипотезу, но не способен решить за вас, какой результат действительно нужен и стоит ли вообще браться за проект.

🎯 Поэтому главный навык сейчас — умение отвечать на вопрос «зачем?».

Так было всегда: на вопрос «зачем?» должен уметь отвечать заказчик и любой руководитель, который несёт ответственность за результат. Но теперь, когда вы ставите задачу ИИ и с его помощью пишете код, вы тоже становитесь руководителем — как минимум собственного проекта.

А значит, теперь и вам нужно уметь отвечать на главный вопрос:

«зачем?»

Читать полностью…

🎉 Мы запустили МИРА бистро — это очень дорогой pet-проект 😅

👀 Внимательные читатели уже могли что-то заподозрить: последние бранчи ODS Moscow × Нескучный Data Science проходили именно там.

Пора признаться — это было не случайное совпадение и не очень нативная рекламная интеграция.

🏦 Четыре с половиной года назад, когда мой банковский стаж уже перевалил за пять лет, в самом первом посте я признался, что никогда не собирался работать в крупных компаниях, тем более в банках.

К настоящему моменту стаж приблизился к десяти годам, а я прошёл путь от джуна до управляющего директора с командой из 150 человек. Прогноз оказался неточным, зато обучающая выборка получилась отличной.

🤖 Все эти годы главной темой канала было практическое применение ИИ в бизнесе — ровно то, чем я занимался в финтехе: находил точки применения ИИ, оценивал потенциальный эффект и встраивал решения в бизнес-процессы.

Теперь похожую задачу мы уже решаем в собственном бизнесе.

🏪 Главное отличие — в начальной точке: в бигтехе и финтехе данные обычно собираются и логируются, хотя используются далеко не всегда, а в небольшом офлайн-бизнесе их обычно не собирают системно.

📊 Но в главном небольшой бизнес ничем не отличается от крупного: путь к AI-native компании начинается с data-driven фундамента.

Сначала мы описываем и оцифровываем процессы, организуем сбор данных и выстраиваем систему метрик, а затем внедряем ИИ.

🔬 Основные принципы при этом остаются прежними: начать с изучения бизнес-процесса — подобно тому, как физик изучает природу, понять, как его можно улучшить и где ИИ принесёт измеримый эффект, а затем довести решение до внедрения.

👨‍🏫 Этим же принципам я учил руководителей на курсе «Принятие решений на основе данных», а теперь применяю их уже в роли владельца компании.

В МИРА мой опыт в данных, ИИ и построении процессов соединился с ресторанной операционкой — на том самом стыке ортогональных областей, о котором я писал в посте про настоящий аплифт от ИИ.

🚀 Для подписчиков это будет кейс о том, как перенести опыт из ИИ и крупного бизнеса в собственную компанию.

В предыдущем посте я писал, что работодатель больше платит тем, кто помогает ему больше зарабатывать. Но эта сделка работает в обе стороны: когда вы относитесь к чужой компании как к своей и выбираете сложный путь, который приносит ей дополнительный результат, вы одновременно накапливаете опыт и инструменты.

Теперь проверим, насколько хорошо этот опыт переиспользуется уже в собственном бизнесе.

🎁 Но прежде чем рассказывать о применении ИИ, нужно понять сам продукт и изучить его процессы. Только после этого станет ясно, где и зачем нужен ИИ.

Поэтому в следующем посте будет первая коллаборация с каналом @mirabistro и акция для подписчиков. Сначала познакомлю вас с продуктом, а уже потом перейдём к данным, метрикам и применению ИИ.

Читать полностью…

24 сентября скучно не будет – в этот день пройдёт Yandex Scale 2026, флагманская технологическая конференция Yandex Cloud.

🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨
🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨
🎨🎨🎨🎨🎨🎨🎨🎨🎨

Четыре офлайн-трека: Data – обновления сервисов управляемых баз данных, новые возможности аналитики и честный разбор одного из самых сложных кейсов миграции данных, плюс AI, Hybrid Infrastructure & DevOps и Security.

А в онлайне — отдельный технологический трек DeepTech: реальные воркшопы, в которых можно принять участие, игровые механики и эксклюзивные гости.🎨

🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨
🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨
🎨🎨🎨🎨🎨🎨🎨🎨🎨

Кроме того — виртуальный стенд VibeCraft, где можно завайбкодить проект.

Плюс отдельная онлайн-студия с интерактивной программой где можно:
🔴 оценить юмор на Лиге IT-шуток;
🔴 задать вопросы СТО Yandex Cloud;
🔴 послушать известных научпоп-спикеров и задать им свои вопросы;

Зрители голосуют и в реальном времени влияют на взаимодействие в студии. И это ещё не всё!

🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨
🎨🎨🎨🎨🎨🎨🎨🎨🎨
🎨
Актуально для дата-сайентистов, ML-инженеров, аналитиков и всех, кто хоть раз чинил пайплайн в пятницу вечером.

24 сентября, Москва + онлайн. Оставить заявку можно по ссылке – участие бесплатное!

Реклама. ООО «Яндекс.Облако». ИНН 7704458262. Erid: 2VtzqwwQoy4

Читать полностью…

🔥 Как прошёл офлайн-бранч ODS Moscow × Нескучный Data Science

🧠 Начали с доклада Альберта про то, как в Avito обучают собственную LLM.

Это не история про «взяли открытую модель и немного дообучили», а полноценный процесс: выбор базовой модели, собственный токенизатор, адаптация на данных Avito, SFT и дальнейшее обучение с помощью RL.

Для SFT собрали больше 800 тысяч примеров: открытые датасеты, синтетические данные, олимпиадные задачи, внутренние бизнес-кейсы и диалоги пользователей с большими моделями.

На этапе RL отдельно развивают несколько навыков модели: решение математических задач, следование сложным инструкциям и корректный вызов инструментов. Причём для каждого навыка нужен свой автоматически проверяемый reward.

В математике система извлекает финальный ответ и проверяет его эквивалентность правильному. В instruction following — смотрит, выполнила ли модель все заданные ограничения. В function calling — проверяет название инструмента, аргументы и их значения.

Отдельно поговорили про инфраструктуру. Для моделей на 8B параметров можно относительно быстро запускать эксперименты и проверять гипотезы. Но при переходе к большим MoE-моделям главным вызовом становятся масштабирование, распределение модели по GPU, батчинг, инференс и offloading.

👨‍🔬 После продуктовых LLM резко переключились на химию.

Константин начал с важной мысли: химическая информация — это не один универсальный тип данных. Одну и ту же молекулу можно представить текстом, строкой SMILES, двумерным графом, трёхмерной структурой или структурой, которая изменяется во времени. И под каждое представление нужны свои методы и модели.

Поговорили о том, почему даже на фоне сложных нейросетевых архитектур связка Morgan fingerprints + XGBoost всё ещё остаётся очень сильным базовым решением для многих задач с химическими данными.

Затем перешли к геометрическим графовым нейронным сетям. Они учитывают расположение атомов и позволяют предсказывать свойства молекул в десятки раз быстрее традиционных DFT-расчётов.

Отдельно разобрали нейронные потенциалы и delta-ML. Идея в том, чтобы не выполнять каждый раз дорогой квантово-химический расчёт полностью: часть свойства можно посчитать более дешёвым методом, а нейросети поручить предсказать необходимую поправку.

Дошли и до LLM с агентами. Здесь пока всё не так магически, как иногда выглядит в заголовках: модели могут по-разному отвечать на один и тот же вопрос в зависимости от того, передали им обычное название соединения, IUPAC или SMILES. А некоторые агенты, которые должны самостоятельно запускать вычислительные эксперименты, пока скорее напоминают roadmap, чем полностью автономного исследователя.

Зато роботизация лабораторий уже вполне реальна: специализированные платформы, роборуки, автоматическое проведение серий экспериментов и превращение обычного оборудования в high-throughput-системы.

🎬 После двух технических докладов разговор с Денисом про ИИ в кино оказался очень кстати 😅

Обсудили, где новые инструменты уже помогают при работе с контентом, какие процессы способны ускорить, где вызывают сопротивление и в каких задачах пока остаются скорее экспериментом.

Но, как обычно, самое ценное происходило не только во время выступлений. После докладов продолжили обсуждать услышанное за завтраком, задавать вопросы, спорить, знакомиться и делиться своими кейсами.

Спасибо Альберту, Константину и Денису за содержательные выступления, ODS Moscow — за очередную совместную встречу, МИРА бистро — за пространство, а всем, кто пришёл, — за вопросы и атмосферу.

Формат «бранч + несколько докладов» точно будем повторять.

Поэтому уже начинаем собирать темы для следующего бранч-митапа. Если вам есть о чём рассказать — про рабочий кейс, исследование, неожиданный эксперимент, применение ИИ в своей индустрии или даже неудачу, из которой можно сделать полезные выводы, — присылайте тему доклада и пару предложений о себе в комментарии или личные сообщения.

P.S. Будем учиться фотографироваться до того, как все разошлись 😅

Читать полностью…

Оффер на Senior Data Science роль за 1 неделю — реально? 🚀

Да. Авито запускает Fast Track — ускоренный отбор для Senior и Senior+ Data Science специалистов. Одна неделя на все технические этапы и финал → оффер в классифайд №1 в мире по количеству пользователей.

📅 Основные этапы — 20–26 июля. Регистрация по ссылке открыта до 15 июля, 23:59 МСК.

Как проходит:
🟣 До 15 июля — заявка + HR-скрининг
🟣 До 24 июля — техническая секция (ML-теория + Python)
🟣 25 июля — ML System Design
🟣 26 июля — финал
🟣 До 28 июля — оффер

Преимущества фаст-трека:
🟣 Быстрый отбор и совмещённые этапы
🟣 Все даты известны заранее
🟣 Возможность оценить свои скилы — результат закрепляется на год

Кого ждут:
🟣 От 4 лет опыта в крупных российских и международных IT, BigTech и FinTech компаниях
🟣 Полный цикл разработки моделей — от ресёрча до выкатки в прод
🟣 От 1 года самостоятельного лидирования проекта, автономность и инициативность

Команды на выбор: антифрод и модерация, монетизация и реклама, поиск и рекомендации, вертикальные DS-команды.

⏳ Регистрация — до 15 июля. Успей оставить заявку. Рекрутеры проведут тебя через все этапы за рекордно быстрые сроки!

Читать полностью…

Всем привет!

🌇 В эту субботу дата бранч!

📆 Когда: Суббота (27 июня)
🕖 Время: 12:00
📍Место: Mira Bistro (Тверская ул., 16, стр. 1) Вход со стороны м. Тверская/Пушкинская

Бронь на имя Александр ODS

Ставь 👍 если придешь

ODS Moscow

Читать полностью…

Как таксист пытался присвоить часы жены — и спалился на собственных данных ⌚️📊

Эта история произошла больше года назад. Дату я восстановил, найдя в канале пост о награждении Alfa Awards — после него всё и случилось.

🚕 Мы с женой возвращались домой на «Бизнесе» от Яндекса. Водитель встретил нас у машины и закрыл дверь — всё соответствовало тарифу.

Во время поездки жена сняла Garmin. Вспомнили об этом только дома, когда перед сном понадобилось поставить будильник.

🔍 После двадцати минут поисков я проверил квартиру, подъезд, дорогу от машины до дома и даже заглянул под скамейку.

Часов нигде не было. Оставался один вариант — такси.

📞 Я нашёл номер водителя, позвонил и включил режим сбора данных.

Сначала он сказал, что часов не находил. Затем сообщил, что после нас у него было два заказа: в одном ехали двое пассажиров, в другом — девушка.

Круг подозреваемых получался небольшим: водитель и трое пассажиров.

🧩 Я перезвонил и поделился этой мыслью: все поездки зафиксированы, поэтому полиции будет несложно восстановить события и понять, кто присвоил часы.

И тут версии начали расходиться.

Во втором разговоре изменилось количество пассажиров, а последовательность заказов стала другой. Либо человек плохо помнил события последних часов, либо сознательно менял показания.

Мы ещё несколько раз связались с водителем, дособрали факты и повысили вероятность гипотезы о том, что он нас обманывает.

В какой-то момент модель, видимо, стала очевидной не только для нас.

Водитель сказал, что ещё раз поищет, а затем перезвонил:

— Нашёл! Часы лежали в кармане сиденья. Видимо, вы сами их туда положили.

🚘 Через полчаса он приехал и вернул Garmin.

Часы почему-то были выключены.

Я включил их и увидел другой циферблат и новые настройки. В профиле были указаны дата рождения, пол, рост и вес нового владельца.

То есть часы успели сбросить, настроить под другого человека и надеть на руку.

И здесь история стала особенно интересной для человека, который занимается данными.

❤️‍🔥 Garmin записывал пульс, вариабельность сердечного ритма и уровень стресса.

По данным можно было увидеть не только примерное время сброса настроек, но и всплески стресса во время наших звонков.

Корреляция получилась выразительной.

Без пароля от нового аккаунта выгрузить данные не удалось. Поэтому график на карточке — реконструкция событий, а не сохранённый экспорт из Garmin.

Но главным разочарованием оказался даже не водитель.

💬 После первого обращения поддержка Яндекса фактически ответила:

— Водитель сказал, что ничего не находил. Мы ничем не можем помочь.

Когда часы вернулись и я рассказал, что их сбросили, настроили под другого человека и носили на руке, позиция почти не изменилась:

— Хотите — обращайтесь в полицию.

То есть сервис получил историю о попытке присвоить имущество стоимостью около тысячи долларов и не увидел повода разобраться.

Никакой проверки водителя.
Никакого внутреннего расследования.

Отдельный апсет: всё это произошло в «Бизнесе». Выбирая этот тариф, рассчитываешь не только на дорогую машину и открытые двери, но и на другой уровень сервиса и ответственности.

При этом я понимаю, насколько сложна работа таксиста: длинные смены, пробки, высокая нагрузка и постоянный стресс. Но это не оправдывает попытку присвоить чужую вещь.

В полицию я не обратился.

Надеюсь, для водителя эта история стала шансом остановиться и исправиться. Судя по уровню стресса во время наших разговоров, вечер и без полиции оказался для него поучительным.

Хочется верить, что он воспринял произошедшее как урок, а не как сигнал о том, что подобное можно повторять без последствий.

💡 Практический вывод

Используйте методы анализа данных не только в работе, но и в повседневной жизни.

Когда мы строим модели, то собираем факты, сравниваем версии, проверяем гипотезы и восстанавливаем причинно-следственные связи.

Практически как детективы 🕵️‍♂️📊

Иногда эти навыки помогают не только продавать кредиты, повышать конверсию и оптимизировать бизнес-процессы, но и проводить вполне реальные расслед

Читать полностью…