Yandex for ML

🧿 От сырых данных до готового решения: как устроена работа ML-специалистов в Yandex Cloud На связи Василий Ершов, руководитель ML-команды Yandex Cloud. Мы работаем с сотнями терабайт данных для машинного обучения и развиваем платформу с 30+ генеративными моделями и 40+ тыс. клиентов. В нашей команде у всех своя роль. ML-разработчики обучают модели, инженеры Data Science готовят метрики и анализируют данные, DevOps налаживают процессы и инфраструктуру. А потом бэкендеры превращают технологии в готовый сервис. 👷 Читайте в карточках, как рождаются наши модели и какой путь они проходят, прежде чем оказаться в проде. 🔳 А в статье по ссылке мы рассказываем, каким стеком технологий нужно владеть, чтобы попасть к нам в команду. Подписывайтесь: 💬 @Yandex4ML 📹 @YandexML

🏆 День AI мы празднуем достижениями команд 16 июля отмечают AI Appreciation Day. Хоть праздник и неофициальный, мы не смогли пройти мимо: попросили лидов из разных сервисов Яндекса отметить его вместе с нами и поделиться достижениями, которыми они гордятся больше всего. ⚪️ Пересобрали с нуля команду Восприятия Привет, это Всеволод Орлов, руководитель службы восприятия сцены в Автономном транспорте. В Яндекс я устроился в 2014 году, был бэкендером в Yandex Store, перешёл в группу беспилотных автомобилей, возглавлял группу Восприятия робота-доставщика, а теперь руковожу службой Восприятия такси и грузовиков. У меня было много разных достижений: разработал ADAS (адаптивную систему круиз-контроля, на котором наш автомобиль проехал от Москвы до Казани) и участвовал в запуске роботов-доставщиков за границей... Но я считаю, что моё самое большое достижение — это то, что я пересобрал службу Восприятия практически с нуля. В 2023 году людей в ней можно было пересчитать по пальцам, а сегодня это слаженная команда из более чем 25 человек, которая может решать произвольные ML-задачи. Очень радует, что механизм отлажен и может работать без меня. ⚪️ Улучшили качество продуктов Яндекса На связи Владимир Жуков, руководитель группы магии рекомендаций Яндекс Карт. Я пришёл в компанию в 2016 году стажёром-разработчиком в группу качества Объектного ответа. А дальше были рекомендации фильмов в Поиске, работа над качеством Геопоиска и Справочника, улучшение предсказания времени поездки в Навигации и, наконец, рекомендации в Картах. Среди моих заметных проектов — первая DSSM-модель, которую мы обучили на данных Геопоиска, ML-предиктор открытий и закрытий организаций в эпоху пандемии коронавируса, общеяндексовый YQL-форматтер и, конечно, запуск рекомендаций мест в Картах. А ещё я защитил кандидатскую диссертацию, которая отличается от работы моего бывшего коллеги из Объектного ответа Владимира Коноводова одним словом в названии 😄 Больше всего в работе меня радует возможность делать продукты, которыми пользуются десятки миллионов людей, и делать их вместе с классной командой — без этого никакая магия рекомендаций не сработает. ⚪️ Первыми в России применили ML в прогнозе погоды Привет! Меня зовут Пётр, я руковожу группой ML в Яндекс Погоде. Я пришёл в команду шесть лет назад, чтобы разрабатывать модели для карты осадков, а потом стал отвечать за весь наш ML. Одно из крупных наших достижений — Нейрометеум. Это технология, которая прогнозирует состояние всей атмосферы на 10 суток вперёд с помощью ML вместо классических дифференциальных уравнений гидрогазодинамики. Такой подход заметно ускоряет прогноз и требует всего одну видеокарту вместо многочасовых вычислений на суперкомпьютере. Для почасового прогноза мы берём данные нескольких глобальных моделей, включая Нейрометеум, одновременно ансамблируем их с помощью ML и повышаем разрешение. Общий результат получается точнее, чем отдельные прогнозы. Для прогноза осадков на карте мы объединяем спутники, радары и репорты пользователей о дожде. В сильные ливни таких репортов может приходить миллионы за вечер, и это сильно помогает там, где не хватает радарных данных. А ещё мы научились предсказывать на карте прогноз гроз! Подписывайтесь: 💬 @Yandex4ML 📹 @YandexML

🧿 ML в Яндекс Рекламе: приоритизация запросов, прогнозы, мониторинг На связи Антон Полднев, руководитель инфраструктуры Яндекс Рекламы в Поисковых сервисах и ИИ. В этом посте я предлагаю погрузиться в то, как мы используем ML в сервисе: с чего всё начиналось и как сегодня машинное обучение помогает нам на разных этапах. 👷 Читайте в карточках А больше про технологии, которые меняют Рекламу, слушайте в подкасте Machine Learning Podcast. Вместе с его ведущим Михаилом Крыжановским мы обсудили: 🌠 Как экономить железо, когда его не хватает 🌠 Можно ли вайбкодить серьёзные сервисы 🌠 Как работает реклама в интернете в условиях AdBlock’а Слушайте подкаст на платформах: 🌠 Яндекс Музыка 🌠 Mave Подписывайтесь: 💬 @Yandex4ML 📹 @YandexML

✈️ ML Global Recap: рассказываем главное о мировом ML за последние полгода Индустрия ML очень динамичная, и в ней постоянно происходит что-то новое. Но как не потеряться во всех новостях и держать руку на пульсе? Приходите на ML Global Recap’H1 2026! Здесь мы обсудим итоги ICML и других международных конференций, поделимся своими наблюдениями и выводами. В программе — нетворкинг, дискуссии и доклады руководителей разных команд Яндекса: ⚪️ Иван Дёгтев, руководитель аналитики Alice AI LLM в Яндекс R&D. Обсудит новые способы и стандарты оценки качества моделей ⚪️ Андрей Бежин, руководитель службы ML-инфраструктуры в Яндекс R&D. Расскажет об оптимизация LLM инференса ⚪️ Дмитрий Мокеев, руководитель группы качества претрейна Alice AI в Яндекс Поиске. Обсудит тренды и вызовы в ризонинге ⚪️ Артём Бабенко, руководитель отдела в Yandex Research. Расскажет про tabular DL 📆 Увидимся 13 августа в Москве и онлайн. 🔳 Регистрируйтесь на ML Global Recap’H1 2026 Подписывайтесь: 💬 @Yandex4ML 📹 @YandexML

🔗 ML-модель делает такси безопаснее, компьютерное зрение спасает учёных от рутинного труда, а многорукий бандит помогает выйти из ловушки обратной связи в Лавке. Об этом и не только — в новом ML-дайджесте 🚕 Куда сходить ⚪️ 13 августа — ML Global Recap’H1 2026 в Москве и онлайн. На встрече обсудим итоги ICML и других конференций по машинному обучению и AI за последние полгода: поговорим про тренды в NLP и ризонинге, оптимизацию LLM инференса и многое другое 🌎 Что случилось ⚪️ Яндекс Браузер обновил модель перевода. Теперь он умеет переводить видео живыми голосами ещё с семи языков. А чтобы ускорить генерацию и повысить качество имитации речи, команда сменила кодек и оптимизировала LLM-пайплайн ⚪️ Яндекс приехал на ICML 2026. Инженеры и исследователи привезли на конференцию статьи на самые разные темы: от ускорения инференса Graph Neural Networks на GPU до асинхронного pipeline parallelism для обучения LLM ⚪️ Проект из ШАДа попал в Spotlight на конференции ICML 2026. Для контекста: из 23 918 поданных работ приняли 6 352 (26,6%), а статус Spotlight достался всего 536 работам — это 2,2% заявок с самыми высокими оценками программного комитета 📖 Что почитать ⚪️ Как с помощью ML сделать такси ещё безопаснее. Модель оценивает опасность маршрута и риски ДТП, а система передаёт самые сложные заказы более опытным исполнителям ⚪️ Компьютерное зрение против рутины: ускоряем эксперименты по анализу поведения лабораторных мышей. Рассказываем, как мы сэкономили учёным 500 часов монотонной ручной работы в месяц вместе с DeepLabCut, ML-эвристиками и OpenCV ⚪️ Многорукий бандит vs локальный оптимум. Объясняем, как мы боролись с замкнутым кругом рекомендаций в Яндекс Лавке, какие существуют методы discovery и как повторить наш опыт ⚪️ MCP vs CLI + Skill: что выгоднее для AI-агента при работе с внутренними API. Рассказываем, чем различаются два этих подхода, как мы сравнивали их между собой и почему однозначного победителя так и не удалось найти 📺 Что посмотреть ⚪️ «Нестандартная модель» с Владимиром Платоновым, руководителем отдела ML-разработки Алисы в Яндексе. В подкасте обсудили, как придумать интересный продукт в ML-разработке, с какими проблемами сталкиваются инженеры и другие вопросы индустрии. Смотрите на сайте N+1 и ютубе ⚪️ Защитить нейросеть до того, как её взломают. Поговорили о нетривиальных уязвимостях LLM, архитектуре безопасности и почему её нужно закладывать в модели ещё до претрейна. Смотрите первый выпуск подкаста Security Explainer на ютубе и в VK Видео Подписывайтесь: 💬 @Yandex4ML 📹 @YandexML

🔗 Многорукий бандит vs локальный оптимум Всем привет, меня зовут Рамиль Боярченков, я ML-разработчик в команде Яндекс Лавки. Чтобы выводить в каталог наиболее релевантные товары, рекомендательные системы обучаются на исторических данных. Они смотрят на то, какие продукты пользователь покупал в прошлом, чтобы предсказать, что он положит в корзину в будущем. Такая схема кажется оптимальной, но это ловушка. Её опасность кроется в цикле обратной связи: система формирует данные, на которых потом обучается следующая версия модели. Получается такой вот уроборос: Модель → Выдача → Взаимодействие → Лог → Переобучение → Модель В итоге каждая следующая версия ещё сильнее закрепляет старые паттерны, замыкается в себе и проседает по метрике discovery — способности системы выводить пользователя за пределы известного. Это проблема, ведь со временем его потребности меняются. В какой-то момент пользователю может понадобиться нечто принципиально новое — например, незнакомый бренд или категория товаров. Но как поднять discovery так, чтобы сохранить баланс между релевантным и новым? 🅿️ На помощь пришёл многорукий бандит Multi-Armed Bandits — это алгоритмы онлайн-обучения, которые решают эту дилемму в условиях неопределённости. Система выбирает одно из нескольких действий («рук») и максимизирует суммарную награду. При этом вероятность успеха заранее неизвестна и оценивается по мере накопления данных. В нашем случае «рукой» стал набор холодных айтемов — новых товаров без накопленного сигнала. «Бандит» с некоторой индивидуально рассчитанной вероятностью подмешивает в персональную выдачу пользователя что-нибудь новенькое. При этом он берёт в расчёт историю удачных взаимодействий с незнакомыми объектами. Таким образом, пользователи, которые чаще заказывают новые для себя товары, получают более высокую вероятность получить холодные айтемы в выдаче. Финальный А/B-тест показал значимый прирост метрик по сравнению со старой baseline-моделью: discovery вырос на 0,65%, а GMV (суммарный оборот) — на 0,6%. К тому же выросло разнообразие рекомендаций. 🔳 В полной статье на Хабре я рассказываю: ⚪️ Как мы проводили эксперименты и внедряли бандита в обучение ⚪️ Какие вообще существуют методы discovery ⚪️ Как повторить наш опыт Подписывайтесь: 💬 @Yandex4ML 📹 @YandexML