Kantor.AI

Краткий анонс от Саши того, что будет на собеседовании сегодня :) Ссылка для регистрации все та же: https://t.me/ml_insideBot?start=web160726

Помните про мок-собеседование в этот четверг? На прошлой неделе мы открыли набор кандидатов и получили много заявок. Спасибо всем, кто откликнулся и заполнил анкету! Все заявки мы передали Александру Дубейковскому. Выбрать одного участника оказалось непросто – сильных кандидатов было действительно много. В итоге на мок-собеседование мы пригласили Глеба и сегодня мы хотим познакомить вас с ним. Глеб учится на 3 курсе направления «Фундаментальная информатика и информационные технологии», проходит стажировку продуктовым аналитиком в ecom.tech и готовится перейти в Data Science. Интерес к машинному обучению у Глеба появился еще во время учебы в университете. С тех пор он успел пройти курс по кредитному скорингу, поработать над несколькими учебными проектами и сейчас готовится к переходу в Data Science. А еще – проходит отбор в одну из крупных технологических компаний. Вот как сам Глеб рассказывает о своем знакомстве с машинным обучением: «ML начал изучать пару лет назад, и в этом мне помог YouTube-канал MLinside. А сейчас мне выпала возможность самому пройти mock-собеседование, на которое я вас приглашаю!» МОК-собес пройдёт 16 июля в 19:00 МСК, Александр Дубейковский проведет с Глебом полноценное техническое интервью, а после разберет ответы, ошибки и расскажет, на что обращают внимание интервьюеры. Регистрируйтесь по ссылке: https://t.me/ml_insideBot?start=web160726

В рамках набора пятого потока на курс База ML проводим завтра мок-слбеседование :) Подключайтесь послушать

Камерная конфа Ozon Tech по ML ❤️ Как я и писал ранее в канале, тренд на камерность конференций и митапов сохраняется и даже усиливается. 16 июля в Москве Ozon Tech проводит ML&DS Offstage - закрытую встречу для руководителей и синьоров из крупнейших технологических компаний. Камерность мероприятия заявлена как фича. По содержанию ожидаются следующие темы: - Эволюция архитектур поисковых систем - LLM-платформы - AI-агенты - Безопасность внедрения AI - Оценка влияния AI на бизнес Кроме этого запланирован отдельный круглый стол про опыт работы с AI-агентами в Ozon, RWB, Сбере и Яндексе, а также, конечно же, напитки, афтерпати и неформальный нетворкинг в конце. ⚠️Важно: записи и трансляции не будет, чтобы все могли говорить как есть, без рекламного буллшита и отчетно-выборных презентаций о том, как всех уже победили. Как поучаствовать: Регистрация проходит по заявкам на сайте: https://ds-offstage-ozon.ru/ Каждую анкету рассмотрят вручную, чтобы обеспечить формат профессиональной дискуссии и сильный состав участников, так что не затягивайте с регистрацией, пока есть места :)

Учиться и работать быстрее или фокусироваться на главном Третье выступление было на Data Day о том, что же делать, чтобы оставаться востребованным профессионально, когда ИИ развивается сильно быстрее нас. Опять же, если кратко, то: 1) Пробовать переходить в области, являющиеся следующим рубежом для внедрения ИИ. Например, в биотехнологии или робототехнику. Там произошло много всего важного за последнее время: успехи CRISPR, создание с помощью ИИ новых белков, моделирование с помощью ИИ ДНК, VLA модели и доступность роботов - те же гуманоиды unitree стоят как машина, а не как чугунный мост, а для учебных целей есть много всего недорогого. При этом еще куча интересных задач впереди. 2) Брать традиционные способы эффективного обучения и повышения продуктивности (интервальные повторения, вспоминание, рефлексия про что и зачем ботаем, симуляция применения знаний в реальной ситуации, GTD, zettelkasten, ТРИЗ, и так далее) и применять уже с помощью ИИ. ИИ здесь помогает решать главную проблему всех этих методов - сложность поддержания системы и её постоянного использования. Идея в том, что предугадать мир через пять лет или даже через два года довольно сложно, так что нужно уметь быстро изучать и применять новое. Отдельное внимание нужно уделять тому, чтобы измерять эффект, т.к. частая история с ИИ - ощущение «стал на X% быстрее работать” при фактическом замедлении, а не ускорении. 3) Не делать из этого карго-культ и помнить, что многие выдающиеся результаты получены теми людьми, которые не закрыли больше всех задач, а лучше фокусировались на главном и избегали забивания своего рабочего дня нерелевантными вещами. Неожиданным для меня итогом всех трех выступлений стала позитивная обратная связь от слушателей, потому что обычно я веду лекции про конкретные кейсы применения ИИ в бизнесе или про то, как модели работают внутри (даже в научпоп формате), а тут темы такие водянистые, что кто первый халат надел, тот и доктор. Но все прошло удачно в том смысле, что слушатели, которым понравилось, везде нашлись. Так что видимо пока можно продолжить разнообразить репертуар :)

Оптимизировать метрики или творить искусство Второе выступление было в МФТИ для преподавателей ВУЗов. Оно было посвящено разбору кейсов про управление образовательными продуктами. До меня слушателям рассказали про продуктовый подход к образованию (в частности, про JTBD и релевантные образовательным программам метрики), мне же предстояло поразбирать это на примерах. Рассказ я построил на семи кейсах: 3 из российской практики (про нашу русскоязычную специализацию по ML на Курсере), 4 из мировой. В каждом случае давалась вводная с описанием ситуации, дальше мы генерировали идеи «а что дальше» и разбирали, чем все закончилось и какие можно сделать для себя выводы из этого. Мой любимый пример был про то, как полярные отзывы о курсе могут быть хорошим знаком, что вы уже нашли ваш сегмент, и остается описание курса, объяснение, для кого подходит ваш курс, и все привлечение построить так, чтобы точнее попадать именно в свою аудиторию. В конце поговорили о том, ремесло или искусство преподавание и надо ли ко всем этим метрикам относиться слишком серьезно. Десятитомный Ландавшиц, например, это бесспорно легендарный образовательный продукт. Но retention, NPS и CSI у него ни к черту. Как и доходимость до конца. А чего стоят одни только шутки про «потерял целую тетрадь выкладок - напишем «очевидно что». Однако сложно представить, чтобы Ландау из-за этого переживал :) Похожая история с Колмоговорым: на него одновременно и жалуются за плохое чтение лекций на мехмате, где мысли сильно опережали речь, и вспоминают с восторгом его «даму с собачкой» (красивое объяснение доказательства основной теоремы алгебры) и учатся всей страной по его учебникам. Увы, далеко не каждый из нас Ландау или Колмогоров, чтобы позволить себе быть плохим лектором и все равно стать лектором и автором легендарным, поэтому нам и нужно смотреть на метрики курсов - чтобы обеспечить базовый минимум и потихоньку его улучшать. Но сам по себе этот базовый минимум, увы, не может заменить преподавателю ни талант, ни творческий подход к работе.

Про «ух сейчас как сделаем свой враппер чужой LLM и как захватим рынок» С прошлой пятницы у меня было три выступления на немного нетипичные для меня темы. Расскажу по очереди про все. Первое выступление было на открытие Техлаба в кластере Ломоносов про новую волну технологий, связанных с ИИ, чем она отличается, и где может быть наше место в ней. Ключевой тезис был простой. Если грубо сегментировать стартапы вокруг LLM по глубине технологии (pre-train foundation моделей, SFT и Alignment, wrappers на готовых моделях) и по географии (США, Европа, СНГ), то упрощение технологии и уменьшение рынка при переходе между сегментами крадет по 1-2 порядка в потенциально достижимой капитализации. Это конечно не повод каждому стартаперу сидя в СНГ бежать делать свою foundation модель, на конкурентную версию которой ему все равно пока не хватит денег, но повод трезво оценивать возможности: хочешь единорога - иди интегрироваться в рынки побольше или делай что-то посущественнее. Не открыл никому Америку, но чем больше мне люди рассказывают про свои проекты, тем чаще замечаю, что кто-то должен повторять вслух банальности. Особенно сейчас, когда много больших и не всегда айтишных корпораций начинают приобщаться к теме ИИ и строить свои планы занять существенный сегмент этого рынка, важно помнить, что на враппере чужой LLM в России большого бизнеса не выходит. Ну вот так жизнь устроена, увы.

Новый поток базы ML Тем временем параллельно с MLSD для более опытных ребят, у меня в MLinside запускается новый поток базового курса ML - для тех, кто только начинает свой путь в AI, а также для тех, кто уже работает, но хочет систематизировать свои знания. Поскольку игнорировать стремительное развитие Gen AI было бы глупо, базовый курс претерпел серьезные изменения по сравнению с прошлыми запусками и сильно расширился. Выбирая, что добавить в курс, я руководствовался двумя ключевыми наблюдениями про то, как меняется сама профессия Data Scientist’а. Во-первых, базовые «скучные» операции, повторяющиеся из проекта в проект (подготовить датасет, сделать парочку бейзлайнов, написать код валидации) сейчас все чаще выполняются с помощью ИИ. Поэтому в курс в начале и в конце добавлен рассказ про то, а как это делать с помощью сеток. При этом старое содержание никуда не делось, т.к. опыт подсказывает, что лучше всего с помощью сеток получается решать те задачи, которые можешь решить сам и, как следствие, можешь провалидировать чужое решение. Во-вторых, из-за понижения ценности умения самостоятельно писать много хорошего кода, гораздо более ценным становится понимание всего пайплайна от начала работы над задачей до выкатки в продакш и того, как типичные задачи бизнеса решаются с помощью ML. Это побудило меня добавить в курс краткое знакомство с MLOps и ML System Design, а также лекции и семинары по самым частым применениям ML в бизнесе. В эти применения вошли: 1️⃣Рекомендательные системы 2️⃣Динамическое ценообразование 3️⃣ML-лидогенерация 4️⃣Скоринг 5️⃣Антифрод 6️⃣Приоритизация инвестиций с помощью ML-прогнозов 7️⃣Автоматизация процессов с помощью deep learning По каждой из тем при желании можно сделать мини-курс (а где-то и не мини), но мы с командой старались выдержать рамки обзора и точечных примеров в рамках базового курса, а также ответить на основной вопрос тех, кто знакомится с ML впервые: «Какие прикладные задачи с помощью ML можно решать?» В итоге у нас получился уникальный курс ML, который сразу и дает базу алгоритмов построения моделей и их валидации, и объясняет, «а как работать-то», и показывает, в каких задачах и как применять ML с пользой. Так что очень рекомендую попробовать пройти наш курс и присоединиться к новому, пятому потоку курса База ML! Что делать сейчас Если хотите почитать про курс подробнее или сразу записаться на ближайший поток: ссылка на страницу курса Если хотите послушать про базу ML на бесплатном вебинаре: ссылка на регистрацию на вебинар (проводит Андрей Жогов, преподаватель MLinside) Если хотите сначала позадавать вопросы про курс или по организационным моментам: ссылка на форму для связи с менеджером Если пока не понимаете, готовы ли покупать платный курс и хотите сначала познакомиться с нашей школой и преподавателями: приходите к нам на YouTube канал, там много полезных видео про ML :)

Ссылка на трансляцию (переехали вынужденно в геткурс): https://mlinside.getcourse.ru/pl/webinar/show?id=3302131&view=1

Сегодня в 19:00 веду на YouTube прямой эфир с Валерой Бабушкиным про ML System Design В первой части мы обсудим: - что такое ML System Design, в чем отличия и в чем общие черты с обычным System Design - почему само построение модели это очень малая часть работы - из чего состоит курс по MLSD в MLinside и почему выбран именно живой формат на 60+ часов лично от Валерия - как окупаются инвестиции в эти знания: происходит это само по себе или нужны какие-то конкретные действия. Во второй части ответим на ваши вопросы про дизайн ML-систем, книгу, карьеру, собеседования, курс и вообще любые другие темы. Форма для вопросов: https://forms.yandex.ru/cloud/6a44d2dff47e73beb4bf22b0 Регистрация на прямой эфир: https://t.me/ml_insideBot?start=web060726 Узнать подробнее и записаться на курс Валеры можно здесь: https://mlinside.ru/system-design