Yandex for Developers

🎓 Как преподаватель математики стала руководителем ML-направления в ШАДе Привет, это Валя Бронер. Я 11 лет преподавала студентам математику в Томском государственном университете, а затем перешла в бигтех. Последние три года я руковожу ML-направлением в ШАДе Яндекса и создаю курсы по машинному обучению. Сегодня я расскажу, что мне нравится в преподавании, почему решила уйти из вуза в ШАД и как ML-разработчики помогают мне создавать актуальную программу в одной из самых динамичных современных индустрий. 🅰️ Всё началось ещё в магистратуре Однажды я заменяла преподавателя на курсе матанализа. Объясняла тему и вдруг, прямо посреди семинара, чётко осознала её место в общей структуре предмета. Картинка будто сложилась целиком, и я испытала такой восторг, что захотела одного: чтобы мои студенты чувствовали то же самое. Так я поняла, что мы с образованием друг друга любим. И сейчас я уверена, что, как бы ни менялась траектория моей жизни, она всегда будет с ним связана. 🅰️ 11 лет преподавала на любимой кафедре Я работала в ТГУ на творческой кафедре теории вероятностей и математической статистики: здесь все делали и продолжают делать больше, чем от них ожидается. Вместе с коллегами мы организовывали конференции, занимались наукой, экспериментировали с подходами к преподаванию и старались сделать занятия понятными, осязаемыми и наглядными. Например, на курсе аналитической геометрии, чтобы студенты лучше понимали сечения поверхностей и тел, мы демонстрировали их на овощах, фруктах и даже чипсах. Ломтик Pringles — это гиперболический параболоид, разрезанный огурец — модель цилиндра, картошка — эллипсоид. А после занятий студенты съедали наглядные пособия и были всем довольны. 🅰️ Но в университете мне становилось тесно Что-то кардинально менять я могла только в рамках кафедры, и мне не хватало кого-то, кто бы поддержал мои сумасшедшие идеи в большом масштабе. Окончательно уйти из вуза решила после ковида. Я обожала живое взаимодействие со студентами, но все перешли на удалёнку, и общения очень не хватало. А когда карантин закончился, студенты привыкли быть аватарками в зуме и просто молча писали конспекты. Это был очень тяжёлый опыт. Когда я решила расстаться с вузом, один из моих студентов-дипломников передал моё резюме руководителю Академии Яндекса. А через месяц после собеса я переехала в Москву и начала работать в ШАДе. 🅰️ С ML я познакомилась ещё до Яндекса Когда я работала в ТГУ, ко мне обратилась студентка, которая хотела писать диплом по ML. Это не было моей специализацией, но я согласилась стать её научруком: вместе мы разобрались в теме, и студентка успешно защитилась. Со временем ML стал частью моей работы, но я всё равно остаюсь математиком, а не разработчиком. Математический бэкграунд помогает мне разбираться в техническом содержании, а преподавательский опыт — понимать студентов и преподавателей. 🅰️ Теперь я шуршу по Яндексу и ищу идеи для новых курсов Одна из моих задач в ШАДе — следить за актуальностью ML-программы и развивать её. Поэтому я хожу в разные ML-команды, зову разработчиков на кофе и спрашиваю, чем они занимаются, что интересного происходит в их области и что обсуждают на конференциях. Часто ребята приходят к нам с идеями сами: так было с курсом по рексистемам, который полностью пересобрали тимлид из Лавки и его команда. Потом я собираю или пересматриваю программу, решаю, какой курс будет внутри неё, и приношу ML-разработчикам на уточнение, а параллельно ищу преподавателя, который будет вести курс. Затем — запуск, занятия и сбор фидбэка от студентов. Есть и особый формат курсов — открытые интенсивы на широкую аудиторию. Тут я тоже решаю много задач: ищу темы, подбираю команды, готовлю преподавателей к съёмкам и взаимодействую с аудиторией. ⏩️ Читайте мою историю целиком в блоге о работе в Яндексе. Там я рассказала, кто помогает мне в проектах, почему мне нравится курировать студентов и какими образовательными проектами я занимаюсь помимо ШАДа. Подписывайтесь: 💬 @Yandex4Developers

🚀 Yandex Scale 2026: ключевые IT-анонсы года 24 сентября пройдёт Yandex Scale 2026 — конференция для разработчиков, тимлидов и создателей продуктов, на которой мы расскажем о новых технологиях и анонсах Yandex Cloud. Что вас ждёт: 🔴 DeepTech — новый трек, где мы расскажем, как устроены технологии, исследования и разработки, на которых живут сервисы Яндекса. Обсудим мониторинг AI-агентов в «чёрных ящиках» LLM, экономически эффективный инференс для агентных сценариев и особенности распределённого векторного поиска 🔴 AI — ключевые обновления Yandex AI Studio, новая философия Yandex SpeechSense и голосовые агенты 🔴 Hybrid Infrastructure & DevOps — изменения в подходах с появлением AI-сотрудников, единая платформа для любых контуров, путь в гибрид и Kubernetes® в тысячи нод 🔴 Security — безопасность без границ инфраструктуры, методы защиты при использовании LLM и AI-приложений, новые подходы к аутентификации и управлению доступом 🔴 Data — анонсы платформы данных, истории клиентов о миграции и доклад о движении к самоуправляемым базам данных В программе более 30 выступлений в пяти треках, 15 воркшопов и более 60 экспертов из Yandex Cloud, Азбуки вкуса, Альфа-Банка, Додо Инжиниринга, ИТМО, Красцветмета, Mindbox и других компаний. 📆 24 сентября 📍 Москва, Большой бульвар, 40 (БЦ «Амальтея»), и онлайн ⏩️ Зарегистрироваться на Yandex Scale 2026 🎉 До встречи на конференции! Подписывайтесь: 💬 @Yandex4Developers

📕 Защищаем пользователей Яндекс Карт, разбираемся, как AI меняет аналитику, и делимся впечатлениями с ICML 2026. Всё это и многое другое — в новом дайджесте от Yandex for Developers 🚕 Куда сходить 🔴 5 сентября — deep tech night. А у нас новости программы! Конференция пройдёт в двух форматах: Hard — технические доклады с акцентом на сложность и масштаб задач, и Experiment — лайтнинги и интерактивные кейсы об опытах с AI-агентами 🔴 9 сентября — Data Dojo в Санкт-Петербурге. Соберёмся сообществом ML-специалистов: обсудим тренды, разберём реальные задачи из соревнований и поделимся прикладными кейсами 🔴 19 сентября — Practical ML Conf в Москве и онлайн. Расширяем программу и анонсируем вторую волну спикеров: поговорим о диффузионном драфтинге в спекулятивном декодинге, инфраструктуре для массового инференса LLM и других кейсах прикладного ML 📖 Что почитать 🔴 Как мы защищаем пользователей Яндекс Карт. Рассказываем, как построили классификацию фрода, обучили модели для анализа новых точек и ужесточили модерацию, чтобы бороться с мошенниками и геоспамом 🔴 Несём впечатления с ICML 2026. Делимся инсайтами: как устроена ICML изнутри, чем запомнилась программа этого года, какие исследования Яндекса вызвали наибольший ажиотаж и почему в центре внимания оказались AI-агенты 🔴 От разработчика до СТО: Спорт, Погода и ML. Саша Южаков, СТО Meteum, рассказал, какой он прошёл путь, прежде чем стать лидом, как управлял тремя сервисами одновременно и как они с командой одними из первых в мире начали применять ML в прогнозе погоды 🔴 Поиск картинок, 3D-кино и автономный транспорт. Игорь Хураськин, руководитель группы ML-инференса в Автономном транспорте, рассказал, как никогда не заскучать в одной компании, почему он ушёл из лидов в разработчики стартапа и чем ему пригодился этот опыт, когда он вернулся в руководители 📺 Что посмотреть 🔴 Как AI меняет аналитику (и аналитиков). Обсудили это в новом выпуске подкаста «Доверительный интервал» с Сашей Исаковым, руководителем группы разработки аналитических AI-решений в Яндекс Лавке. Смотрите на ютубе и в VK Видео или слушайте в Яндекс Музыке 🔴 Доклады с ML Global Recap’H1 2026. Здесь мы подвели ключевые итоги ICML и других международных конференций и разложили по полочкам самое важное, что произошло в ML-индустрии в первом полугодии 2026 года. Смотрите на ютубе и в VK Видео Подписывайтесь: 💬 @Yandex4Developers

🚀 «Первыми применили ML в прогнозе погоды» Всем привет, это Саша Южаков, СТО Яндекс Погоды. В 2013 году я отправил резюме в Яндекс и переехал в Екатеринбург. В итоге меня взяли фронтендером. Я сделал ровно одну задачу в этой роли, а потом ушёл в инфраструктуру и бэкенд, которыми занимаюсь до сих пор. 👳‍♂️ В карточках я рассказал, как прошёл путь от разработчика до руководителя, как управлял тремя сервисами одновременно и как мы одними из первых в мире начали применять ML в прогнозе погоды. ⏩️ А полный материал читайте по ссылке: там я делюсь деталями, которые не поместились в карточках, и объясняю, что значит быть руководителем на самом деле. Подписывайтесь: 💬 @Yandex4Developers

🔥 Новости программы deep tech night На конференции deep tech night вас ждут два формата: • Hard — технические доклады о сложных и масштабных задачах. Формат подойдёт тем, кто хочет вдумчиво разобраться в технической стороне темы. • Experiment — лайтнинги и интерактивные кейсы об экспериментах с AI-агентами, новых подходах и продуктовых находках. Этот формат для всех, кому интересно пробовать новое и следить за трендами. 👳‍♂️ В карточках рассказываем о новых спикерах и их темах. Смотрите полную программу и регистрируйтесь на deep tech night, которая пройдёт 5 сентября. Присоединиться к конференции онлайн можно по предварительной регистрации. ⏩️ Зарегистрироваться Подписывайтесь: 💬 @Yandex4Developers

📕 Генерируем и редактируем картинки в одной модели, используем AI в аналитике и смотрим доклады с главных ивентов Яндекса за первую половину 2026-го. Об этом и не только — в новом дайджесте Yandex for Developers 🚕 Куда сходить 🔴 12–13 сентября — Weekend Offer ML. Это формат быстрого найма для ML-специалистов. Приглашаем за выходные пройти все этапы собеседований, познакомиться с командами и затем получить офер, если всё пройдёт хорошо 🔴 3 октября — «Я про бэкенд» в Москве и онлайн. На конференции разберём хардовые кейсы из разработки и челленджи на серверной стороне AI: хранение и стриминг данных, работу на стыке с железом и другие вызовы на бэкенде 🌎 Что случилось 🔴 Yet Another BugBounty Meetup 2026 прошёл, а впечатления остались. 17 июля мы встретились сообществом багхантеров: в постмит-посте собрали ключевые инсайты и оставили ссылку на фотографии. Ищите себя, если вы тоже принимали участие 📸 📖 Что почитать 🔴 Alice AI ART 2.0: генерируем и редактируем. Рассказываем, как мы объединили генерацию по тексту и редактирование по картинке в одной модели, что пришлось изменить в архитектуре и как наше решение смотрится на фоне аналогов 🔴 «Мне всегда больше всех надо»: как расти в условиях неопределённости. Евгений Ширанков, руководитель платформенных сервисов в Яндекс 360, поделился историей своего карьерного пути и рассказал о запуске Биллинга и техрадара 🔴 Чем полезен AI для бизнеса и аналитики. Показываем, как можно облегчить себе жизнь с помощью ассистентов: ускорять A/B-тесты, автоматизировать логирование, описывать таблицы и многое другое 📺 Что посмотреть 🔴 Доклады с ивентов за первое полугодие 2026-го. Собрали прикладные и хардовые кейсы в одной подборке: как оптимизировать нейросети под слабое железо, строить observability для AI-агентов, выдерживать сотни гигабит входящего трафика и многое другое Подписывайтесь: 💬 @Yandex4Developers

🔎 Как мы объединили фичи картиночной Алисы На связи команда генеративных моделей в компьютерном зрении Поисковых сервисов и ИИ. Вместе с коллегами мы делаем мультимодального ассистента «Алиса AI». У модели Alice AI ART, которая отвечает за визуальную генерацию, есть два базовых сценария: 🔴 Text-to-Image (T2I) — генерация фото по текстовому описанию 🔴 Image-to-Image (I2I) — редактирование по картинке с инструкцией Всё это время эти сценарии жили как два разных стека: свои базовые модели, данные, метрики и своя отдельная боль в разработке и поддержке. Поэтому мы решили объединить их в одну модель, которая одинаково хорошо умеет и в T2I, и в I2I. 🅰️ Как мы проводили обучение ➕ I2I-задача редактирования требует от модели понимания референса: входное изображение всегда содержит конкретный объект, который нужно сохранить, трансформировать или дополнить. ➕ T2I-задача сильно прокачивает релевантность. Промпты для генерации с нуля, как правило, детальнее editing-инструкций: они описывают всё, что должно быть на изображении. Ключевая особенность обучения uni-модели — общий для обеих задач претрейн. T2I- и I2I-данные перемешаны, чтобы визуальный и текстовый прайоры были едиными. 🅰️ Как мы провели показательный эксперимент Взяли набор концептов, которые отсутствовали в наших данных для редактирования, но которые ранее собирались для T2I. Затем смешали данные и провели совместное обучение, а после проверили, что станет с I2I. Результат оказался такой, на какой мы и надеялись: концепты, выученные из T2I, становятся доступны в редактировании по инструкции. Специфические запросы начинают работать без необходимости повторять работу по сбору узких срезов данных. 📖 А в статье на Хабре мы рассказали: 🔴 На каких метриках мы измеряем качество моделей 🔴 Что изменилось в самой модели 🔴 Что планируем реализовать в будущем Подписывайтесь: 💬 @Yandex4Developers

📺 Оптимизируем нейросети под слабое железо, строим observability для AI-агентов и выдерживаем сотни гигабит входящего трафика. Всё это — в подборке записей докладов за первые шесть месяцев 2026 года 🔴 Выжимаем из железа максимум — Я.Железо. Как инженеры перешли от инференса на чистом C к TFLite, батчингу и квантизованным моделям, чтобы одновременно запускать на умной колонке несколько нейросетей и укладываться в жёсткие ограничения по CPU и RAM. Смотрите этот и другие доклады с Я.Железо на ютубе и в VK Видео 🔴 Как узнать, когда агент сломался — infra.conf’26. Разбираем, что такое observability для агентов, какие у неё есть особенности, зачем нужны evaluations и какие инструменты помогают контролировать работу агентов в проде. Смотрите доклад на ютубе или на сайте 🔴 Учим PostgreSQL хранить оргструктуру на 500 тысяч пользователей — Backend Talks. Рассказываем про эволюцию балансировки загрузок в Яндекс Диске: от наивного Round-Robin до разработки собственного алгоритма. Этот и другие доклады с Backend Talks смотрите на ютубе и в VK Видео 🔴 Интерфейсы, ассистенты и локальный AI в браузере — «Я 💛 Фронтенд». Рассказываем, как запускать модели прямо на устройстве пользователя, создавать по-настоящему адаптивные интерфейсы, применять веб-компоненты и внедрять новую дизайн-систему без вреда для команды. Собрали всё это в плейлистах на ютубе и в VK Видео 🔴 AI, архитектура и производительность — Yandex Mobile Runtime. Доклады на конференции разделили на две части: в треке AI (ютуб, VK Видео) поговорили об агентной разработке и внедрении нейросетевых фич в приложения, а в Not so AI (ютуб, VK Видео) разобрали архитектуру, производительность, нативную и кросс-платформенную разработку 🔴 Внедряем AI в разработку — AI Dev Day. Обсудили, как измерять эффективность AI-инструментов и масштабировать их на всю компанию. В программе — мультиагентные системы, внутренние продукты и рабочие решения. Смотрите доклады на ютубе и в VK Видео 🔴 Практический ML и рекомендательные системы — Data Fest. Рассказали про прикладное машинное обучение: от AgentOps в проде до генерации видео в реальном времени. А ещё разобрали, как устроен Грифон — гибридная генеративно-ранжирующая модель в рекомендациях Яндекс Музыки. Смотрите плейлисты по трекам на ютубе: Practical ML, ODS в Москве и ODS в Сербии Подписывайтесь: 💬 @Yandex4Developers

📕 Обсудили безопасность LLM, конфликты в переговорах и границы вайбкодинга — всё это в новом дайджесте Yandex for Developers 🚙 Куда сходить 🔴 5 сентября — deep tech night. Обсудим переход к генеративным моделям в RecSys, Physical AI, инфраструктуру RL-обучения, облако в эпоху AI, современную архитектуру NPU и другие темы 🔴 9 сентября — Data Dojo. Приглашаем тех, кто уже владеет основами ML и хочет двигаться дальше. Будем общаться с единомышленниками и разбирать реальные кейсы от экспертов Яндекса 🔴 12–18 сентября — Week Offer Security. Это формат быстрого найма для ИБ-специалистов. Приглашаем за одну неделю пройти все этапы собеседований, познакомиться с командами и получить офер, если всё пройдёт хорошо 🔴 19 сентября — Practical ML Conf. В программе хардовые доклады, дискуссии и активности. Вот только часть тем: экономически эффективный инференс LLM, Agentic Vision, query-based-модель в автономном транспорте и end-to-end генеративная модель рекомендаций в Музыке 🔴 26 сентября — Data Driven 2026. Нашей флагманской конференции для аналитиков исполнилось 10 лет. В этот раз сделаем акцент на AI-first-аналитике и будущем профессии в эпоху искусственного интеллекта 🌎 Что случилось 🔴 Начался новый сезон тренировок по алгоритмам. Рассказывайте знакомым джунам, которые хотят попрактиковаться в формате технических собеседований или подтянуть теорию по алгоритмам 📖 Что почитать 🔴 Как мониторить Java-приложения. В статье советы о том, какие метрики стоит взять за основу, как выбирать полезные алерты и что такое правило 80/20 🔴 Мультимодальное ранжирование в Яндекс Картинках. Рассказали про архитектуру, которая позволяет модели одновременно смотреть на изображение и читать текст 🔴 Что на самом деле умеет AI в разработке, а что ещё нет. Паша Сухóв, ведущий разработчик в Яндекс Доставке, поделился своим опытом использования кодовых ассистентов, агентов и MCP 🔴 Как злоумышленники из безопасной LLM за пару часов делают модель без цензуры. Причём не «уговаривают» модель через промпт, а хирургически убирают из неё сам механизм отказа 📺 Что посмотреть 🔴 Как превратить конфликт в пользу для продукта. Игорь Рубанов, руководитель аналитики в Яндекс Go, рассказал, когда в переговорах нужно искать союзника, а когда лучше эскалировать проблему. Послушать можно на ютубе, в VK Видео или в Яндекс Музыке 🔴 Доклады с Back to Back. 1 августа бэкендеры посмотрели 25 выступлений в трёх городах. Мы сложили их в удобные плейлисты: C++ Zero Cost в Москве и C++ Zero Cost в Белграде, Architecture&Performance в Москве и Architecture&Performance в Ереване Подписывайтесь: 💬 @Yandex4Developers

🤖 Что на самом деле умеют AI-ассистенты в разработке Вокруг AI в разработке всё ещё ходит довольно много мифов. Кто-то боится, что нейросети вот-вот заменят программистов, а другие уже представляют, как навайбкодят стартап за пару вечеров. Реальный опыт оказывается куда сложнее. На связи Паша Сухов, ведущий разработчик в Яндекс Доставке. Сегодня я поделюсь своим опытом: как я пытался использовать кодовых ассистентов, агентов и MCP, что понял в процессе и где AI может помочь вам. 🅰️ Рутина правда ускорялась Однажды я писал код для скрипта. Написал шесть строк, добавил в контекст нужные файлы и сказал: «Вынеси параметры, сделай --help, напиши доку». Мои шесть строк превратились в полтораста — с проверкой аргументов, созданием папок, логами каждого шага, справкой, примерами запуска и прочими вещами, которые я терпеть не могу делать сам. Кроме того, здорово помогало автодополнение: не по принципу «допиши вот эту строчку», а «смотри, вот ещё полфункции». Агент со временем понимает, что и как вы пишете, и начинает предлагать более точные варианты: оптимизирует структуру, проводит рефакторинг, находит и вставляет нужную лямбду. 🅰️ Но на сложных задачах вся магия рассеивалась Стоило мне взяться за что-то объёмное и нестандартное — например, собрать демку с геокартами или написать что-то на игровом движке Bevy, — начинался цирк. Агент путал версии API и после каждой правки бодро уверял, что теперь-то всё точно исправил, хотя на деле ломал ещё сильнее. Похожая история была и при работе с готовым кодом. Просишь перенести функцию из одного файла в другой — получаешь раздутый код с недописанными кусками. Иногда агент и вовсе попадал в цикл: поочерёдно откатывал и вносил одну и ту же неработающую правку. 🅰️ Модели стали лучше, но с нюансами Со временем они действительно стали писать код качественнее, особенно на локальных, быстрых и относительно изолированных задачах. Но вместе с тем они стали хитрее прятать баги. Цель моделей — написать не код, который работает, а код, который выглядит правдоподобно. Но всё же думать «А правильно ли это?» в среднем и продуктивнее, и приятнее, чем бесконечно думать «А как это вообще написать?», чтобы к моменту готового текста на проверку не осталось сил. 🅰️ AI помогает быстрее погрузиться в контекст ​​По работе мне регулярно приходится копаться в чужих проектах. Я постоянно сталкиваюсь с проблемой: с какого файла вообще начинать читать? Тут и пригождается нейросеть: я даю ей задачу такой, какая она есть. Главное тут — не её результат, а размышления: она найдёт нужную часть системы, я пойму, куда смотреть, и код станет читать проще. 🅰️ LLM нужно использовать правильно Нейросети не сняли с человека ответственность, не отменили необходимость думать и не научились стабильно писать серьёзные системы без присмотра. Зато они забрали то, что разработчики любят меньше всего: рутину, бойлерплейт, механические правки, поиск по чужому коду, черновую документацию, однотипные задачи и страх чистого листа. ⏩️ А полную статью читайте по ссылке. В ней я рассказал про эволюцию ассистентов и про то, как изменилась производительность разработчиков благодаря LLM. Подписывайтесь: 💬 @Yandex4Developers