ML доставляет

В статье Розы Морозенковой, MLOps-инженера в Купер.тех, — реальная история о том, как превратить хаотичный ML в управляемую систему. Собрали не только ML-платформу, но и мемы про то, как это происходило. Они отлично иллюстрируют, почему: 🟢 «идеальная схема» запуска моделей разваливается на практике 🟢 в работу вовлекаются DevOps, DataOps, MLOps и SecOps, и у каждого своя правда 🟢 шаблоны и CI/CD спасают от хаоса и «велосипедов» 🟢 сервисные карточки и контракты делают процессы прозрачнее 🏃Читайте на Хабре!

🌍 ML-проекты живут по своим законам: здесь много ресерча, неожиданных открытий и управленческих вызовов. Как справляться с ними и при этом сохранять доверие команды и бизнеса? Чтобы в этом разобраться мы взяли небольшое интервью у руководителя команды поиска и рекомендаций, Владислава Евтеева. Читайте подробности — в карточках выше и пишите комментарии 👉

🔎Поиск в e-commerce — это не просто список товаров, а целый механизм, который должен быстро и точно угадывать, что имел в виду пользователь. Игорь Самарин, специалист по анализу данных, делится опытом внедрения гибридного поиска: как мы обучали модель, какие сценарии тестировали и как выбрали решение, которое почти не нагружает систему. 🥳Если понравилось, то ставь лайк — и мы скоро расскажем о развитии нашего проекта!

ML Kuper Memes. Part 6 ML инженеры — как персонажи из сериалов нулевых: каждый со своим характером, подходом и неповторимым вайбом. Узнаете себя или коллег? 😉

Что общего у штрихкодов, эмбеддингов и Airflow? Правильный ответ — матчинг товаров. В e-commerce это не так просто организовать и настроить: офферов много, данные приходят в разнобой, а карточки должны появляться на витрине быстро. Мы в Купер.тех прошли уже множество итераций — от «олдскула» до ML-пайплайнов. В новой статье ML-инженер команды контента Николай Чугунников рассказывает, как эволюционировал автоматчинг, и какие решения помогли нам двигаться дальше. 👉 Читайте на Хабре!

👉Думаете, с чего начать свой путь в ML или как прокачаться еще больше? Мы собрали подборку книг и материалов, которые сами читают и очень рекомендуют наши ребята из ML-команды Купер.тех. 📚Уровень «Лайт» - это научпоп литература: Дж.Элленберг — «Как не ошибаться: Сила математического мышления» 👉 Читать Ч.Уилан — «Голая статистика» 👉 Читать 📚Полезные гайды: Хэндбук от Яндекса (настоящая классика) 👉Читать Классный гайд про то, как учить большие LLM 👉Читать Официальные гитхабы и статьи от антропика и Open IA про то, как создавать агентов с большим количеством примеров: 👉Читать 👉Читать 👉Читать 📚Уровень «Хард» - для настоящих душнил про математику: Christopher Bishop — «Pattern Recognition and Machine Learning» (классика, чтобы разобраться в теории, статистике и байесовских методах) 👉Читать Ian Goodfellow — «Deep Learning» (структурно и системно про нейросети, от основ до современных архитектур) 👉Читать Ричард Хэмминг — «The Art of Doing Science and Engineering» 👉Читать на английском 👉Читать на русском 📚 На английском языке: Matheus Facure — «Causal Inference for the Brave and True» 👉Читать Martin Zinkevich — «Rules of Machine Learning: Best Practices for ML Engineering» 👉Читать O'REILLY — «Machine Learning Design Patterns Solutions to Common Challenges in Data Preparation, Model Building, and MLOps» 👉Читать O'REILLY — «Reliable Machine Learning Applying SRE Principles to ML in Production» 👉Читать O'REILLY — «Designing Machine Learning Systems An Iterative Process for Production-Ready Applications» 👉Читать А какие книги или материалы по ML помогли вам больше всего? Делитесь своими рекомендациями в комментариях!

ty 👉свежий type checker для Python от создателей Ruff и uv. Лёгкий, быстрый, минималистичный — без лишнего оверхеда. В отличие от MyPy и Pyright, здесь не нужно разбираться в конфигах. Embedding Atlas 👉еще одна библиотека от Apple для визуализации эмбедингов и других данных. Можно интерактивно посмотреть на векторное пространство, кластеры, распределения. Отличный инструмент, который помогает лучше интерпретировать модель. Apache Hamilton 👉инструмент для создания и управления dataflow на Python. В наших проектах мы его не используем, но он может быть очень полезен: позволяет делать ML-пайплайны прозрачными, воспроизводимыми и легко тестируемыми. hummingbird 👉библиотека от Microsoft, которая позволяет конвертировать классические ML-модели в высокопроизводительные тензорные вычисления, совместимые с PyTorch, ONNX и TVM. При этом сохраняется полная совместимость с API scikit-learn. Особенно полезна для задач, требующих быстрого инференса в реальном времени (фрод-детекция, рекомендательные системы), а также для унификации ML-стека, когда классические модели и нейросети работают на одном GPU. pyro 👉мощная библиотека для вероятностного программирования на базе PyTorch, разработанная в Uber. С её помощью можно легко собрать сложные байесовские модели. Хорошо масштабируется благодаря PyTorch. Особенно полезна в задачах с неопределённостью — например, в A/B-тестах или прогнозировании, где важно не только предсказывать результаты, но и оценивать доверительные интервалы и риски. CalFram 👉тоже библиотечка для оценки откалиброванности ML моделей. Очень похожа на relplot, но помощнее. tinygrad 👉минималистичная библиотека для deep learning на чистом Python и NumPy. В отличие от тяжеловесных фреймворков вроде TensorFlow или PyTorch, её код занимает всего 3–4 тысячи строк. При этом она достаточно мощная, чтобы решать почти любые задачи. Даже сайт у неё в таком же минималистичном стиле. В работе мы её не используем, но библиотека интересная сама по себе — можно поиграться, изучить подходы и прокачать понимание.

🏃Пост для тех, кто следил за нашим каналом и хотел попасть к нам в команду. На эту позицию редко открываются вакансии, но сейчас мы активно ищем двух ML-инженеров (middle/middle+) в рекомендательные системы. В карточках выше мы рассказали, чем занимается команда, почему с ними интересно работать, и даже взяли комментарий у руководителя ML-направления клиентской вертикали Тимура Кадырова. Откликайтесь по ссылке и присылайте знакомым, если думаете, что для них это могло бы быть релевантно!

Aha!25 — это целых два дня про развитие продуктов и умную работу с данными. 👋О чем рассказывали? Было много разноплановых выступлений: аналитические, инфраструктурные, продуктовые, технические и ML-доклады. Часть тем пересекалась с DataFest. 🔥Какие доклады запомнились? — Алёна Картошкина: «Как сократить TTM за счёт ускорения разработки ML-моделей». Наша бывшая коллега подготовила мощный доклад, после которого точно было о чём подумать. — Галя Ширанкова из Авито: «Считаем деньги от внедрения LLM: Traction model Avito Assistant». Во время такого выступления всем в какой-то момент действительно захотелось стать продакт-менеджерами. — Виктор Кантор: «Задачи, за решения которых платят и будут продолжать платить». Профессиональный взгляд на развитие карьеры и тот редкий спикер, которого можно слушать просто ради харизмы. — Анна Крючкова из Яндекса рассказала про аналитическую систему «Атлас» и ответила на вопросы: как и зачем анализировать терабайты геоданных в реальном времени? Например, как по картинке загруженности такси понять, что в Алматы приехал Егор Крид. — Юлия Антохина и команда AI-стилиста Lamoda: «Стильный код: натуральный поиск редких атрибутов по картинке». Получилось очень атмосферное погружение в ML-задачи модной индустрии. — Саша Абрамов: «Тренды и главные вызовы в GenAI 2025». Было интересно послушать про будущее LLM и куда всё движется. 🛍Стенды и мерч: Квест «собери весь лут» был успешно пройден — пришлось зависнуть у стендов компаний. Самая необычная активность — гонки на радиоуправляемых машинках в шлеме с камерой. 😁Бонус: — Во второй день внезапно появилось отделение на тему здоровья (где даже была лекция уролога) которое, судя по всему, не стало хитом у аудитории, но оставило яркие впечатления. — Коллеги из Лавки посоветовали попробовать медовейник (и да, он оказался реально вкусным).

Наши ребята из команды ML в Купер.тех не только пишут модели, но и любят нетворкинг и регулярно ходят на конференции,чтобы привозить оттуда новые знания и идеи. Теперь будем делиться этим и с вами: запускаем рубрику с честными обзорами событий, которые мы успели посетить!

OR-Tools 👉библиотека от Google для решения задач оптимизации — по сути, удобный интерфейс для работы с разными солверами. Может пригодиться, например, чтобы понять, как правильно распределить бюджет между каналами найма. Не Gurobi, конечно, но зато бесплатная и открытая! Не писать же руками динамическое программирование или эвристики. SymPy 👉аналог Wolfram, но для Python. Полезна, когда нужно прикинуть теоретические оценки: найти корни или экстремумы какого-нибудь функционала, а затем использовать эти результаты как ориентир для практических расчётов. Polars 👉библиотека для работы с табличными данными, альтернатива pandas, но быстрее и удобнее. Поддерживает ленивые вычисления, потоковую обработку и работу с GPU. Короче, кайф. Жду, когда все наконец пересядут с pandas. Кстати, тут же есть и Narwhals — чтобы было проще совмещать разные библиотеки. Venn-ABERS 👉используем для калибровки наших ML-моделей. Кажется, о нём мало кто знает, но он действительно классный и часто показывает себя лучше других подходов. Здесь же стоит упомянуть библиотеку relplot — полезный инструмент для оценки откалиброванности моделей. Она строит наглядные и аккуратные графики, которые приятно и самому посмотреть, и коллегам показать. Кстати, разработана ребятами из Apple. Да-да, они не только айфоны делают, но и модели калибруют. Fire 👉позволяет автоматически превратить любой модуль, класс или функцию в CLI. Даже проще, чем Click: не нужно вручную писать парсер аргументов. Iceream и wat("What?!") 👉позволяют заглядывать внутрь объектов, выражений и результатов функций без лишнего шаблонного кода. Полезны для логирования и отладки, а заодно помогают изучать разные нюансы Python. СleanLab 👉библиотека для автоматического поиска и исправления ошибок в данных — must have, когда впервые берёшься за датасет и хочешь понять, что там с разметкой. Максимально гибкая: подойдёт для любой задачи и любой предметной области. Построена на confident learning, а у авторов есть множество статей на топовых конференциях. Есть даже функция для детекции галлюцинаций LLM. Рекомендасьён👍 Pipe 👉небольшая, но очень приятная библиотека для Python, которая позволяет писать конвейеры почти как в bash. Такой синтаксис в Python — дело вкуса, но иногда он помогает сделать код лаконичным и наглядным.

Команда HR из Купер.тех узнала у наших инженеров, какие странные вопросы им задавали на собеседованиях в разных компаниях. Интервью — это диалог, но иногда кажется, что участники говорят на разных языках. То, что для HR — способ проверить мотивацию, для инженера может звучать как неловкий small talk. Для технического интервьюера — это рутинный скрининг, а для кандидата — уже надоевший набор вопросов или желание уточнить: «А зачем вы это спрашиваете?». 👉А какие странные вопросы задавали вам? Пишите свои варианты в комментариях!

⚠️ Внимание: содержит сцены, вызывающие флешбеки у дата-сайентистов! Мы собрали ML-бинго от команды Купер.тех с моментами, о которых каждый может сказать: "ну было, да...". Ошибки — это не баг, а фича. Без них никуда: они учат, прокачивают и делают нас сильнее (даже если сначала хочется все бросить и пойти трогать траву). Делитесь своими ситуациями в комментариях и проверяйте, кто вы сегодня🏃👉

Мы прошли путь от идеи до продакшена без тяжёлых ML-моделей — и получили рабочий блок, который выиграл A/B-тест. Теперь его видят новые пользователи и частично те, кто уже пользуется приложением. Владислав Куриченко, ML-инженер из команды рекомендаций Купер.тех, рассказывает в карточках, как устроен блок и что мы узнали в процессе. Оставляем вам ссылки на ресурсы, которые стоит посмотреть для лучшего понимания: 👉🏻Correlation does not imply causation 👉🏻Сайт, на котором представлены различные неочевидные корреляции 💬 А как бы вы подошли к задаче без тяжёлых моделей? Делитесь идеями и подходами в комментариях!

🕺 30 минут вместо суток: как мы ускорили разбор отзывов и повысили CSI Мы автоматизировали работу с отзывами: теперь система сама тегирует комментарии, считает CSI и запускает проверки при проблемах. Даниил Богданов рассказывает в карточках, как устроен проект и что удалось улучшить.

🥳 Data Science Meetup: репортаж и видео докладов Запустили космолёт и вернули обратно — с матчингом, рекомендациями и без потерь. Хотите повторить? Записи — уже тут в плейлисте VK Видео и Youtube. А фотокарточки — здесь. 👉 Как мы делали матчинг в Купере Николай Чугунников, Machine Learning Engineer, Купер.тех 👉 Uplift Space Oddity, или как запустить ML-космолёт и не упасть Екатерина Апраксина, Machine Learning Engineer, Купер.тех 👉 Как делать рекомендации не с нуля Александр Лоскутов, Machine Learning Team Lead, Купер.тех Спасибо, что присоединились — очно и онлайн, было классно вместе 😏

👀🛍 Как мы учим модель отличать пустую полку от полной? Когда товара нет, но приложение говорит, что он есть — страдает всё: и конверсия, и пользователь, и команда саппорта. Мы так не любим. Поэтому строим модель Out of Stock! О том, что под капотом, расскажут Product lead Гриша Фрольцов и ML-инженер Вика Каплун. Листайте карточки 👉

🏃 Ваш заказ мемов доставлен ML Kuper Memes. Part 5 Делимся новыми ML-приколами для тех, кто знает, что такое настоящая регуляризация смеха. Поделись улыбкою своей, и дача с шашлыками ещё к тебе вернется. #мемный_четверг

👆Лучше один раз сходить на митап, чем 100 раз прочитать доку! 24 апреля в 19:00 зовём на Data Science Meetup, соберёмся в Москве и онлайн! В программе доклады и QA-сессия: 🟢Как мы делали матчинг в Купере». Николай Чугунников, Machine Learning Engineer, Купер.тех 🟢«Uplift Space Oddity, или как запустить ML-космолёт и не упасть». Екатерина Апраксина, Machine Learning Engineer, Купер.тех 🟢«Как делать рекомендации не с нуля». Александр Лоскутов, Machine Learning Team Lead, Купер.тех Регистрируйся, чтобы попасть в офлайн или не пропустить ссылку на трансляцию!