RWB делает ML
Open in Telegram
RWB делает ML — канал про технологии в компании. Делимся инженерными разборами, архитектурой сервисов, статьями, докладами и опытом построения ML в продакшне.
Show more1 563
Subscribers
-224 hours
+147 days
+6030 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
September '26
September '26
+20
in 1 channels
August '26
+55
in 1 channels
Get PRO
July '26
+46
in 1 channels
Get PRO
June '26
+125
in 2 channels
Get PRO
May '26
+172
in 3 channels
Get PRO
April '26
+53
in 1 channels
Get PRO
March '26
+41
in 0 channels
Get PRO
February '26
+29
in 0 channels
Get PRO
January '26
+18
in 0 channels
Get PRO
December '25
+17
in 0 channels
Get PRO
November '25
+41
in 0 channels
Get PRO
October '25
+31
in 0 channels
Get PRO
September '25
+55
in 3 channels
Get PRO
August '25
+90
in 0 channels
Get PRO
July '25
+20
in 0 channels
Get PRO
June '25
+28
in 0 channels
Get PRO
May '25
+216
in 1 channels
Get PRO
April '250
in 0 channels
Get PRO
March '250
in 1 channels
Get PRO
February '250
in 0 channels
Get PRO
January '250
in 1 channels
Get PRO
December '24
+53
in 2 channels
Get PRO
November '24
+22
in 1 channels
Get PRO
October '24
+692
in 3 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 08 September | 0 | |||
| 07 September | 0 | |||
| 06 September | +1 | |||
| 05 September | +1 | |||
| 04 September | 0 | |||
| 03 September | +5 | |||
| 02 September | +12 | |||
| 01 September | +1 |
Channel Posts
+8
⚙️ Как ИИ меняет онлайн-торговлю на масштабе десятков миллионов пользователей?
Павел Раваев, директор по данным RWB, рассказал, какие ИИ-решения уже работают в продукте и какой измеримый результат они приносят.
Собрали интересное на карточках:
⏹️ поиск по фото и его метрики за год
⏹️ виртуальная ИИ-примерка одежды, косметики и мебели
⏹️ генеративный ИИ для продавцов
⏹️ ИИ-функции в отзывах для покупателей и продавцов.
@rwb_delaet_ml
| 2 |  +8⭐️⭐️ Один Шрек, 200+ брендов на старте и векторный поиск, который заменяет собой армию YOLO-моделей — Лев Нечаев, руководитель команды «Автоматическая модерация методами ИИ» в RWB, рассказал, как в модерации Wildberries ловят логотипы и лица без отдельной модели под каждую новую задачу.
Подробнее — на Хабре 🖥
@rwb_delaet_ml | 519 |
| 3 |  +8Хорошая модель бесполезна, если ее нельзя встроить в реальные процессы. Илья Бадекин, Data Scientist в команде товарных рекомендаций RWB, рассказывает, как команда сжала эмбеддинги для онлайн-ранжирования рекламы.
О чём статья:
⏹️ зачем рекомендациям текстовый энкодер и как он помогает с «холодными» товарами
⏹️ как ту же модель применили к рекламным баннерам в поиске
⏹️ почему классические методы уменьшения размерности (PCA, TruncatedSVD) не дали нужного качества
⏹️ как «Матрёшка» (MRL) помогла сжать вектор в 8 раз, потеряв всего 4–5% качества
👆 Читать больше на Хабре
@rwb_delaet_ml | 744 |
| 4 |  DML против PSM: как оценивать нерандомизированные эксперименты быстрее и надёжнее
Что делать, если классический A/B-тест не работает из-за конфаундеров и сетевых эффектов? Рассказал Платон Попов, дата-аналитик в команде A/B-платформы RWB, на примере кейса оценки эффекта таргетированной рекламы в ПВЗ. Сначала использовали Propensity Score Matching (PSM), но метод не прошёл валидацию: доля ложноположительных результатов оказалась выше допустимого уровня.
➡️ Тогда перешли к Double Machine Learning (DML) — и получили более устойчивую оценку.
Читать статью на Хабре 👆
@rwb_delaet_ml | 698 |
| 5 |  +8💻 Как большие языковые модели работают со звуком — и чем работа с аудио отличается от текста?
Анна Текучева, Data Scientist HML NLP & Speech в RWB, разобрала, что умеет LLM в аудио, сравнила популярные модели синтеза речи и показала, как управлять результатом генерации.
Читайте карточки или смотрите запись выступления на ODS LLM Meetup 🖥
@rwb_delaet_ml | 784 |
| 6 |  Как мы внедрили AIOps для контроля GPU-утилизации и повысили её на 60 процентов
В RWB команда ML-платформы построила поверх мониторинга отдельный слой для управления такими кейсами на базе open source KeepHQ. Через систему прошло около 400 тысяч событий, а дедупликация составила ~99%.
В новой статье на Хабре рассказываем, как устроили жизненный цикл алерта — от поиска владельца и сохранения контекста до автоматической проверки исправления и эскалации. И показываем, какие части Keep пришлось доработать и почему AI оказался далеко не главным элементом решения ⚙️
Результат: +62% к средней месячной утилизации GPU на одном из кластеров
@rwb_delaet_ml | 4 864 |
| 7 |  Учим небольшую LLM с нуля: гибридное внимание, XSA, доменные бленды и загадки роста онлайн-бенчмарков
Команда обучения и инференса RWB обучила текстовую версию Qwen3.5-2B с нуля — без pretrained-весов. В статье разбираем весь путь: от сборки доменных датасетов и Megatron-LM до online-оценки и экспериментов с архитектурой 👆
Хайлайты:
⏹️ обучили модель сначала на 1, затем на 11 трлн токенов
⏹️ протестировали XSA и получили −0,009 val loss и +1,6 п. п. на MMLU
⏹️ разобрались, почему MMLU в разных форматах показывает совершенно разную динамику
⏹️ проверили, как меняется качество при разных доменных блендах
⏹️ нашли слабое место модели — математику и reasoning
А ещё рассказали, как устроен наш pretrain-пайплайн и какие эксперименты планируем дальше.
➡️ Узнать больше
@rwb_delaet_ml | 4 759 |
| 8 |  2 награды, 1 хакатон и сотни талантливых участников 🏆
У нас сразу две победы на национальной премии «Хакатоны России»! Студенческий хакатон RWB по машинному обучению и программированию стал лучшим сразу в двух номинациях — «Дебют года» и «Лучший хакатон в сфере ИИ» 😎
Эксперты премии отметили проект, который мы проводили в рамках Cookie Fest. Ребятам нужно было разработать ML-модель, способную находить дубликаты товаров на маркетплейсе по названиям, описаниям и изображениям.
К Хакатону присоединились более 270 студентов из ведущих вузов страны — НГУ, НГТУ, ТГУ, МИСИС, МИРЭА, СПбГУ, МАИ, Школы 21 и многих других. До финала дошли 100 участников, а 10 сильнейших команд представили свои решения экспертному жюри. | 397 |
| 9 |  +8Mechanistic Interpretability ч2 🟣
В предыдущем посте мы защищали модель снаружи — через guardrails. Но что, если заглянуть LLM «под капот» и понять, как она вообще принимает решения?
Максим Пантелеев, руководитель направления Core M&D в RWB, продолжает рассказ: сегодня про Mechanistic Interpretability и про то, как Sparse Autoencoders помогают распутать смыслы внутри нейросети.
👀 Смотреть запись выступления
@rwb_delaet_ml | 659 |
| 10 |  +8Почему нельзя взять одну большую LLM и использовать её везде?
На практике каждая продуктовая задача предъявляет свои требования: например, к качеству, latency и стоимости инференса. Поэтому в RWB развивается не одна модель, а целое семейство BerryLM.
Узнали у Матвея Сапрыкина, AI Assistants Models Tech Lead, как оно устроено ⚙️
@rwb_delaet_ml | 1 146 |
| 11 |  RWB на Data Day 2026
Уже завтра, 9 июля, пройдет Data Day — рассказываем о наших спикерах ↓
⏹️ 14:30, Трек «Финтех»
Дискуссия «Управляемый запуск ML-решений в банковском секторе — сложности и рецепты» | Роман Бобров, Руководитель ML-направления в Fintech & WB Bank
⏹️ 16:15, Трек «Финтех»
Доклад «Как с помощью данных запустить рассрочку: рецепт управляемого масштабирования» | Михаил Кузин, Руководитель управления аналитики b2c-продуктов
⏹️ 16:00, Трек «Путешествия и транспорт»
Доклад «Быстрее, умнее, дешевле — ML/AI в логистике, складах и цепочках поставок RWB» | Михаил Дьячков, Руководитель ML-направлений в Supply and Demand Chain
⏹️ 15:40, Трек «Ритейл»
Доклад «Как мы ускорили delivery фич за счет централизации ML сервисов» | Даниил Понизов, Руководитель ML-платформы
⏹️ 16:00, Трек «Ритейл»
Дискуссия «AI-ассистенты» | Пётр Лукьянченко, Руководитель направления ML и Data Science, и Юрий Софронов, Руководитель направления «Модели и сервисы для ИИ-Ассистентов»
Заглядывайте, чтобы узнать больше о технологиях RWB и пообщаться со спикерами ⭐️
@rwb_delaet_ml | 825 |
| 12 |  +9ML-системы внутри RWB — это десятки сервисов, которые работают вместе
Машинное обучение у нас — это применение готовых моделей в реальном времени, обучение на исторических данных и строгие требования к задержке отклика и масштабированию. А ещё — большая команда, которая поддерживает отношения между продавцами и покупателями
❗️❗️ Рассказываем, как и где ML-решения прижились в Wildberries & Russ и почему теперь это часть единого технологического контура бренда RWB
🌟 rwb_delaet_ml | 902 |
| 13 |  BerryLM-XL вошла в топ-3 русскоязычного бенчмарка MERA
Дообученная командой RWB модель BerryLM-XL заняла 3-е место в общем лидерборде MERA с интегральной оценкой 0,835. Для сравнения, результат Human Benchmark на тех же задачах составляет 0,852. В топ-5 также вошла BerryLM-v2, занявшая 5-е место с оценкой 0,810 ✅
«Мы дообучаем модели под конкретные сценарии маркетплейса — от поиска и сравнения товаров до инструментов для продавцов — и измеряем их влияние на продуктовые и бизнес-метрики. Результат MERA показывает, что мы предоставляем продавцам и покупателям доступ к решениям мирового уровня для автоматизации процессов и решения повседневных задач», — прокомментировал директор по данным RWB Павел Раваев
Модели семейства BerryLM уже используются в поиске и сравнении товаров, ИИ-ассистенте для покупателей, инструментах для продавцов и ряде внутренних сервисов компании.
Делаем подробный пост про BerryLM? Ставьте реакции 👀
Кстати, больше про ML в Wildberries & Russ — в @wb_delaet_ml. Подписывайтесь! | 5 098 |
| 14 |  Открыли набор на «Лабс» — командные ИТ-стажировки Wildberries & Russ
Это не учебные задачи в стол: вы собираете команду из трёх человек и работаете в связке с техническим ментором — с доступом к данным и инфраструктуре. На выходе — готовое портфолио, оплачиваемая стажировка и шанс остаться в команде.
Есть два формата на выбор:
🟣 Исследовательский — берёте готовый кейс и решаете реальную бизнес-задачу WB.
🟣 Инновационный — развиваете собственный ИТ-проект при менторской поддержке.
Вы можете выбрать 4 трека для решения:
1️⃣ Диффузионные модели в рекомендательных системах: исследуем диффузионные модели для рекомендаций, ставим эксперименты на открытых датасетах, готовим статью и репозиторий.
2️⃣ WB-FM: базовая модель пользователя для электронной коммерции. Одна модель вместо десятков энкодеров — ранжирование, поиск, антифрод, маркетинг.
3️⃣ Internship DevOps: четырёхмесячное погружение в работу дежурного инженера: Linux, Kubernetes, мониторинг, алертинг, непрерывная интеграция и доставка, разбор инцидентов.
4️⃣ Fit-the-Look: капсульные образы. Повышаем качество образов через гипотезы машинного обучения и компьютерное зрение на реальном пользовательском опыте.
Как попасть: до 30 июня собрать команду из трёх человек → подать заявку от капитана → пройти отбор и собеседование с техническим специалистом.
Заявки и подробности по всем трекам — на лендинге 🖥
@wb_delaet_ml | 5 123 |
| 15 |  +7❓ Можно ли доверять LLM-агенту, который сам принимает решения и вызывает инструменты?
Максим Пантелеев, руководитель направления Core M&D в Wildberries & Russ, рассказывает, почему «ванильная» модель небезопасна по умолчанию и как выстроить защиту на практике.
А в следующем посте серии пойдем глубже — заглянем модели «под капот» и разберем Mechanistic Interpretability и Sparse Autoencoders.
Кстати, как вам кажется — заглянем ли мы однажды в «мысли» большой модели?
🏆 Да, рано или поздно мы это поймем
👾 Нет, так и останется «чёрным ящиком»
⚡️ Заглянем, но не до конца
👀 Просто наблюдаю за развитием темы
Запись доклада — здесь!
🌟 @wb_delaet_ml | 974 |
| 16 |  ‼️ Как ML/AI помогает товару быстрее пройти путь от склада до клиента?
Логистика маркетплейса — это тысячи решений, которые нужно принимать быстро и точно. И чем масштабнее бизнес, тем выше цена ошибки — и тем важнее становятся ML/AI-инструменты, которые помогают оптимизировать процессы, снижать издержки и повышать качество сервиса.
На Data Day Михаил Дьячков, руководитель ML-направлений в Supply&Demand Chain, RWB (Объединенная компания Wildberries & Russ), выступит в треке «Путешествия и Транспорт. Интеллект в движении» и расскажет, как ML и AI работают в «закулисье» движения товара. Вы узнаете:
✅ на каких этапах логистической цепочки Wildberries&Russ применяет ML/AI и почему именно там технологии дают наибольший эффект;
✅ какие бизнес-задачи помогают решать ML-модели в складах, логистике и supply chain;
✅ как AI-подходы влияют на скорость, стоимость и качество операционных процессов;
✅ к каким практическим результатам пришла команда RWB при внедрении ML/AI в Supply&Demand Chain.
Михаил Дьячков более 10 лет работает в ML. Ранее развивал гео-направление в marketplace efficiency в Ситимобил, работал с ML в B2B в ecomtech. В RWB отвечает за направления, связанные с Supply&Demand Chain.
👉 Сайт и программа Data Day
—
😁 Канал Data Day в MAX | 883 |
| 17 | 9 июля увидимся на Data Day 2026
О чем расскажем?
➡️ где в логистической цепочке Wildberries & Russ применяются ML и AI
➡️ какие задачи модели решают в логистике и Supply & Demand Chain
➡️ как ML влияет на скорость, стоимость и качество операций
➡️ каких результатов удалось добиться после внедрения ML/AI
Если будете на конференции — заходите на доклад 😎 | 684 |
| 18 |  +8👀 Как понять, что перед тобой настоящее фото, а не генерация нейросети?
AI-картинки сейчас почти не отличить от настоящих фото. Даже на Sony World Photography Awards, победил снимок, созданный в Midjourney. Татьяна Кутузова, Иван Горбунов, Юлиан Гилязев и Елисей Мягких (команда T&S, Wildberries & Russ) рассказали, как создавался AI-детектор изображений и почему «95% точности» – это ещё не победа.
В статье о том:
🟣 как мы учили нейросеть различать реальные фото и генерации
🟣 как определяем продуктовые границы и сценарии применения
🟣 почему честно измерить качество модели оказалось сложнее, чем обучить
🟣 какие метрики используются в обучении модели
🟣 какое решение нашли
RWB AI Detector сейчас в открытой бете – команда ждет ваши сложные случаи!
🌟 @wb_delaet_ml | 941 |
| 19 |  Делимся видеозаписями после Inside AI Meetup 😗
9 докладов и дискуссия о применении AI, нетворкинг и новые знакомства, инсайты из работы с искусственным интеллектом — вот, как прошел наш Inside AI Meetup 20 мая. А сегодня делимся с вами записями докладов:
➕ О применении AI в Wildberries & Russ | Павел Раваев, Wildberries & Russ
➕ Внедрение AIOps-практик для контроля и повышения общей утилизации ресурсов для тысяч продуктовых сервисов | Даниил Понизов и Роман Лазовский, Wildberries & Russ
➕ Автоматические гардрейлы | Владимир Солодкин, МФТИ
➕ Как мы за перевели более 10 продуктов на единую Discovery-платформу | Денис Самохвалов, VK
➕ Text is All You Need. Отекстовка потока видеоклипов в платформе Wibes | Антон Кости и Виталий Подобедов, Wildberries & Russ
➕ Эволюция поиска вакансий на Avito: ML-оптимизации в Avito Работе | Вадим Вахрушев, Avito
➕ ИИ для среднего размера компании | Дмитрий Лахвич, M2
➕ Векторный поиск в модерации контента: как поместить более 200 моделей в 1 ансамбль | Лев Нечаев, Wildberries & Russ
➕ RAG, который не галлюцинирует (почти) | Артем Каледин и Александр Швайко, MWS
➕ Что на самом деле представляет запуск продуктов на базе LLM | Юрий Софронов, Wildberries & Russ
➕ Inside AI: Panel Discussion (Wildberries & Russ, Альфа-Банк, Сбер, red_mad_robot)
Еще записи докладов можно посмотреть в VK Видео
А презентации спикеров — в папке
Встретимся на следующих митапах Wildberries & Russ! Чтобы не пропустить анонсы, подписывайтесь: @wb_delaet_ml 🌟 | 4 822 |
| 20 |  +8Что происходит, когда AI выходит за пределы прототипа? Обсудили на Inside AI Meetup 20 мая ⭐️⭐️
«Внедрение ИИ в production на большом масштабе — это не магия, а постоянные компромиссы, ограничения и инженерный вкус, позволяющий сказать «нет» нейросетям там, где достаточно хороших данных и простой метрики», — Павел Раваев, CDO Wildberries & Russ
Эксперты из Wildberries & Russ, VK, Avito, МФТИ, M2, MWS, red_mad_robot, Альфа-Банка, Сбера поделились реальными кейсами из своего опыта: от высоконагруженной модерации с векторным поиском и AIOps-подходов к управлению ML-сервисами до практики построения RAG-систем, тонкостей реранкинга и реальных этапов запуска LLM-продуктов.
Фотографии с мероприятия смотрите здесь 🖥
Ждем вас на следующих митапах Wildberries & Russ! Следите за анонсами в @wb_space | 4 800 |
