Нескучный Data Science

Открыта регистрация на главную конференцию этой весны по технологиям ИИ и анализу данных — Data Fusion* 2026! 💙 Шестая ежегодная конференция Data Fusion пройдет 8–9 апреля в Москве в инновационном кластере «Ломоносов». 60+ актуальных сессий, докладов, примеров, дискуссий по теме анализа данных/ науки о данных/ машинного обучения. Среди тем – ИИ-агенты, «обучение с подкреплением», компьютерное зрение, обработка естественного языка, открытый исходный код, воплощенный ИИ и робототехника, рекомендательные системы, применение ИИ в кибербезопасности, ИИ+ естественные науки, AgentOps и многое другое! Всю программу ищите на сайте. Конференция объединит лидеров команд по машинному обучению, специалистов по обработке данных, молодых ученых, инженеров, аналитиков и руководителей, принимающих решения о внедрении технологий в бизнес и государственные сервисы. Среди спикеров конференции: Суржко Денис (ВТБ), Оселедец Иван (AIRI), Райгородский Андрей (МФТИ), Бурнаев Евгений (Сколтех,AIRI), Саркисов Тигран (Х5), Крайнов Александр (Яндекс), Зима Андрей (Ростелеком) и другие эксперты из науки и индустрии. Все мы любим конференции не только ради знаний, но и, конечно, ради живого общения и новых знакомств, а это важная часть Data Fusion! ➡ Не пропустите, регистрируйтесь. *Интеграция данных Информация о рекламодателе

Результаты карьерного опроса 🐌 На этой неделе исполнился год с запуска нашего карьерного опроса — время подвести итоги. За это время абсолютные значения, скорее всего, уже изменились. Но опрос проводился не ради них — актуальные вилки можно итак посмотреть в канале @not_boring_ds_jobs. Гораздо интереснее было разобраться глубже и попробовать ответить на следующие вопросы: 1. Как связан возраст и опыт с грейдом? Как он меняется в зависимости от отрасли? 2. Платят ли мужщинам больше, чем женщинам и получают они ли выше грейды? 3. Как образование влияет на карьеру? 4. Как хард скиллы влияют на доход? 5. Как отличается уровень дохода в регионах и Москве? 6. Как уровень дохода зависит от компании и сферы? 7. Как уровень дохода зависит от того, с какими данным работаешь? 8. Как долго задерживаются в одной компании в зависимости от грейда? 9. Как зависит число встреч от дохода и грейда? 10. Как меняется премиальная часть с ростом дохода? 11. Как переработки влиют на доход и скорость карьерного роста? правда ли что с ростом грейда нужно перерабатыать больше? 12. Как влияет тех бэкграунд вашего руководителя на удовлетворенность работой и доходом? 13. Какие факторы влияют на удовлетворенность работой? 14. Как влияет развитие ценных навыков на удовлетворенность? а как сюда примешивается уровень дохода? правда ли что можно доход в момент можно заменить развитием скиллов? 15. Как связаны удовлетворенность и уровень дохода с желанием сменить работу? 16. Сколько нужно доплатить в процентом соотношении чтобы перекупить дата сайнтиста? Какая этот процент зависит от удовлетворенности? 17. Кто готов терять в доходе при смене работы на более интересную? 18. Как связаны планы на смену работы с продолжительностью работы на текущем месте? 19. Как относятся к head of ds: Позитивно, негативно, конструктивно? 20. Как ** связана с уровнем дохода и удовлетворенностью? 21. Интересные но не стат значимые результаты по head of ds и выше Сегодня мы посмотрели на EDA и ответили на первый вопрос. 🔜 продолжение в следующих постах 🙏 @Aleksandr_Vav1 за аналитику

Как перестать залипать в социальных сетях? Многие знают, что фастфуд вреден, но не могут от него отказаться — дофаминовая зависимость сильнее, и вес продолжает расти. С социальными сетями всё то же самое. Только вместо лишних килограммов вы набираете потерянные часы. Полностью отказаться не получается — там друзья, общение, иногда действительно полезный контент. Да и мы живём в эпоху рекомендательных систем, а не бумажных газет. Но как настроить баланс? Можно прокачивать осознанность и включать «вторую систему» мышления по Даниэлю Канеману — более медленную и рациональную. Проблема в том, что соцсети чаще всего захватывают нас в момент усталости. Когда мы уже выгорели, не хотим думать и подменяем ими сон. Жертвуем долгосрочными целями ради короткого дофаминового укола. Тем самым временем, которое потом «не хватило» на спорт, книгу, проект или запуск собственной идеи. Что с этим делать? Нужно дать рекомендательной системе достаточное количество явного негативного фидбэка, который только возможен. Недостаточно нажать «не интересно». Нужно заблокировать аккаунт, который поставляет бесполезный, но залипательный контент. Из моего опыта — несколько десятков жёстких блокировок и жалоб существенно меняют ленту. Осталось собраться и применить два навыка: 1️⃣ Распознавать залипательный контент. 2️⃣ Найти силы его заблокировать. Лучше всего делать это утром, когда у вас есть ресурс и работает рациональная часть мозга. Поэтому рекомендация простая: 👉сделайте это прямо сейчас, пока вы проснулись и полны сил. Надеюсь, никто не залипает в «Нескучном Data Science».

Почему специалисту по ИИ нужно понимать, как работает мозг? 👼 В «Нескучном Data Science» стало тихо. Это не потому, что закончились идеи — закончилось свободное время с появлением долгосрочного R&D-проекта. У меня родился сын. Теперь я занимаюсь не только обучением искусственного интеллекта, но и обучением естественного. Если раньше я строил иссключительно ML-системы, которые оптимизируют бизнес-метрики, то теперь строю систему, которая учится держать голову, различать эмоции и смотреть на мир с интересом. 📙 Чтобы делать это не только «по наитию», взялся за книгу Мозг и его потребности автора — Вячеслав Дубынин. С Вячеславом мы раньше пересекались на двух воркшопах: я рассказывал бизнесу, как внедрять искусственный интеллект, он — как работает естественный интеллект. Как раз после них поя Чем мне была полезна книга? – Расширила понимание, как обучается человек и как на это влияет страх; – Подсказала как развивать любопытство у детей; – Восполнила часть пробелов по биологии школьной программы; – Позволила расширить представление о том с каким сложностями люди сталкиваются на различных этапах своей жизни; – Подарила кучу аналогий из животного мира, я стал их чаще видеть в поведении людей и использовать в принятии решений. Как бы нам это не нравилось, но у нас очень много общего с крысами, на которыхученые ставят эксперименты Но зачем это нужно дата сайентистам? 1️⃣ Ваши модели взаимодействуют не с абстрактными ID, а с людьми. Людьми, которые: переживают кризисы, становятся родителями, боятся перемен, ищут признание, хотят принадлежности. Понимание жизненных этапов и когнитивных паттернов позволяет генерировать лучшие признаки на основе имеющухся у вас поведенческих данных, глубже сегментировать аудиторию и строить более человечные взаимодействия. 2️⃣ Большие языковые модели учатся размышлять и принимать решения за счет анализа естесетвенного языка и анализа принятых решений естественным интеллектом. Неплохо бы разобраться в том, как учитель ИИ принимает решения. Если вы еще не вписались в R&D-проект, то рекомендую начать с теоретической базы 👇 ✈️ Дубынин о мозге 🧠 И да, буду по-тихоньку возвращаться, теперь с двумя направлениями исследований 🙂

30 ноября участвую как эксперт на карьерном митапе от self, сообщества для поддержки айтишников. Будет доклад от CEO self о том, как выжить на рынке труда в нынешних условиях. А я, вместе с остальными экспертами, буду в качестве ментора отвечать на вопросы участников о том, как строить карьеру. Можно спрашивать и про харды, про софты. И в целом задавать вопросы на любую карьерную тему. Помимо доклада и общения с менторами вас ждет организованный нетворкинг, где вы сможете познакомиться с интересными людьми. Время и место 🔴30 ноября, с 15:00 до 21:00 🔴Poklonka Place, корпус Е1 Поклонная ул. 3 Подробности и билеты на лендинге!

⚡️Всем привет! 28 ноября в 10:00 приходите на конференцию AI Driver & RecSys! На ней соберутся эксперты топовых российских IT-компаний (Сбер, T-банк, Яндекс, VK, MTS, Lamoda и др.) и вузов, чтобы обсудить будущее рекомендаций. Что ждёт участников: 🔘Обсудим актуальные тренды и развитие рекомендательных систем 🔘Новейшие исследования в области RecSys 🔘Практические кейсы 🔘Доклады про новые открытые рекомендательные датасеты 🔘 Живое общение с профессиональным сообществом ➡️Блок Индустриальные доклады и тренды в RecSys: Тренды RecSys 🔘Быстрый и надежный онлайн-инференс в проде: практические советы 🔘Эволюция similar-рекомендаций: как мы переосмыслили ленту похожих товаров 🔘Эволюция контентного трансформера для рекомендаций в E-com 🔘Доклад по статье SIGIR 2025 “SMMR: sampling-based MMR reranking for faster, more diverse and balanced recommendations and retrieval” 🔘Как мы улучшили музыкальные рекомендации с помощью многоруких бандитов ➡️Блок Рекомендации на последовательностях 🔘Доклад по статье ACM RecSys 2025 “Let it go? Not quite: addressing item cold start in sequential reccomendations with content-based initialization” 🔘Доклад по статье ACM RecSys 2025 “Correcting the LogQ correction: revisiting sampled softmax for large-scale retrieval” 🔘Доклад по статье ACM RecSys 2025 “Time to split: exploring data splitting strategies for offline evaluation of sequential reccomendations” 🔘eSASRec: улучшаем бейзлайн трансформенных рекомендаций ➡️Блок Эмбеддинги и векторные представления 🔘О том, как просто учитывать и немного сложнее изучать геометрию, в том числе в рекомендательных системах 🔘LM4ES: Обучение представлений пользователей из последовательностей событий с помощью LLM 🔘Быстрый инференс в графовых рекомендательных системах 🔘RecSys Challenge 2025: Обзор соревнования и наше решение ➡️Блок Open Source Датасеты 🔘Доклад о новом датасете “Yambda-5B – A large scale multi-modal dataset for ranking and retrieval” 🔘Доклад о новом датасете T-ECD (T-Tech E-commerce cross-domain dataset) 🔘Доклад о новом датасете VK-LSVD 🔘Доклад о датасете MBD 📆 28 ноября, 10:00 📍Сбер, Кутузовский пр-т, 32 ➡️Регистрация по ссылке

Мы опубликовали стабильный, быстрый, качественный и доступный синтез для 20 языков России и СНГ 0️⃣ Популярные языки из 🇷🇺🇺🇦🇺🇿🇰🇿🇦🇿🇹🇯🇧🇾🇬🇪🇰🇬🇦🇲; 1️⃣ Всего 20 языков России и стран СНГ, всего 95 голосов; 2️⃣ Модели компактные и быстрые, как наши прошлые релизы; 3️⃣ Поддержка SSML, генерация аудио с SR 8000, 24000, 48000; 4️⃣ Два типа моделей - base под лицензией MIT на наших данных и ext на данных сообщества; 5️⃣ Остались непокрытыми языки Дагестана и ЧР, если хотите помочь с добавлением этих языков пишите на @silero_job. ⭐️Репозиторий - github.com/snakers4/silero-models ⬆️Статья на Хабре - habr.com/ru/articles/968988/

Для многих разработчиков моменты, когда они пишут код не по работе, а для профессионального вызова, становятся ключевыми в их росте. Именно таким вызовом может стать Yandex Cup 2025 — чемпионат, где встречаются сильнейшие разработчики, и один из треков которого посвящён машинному обучению. Здесь реальные задачи, близкие к тому, с чем сталкиваются инженеры в продакшне: ограничения по ресурсам, шумные данные, необходимость найти баланс между скоростью и качеством.Участие — способ не просто проверить свои навыки, но и заявить о себе в профессиональном сообществе. Лучшие участники получают приглашения на упрощённый отбор в команды Яндекса. Финал пройдёт в Стамбуле, призовой фонд — 12 млн ₽. Регистрация заканчивается совсем скоро. Если вы чувствуете, что готовы выйти за пределы привычных задач — самое время. 💡 yandex.ru/cup/2025

Про корпоративные конфликты Жили-были два соседних и близких по функционалу департамента. Назовем их А и Б. Был у департаментов курирующий топ, назовем его «ПетрПетрович». В департаменте Б есть управления Ба и Бб И тут начальника департамента Б увольняют. Кем заменить? Три кандидата: ◦ Зам начальника департамента А ◦ Начальник управления Ба ◦ Начальник управления Бб Вы в камень-ножницы-бумага играли? 🙌 Вот также и эта троица — каждый против двух других и никто не может одержать верх. 🦢🦞🦈 (кэп: акула изображает щуку) В такой ситуации «ПетрПетрович» принимает решение нанять кого-то, кто вроде бы немного со всеми тремя по чуть-чуть работал и ни с кем не поругался 😅. Назовем нового руководителя Новорук. В итоге департамент Б «пропал с радаров» — амбициозных инициатив, которые бы дисраптили бизнес-модель или хотя бы были достойны обсуждения на борде — нет, зато со всеми смежниками мир 🕊 С этими словами Новорука и уволили спустя пару лет. Итого, случилась корпоративная классика: наняли за бесконфликтность — уволили за бесхребетность🤷‍♂️ PS: В личку пришло несколько знакомых из разных организаций с вопросом "не их ли конторы я описал?" -- значит, ситуация не такая уж и редкая

Привет! На связи команда МТС True Tech Talents. Мы запускаем набор на 4 поток Школы аналитиков данных🥚 Обучение проходит в онлайн-формате и длится 10 месяцев. Преподаватели — эксперты нашего центра Big Data. Вы научитесь писать на Python, прокачаетесь в математике, основах машинного обучения, ML Ops, Spark и прочих вещах, без которых не выйдет работать в Data Science. Также у студентов будет возможность попасть на стажировку в МТС Web Services. Обучение бесплатное, но места ограничены - чтобы попасть, необходимо подать заявку до 30 октября и выполнить вступительное задание. Старт обучения - 10 ноября! Регистрируйся по ссылке, ждём тебя!

Быстрее, умнее, точнее VK запустил RecSys Challenge — соревнование по разработке алгоритмов рекомендаций. Участникам предстоит решить одну из самых сложных проблем рекомендательных систем: предсказать, кому зайдёт ролик, который никто ещё не видел. В основе датасет VK-LSVD: 40 млрд взаимодействий 20 млн роликов Формат: Студенты, исследователи, ML-инженеры — welcome Призовой фонд — 2 500 000 рублей 💸 Читайте подробнее и регистрируйтесь до 15 декабря на сайте соревнования.

🚀 Data Driven 2025: четыре доклада, которые стоит посмотреть По мере распространения генеративного ИИ производить новые продукты становится всё проще и проще, но, как вы помните, малая часть ИИ-проектов заканчивается успехом. А всё почему? Потому что для производства качественного продукта нужно уметь оптимизировать правильные метрики — от бизнесовых, продуктовых и технических до модельных и клиентских. Рекомендую вам посмотреть доклады с конференции Data Driven 2025, чтобы прокачаться в этом направлении. Вот те, что особенно запомнились 👇 1️⃣ End-to-end качество Алисы как универсального AI-ассистента — как переосмыслить офлайн-оценку качества и внедрить гибридную разметку с помощью языковых моделей. 2️⃣ Рободоставка: аналитика как двигатель эффективности — разбор того, как аналитика помогает соединить технологии, операции и метрики в единую систему, влияющую на бизнес-результат. 3️⃣ Яндекс Поиск в Межнаре: масштабирование аналитики на новые рынки — опыт построения аналитики полного цикла для международных продуктов в условиях высокой неопределённости. 4️⃣ Датакаталог: инфраструктура или продукт? — история о том, как превратить инфраструктурный инструмент в полноценный продукт, который действительно помогает командам работать с данными. 📹 Смотреть на YouTube [часть 1, часть 2] 💬 Cмотреть на VK [часть 1, часть 2]

Farewell, Альфа-Банк ❤️ Настало время поговорить о личных стратегиях — теперь это гораздо проще, ведь вы уже немного лучше понимаете стратегию и культуру, на основе которых строилась Лаборатория. Я убеждён, что в профессиональном плане важно всегда находиться там, где твои сильные стороны используются на максимум. Как вы, наверное, уже поняли, настал момент и для меня двигаться к новым вызовам — о которых расскажу в следующих постах. А пока — время подвести итоги и искренне пожелать удачи Альфа-Банку. Начну с последнего. Альфа-Банк за последние 6 лет достиг весомых результатов, закрыл многие гэпы — и, как бывшему фанату Тинькофф, мне приходится это признавать даже в личных разговорах с близкими. Я искренне рад за Альфу и желаю не сбавлять оборотов. Мы прошли с Альфой долгий путь. За это время удалось многое изменить и заложить крепкий фундамент для будущих поколений. Лаборатория выросла — от одного дата-сайентиста до управления порядка сорока талантливых специалистов. Каждый появился не случайно: мы находили точки роста бизнеса, убеждали стейкхолдеров и успешно защищали ресурсы. Можно с уверенностью сказать, что все амбициозные и успешные внутренние проекты по применению нейронных сетей были придуманы внутри Лаборатории. Особенно приятно, что наши достижения отмечены пятью внутренними «Оскарами» — и каждый из них стал возможен благодаря нейронным сетям и нашей проактивной позиции. Сегодня Лаборатория машинного обучения — это бренд в сообществе дата-сайентистов, сопоставимый с Яндексом, Тинькофф и другими компаниями, куда стремятся попасть специалисты. Молодые таланты идут туда за культурой и ценностями, которые мы транслируем внутри и вовне.

И всё это получилось, потому что мы любой ценой отстаивали интересы Акционеров, Клиентов и Команды. Вот этим я по-настоящему буду гордиться.

Хочу сказать огромное спасибо каждому члену нашей команды — за ваш выбор и вклад. Ведь перед каждым из вас открыты двери практически любой компании. Отдельное спасибо маркетингу, рискам, финансам и всем, кто был с нами первопроходцем на пути внедрения прорывных решений. Закончу это блок следующим напоминанием:

Тяжёлые времена рождают сильных людей, сильные люди создают лёгкие времена. Лёгкие времена рождают слабых людей. Слабые люди создают тяжёлые времена.

Мой последний рабочий день в Альфе был чуть больше двух месяцев назад. 👉 Я уже освоился на новом месте, и начинаю активный найм в новую команду - налетайте на вакансию. P.S. Элементы стратегии и культуры на новом месте практически не изменятся 😉

Как связаны продуктовая, HR и PR стратегии? Стратегия отвечает на вопросы — что мы делаем и что не делаем. Если её элементы противоречат друг другу, стратегия, скорее всего, не работает: становится непонятно, как двигаться и к чему стремиться. В Лаборатории стратегия строилась на культурном базисе, поэтому все её элементы были взаимосвязаны. Посмотрим на это на примерах. Продукт ↔ HR 1. Когда вы нанимаете сильную команду, ориентированную на исследования и научный интерес, — фокус только на бизнес-вэлью приводит к внутреннему конфликту. 2. Если в команде не развиты софт-скиллы и навык презентации, то продвигать бизнес-задачи и «продавать» правильные решения становится затруднительно. 3. Когда вы нанимаете людей с сильными софтами, но без хардов, — использовать продвинутые методы моделирования не получится. 4. Если команда не видит личной выгоды и карьерного роста, бизнес-ориентация воспринимается формально и не закрепляется в поведении. 5. Быстрый карьерный рост в коммерческой компании возможен только тогда, когда продвинутые решения из теоретических рассуждений доезжают в прод. HR ↔ PR 1. Слабый HR-бренд ведёт к трудностям с наймом топ-команды, особенно если вы не можете конкурировать зарплатами. 2. Если профессиональное сообщество не уважает хард-скиллы вашей команды, то и сильный HR-бренд построить не выйдет. PR ↔ Продукт 1. Внутренние выступления теряют смысл, если команда не участвует в развитии продукта. 2. Курсы, конференции и другие активности вызывают интерес у аудитории лишь тогда, когда за ними стоят реальные выдающиеся достижения — научные или бизнесовые. Продукт ↔ HR ↔ PR С возрастом у специалистов становится меньше времени и энергии для прорывных проектов и публичных выступлений, тогда как у студентов и стажёров, стремящихся к карьере, эти ресурсы есть. Поэтому именно они становятся естественным драйвером развития продукта, бренда и культуры компании. 🔜 В следующий посте поговорим про личные стратегии

PR-стратегия Лаборатории В этом посте расскажу о ключевых элементах стратегии, которые помогли построить бренд команды — как внутри компании, так и за ее пределами. 1️⃣ Каждый член команды может стать ее амбассадором. Замыкание публичных активностей на руководителе приводит, во-первых, к неэффективному использованию его времени, а во-вторых, к потере качества — вряд ли кто-то расскажет лучше ключевого разработчика. Отдельно горжусь тем, что удалось сменить парадигму, по которой выступать на внутренних и внешних мероприятиях могли только сотрудники нужного грейда. Самый яркий пример — выступление стажера перед коллегой на девять грейдов выше, которое стало пререквизитом для появления новой функции. 2️⃣ Подготовка к выступлениям нативно встроена в процесс работы команды. Очень сложно заставить себя и команду подготовить презентацию на двадцать слайдов на конференцию по неизвестной теме. Сильно проще — взять рабочие презентации, вычистить из них конфиденциальную информацию и обкатать на внутренней аудитории. Эти сценарии отделяет регулярная работа: регулярные презентации бизнес-заказчикам, питчинг на внутренних синках и доработка материалов по обратной связи. На самом деле выступление на внешней конференции не сильно отличается от внутренней презентации, и работа над обоими направлениями усиливает каждое из них. 3️⃣ Мотивируем и помогаем развивать скиллы у каждого члена команды. Чтобы из «нулевого рассказчика» сделать «опытного спикера», нужно просто вместе с ним прогнать презентацию пять раз. Побеждать в соревнованиях вдвойне приятно, если компания при этом платит премию в размере месячного оклада. 4️⃣ Распространяем контент во всех каналах коммуникации. Бизнес работает с клиентами через все возможные каналы, чтобы увеличить число касаний и охватить разные сегменты аудитории. В развитии HR-бренда нужно использовать те же принципы: адаптировать контент под конференции, статьи, подкасты, обучающие курсы и посты в телеграме. Один директор по маркетингу сказал, что хорошая реклама должна заебать. В этом есть доля правды — ведь вы выберете известный бренд, если не разбираетесь в качестве товара. 📖 Хотите прокачаться в написании ёмких и понятных текстов? Рекомендую книгу «Пиши, сокращай 2025: как создавать сильный текст» — Максим Ильяхов и Людмила Сарычева.

HR-стратегия Лаборатории машинного обучения Ключевая проблема найма опытного топ-специалиста заключается в том, что он уже нашёл себе отличное место работы, и вы вряд ли сможете его перекупить. В таком случае отличная стратегия — растить мат. ожидание за счёт числа попыток, надеясь на то, что вы сможете заинтересовать его задачей или его ровно сейчас отпугнули на текущем месте работы. 1️⃣ Нанимаем по хардам — софты растим внутри. Применение софтов на линейных позициях необходимо на порядок в меньший промежуток времени, и поэтому их недостаток проще закрыть руководителю, чем отсутствие хардов. Как показала практика моей команды, софты можно успешно развивать у любого технаря. Именно по этой причине я всегда отдам предпочтение джуну с прокаченным хардам, а не «синьору» с умением складно оправдываться за отсутствие результата. 2️⃣ Найм — задача руководителя, а не HR. Ответственность за качество и укомплектованность команды нужно брать на себя. Любая ошибка найма перекроет время, потраченное на проактивный поиск с необходимым CIR. 3️⃣Нанимаем только тех, кто хочет приносить пользу компании, а не удовлетворять свой научный интерес. Наша профессия содержит много пространства для исследований, но большая часть из них не приносит практического результата и оптимизирует сотые доли процента на синтетических датасетах. Многие эксперименты не нужно проводить, если у вас есть теоретическая база, которая может оценить масштаб ожидаемого эффекта. Нередко желание проводить такие эскперименты, говорит о недостаточном количестве практики на этапе обучения и для этого являения у меня даже есть целый термин. Нейросетевой недотрах — огромное желание обучить нейроночку, которая не нужна или избыточна для решения бизнес-задачи. 4️⃣ Не ограничиваем скорость роста формальными временными рамками. Если вы вкладываетесь в рост софт-навыков, то ваша команда становится очень конкурентной на открытом рынке, и джун сможет продать себя за синьора и даже CDSа (знаю такой случай). В таком случае важно вовремя проводить апгрейд грейда согласно скорости достижения определённого уровня, а не за выслугу лет. В противном случае вы повысите мат. ожидание поиска топ-специалиста у конкурентов. 5️⃣Привлекаем таланты за счет HR-бренда и сарафанного радио. Время потраченное на выступления на конференциях, запущенные курсы, ведение личного блога и другие публичные активности существенно окупается скоростью найма за счет улучшения релевантности входного потока. Повышенная удовлетворенность команды включает сарафанное радио и приводит к аналогичному результату. 6️⃣ Работаем со студентами и стажерами. Большинство топ-специалистов, которых вы хотите сейчас нанять были когда-то студентами технических вузов. Сейчас вы смотрите на них и мечтаете чтобы они стали членами вашей команды, но вы упускаете большой поток студентов, которые еще не стали звездами и вам не поздно вырастить их внутри, если вы сами когда-то были настоящими синьорами. 📸 Глава Лаборатории машинного обучения в окружении джунов и миддлов, май 2022.

Продуктовая стратегия Лаборатории машинного обучения 1️⃣ Решаем только те задачи, которые приносят реальный профит компании. У коммерческой компании, в отличие от исследовательского института, есть акционеры. И эти акционеры ждут возврата инвестиций — в том числе на твою зарплату — в кратном размере. Если ROI нет, ресурсы уходят в другие направления, а в сложные времена — просто сокращаются. Поэтому команда должна решать не те задачи, которые “интересные” или “хочет компания”, а те, которые максимизируют матожидание измеримого результата. И уметь отбиваться от идей, которые точно не дадут эффекта — это тоже часть профессионализма. 2️⃣ Находим и продаём бизнесу задачи, а потом быстро внедряем их в прод. Если менеджеры не знают, как монетизировать данные — ничего страшного, это нормально. Нужно идти к ним самим: изучать процессы, искать, где ML реально может помочь. Дальше — быстрый пилот, простая метрика, и объяснение результата в понятных терминах, чаще всего — через финансовый эффект. После этого важно не терять момент и как можно скорее внедриться в прод. Если инфраструктура не готова — поддерживать процесс на своей стороне, пока не появится возможность перенести. Иногда внедрение приходится буквально продавить — но если есть измеримый эффект, у бизнеса просто не останется аргументов. 3️⃣ Масштабируем решения и переиспользуем накопленную экспертизу. Каждый бизнес-сегмент уникален, но типовые задачи везде примерно одни и те же. Большинство монетизируемых кейсов — это просто классификация: бинарная или многоклассовая. Решил задачу для одной бизнес-линии — почти наверняка сможешь применить решение в другой. Сделал PD-модель — построишь и склонность, и отток. Научился классифицировать тексты трансформером — сможешь классифицировать и транзакции. Главное — не начинать каждый проект с нуля, а превращать опыт в масштабируемую экспертизу. 4️⃣ Используем новые подходы для работы с моделями и данными. Когда ML уже встроен в ключевые процессы, ценность приносит не “ещё одна модель”, а новые подходы:новые источники данных, более продвинутые методы, автоматизация пайплайнов. С таким подходом рост идёт за счёт эффективности — быстрее, дешевле, надёжнее. В итоге 95% моделей, которые мы разрабатывали, были внедрены в бизнес-процессы. Почти все задачи — сгенерированы внутри команды и “проданы” бизнесу, что отображало нашу функцию лидера, а не сервиса. Иногда приходилось ждать по два года, иногда — буквально заставлять внедрять. Нейронные сети в кредитном скоринге мы вывели в прод первыми в России, потом перенесли на другие бизнес-линии, а позже автоматизировали их разработку в сервисе ANNA. Из этого опыта вырос центр компетенций по NLP. 🤔 Каждый пункт стратегии — это ответ на три простых вопроса: что мы делаем, чего не делаем сейчас, как и куда двигаемся дальше.

Позиция: Middle +/ Senior Data Scientist Куда? ID Collect , Департамент аналитики и рисков Формат работы: Гибрид: Москва, м. Фили/Багратионовская/Парк Победы Вилка гросс: 250-500K + годовой бонус до 2,5 окладов Что нужно делать? • Разработка и поддержка скоринговых моделей оценки и переоценки по покупкам на основе статистического анализа. • Разработка и поддержание моделей распознавания документов и речевой аналитики (NLP). • Автоматизация операционных процессов компании за счет внедрения алгоритмов нечеткого поиска, написания скриптов для уменьшения доли ручного труда в компании. • Проведение углубленного статистического анализа данных, включая проверку гипотез и выявление внутренних и внешних факторов, влияющих на взыскание задолженности. • Анализ риск-метрик, включая эффективность сборов, уровень просрочки и другие ключевые показатели. • Взаимодействие с командами разработки и аналитики для интеграции моделей в бизнес-процессы компании. Требования: • Опыт работы от 2-х лет в области анализа данных и машинного обучения. • Глубокое понимание ML-алгоритмов и продвинутые знания Python, включая основные библиотеки для машинного обучения (например, Scikit-learn, TensorFlow, PyTorch). • Хорошие знания SQL (любой из диалектов), умение писать оптимизированные запросы. • Опыт работы с инструментами логирования экспериментов, кода, умение писать читабельный код в Python и его оптимизировать. • Опыт вывода моделей в Production. • Опыт написания базовых микросервисов, работы с большими данными и инструментариями для их анализа будет преимуществом. Ответы на 10 важных вопросов: 1. Данные: DWH на Clickhouse (данные из ПРОД и внешних источников) 2. Железо: 3 терминала 1) Intel(R) Xeon(R) Silver 4314 CPU @ 2.40GHz, 96 GB RAM, NVIDIA RTX A5000 24 GB 2) Intel(R) Xeon(R) W-2255 CPU @ 3.70GHz 3.70 GHz, 220 GB RAM 3) Intel(R) Xeon(R) Silver 4114 CPU @ 2.20GHz 2.19 GHz (процессоров: 10), 140 GB RAM 3. Масштаб влияния: ML-решения напрямую влияют на ключевые метрики бизнеса: инвестиции в портфель просроченной задолженности, эффективность операционных процессов, финансовые показатели компании. 4. Уровень развития DS: 70%классические модели, 30% NLP. 5. Роль DS: Постановка задачи в технических терминах, сбор необходимых данных, разработка модели и мониторинг работы 6. Бэкграунд руководителя: Михаил Пчелинцев, ex-Сбер. 7. Частота встреч: ~ 3 синка в неделю (зависит от проекта). 8. Карьерный рост: ревью каждые 6 месяцев. 9. Prod/Research: 80% prod, 20% research. 10. Функция сервиса/лидера: 70% execution (решение задач), 30% лидерство в рамках проекта. Откликнуться: TG @natashka_olegovna

Data-вызов от Яндекса: обновленные тестовые задания на стажировку для будущих аналитиков Яндекс приглашает на стажировку для начинающих аналитиков в Москве и Санкт-Петербурге! Компания только обновила тестовые задания, чтобы у всех, кто пробовал силы ранее, был шанс попробовать снова. Вы сможете работать над продуктами и решать важные бизнес-задачи: запускать А/В-тесты, собирать датасеты, строить дашборды и анализировать метрики. Стажеров ждёт: ✅ Решение реальных задач для сервисов с миллионной аудиторией ✅ Гибкий график, который удобно совмещать с учёбой ✅ Поддержка ментора ✅ Зарплата на весь срок стажировки ✅ Айтиобщага для участников из других городов ✅ Отложенный офер, если вы ещё учитесь Используйте возможность влиять на ключевые решения и видеть, как ваша работа меняет продукты для миллионов пользователей. Подать заявку, получить советы по подготовке и найти полезные материалы можно на сайте.

Когда я приходил в Альфу шесть лет назад, у меня была простая цель — делать крутые вещи с топ-технологиями в реальной, прагматичной среде. В итоге, мы внедрили кучу фундаментальных изменений, их признали не только внутри компании и за её пределами (часть из них вы уже видели в этом канале), но этот пост не про самолюбование. Подобные истории без описания трудностей не только скучные, но и неправдоподобные, поэтому расскажу с чего мы начинали и какие трудности встречали на пути: – слабый HR-бренд; – нет бюджета на перекупку «звёздной» команды; – политика «берём только синьоров по стажу»; – купленные у вендоров решения мешают растить компетенции; – инфраструктура для внедрения нейронок отсутствует; – формальные процессы, которые замедляют работу; - саботаж на протяжении нескольких лет к внедрению эффективных решений; - карьерный рост за лакейство, вместо результатов. К сожалению, не все удалось решить, но разруливание и существование в режиме ограничений стало существенным фактором роста всех членов команды. С козырями все могут играть, а вы попробуйте играть теми картами, что на руках. Выплыть помогли правильный майндсет и культура, впитанная на заре становления Тинькофф. С их помощью родилась и была реализована стратегия из трёх частей: продукт, HR и PR — все они связаны. В следующих постах я расскажу, как это работало и что из этого может пригодиться вам.