Доска AI-объявлений
Open in Telegram
Это не душный, а душевный канал про Data Science в Авито. Пишем о том, что у нас происходит, про ML, вакансии, мероприятия.
Show more4 037
Subscribers
+524 hours
+297 days
+5730 days
Data loading in progress...
Similar Channels
No data
Any problems? Please refresh the page or contact our support manager.
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
September '26
September '26
+61
in 0 channels
August '26
+140
in 0 channels
Get PRO
July '26
+276
in 0 channels
Get PRO
June '26
+339
in 1 channels
Get PRO
May '26
+687
in 6 channels
Get PRO
April '26
+504
in 2 channels
Get PRO
March '26
+292
in 0 channels
Get PRO
February '26
+170
in 5 channels
Get PRO
January '26
+52
in 3 channels
Get PRO
December '25
+50
in 1 channels
Get PRO
November '25
+107
in 6 channels
Get PRO
October '25
+201
in 7 channels
Get PRO
September '25
+524
in 0 channels
Get PRO
August '25
+145
in 6 channels
Get PRO
July '25
+188
in 2 channels
Get PRO
June '25
+98
in 2 channels
Get PRO
May '25
+182
in 2 channels
Get PRO
April '25
+130
in 0 channels
Get PRO
March '25
+318
in 9 channels
Get PRO
February '25
+359
in 1 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 08 September | +17 | |||
| 07 September | +6 | |||
| 06 September | +7 | |||
| 05 September | +7 | |||
| 04 September | +4 | |||
| 03 September | +17 | |||
| 02 September | +1 | |||
| 01 September | +2 |
Channel Posts
Летний сезон митапов всё, но впереди ещё много конференций и поводов встретиться.
Собрали небольшой дайджест событий до конца года — сохраняйте 👇
Все конференции из списка проходят офлайн в Москве и онлайн.🖥 E-CODE | 12–13 сентября *️⃣ Practical ML Conf | 19 сентября 👨💻 AI Cases Conf | 19 октября 🤖 AI Native Conf | 20 октября 💬 Conversations | 2 декабря
И это ещё не всё! Совсем скоро придём с анонсом ещё одного нашего митапа, который пройдёт 7 октября. Сохраняйте дату 🗂Делитесь, куда пойдёте, и пишите, какие конференции забыли упомянуть?
| 2 | В связи с этим вопрос: а вы заметили, что работа стала более интеллектуально плотной и требующей более частого принятия решений? | 907 |
| 3 |  Народ, привет! С вами снова Андрей — DS инженер в команде горизонтальных технологий Авито.
Последние два года я активно пользуюсь кодинг-агентами: начинал с GitHub Copilot и через Cursor пришёл к Claude Code и Codex. И с каждым днём у меня усиливается ощущение, что работа становится всё более интеллектуально плотной.
Что я имею в виду. Раньше, в доагентскую эпоху 🦕, фича-цикл был растянут: придумать, как реализовать некую функциональность → зафиксировать принятые решения → пару дней на чилле писать код 🍸
Сейчас, по моему личному ощущению, цикл сократился радикально: обсудил с агентом варианты реализации → агент за 2 минуты обновил документацию → агент за 3–5 минут реализовал функциональность → я рецензирую код и документацию перед pull request. В итоге за один рабочий день приходится делать десятки выборов и вычитывать сотни строк сгенерированного кода и документации.
С одной стороны: «Вау! Я за один день могу сделать гораздо больше!». Но с другой — в конце дня одна мысль в голове: «Я устал как ишак и мозга достаточно только для очередного детектива Донцовой или сериала на России 1» (о каком небезызвестном сериале идёт речь, угадайте по набору эмодзиков 🍎🧍🧍🏃🏼♀️ 💨😢📣) | 884 |
| 4 |  19 сентября на конференции выступят сразу два эксперта Авито ✏️
В 14:50 в зале «Данные» Дмитрий Веснин расскажет, как мы развивали трансформерный item-энкодер в рекомендательной модели: заменили DCN трансформерной архитектурой, стабилизировали обучение и реализовали собственный self-attention на Triton.
В 15:30 Анастасия Рысьмятова поучаствует в дискуссии про AI-агентов. Участники обсудят, в каких сценариях агенты уже приносят измеримую пользу, а где пока остаются эффектными демками.
Где и когда
📍 Москва и онлайн
📅 19 сентября
Программа и регистрация — по ссылке. | 1 010 |
| 5 |  +7Взяли короткие интервью у четырёх стажёров, чтобы приоткрыть завесу тайны: разузнали, как они попали на программу, чем занимались в процессе и что изменилось после перехода в штат.
Ответы в карточках ⬆️
Вы тоже можете попасть к нам: переходите на страницу стажировок и подписывайтесь на анонсы! | 1 135 |
| 6 |  +7Привет! С вами Андрей — DS-инженер в Авито.
Сегодня продолжаем копаться в статьях, которые мне показались любопытными. В этот раз статья от исследователей Apple о том, как сломать safety-механизм LLM с помощью утюга и паяльника изменения всего одного нейрона.
Погнали!
Ссылки
[1] Модели и setup: Abstract · Models, Data, and Evaluation
[2] Поиск refusal neurons: Feature Selection and Reranking · Ranking
[3] Как устроено вмешательство: Intervention · Implementation
[4] Attack effectiveness и сравнение с Arditi: Attack Effectiveness and Capability Preservation · Per-model ASR
[5] Anchor-based intervention и сохранение capabilities: Anchor-based intervention · Capability preservation
[6] Интерпретация по токенам: Token-Level Interpretability
[7] Нейроны в base-моделях: Refusal Neurons Emerge During Pretraining
[8] Concept neurons: Suicide Neurons | 1 493 |
| 7 |  DS-инженеры, дарим вам читательский билетик в библиотеку наших материалов 🕊️
🗂От LLM-портала до фабрики внутренних агентов. Как мы строим внутреннего ассистента «Виталик» и постепенно превращаем его в платформу для корпоративных агентов. Старший DS-инженер Авито рассказывает, как они с командой работают со знаниями, инструментами, траекторией агентов и оценивают их качество.
🗂 Чем Go полезен при разработке AI-агентов. Тимлид из Авито Авто разобрал 5 сценариев, в которых особенности Go приходятся особенно кстати.
🗂 Агентская разработка: как обеспечить качество. Руководитель тестирования из Авито Авто рассказывает, что меняется, когда агенты начинают писать код сами: чем это отличается от вайбкодинга, какие практики тестирования стоит применять и что проверять, чтобы скорость разработки не начала работать против качества.
📎От CTR до сделок: как устроены ML-модели монетизации. Автор Доски и DS-менеджер, Алина Бабенко, успевает не только посты писать и ездить на конференции, а ещё и готовит статьи. Одна из них о том, как предсказывать ожидаемую выручку от действий пользователей и использовать эти прогнозы в ранжировании.
📎Эволюция поиска вакансий в Авито Работе: ML-оптимизации и инсайты из АБ-тестов. Ещё один старший DS-инженер рассказывает, как устроено ранжирование в поиске Авито Работы, какие модели стоят за выдачей и чему команду научили несколько показательных AБ-тестов.
Читали уже что-то из подборки? Как вам? | 1 296 |
| 8 |  +1Всем привет! 👋
На связи team lead юнита Auction Efficiency, и сегодня расскажу вам увлекательную историю о том, как мы съездили на KDD на Чеджу 🙂
Но обо всём по порядку.
Наш юнит занимается улучшением ML-моделей для монетизации в Поиске и Рекомендациях. Это и классические CTR/CR-модели, и более сложные модели для корректировки ставок.
Задач и открытых вопросов здесь — огромное количество 🙂
Кстати, недавно на Хабре вышла статья по мотивам моего выступления на Дата Фесте — как раз про наши модели и то, как мы их развиваем.
Иногда мы сталкиваемся с задачами, для которых готовых хороших решений просто нет, и тут на помощь приходит команда DS-ресёчеров 🔬
Ребята занимаются сложными исследованиями, на которые у продуктовых команд не хватает времени и ресурсов, а затем превращают результаты в статьи.
Так когда-то мы решили разобраться с проблемой холодного старта и попробовать решать её через зашумление фич. Исследование постепенно выросло в полноценную статью — и в итоге её приняли на KDD! ура🎉
А значит, появилась прекрасная возможность поехать на конференцию.
И вот тут начинается самое интересное 😁
В этом году KDD проходила на острове Чеджу в Корее 🇰🇷 куда из Москвы есть вполне удобный маршрут через Шанхай.
Вот мы прилетаем в Шанхай в воскресенье и…попадаем в тайфун.
В первый день отменили вообще все вылеты и прилёты, и после этого билеты на ближайшие рейсы исчезали практически мгновенно.
В результате вместо Чеджу мы на несколько дней застряли в Шанхае.
Вот так мы съездили на KDD 😂
Но есть и хорошая новость: на самой конференции было много интересных работ по нашей теме. О нескольких из них и о том, что можно попробовать применить у нас, расскажу в одном из следующих постов. | 1 117 |
| 9 |  Всем привет! На связи Данила Бочарников, DS-инженер команды поискового ранжирования в Авито. Сегодня разбираем свежую статью от Netflix про их эксперимент с LLM ранжированием.
🧠 GenRec: от тысяч фич к тексту
Netflix опубликовал статью о рекомендательном ранкере на базе их собственной foundation модели. Вместо инжиниринга тысячи фич модель получает на вход контекст о пользователе и кандидате в виде текста.
Обучение проходит в два этапа:
Фаза 1: адаптация open-source LLM под доменные данные Netflix.
Фаза 2: дообучение на логах.
⚙️ Технические нюансы
На второй фазе GenRec обучался на объёме данных в ~40 раз меньше, чем предыдущая продовая модель. Вместо медленной генерации токенов добавили scoring head, ранжирующий всех кандидатов за один forward pass.
Контекст удалось сжать примерно в 3 раза без потери качества.
📊 Результаты
GenRec обошёл продовый ранкер в офлайне на 1.5% по MRR.
A/B-тест на 10% трафика в течение четырёх недель показал статистически значимый рост:
— по краткосрочной вовлечённости: +0.115%
— по долгосрочному удержанию: +0.006%
Краткий итог такой: сдвиг парадигмы развития ранжирования к context engineering для LLM. А полную статью смотрите на arXiv
Опрос: станут ли LLM стандартом для ранжирования в ближайшие 2–3 года?
🔥 — Да, это новый стандарт
🤔 — Частично, гибридные подходы останутся
👎 — Нет, слишком дорого и нестабильно
Пишите своё мнение в комментариях 👇 | 1 607 |
| 10 |  Дата Фест давно прошёл, а мы не показали вам наши доклады. Непорядок, исправляемся 🤩
Вот о чём рассказывали наши инженеры в этом году:
Соревновательный ML в эпоху LLM агентов — в любимом формате дискуссии выясняли, как меняются соревнования, что происходит с метриками мастерства и этикой. Главное — обсудили роль человека.
Внедрение LLM в модерацию: от PoC до целевого решения — Илья Чумак провёл по пути, как встраивали в модерацию LLM. Рассказали обо всём от экспериментов до продакшена, с гардрейлами и автоподбором промптов.
AI-ассистент для продаж — Родион Сульженко рассказал, как тестировали голосового робота для обзвона продавцов.
Модели в монетизации — Алина Бабенко объяснила, как в Авито учат модели выручке и при этом не роняют качество.
от LLM-портала к фабрике внутренних агентов — Никита Ятченко рассказал о платформе для процессов и ИИ-агентов. Почему это удобно и как теперь мы находим кандидатов в агенты.
LLM в Авито — Анастасия Рысьмятова подводила итоги трёх лет. Как LLM из экспериментов превратились в 20+ продуктов с почти 2% выручки и почему теперь ставка на ассистентов.
ML-прогнозатор рекламы: как оценить результат до запуска — Владимир Давидько рассказал, как Авито за пару месяцев переехал с аналитического прогнозатора на ML-решение для рекламного кабинета, и теперь предсказывает не среднее, а почасовое распределение кликов, что заметно повысило точность и доверие рекламодателей.
Если пропустили Дата Фест, самое время посмотреть его онлайн
🚀 | 1 502 |
| 11 |  Приглашаем на Avito.Tech.Conf 2026
Присоединяйтесь к комьюнити из тех, кто управляет сложным. Мы ждём вас 26 сентября в Москве на площадке AG Loft. Собираемся, чтобы честно поговорить о задачах, решениях и вызовах.
В программе:
👉 AI для лидов: как от хаоса и огромного объёма информации прийти к ежедневным, понятным решениям;
👉 Управление продуктами и процессами, когда ресурсов вечно не хватает;
👉 Честный путь к C-level, Quiet cracking и одиночество лидов.
Чего ждать:
➡️ классические доклады,
➡️ воркшопы,
➡️ мастермайнды.
А ещё — продуманные зоны, чтобы переключиться, узнать новое и пообщаться. Детали программы и расписания уже можно посмотреть на сайте.
А пока главное: подавайте заявку на офлайн-участие, количество билетов ограничено.
До встречи! | 1 688 |
| 12 |  Го учиться!
Если хочешь развиваться в аналитике, войти в профессию, углубиться в науку о данных или вырасти в карьере — приходи в Центральный университет. У нас есть магистратура под каждый сценарий.
«Продуктовая аналитика» — офлайн-программа с парами по вечерам и выходным в центре Москвы. Студенты учатся превращать данные в продуктовые решения: находить точки роста, проектировать эксперименты и строить системы метрик — с сильной технической базой в Python, SQL, статистике и A/B-тестировании.
После первого семестра можно выбрать траекторию «Наука о данных» × Авито, а это:
📍 обучение на реальных данных компании,
📍 лекции от специалистов и аналитиков Авито,
📍 фокус на машинном обучении и инструментах индустрии.
Лучшие студенты получают возможность стажировки или оффера. К выпуску — портфолио аналитических кейсов для резюме.
Что даёт магистратура в ЦУ:
💓 Диплом государственного образца за два года обучения,
💓 Возможность совмещать учёбу с работой.
💓 Преподаватели — индустриальные эксперты и исследователи.
💓 Карьерная поддержка с начала учёбы: консультации, тренировочные собеседования и помощь с трудоустройством. Студенты уже в процессе обучения выходят на новые позиции или повышают свой грейд в Яндексе, Авито, Т-Банке и других компаниях.
Поступление проходит через грантовый конкурс. Это одновременно способ попасть на программу и возможность выиграть финансовую поддержку на всё время обучения. Грант покрывает до 75% стоимости. В 2026 году доступно 550 грантов на все программы магистратуры.
❗️Места ограничены, дедлайн для заявок — 20 августа.
Подробности о программе и условиях участия в конкурсе можно прочитать на сайте | 1 577 |
| 13 | No text... | 2 380 |
| 14 |  Внезапно русский! Но речь не о том, что Claude работает лучше, если с ним говорить на этом языке. В Anthropic исследовали другой вопрос: меняется ли стиль общения модели в зависимости от языка диалога?
Они проанализировали более 300 тысяч реальных разговоров Claude .ai и попробовали описать характер модели через наблюдаемые признаки.
Что сделали
🟢 разметили ответы по 339 ценностям, например, accuracy, transparency, encouragement;
🟢 затем с помощью уменьшения размерности нашли основные направления, вдоль которых меняется стиль ответов.
Выделили четыре оси
Warmth ↔️ Rigor — поддержка и позитивный тон ↔️ точность, строгость и требовательность к корректности
Deference ↔️ Caution — следование пожеланиям пользователя ↔️ осторожность и акцент на рисках
Depth ↔️ Brevity — подробные объяснения ↔️ краткость
Candor ↔️ Execution — обсуждение неопределённости и ограничений ↔️ фокус на выполнении задачи
Оказалось, что язык общения действительно связан со смещением по этим осям.
Например, ответы Claude на русском в среднем были ближе к стороне Rigor — больше акцента на точности, строгости и проверке утверждений.
А на некоторых других языках, например, на хинди и арабском, модель чаще проявляла Warmth — поддержку и позитивный тон.
❗ Исследование не проверяло кодинг-агентов напрямую. Но возникает интересная гипотеза: может ли язык общения влиять не только на стиль обычного диалога, но и на то, как AI-агент пишет и ревьюит код?
А на каком языке вы обычно общаетесь с вашим кодинг-ассистентом?
❤️ — русский
😎 — английский
👻 — другой. А какой? Напишите в комментариях ⬇️ | 1 577 |
| 15 | Как вам кажется, на каком языке модель чаще отвечает точнее и более придирчиво, а не поддерживающе и мягко? | 1 534 |
| 16 |  No text... | 1 401 |
| 17 |  LLM подробно объяснила, как пришла к ответу. Но правда ли она рассуждала именно так или просто подобрала убедительное объяснение постфактум? Это решил выяснить коллектив исследователей, среди которых был наш инженер.
Недавно мы рассказывали о летней школе AIRI по ИИ, где второй год выступаем партнёром. А теперь делимся подробностями одной из лекций, которую провёл инженер Глеб Ершов 🤍
Глеб говорил про causal inference — подход, который помогает отличить простое совпадение от настоящей причинно-следственной связи. А затем показал, как с его помощью можно проверять рассуждения языковых моделей.
Главный вопрос лекции: если LLM показывает ход мыслей, значит ли это, что именно он привёл её к ответу? 🤔
Проверить это можно, вмешавшись в рассуждение модели и посмотрев, изменится ли результат.
Именно такой эксперимент Глеб и его соавторы из AIRI провели в исследовании Breaking the Chain. Модели решали задачи и показывали промежуточные шаги: например, заполняли рубрику или строили трассу выполнения кода. Затем исследователи исправляли или специально меняли часть рассуждения и просили модель ответить ещё раз.
Оказалось, что логичное объяснение ещё не значит, что модель действительно на него опиралась. Языковые модели реагировали на изменения в рассуждениях не всегда и оставляли ответ прежним. То есть LLM могла прийти к выводу другим путём, а затем сформировать подходящее объяснение.
Такие вот занимательные выводы, а больше мяса в статье: Breaking the Chain: A Causal Analysis of LLM Faithfulness to Intermediate Structures | 2 106 |
| 18 |  +616 июля Moonshot AI выпустила Kimi K3: 2,8 трлн параметров, контекст 1M — одна из крупнейших open-weight моделей в истории. По бенчмаркам — вплотную к Claude Fable 5 и GPT-5.6 Sol:
◼️ #4 в Intelligence Index от Artificial Analysis из 189 моделей
◼️ #1 на Frontend Code Arena — обошла Fable 5
◼️ Впереди на SWE Marathon и BrowseComp
◼️ Terminal-Bench 2.1 — 88.3; SWE-bench Verified — 76.8%
Но что измеряют бенчмарки? В статье Inadequacies of Large Language Model Benchmarks in the Era of Generative AI разобрали 23 популярных теста: почти все провалились и по functionality (измеряет ли реальные способности), и по integrity (нельзя ли накрутить скор, заучив ответы или подстроившись под формат теста).
Главное из статьи — в карточках 🚀
А вывод такой: релиз сильный, но часть рекордов получена в собственном харнесе KimiCode, так что ждём независимые эксперименты.
Ссылки
[1] § V-A Response Variability in Standardized Evaluations
[2] § V-B Genuine Reasoning vs Technical Optimization
[3] § VI-A Inconsistent Benchmark Implementation
[4] Terminal-Bench 2.1
[5] HaluEval: A Large-Scale Hallucination Evaluation Benchmark for LLM
[6] § V-F Biases in LLM-Generated LLM Evaluations
[7] § IV-B Preliminary Findings
[8] § VIII-G Extending Benchmarks with Behavioral Profiling and Regular Audits | 2 662 |
| 19 |  Получите знания в области Data Science с Авито и НИУ ВШЭ
До 8 августа открыт набор на магистратуру «Машинное обучение в цифровом продукте» от Авито и Факультета компьютерных наук НИУ ВШЭ.
Программа подойдёт тем, кто хочет развиваться в Data Science, работать над технологиями для миллионов пользователей и научиться использовать ML как продукт, который решает задачи бизнеса.
Что ждёт студентов:
➡️ Востребованные навыки в Data Science: машинное обучение, NLP, MLOps, рекомендательные системы.
➡️ Обучение у экспертов Авито и преподавателей ФКН НИУ ВШЭ. Программу разработали специалисты, которые каждый день решают ML-задачи на практике.
➡️ Работа с реальными кейсами и данными: во время обучения вы будете разбирать задачи, основанные на опыте продуктовых команд Авито.
➡️Гибкая образовательная траектория. Кроме обязательных дисциплин, вы сможете выбрать дополнительные курсы на интересующие темы.
➡️ Возможность попасть на стажировку. Во время обучения будет несколько волн набора в Data Science-команды компании.
А ещё на программе предусмотрено 30 бесплатных мест 😀
Магистратура подойдёт, если вы:
⚡️ Учитесь на последнем курсе бакалавриата или уже получили диплом;
⚡️ уверенно программируете на Python;
⚡️ знаете алгоритмы и структуры данных, ML-алгоритмы и SQL;
⚡️ владеете линейной алгеброй, теорией вероятностей и математической статистикой;
⚡️ живёте в Москве или готовы переехать.
Один из этапов отбора — тестирование. Чтобы помочь подготовиться к нему, мы разместили демоверсию теста на сайте программы: переходите, смотрите формат заданий, оценивайте уровень сложности и проверяйте свои знания до начала отбора.
Оставьте заявку по ссылке, подайте документы до 8 августа включительно и сделайте шаг к карьере в Data Science! | 1 838 |
| 20 | No text... | 1 950 |
