Доска AI-объявлений

AI First на практике: что мне зашло, а что нет Привет! У нас в Авито недавно была принята стратегия AI First (подробнее можно прочитать здесь и тут). Если коротко: мы стремимся использовать AI-инструменты в рабочих задачах и процессах каждый день, чтобы достигать с ним более крутых результатов. Рассказываю, что из этого вышло у меня. Изначально я был противником применения AI в работе: боялся растерять навыки. Если код пишу не я, а агент, то что тогда делаю я? Потом посмотрел, как с этим работают коллеги вокруг, попробовал сам, и мне понравилось! Сейчас большую часть кода за меня пишет AI, и это та часть работы, которую уже можно частично оптимизировать. Так я написал два инструмента для себя и коллег: • автоматический поиск оптимальных параметров для смешивания платных и бесплатных объявлений в выдаче поиска Авито; • автоматическое создание отчётов по результатам обучения моделей. Раньше на выполнение этих задач уходило от нескольких часов до нескольких дней рабочего времени. Сейчас оба процесса автоматизированы и оформлены в виде навыков, которыми пользуется вся команда. При этом во время работы над кодом, даже такой, казалось бы, автоматической (с помощью AI-агента), возникает много «развилок» и ситуаций, в которых нужно принимать важные решения и не полагаться полностью на то, что пишет ИИ. Например, нужно обогащать агента релевантным контекстом, просить его писать тесты, ограничивать его и полностью управлять процессом.

По моему мнению, разработка ускорилась, но проще не стала — она просто стала другой. Сейчас многие Big Tech компании не только хотят, чтобы люди использовали AI-инструменты в работе, но и проверяют это на собеседовании: появился отдельный этап, где нужно писать AI-assisted код. Так что это один из навыков, который следует освоить всем, кто хочет оставаться конкурентоспособным.

Но на этом я не остановился и стал делать почти все задачи с помощью AI: писать исследования, создавать задачи в Jira, проводить code review и отвечать на комментарии в PR. И тут я стал получать обратную связь от коллег: задачи в Jira и исследования, написанные AI, читать невозможно, а в code review от AI-агентов часто содержится нейрослоп. Я порефлексировал и понял, в каких задачах сейчас оптимально использовать AI, и выделил для себя следующий список: • Написание кода (и помощь в нём) • Редактура • Помощь в планировании, сборе и организации информации для исследований • Помощь в code review • Автоматизация процессов Также я составил список, где использование AI end-to-end пока что даёт не очень хорошие результаты: • Написание текстов (по крайней мере, на русском): исследования, описания задач, посты, комментарии • Полноценный code review А как вы используете AI в работе? Поделитесь своим опытом! И заодно опрос: 🌚 - большую часть кода за меня уже пишет AI 😊 - пишу сам, AI только подсказывает P. S. Этот пост я написал самостоятельно, а AI выступил только в роли редактора: писать тексты за меня он пока не умеет, а вычитывать — вполне.

Lucky Loser Мнение — Part 9: AI в медицине Всем привет! На связи Данила Бочарников, DS-инженер команды поискового ранжирования в Авито. Сегодня расскажу о начале интеграции ИИ-агентов в медицину. 🧬 Claude Science Anthropic официально анонсировала запуск Claude Science. Это платформа для учёных, бета-режим которой уже активно протестировали в академической среде.Из анонса складывается впечатление, что продукт в основном пробовали в геномике и медицине. Например, для предсказания структуры белка и анализа всяких последовательностей в генах. Вместе с этим и сами Anthropic включились в разработку лекарств для редких и «заброшенных» болезней. Анонс про Claude Science 🧪Бенчмарк GeneBench-Pro от OpenAI OpenAI представила GeneBench-Pro для оценки многоэтапных рассуждений ИИ в геномике и биомедицине. На данный момент в лидерах GPT-5.6 Sol. Неудивительно, так как она пока единственная протестированная модель в этом бенчмарке. Препринт ❓ В итоге мы получили новый фронтир соперничества между Anthropic и OpenAI. Чья модель покажет себя лучше в медицине и геномике? 🔥 — Anthropic 👍 — OpenAI 🤷 — Обе будут хороши в своих нишах Пишите своё мнение в комментариях

Выбираем лучшую IT-компанию для работы 🚀 Стартовало ежегодное исследование Хабра и ЭКОПСИ — голосование за лучшего работодателя в IT. В 2025 году в нём участвовали 34 000 человек, 90% из них — специалисты уровня мидл или выше. Результаты прошлого исследования можно посмотреть в статье. Это важные сведения, потому что по рейтингу мы видим, как нас воспринимают в комьюнити. Приятно, что второй год держимся в топ-3. Спасибо, что смотрите с нами в одном направлении! Процесс голосования простой и занимает 6–9 минут, а результат действительно отражает мнение сообщества. Проголосуйте, пожалуйста 🙂 Выбрать лучшего работодателя в IT

Свежие вакансии для DS и ML-инженеров Новая подборка, выбирай, что тебе больше отзывается и скорее присылай своё резюме 🤟 ➡️ Data Scientist в команду Deep Personalization (Deep Learning) Что делать: — Разрабатывать и улучшать двухбашенную трансформерную модель для retrieval. — Запускать трек генеративных рекомендаций SIDS, OneRec и PLUM с исследованиями listwise и session-wise generation, SFT и RL. — Проектировать пайплайны на Spark для витрин, фичей и инкрементальных обновлений. — Развивать мультимодальные рекомендации с текстом, изображениями и внешними эмбеддингами. — Оптимизировать продакшен: регулярно обновлять модели, экспортировать в ONNX, настраивать multi-GPU и multi-node обучение. — Вести полный цикл от данных до A/B-экспериментов. Откликнуться ➡️ Старший DS-инженер в Авито Товары и Запчасти Что делать: — Повышать покрытие и качество данных о совместимости запчастей: в том числе определять, какая деталь может подойти к разным авто. — Развивать рекомендации и допродажи. — Развивать AI-ассистентов для покупателей и продавцов на масштабе миллионов запросов. Откликнуться ➡️ Старший Data Scientist в команду Auction Efficiency Что делать: — Развивать ML-модели конверсии в продуктах продвижения: бронированиях, звонках и откликах. — Адаптировать обучение под смещённые данные и длинную обратную связь. — Выполнять ключевую миссию: переходить с классического ML на Deep Learning в задачах ранжирования. — Улучшать качество нейросети с учётом продуктовых ограничений и требований к скорости инференса. Откликнуться ➡️ Data Scientist в команду Ассистента для покупателя — Ави Что делать: — Разрабатывать новые навыки ассистента для продуктовых сценариев. — Улучшать качество работы агентной системы. — Строить инфраструктуру и методологию оценки качества Evaluation. — Дообучать и адаптировать LLM под задачи Ави. Откликнуться ➡️ Data Scientist в команду Horizontal ML Technologies (GenAI) Что делать: — Разрабатывать мультимодальные пайплайны для валидации документов и креативов через связку VLM и LLM. — Создавать алгоритмы интеллектуального ресайза и адаптации баннеров под разные форматы рекламных площадок. — Оптимизировать генеративный стек: выводить решения из MVP в highload, снижать стоимость и ускорять генерацию, повышать качество креативов. — Применять GenAI для performance-сегментации через кластеризацию пользователей. — Вести полный цикл от исследований до продакшена. Откликнуться

Куда расти Data Science-инженеру, если он уже синьор? 🤔 В новом выпуске с AvitoTech обсуждаем карьерные треки в Data Science и честно говорим о том, что стоит за каждым из них. Что обсудим: 🟢Как расти синьорам. 🟢Что ждут от инженеров высоких грейдов. 🟢Почему некоторые выбирают менеджмент, а затем возвращаются в IC-трек. 🟢Какие возможности открывает экспертный путь. Смотрите, где удобно: YouTube VK Видео PS: Сейчас в Авито проходит Fast Track, проект на котором можно получить оффер на Senior DS по ускоренному пути отбора.

Встречаемся на Turbo ML Conf! 18 июля на конференции от Т-Банка выступит наш ML-инженер Салават Динмухаметов. Салават расскажет, как устроены рекомендации на главной странице Авито, почему команда сделала ставку на stateful-режим, а также с какими вызовами столкнулась при создании near-time-системы, работающей 24/7. 📍 ДК «Серп и Молот» 📅 18 июля Больше деталей тут

Оффер на Senior Data Science роль за неделю — реально? 🚀 Да. Авито запускает Fast Track — ускоренный отбор для Senior и Senior+ Data Science специалистов. Одна неделя на все технические этапы и финал → оффер в классифайд №1 в мире по количеству пользователей. 🗓 Основные этапы — 20–26 июля. Регистрация открыта до 15 июля. Как проходит: 🔵 До 15 июля — заявка + HR-скрининг 🔵 До 24 июля — техническая секция (ML-теория + Python) 🔵 25 июля — ML System Design 🔵 26 июля — финал 🔵 До 28 июля — оффер Преимущества фаст-трека: 🔵 Быстрый отбор и совмещённые этапы 🔵 Все даты известны заранее 🔵 Возможность оценить свои скилы — результат закрепляется на год Кого ждём: 🔵 От 4 лет опыта в крупных российских и международных IT, BigTech и FinTech компаниях 🔵 Полный цикл разработки моделей — от ресёрча до выкатки в прод 🔵 От 1 года самостоятельного лидирования проекта, автономность и инициативность Команды на выбор: антифрод и модерация, монетизация и реклама, поиск и рекомендации, вертикальные DS-команды. 🔔 Регистрация — до 15 июля. Успей оставить заявку → Рекрутеры проведут тебя через все этапы за рекордные сроки.

Обучитесь Data Science и попадите в команду Авито Мы открыли набор на магистратуру «Прикладное машинное обучение и анализ данных» от Авито и ФПМИ МФТИ. Это программа для тех, кто хочет развиваться в Data Science, изучать ML-технологии и работать над задачами, которые ежедневно решают специалисты Авито. За два года вы освоите классическое и продвинутое машинное обучение, рекомендательные системы, компьютерное зрение, обработку естественного языка, большие данные и проектирование ML-систем. Полученные знания сможете сразу применять на практике, работая с реальными данными и кейсами Авито. Что ждёт студентов программы 🟢Самые востребованные навыки в Data Science. Преподаватели — ведущие специалисты Авито, эксперты МФТИ и индустрии. 🟢Работа с реальными данными. И научная работа под руководством лидеров команд! 🟢Комьюнити и поддержка. Набираем всего 18 человек, чтобы уделить внимание каждому. 🟢Бесплатное обучение и стипендия. Лучшие студенты получают 25 000 рублей в месяц. Программа подойдёт вам, если вы учитесь на последнем курсе бакалавриата или уже получили диплом, владеете Python, знаете основы ML, SQL, линейную алгебру, теорию вероятностей и математическую статистику. Один из этапов отбора — тестирование. И чтобы вы смогли успешно к нему подготовиться, мы уже опубликовали демо-версию теста на сайте. Проходите его по ссылке и знакомьтесь с форматом заданий, уровнем сложности и проверяйте свои знания заранее. Подать заявку можно до 12 июля включительно по ссылке До встречи! 🙂

Когда я читаю разборы, как тренируют новые модели, всё чаще ловлю себя на мысли, что математика машинного обучения стала похожа на психологию человека. Недавно ребята из Cursor выкатили Composer 2.5. Возможно, вы заметили, что в реальной работе он стал справляться с задачами на голову лучше прошлых версий: не теряет контекст в длинных тасках и реже галлюцинирует. На некоторых доменах работает не хуже opus 4.7 при стоимости в 5 раз меньше. Я пошёл читать в блоге статьи про методы, на которых они построили обучение — SDPO (Self-Distillation Preference Optimization) и SDFT (Self-Distillation Fine-Tuning). В этих работах прослеживается невероятно простая идея 🤌 😒 Раньше модели учили в лоб: скармливали им огромные датасеты с идеальным человеческим кодом. С математической точки зрения в этом есть изъян. Модель просто заучивает чужую траекторию, а когда в реальной задаче делает шаг в сторону — оказывается в незнакомом для себя распределении вероятностей и начинает галлюцинировать. 🙂 Авторы подходов SDFT и SDPO выдвинули достаточно смелое математическое предположение, которое подтвердилось эмпирически. Суть в том, что оптимизировать модель нужно on-policy — то есть заставлять генерировать собственные решения, и уже на базе её же удачных попыток и ошибок дистиллировать знания или давать фидбек той же моделью. При этом каждый из методов закрывает свой домен: SDPO используют в задачах со строгой проверяемостью, например, написание кода, математика, логика. Метод берёт ошибки из среды — логи упавших тестов или сообщения компилятора, и позволяет модели на собственных неудачных попытках точечно понять, где она свернула не туда, распределяя награды по каждому токену, а не всей траектории. SDFT применяют для continual learning и усвоения новых навыков. Например, для уверенного использования новых инструментов, API или адаптации под специфичную кодовую базу, опираясь исключительно на успешные решения самой модели. Используется для сред без явного фидбека. Получается, всё как у людей. Вспомните себя: если вы посмотрите, как Senior-разработчик за 5 минут решает сложную проблему, то в голове мало что останется. Но если вы сами написали код, наткнулись на проблему, осознали, где ошиблись, и сами всё исправили — только тогда сформировалось понимание 🤟 Проблема классического файн-тюнинга на чужих примерах в том, что резкое принудительное смещение в новое распределение данных убирает из весов сети паттерны, которыми она уже обладала. Когда же мы дистиллируем модель через её собственные удачные решения, сохраняем исходную архитектуру знаний. Поэтому Composer 2.5 демонстрирует такую стабильность. На длинных дистанциях и сложных рефакторингах он не теряет контекст и не скатывается в бред. Конечно, не opus 4.8, зато дешевле в 5 раз! 🤩 А вы уже успели оценить, как изменилась стабильность новых агентов на объёмных задачах?

— ChatGPT, на какой ивент сходить этим летом? — AVITO.TECHO. Без вариантов. 17 июля, ДК «Кристалл». Встречаемся на IT-рейве. Собрал для тебя все подробности ниже 👇 ⚡ THE DAWLESS; ⚡ LAVBLAST; ⚡ BÖRIS REDWÄLL; ⚡ SALAMÉ; ⚡ РЕСПЕКТ АГЕНТСТВО (DJ-сет); ⚡ Коллеги из AvitoTech, а ещё из команд Ozon и Т-Банка; ⚡⚡ Ииии…….. BiiCLA! Это классная тусовка — не просто отдых, но и классные артисты, техновайб и просто крутая обстановка! Регистрируйся скорее, мест мало! Хочешь, найду больше подробностей?

Lucky Loser Мнение — Part 8: Fable и Mythos Всем привет! На связи Данила Бочарников, DS-инженер команды поискового ранжирования в Авито. Не можем обойти стороной новости о таком важном релизе от Anthropic. ⚖️ Счастье длилось недолго Долго ходили слухи о нереальных возможностях модели Mythos. 9 июня Anthropic, наконец, выпустила урезанную версию Mythos — Fable 5. Спустя всего два дня генеральный директор Amazon сообщил Белому дому о потенциальных рисках обхода ограничений. В результате было принято решение ограничить экспорт передовых ИИ-технологий. Ситуацию дополнила комичная деталь: Дарио Амодей, глава Anthropic, не отвечал на звонки от правительства, так как находился на оздоровительном ретрите. 🕵️ Mythos: проверено государством Судя по всему, Mythos решили протестировать в правительственных структурах. И, по имеющимся данным, модель обнаружила критические уязвимости в закрытых системах. После такого вряд ли стоит ожидать, что Mythos появится в публичном доступе в ближайшее время. Пока она так и остаётся мифом — легендой, о которой все говорят, но никто не видел. 💬 Опрос К сожалению, я не успел опробовать возможности Fable 5. А вы? 🔥 — если вы успели 😥 — если нет И, конечно, делитесь в комментариях, что вам удалось сделать с её помощью.

Сегодня второй день AI Conversations, в этом году нас представляют два спикера. 📲 Родион Сульженко, Senior DS-инженер, выступит с докладом про голосового AI-ассистента, Родион расскажет, как устроена мультиагентная архитектура внутри, в каких задачах ассистент может помочь и с какими неожиданными проблемами столкнулись в ходе тестового обзвона реальных пользователей. 🖥️ Дмитрий Михель, DS Product Unit Team Lead, участвует в дискуссии «Продукт умер, да здравствует AI?» вместе с ребятами из 2ГИС, X5 и hh.ru. Обсудят, как GenAI меняет продуктовую разработку — от скилов продакта и трансформации команд до ROI от ИИ-фич. Если вдруг кто-то из вас сегодня тоже на конференции — приходите знакомиться и общаться!

Как в Авито книжки умные читают Всем привет! Сегодня расскажем, как внутри DS-комьюнити Авито проходит книжный клуб по Machine Learning System Design 📚 Мы взяли за основу одноимённую книгу Евгения Бабушкина и Андрея Кравченко — про то, как проектировать ML-системы в продакшене. В книге раскрываются вопросы от постановки требований до эксплуатации, поддержки и масштабирования. Формат простой: раз в две недели DS, Backend и аналитики нашего юнита Антифрод встречаются на час, чтобы обсудить одну главу. 📣 Один из участников выступает с презентацией главы, наглядно объясняет её специфику, а дальше начинается самое интересное. Мы разбираем, что из книжки соотносится с реальными задачами в Авито. Заметили вот что 🟢некоторые идеи уже помогают в работе, 🔘какие-то требуют адаптации, 🔴иногда практика оказывается сложнее теории. На встречах поднимали разные практические вопросы ➡️ На примере антифрода рассуждали, в чём проявляется цена ошибки, когда система может несправедливо забанить пользователя. ➡️ Как оптимально аллоцировать ресурсы, двигаясь от базовых эвристик к ML-моделям, и почему иногда простой подход работает лучше сложного решения. ➡️ В какой момент стоит подключать разработчиков к DS-задачам, а DS-инженеров — к обсуждению технической реализации. ➡️ Как выбирать best practice, когда она ограничена спецификой задачи в каждой компании, а часто, особенно в контексте антифрода, это вообще информация, не подлежащая разглашению. Кажется, это один из самых полезных способов читать ML System Design: вместе с людьми, у которых для каждой главы есть история из реального опыта 🤩

Пора раскрывать ответ на вопрос месяца 🤩 В опросе проголосовали 287 человек. Большинство — 39%, предположили, что DS-инициативы генерируют не более 30% аплифта выручки. Правильный ответ — 30–50%.

Важное уточнение. Речь не о 30–50% всей выручки компании, а о 30–50% аплифта — дополнительной выручки относительно базового сценария. Именно такую долю прироста обеспечивают инициативы, в которых DS — ключевой источник эффекта.

⚡️Правильный диапазон выбрали только 22% участников. Получается, что большинство проголосовавших недооценили вклад Data Science в бизнес. И, кажется, это хороший ответ на наш исходный вопрос. Data Science в бигтехе может быть не просто модной поддерживающей функцией. Мы видим у себя, что зрелый DS напрямую влияет на экономику компании и становится реальным драйвером бизнеса. Конечно, эффект не появляется после обучения модели в ноутбуке. За ним стоят данные, эксперименты, инфраструктура, внедрение и совместная работа DS, продукта, разработки и бизнеса. Но итоговая ценность измеряется не количеством моделей и не только метриками их качества, а влиянием на P&L. Так что мой ответ: DS определённо драйвит бизнес. А значение в 30–50% оказалась выше или ниже ваших ожиданий?

Новый набор в Академию Авито! Всем привет! Я Алина, DS-инженер в команде горизонтальных ML-технологий и руководитель DS-трека Академии. Каждый год мы бесплатно обучаем аналитиков данных и DS-инженеров — и сейчас открываем новый набор 🔔 В программе ◽️ фундамент из теории и много практики на реальных задачах Авито 🔘 обучение у действующих сотрудников и экспертов Авито ◽️ личный ментор и карьерная поддержка 🔘 сообщество единомышленников 📹 Если хотите больше узнать про треки, формат обучения и отбор — приходите на прямой эфир 22 июня в 17:00, расскажем про программу и ответим на ваши вопросы! Подключиться 👉 Обучение стартует 1 сентября! Ждём ваши заявки до 2 июля. Подать заявку

Что будет этим летом 📣 Принесли подборку конференций для ML-инженеров, DS, MLOps и всех, кто строит AI-продукты. HighLoad++ 🔔 Что там: крупная конференция, на которую ежегодно привозят много сильных докладов про AI-инфраструктуру, распределенные системы, Data Platform и эксплуатацию ML в продакшене. И не только. Когда и где: Питер, 22 и 23 июня Conversations 🔔Что там: одна из крупнейших конференций о генеративном AI для тех, кто внедряет, строит продукты и принимает решения о GenAI-трансформации Когда и где: Питер, 25 и 26 июня Summer Merge 🔔Что там: летняя конференция для инженеров и разработчиков с акцентом на технологии, архитектуру и современные практики разработки. Когда и где: Ульяновск, 3, 4 и 5 июля PROIT Fest 🔔Что там: фестиваль для IT-сообщества с докладами, практикой и возможностью познакомиться с экспертами из разных направлений. Когда и где: Питер, 11 июля Turbo ML Conf 🔔Что там: конференция от Т-Банка для специалистов с опытом в ML. В программе фундаментальные исследования, GenAI, ML Infrastructure, платформы и production-кейсы. Когда и где: Москва, 18 июля IT Picnic 🔔Что там: большой технологический фестиваль под открытым небом. Много инженерных активностей, доклады, нетворкинг и атмосфера летнего tech-праздника. Когда и где: Москва, 8 августа Знаете другие достойные конференции этого сезона? Делитесь в комментариях ⬇️

Я знаю, что всё знаю 😀 Привет, с вами Андрей, DS-инженер в команде горизонтальных ML-технологий и любитель периодически читать холиварные статьи. Не кажется ли вам, что в эти непростые времена повсеместного ЭйАй мы начинаем путать то, что знаем, с тем, что думаем, что знаем? Таким вопросом задались авторы статьи The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows. И пару недель назад я наткнулся на эту публикацию. Статья не техническая, скорее вводная — авторы предлагают новый термин LLM Fallacy. Если коротко — это когнитивное искажение, при котором человек принимает результат работы LLM за свидетельство собственной компетентности 🤟 По мнению авторов, ощущение возникает из-за нескольких причин: 1️⃣ LLM быстро выдаёт результат, 2️⃣ Результат часто достаточно убедительный, 3️⃣ Промежуточные шаги обычно скрыты. Это размывает границу между вкладом человека и модели: мы быстро получили хороший результат ➡️ мы кожаные мешки, молодцы ➡️ плюсик в послужной список ⭐️ Для разработчиков разного толка и им сочувствующих, это особенно заметно. Не имея ни малейшего представления о программировании, архитектуре и паттернах проектирования, человек может запустить рабочий, до некоторого момента 😈, сервис. И когда (а не если) всё ломается, всплывает реальный уровень понимания. Принципиально нового в статье я особо не увидел, и сами авторы это признают: прямо называют LLM Fallacy частным случаем более широкого искажения (да, эффект Даннинга — Крюгера — я смотрю на тебя). И раньше появлялось нечто, что так же влияло на восприятие наших способностей: 👉 калькуляторы, без которых не все могут разделить 80 на 0.5, 👉 StackOverflow, на котором выросло не одно поколение разработчиков, 👉 автокомплит в IDE, без которого не вспомнить сигнатуру привычной функции. LLM возводит этот эффект в абсолют и делает его менее заметным для самого пользователя. Но интереснее не само искажение, а оценка компетенций. Если человек решает задачу вместе с LLM, важно ли, может он сделать всё сам или нет? Это вопрос не только к себе: наши системы оценки (собесы, грейды, сертификации) до сих пор меряют наблюдаемый результат как прокси навыка, а он теперь врёт. Не исключаю, что привычные способы оценки в мире, где AI вшит в каждый шаг рабочего процесса, уже устарели и требуют пересмотра. А вы как считаете?

📊 Сеньор перестаёт писать код? Проверили на данных Недавно мы провели опрос среди ML-инженеров из топовых российских Big Tech компаний (Авито, Яндекс, Сбер, Ozon, Lamoda и др.), чтобы понять, на что уходит рабочее время в зависимости от грейда. Главным сюрпризом стало то, что и Middle, и Senior тратят около 60% рабочего времени на работу руками — код и ML-задачи, поэтому наши данные не подтверждают тезис «вырос в грейде -> перестал кодить». У тимлидов и менеджеров ML-активности проседают до ~22% от общего времени, что логично и ожидаемо. Меняется коммуникация 👇 🟢 Middle — Код+ML 62% · Встречи 14% · Асинхрон 17% -> удовлетворенность 3.4/5 🔵 Senior — Код+ML 61% · Встречи 23% · Асинхрон 9% -> удовлетворенность 4.0/5 ➡️ При переходе от Middle к Senior время на встречи увеличивается с 14 до 23%, а на переписку уменьшается с 17 до 9%. 😮 Самый недовольный грейд — это Middle (3.4/5). Основные причины — это переключение контекста между проектами и хрупкая ML-инфра. Оба фактора набрали по 62%. У сеньоров переключение контекста болит в пять раз реже (12%), зато сильнее давят встречи и бюрократия. 💡 Дополнительные 10 часов в неделю 62% мидлов хотят потратить на рефакторинг, 50% — на исследования, а учиться и высыпаться хотят вообще все! Итог. С грейдом меняется не количество ручной работы, а объём, длительность и формат общения. Самый турбулентный участок пути — middle. Узнали себя? 👇 Напишите в комментариях, что вы об этом думаете! P.S. В опросе поучаствовали 33 ML-инженера; грейд указали 18 из них — по 8 на Middle и Senior. Выборка небольшая, так что это скорее повод задуматься и сверить с собственным опытом, чем строгая статистика.

📌 Принесли запись трансляции 27 мая Альберт Акопян и Коля Хохлов в прямом эфире изучали технический репорт DeepseekV4. О чём говорили: 00:00:33 Введение и общий обзор 00:09:48 Ключевые архитектурные инновации 00:31:06 Детали механизма Attention и оптимизации 00:41:24 Обучение и инфраструктура 01:09:36 Посттренинг, дистилляция и тонкая настройка 01:16:48 Работа с низкой точностью (FP8/FP4) и аутлайерами 01:24:30 Стабильность обучения Задавайте вопросы Коле и Альберту в комментариях к этому посту ⬇️ 🎥 Полностью видео смотрите на YouTube