Data Scientist | IT
Open in Telegram
Добро пожаловать в клуб. Полезные материалы из мира DS & ML на регулярной основе. По всем вопросам: @godinmedia
Show more
Network:1 909
Subscribers
No data24 hours
-27 days
-230 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
September '26
September '26
+3
in 0 channels
August '26
+3
in 0 channels
Get PRO
July '26
+4
in 0 channels
Get PRO
June '26
+7
in 0 channels
Get PRO
May '26
+3
in 0 channels
Get PRO
April '26
+5
in 0 channels
Get PRO
March '26
+7
in 0 channels
Get PRO
February '26
+6
in 0 channels
Get PRO
January '26
+6
in 0 channels
Get PRO
December '25
+17
in 0 channels
Get PRO
November '25
+2
in 0 channels
Get PRO
October '25
+5
in 0 channels
Get PRO
September '25
+8
in 0 channels
Get PRO
August '25
+8
in 0 channels
Get PRO
July '25
+8
in 0 channels
Get PRO
June '25
+3
in 0 channels
Get PRO
May '25
+8
in 0 channels
Get PRO
April '25
+4
in 0 channels
Get PRO
March '25
+3
in 0 channels
Get PRO
February '25
+3
in 0 channels
Get PRO
January '25
+5
in 0 channels
Get PRO
December '24
+1
in 1 channels
Get PRO
November '24
+11
in 0 channels
Get PRO
October '24
+7
in 0 channels
Get PRO
September '24
+367
in 0 channels
Get PRO
August '24
+365
in 0 channels
Get PRO
July '24
+11
in 0 channels
Get PRO
June '24
+20
in 0 channels
Get PRO
May '24
+11
in 0 channels
Get PRO
April '24
+10
in 0 channels
Get PRO
March '24
+12
in 0 channels
Get PRO
February '24
+13
in 1 channels
Get PRO
January '24
+5
in 0 channels
Get PRO
December '23
+12
in 0 channels
Get PRO
November '23
+18
in 0 channels
Get PRO
October '23
+27
in 2 channels
Get PRO
September '23
+129
in 0 channels
Get PRO
August '23
+377
in 0 channels
Get PRO
July '23
+428
in 0 channels
Get PRO
June '23
+215
in 0 channels
Get PRO
May '23
+122
in 0 channels
Get PRO
April '23
+551
in 0 channels
Get PRO
March '23
+241
in 0 channels
Get PRO
February '23
+399
in 0 channels
Get PRO
January '23
+484
in 0 channels
Get PRO
December '22
+59
in 0 channels
Get PRO
November '22
+341
in 0 channels
Get PRO
October '22
+166
in 0 channels
Get PRO
September '22
+988
in 0 channels
Get PRO
August '22
+520
in 0 channels
Get PRO
July '22
+1 094
in 0 channels
Get PRO
June '22
+133
in 0 channels
Get PRO
May '22
+2 526
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 16 September | 0 | |||
| 15 September | 0 | |||
| 14 September | +1 | |||
| 13 September | 0 | |||
| 12 September | 0 | |||
| 11 September | 0 | |||
| 10 September | 0 | |||
| 09 September | 0 | |||
| 08 September | 0 | |||
| 07 September | 0 | |||
| 06 September | 0 | |||
| 05 September | 0 | |||
| 04 September | 0 | |||
| 03 September | 0 | |||
| 02 September | 0 |
Channel Posts
Google не читает ваши сообщения – федеративное обучение читает
#почитать
Как 750 миллионов человек тренируют ИИ каждый день, не подозревая об этом
Мы когда-то предполагали, что ИИ должен наблюдать за нами, чтобы учиться. Федеративное обучение доказывает обратное – и сегодня мы увидим, как это работает, через простые диаграммы.
Прямо сейчас, пока вы это читаете, клавиатура на вашем смартфоне тихо становится умнее.
✅Читать статью
| 2 |  Как не тратить время на провальные A/B-тесты: офлайн-оценка рекомендаций в Звуке
#почитать
Идея офлайн-оценки в общем-то не нова, и довольно логична — хочется еще до запуска A/B тестов хотя бы примерно прикинуть, получилось ли у нас улучшить модель рекомендации, или лучше оставить все как есть. Такой подход здорово экономит нервы и ресурсы: повышает шансы на «зеленый» свет в тестах, отсекает заведомо провальные идеи и не заставляет ML-инженеров зря тратить время на решение ненужных инфраструктурных задач.
✅Читать статью | 102 |
| 3 |  Мой локальный агент помнит проект лучше меня. Контекст — 32K токенов. Расскажу, как
#почитать
Мой агент на Llama 3.1 8B в третий раз спросил, как меня зовут. Я представился 200 сообщений назад. Контекст переполнился — начало разговора уехало. Большие контексты не спасают: дорого, «Lost in the Middle», локально не влезает. Суммаризация теряет детали. Я сделал по-другому — три типа внешней памяти: Redis для фактов, ChromaDB для семантического поиска, файлы для документов. Контекст маленький, память большая. Внутри — код на Python и грабли, на которые я уже наступил.
✅Читать статью | 156 |
| 4 |  Я измерил «личность» 6 open-source LLM (7B-9B), заглянув в их hidden states. Вот что получилось
#почитать
У LLM есть устойчивый стиль ответов даже без системного промпта. Я построил инструмент, который измеряет этот «характер» через проекции скрытых состояний на 7 контрастных осей (тёплый/холодный, многословный/лаконичный и др.) и протестировал его
на 6 open-weight моделях 7–9B.
Главный результат: alignment-тренировка сжимает поведенческое пространство моделей — подавляет оси позиции (уверенность, прямолинейность), сохраняя оси стиля (креативность, многословность). Llama 3.1 8B — самая
ограниченная (4/7 осей в слабой зоне), DeepSeek 7B сохраняет наибольшую независимость осей. Сравнение base vs instruct для 5 организаций подтверждает паттерн. Код и данные открыты.
✅Читать статью | 202 |
| 5 |  Что делать айтишнику в наше турбулентное время?
Вариант первый: скучать по старым добрым временам, когда ты проходил собеседования на 400к+ одной левой пяткой и думал, что так будет всегда.
Вариант второй: адаптироваться.
Повышать скиллы. Учиться проходить собеседования, а не гнуть пальцы. И, конечно, читать Богдана. Он больше 6 лет работает в бигтехе и прошёл 350+ собеседований.
— Почему твоё резюме не даёт откликов
— Почему ты не зарабатываешь 400к?
— Где искать работу ML-инженеру?
И ещё много полезных материалов уже ждёт тебя на канале.
Если хочешь не просто ходить на собеседования, а выходить оттуда с крутыми офферами, подписывайся на Богдана: https://t.me/ml_cabin_destroyers
Реклама ИП Камаев Богдан Эльмарович ИНН 770973951244
erid:CQH36pWzJqVJCbWwrztQkweeb5SwHbDDDZgHBdiXxMs94y | 173 |
| 6 |  LLM‑разметка в поиске: от эксперимента к инструменту
#почитать
Цель этого рассказа, поделиться наработками в деле оптимизации разметки текстовых данных при помощи большой языковой модели (LLM). Если после прочтения вы захотите что-то добавить или спросить, буду только рад!
✅Читать статью | 136 |
| 7 |  Ускоряем инференс в Python с ONNX
#почитать
Если у вас когда‑либо был опыт деплоя нейросетки, вы знаете, что обучение — это полдела, а вот добиться шустрого инференса — целое искусство. Часто обученная в PyTorch модель дает замечательные метрики, но стоит попытаться запустить её в приложении начинаются всякие проблемки.
Одно из решений, которое часто выручает — ONNX и ONNX Runtime. Если эти буквы для вас пока ничего не значат — не беда, сейчас разберёмся что к чему. А если вы уже слышали про ONNX, то, возможно, задавались вопросом: «А реально ли ускорить инференс, заморочившись с этой технологией?» Еще как!
✅Читать статью | 185 |
| 8 |  С днём ML-митапа!
Приглашаем на первый офлайн ML Meetup SberHealth в Москве. Будет онлайн-трансляция, так что можно присоединиться из любой точки.
16 сентября соберём в одном месте ML-инженеров, экспертов и всех заинтересованных!
В программе
🟣 Леонид Чесников — про то, как превратить n8n в основу AI-платформы и подключить к ней AI-агентов и MCP
🟣 Влад Гонта — про то, как собрать корпус русского медицинского текста, когда качественной разметки катастрофически не хватает
Приглашённые эксперты
🟣 Александр Кузнецов, MWS — про ModelOps и ежедневный скоринг 110+ моделей
🟣 спикер Альфа-Банка — про LLM-as-labeler и LLM-as-classifier: что делать с LLM, когда одного промпта уже недостаточно
И это ещё не всё!
На митапе будут также и наши эксперты, CDO и CIO СберЗдоровья⭐️
Подходи знакомиться, задавай вопросы и рассказывай свои кейсы, а наши чиллаут-активности создадут приятную атмосферу для непринужденного общения.
После основной программы – напитки, нетворкинг и DJ-сет от нашего юриста 🎧
Да, всё согласовано, легально и бесплатно🔥
📌 Москва (офлайн + онлайн)
📌16 сентября
✉️ 18:30
Приходите. Будем знакомиться, обсуждать ML и хорошо проводить вечер.
🔜 Регистрация и подробная информация по ссылке | 143 |
| 9 |  Нужно ли обучать YOLO с нуля? Практические выводы
#почитать
Для меня машинное обучение - это прежде всего экспериментальная наука. Выигрывает не тот, кто придумал самую сложную архитектуру, а тот, кто быстрее проходит итерации (анализирует кривые потерь, меняет гипотезы и снова запускает обучение).
И именно в этой постоянной гонке я всё чаще задаю себе один и тот же вопрос, а нужно ли вообще обучать модель с нуля?
Когда я говорю «обучать с нуля», я имею в виду именно пустые веса. Не fine-tuning и не до обучение, а старт с нулевой инициализацией (PyTorch-модель без пред обученных параметров или YOLO с отключёнными pretrained-весами).
✅Читать статью | 136 |
| 10 |  Устойчивость роли в LLM-промпте: О границах промптинга и ролевых моделей
#почитать
Постоянно сталкиваюсь со статьями, инструкциями, репозиториями промптов, где бесконечно предлагают задавать роль LLM. Наверняка, даже курсы по промпт‑инженерии на этом построили. Однако четкого понимания, как это повлияет на качество ответов и поведение модели, никогда не приводится. Главный тезис: «делай так и будет хорошо!». Хочется ответить: «какие Ваши доказательства!?»
✅Читать статью | 172 |
| 11 |  Гиперсети: нейронные сети для обработки иерархических данных
#почитать
С точки зрения нейронных сетей мир плоский. Иерархические данные напоминают, что это не так.
Работа нейронных сетей неотделима от допущения, что всего одна функция отображает вводные данные на выходные. Но в реальных условиях данные редко вписываются в такие рамки.
Допустим, есть клиническое исследование, проводимое сразу в нескольких больницах. Лекарство одно и то же, но отличаются популяции пациентов, процедуры и порядок ведения записей. В таких случаях наблюдения группируются в разные датасеты, каждый из которых управляется скрытыми параметрами.
Стандартные нейронные сети в таких условиях жёстко сбоят. Обучите одну модель сразу на всех датасетах — и она расфокусируется из-за различий, станет усреднять функции, которые усреднять не следует. Натренируйте по модели на каждом из датасетов — и получите переобучение, в особенности, если датасеты будут маленькими. Такие обходные манёвры как задействовать статические векторные представления (эмбеддинги) или постоянно наращивать размер сети в сущности не решают ключевую проблему: система запоминает причуды сети, не моделируя её структуру, складывающуюся на уровне датасета. А ведь именно эта структура — залог качественных результатов.
✅Читать статью | 179 |
| 12 |  Как я написал ASR-движок на Rust: от разочарования в одной модели до мульти-модельной архитектуры
#почитать
В предыдущей статье я рассказывал, как портировал модель синтеза речи Qwen3-TTS на Rust. Тот проект (RustTTS) получился достаточно успешным — один бинарник, мгновенный старт, никаких Python-зависимостей.
Естественным продолжением стала обратная задача — распознавание речи (ASR, Automatic Speech Recognition). Логика казалась простой: у Qwen есть и TTS и ASR, архитектуры похожи, опыт с Candle уже есть, значит справимся за пару недель. Ну... не совсем.
✅Читать статью | 190 |
| 13 |  PyTorch vs TensorFlow: что выбрать для deep learning в 2026 году
#почитать
Выбор фреймворка для глубокого обучения — это стратегическое решение, влияющее на скорость разработки, стоимость и масштабируемость. Правило «PyTorch — для исследований, TensorFlow — для продакшена» больше не работает. К 2026 году оба фреймворка активно заимствуют лучшее друг у друга: PyTorch наращивает промышленные возможности (TorchServe, ExecuTorch), а TensorFlow с Keras 3 становится гибче для исследований.
Согласно опросу Stack Overflow Developer Survey 2024, PyTorch (10,6%) и TensorFlow (10,1%) находились примерно на одной отметке по частоте использования у разработчиков, а в исследовательских и AI-first-компаниях уверенно лидирует PyTorch. Но есть нюансы.
✅Читать статью | 186 |
| 14 |  ML против ядерных отходов. Как мы ускорили вычисление свойств карбидов технеция с помощью нейросетей
#почитать
Совместно с моими коллегами из Сколтеха, AIRI, Sber AI, РХТУ и ИФХЭ РАН мы недавно опубликовали статью в Acta Materialia, где построили подробную фазовую диаграмму карбида технеция. Это не было бы возможным без применения графовых нейронных сетей, которые заменяют существенную часть вычислений.
Здесь мне хотелось бы подробнее рассказать, что именно мы делали и с какими сложностями столкнулись. Текст получился большим и подробным, но если вам интересно, как машинное обучение постепенно меняет материаловедение, эта статья для вас.
✅Читать статью | 192 |
| 15 |  Отраслевые СМИ завалили инженеров инфошумом вместо реальных кейсов. Я собрал ИИ-агрегатор, чтобы это исправить
#почитать
Представьте: вы технолог на нефтехимическом заводе. Вам нужно смоделировать работу новой установки — как сырьё будут нагревать, охлаждать и разделять на компоненты.
Поскольку вы сталкиваетесь с этим впервые, есть два пути: либо разбираться в теории по справочникам и собирать решение самостоятельно, либо найти готовый кейс с расчётами и результатами в открытых источниках.
Логичнее смотрится второй вариант. Но тогда возникает другая проблема. Вы открываете источники — и видите политику, слияния-поглощения, биржевые котировки, санкции. Узнать, кто кого купил или какая сегодня цена на нефть, можно за секунды.
А чтобы найти информацию о том, как снизить коксование в печах пиролиза, какие катализаторы сейчас тестируют мировые химические компании вроде BASF, или как сократить энергопотребление на установке полимеризации, приходится изучать десятки исследований и журналов. На это уходит много времени.
✅Читать статью | 204 |
| 16 |  Как мы научились определять продвинутые автоответчики
#почитать
Год назад мы начали использовать ASR для обработки записей телефонных звонков.
TL;DR: вместо бинарных правил и end-to-end ML мы выбрали скоринговую систему поверх ASR (T-One): анализируем диалог и поведение, получаем ~98% точности при среднем времени обработки ~4.9 сек вместо 20+ сек на Whisper.
Задача казалась простой: понять, ответил ли абонент сам или сработал автоответчик, и на основании этого корректно завершить звонок и вернуть деньги пользователю при неудаче.
На практике всё оказалось сильно сложнее.
✅Читать статью | 179 |
| 17 |  Как гуманитарий за 2 месяца с нуля RAG систему построил, или Парсинг PDF по-хардкору
#почитать
Сегодня я расскажу о том, как я за 2 месяца с полного нуля создал доменную RAG систему с корпусом в 20+ книг.
В статье затрону проблемы парсинга данных (особенно PDF документов, с которыми приходилось иметь дело), чанкинга, создания и индексации эмбеддингов, а также самого интересного – ретривера. Расскажу о latency, трейд-оффах, и сложностях реализации подобных систем локально на ноутбуке (хоть и «игровом») без использования API LLM.
Вся система делалась мной самостоятельно без использования LangChain – это чистый пайплайн от Tesseract, Pillow, MuPDF/Fitz до e5-multilingual, FAISS (+bm25, который я затрону в статье) и Qwen3:8B в качестве LLM.
✅Читать статью | 201 |
| 18 |  Почему AutoML не «магия», а способ выжить в промышленном ML
#почитать
Когда в компании появляется первая ML‑модель, кажется, что самое сложное выбрать алгоритм и добиться хороших метрик. Но настоящий вызов начинается позже: когда моделей становится десятки, затем сотни, а скорость бизнеса начинает требовать обновлений не раз в год, а раз в недели.
В Страховом Доме ВСК мы довольно быстро поняли: без стандартизации и автоматизации машинного обучения масштабирование превращается в хаос. Так у нас появился собственный AutoML‑фреймворк как ответ на реальные боли промышленного ML.
✅Читать статью | 197 |
| 19 |  Архитектура «Обратного Хэша»: Нейросети без умножения
#почитать
Современный Deep Learning уперся в производительность вычислений с плавающей точкой (float) и пропускную способность памяти. Мы предлагаем архитектуру «Обратного Хэша», где нейрон — это не сумма произведений, а битовая функция.
Ноль умножений. Ноль сложений. Только логика (XOR), статистика и скорость света.
✅Читать статью | 209 |
| 20 |  Когда недостаточно ошибок I/II рода и нужно уточнить результат A/B теста
#почитать
Для запуска А/В теста необходимым минимумом является фиксация ошибок первого и второго рода, расчет MDE (минимальный наблюдаемый эффект). Однако при расчете результатов теста далеко не всегда получается достичь MDE заданного размера, в таком случае статистическая значимость результатов не будет достигнута. Помимо этого даже при статистически значимом результате существует вероятность ошибки, при которой наши результаты являются выбросом или просто случайностью. Как быть в таком случае?
✅Читать статью | 197 |
