MLinside - школа ML

Александр Поваров — золотой медалист международной олимпиады школьников по искусственному интеллекту, выпускник Летово и студент первого курса. В ML пришёл ещё в школе, а в 2026 году выиграл золото Межнара — международной олимпиады по ИИ. На YouTube у нас вышел подкаст с Александром, где мы говорим об олимпиадах, поступлении и начале карьеры в ML. Как устроен Межнар и сколько нужно готовиться, чтобы до него дойти? Почему Александр выбрал олимпиаду по искусственному интеллекту, хотя раньше занимался информатикой? И почему даже 310 баллов на ЕГЭ не всегда гарантируют поступление? Ответы в выпуске: https://youtu.be/StQ_voqWqLM

Из аналитики и разработки в ML + куда расти дальше Я хорошо помню, как DSом мучался выбором: идти или не идти в CV (когда была такая опция), рваться ли в NLPшные проекты, продолжать делать рекомендательные системы или же больше перспектив для быстрого карьерного роста будет, например, в классической предиктивной аналитике с прогнозированием спроса или оттока. Всегда очень хочется не прогадать, куда инвестировать следующие несколько лет своей жизни. Сейчас еще тяжелее: есть несколько захайпленых тем у всех на слуху, а как за ними разглядеть свое собственное будущее - непонятно. Если вы только переходите в ML из аналитики или разработки, то разбираться надо еще и в том, что из вашего опыта уже полезно, в чём лучше "забыть все что знал раньше", а чего совсем не хватает, и как это добирать. 21 сентября в 19:00 МСК я проведу об этом закрытый вебинар для комьюнити нашей специализации по ИИ и анализу данных. Поговорим, как переходить в ML из разработки и аналитики, чего обычно не хватает на собеседованиях и куда расти после Classic ML: RecSys, поиск, CV, NLP/LLM, антифрод, а также research, продуктовый ML, ML-инженерия и карьера лида. Ключевой вопрос вебинара: "куда вложить следующие несколько лет карьеры, чтобы потом не загрызло FOMO?". И отдельно поотвечаю на карьерные вопросы слушателей. 21 сентября, 19:00 МСК Вебинар только для студентов специализации. Если ещё не с нами — присоединиться к специализации можно по ссылке. Для тех, кто уже учился в MLinside или на Специализации МФТИ и Яндекса на Курсере, заполняйте форму, дадим промокод со скидкой ❤️

Из аналитики и разработки в ML + куда расти дальше Я хорошо помню, как DSом мучался выбором: идти или не идти в CV (когда была такая опция), рваться ли в NLPшные проекты, продолжать делать рекомендательные системы или же больше перспектив для быстрого карьерного роста будет, например, в классической предиктивной аналитике с прогнозированием спроса или оттока. Всегда очень хочется не прогадать, куда инвестировать следующие несколько лет своей жизни. Сейчас еще тяжелее: есть несколько захайпленых тем у всех на слуху, а как за ними разглядеть свое собственное будущее - непонятно. Если вы только переходите в ML из аналитики или разработки, то разбираться надо еще и в том, что из вашего опыта уже полезно, в чём лучше "забыть все что знал раньше", а чего совсем не хватает, и как это добирать. 17 сентября в 19:00 МСК я проведу об этом закрытый вебинар для комьюнити нашей специализации по ИИ и анализу данных. Поговорим, как переходить в ML из разработки и аналитики, чего обычно не хватает на собеседованиях и куда расти после Classic ML: RecSys, поиск, CV, NLP/LLM, антифрод, а также research, продуктовый ML, ML-инженерия и карьера лида. Ключевой вопрос вебинара: "куда вложить следующие несколько лет карьеры, чтобы потом не загрызло FOMO?". И отдельно поотвечаю на карьерные вопросы слушателей. 📅 17 сентября, 19:00 МСК Вебинар только для студентов специализации. Если ещё не с нами — присоединиться к специализации можно по ссылке. Для тех, кто уже учился в MLinside или на Специализации МФТИ и Яндекса на Курсере, заполняйте форму, дадим промокод со скидкой ❤️

Учимся на практике: решаем реальные ML-задачки Это рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных (ну или почти реальных) проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях. Семнадцатая задача Что нужно сделать: Определить самых успешных игроков и колледжи где чаще всего появляются успешные игроки и посмотреть как это менялось с временем, сделать модель для предсказания рейтинга игрока Как можно сделать: ▪️Сделать модель предсказания рейтинга игрока, посмотреть на каких местах по важности у модели рост и вес; ▪️Определить самые перспективные колледжи для поступления школьнику который хочет выступать в NBA; ▪️Определить по 3 самых успешных игрока для каждого года рождения, посчитать их зарплату, узнать для какого года рождения сумма зарплаты топ 3 самая большая. Данные можно взять на Kaggle Пример ноутбука (с случайными пропусками строк) Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside

Модель стала точнее на 1% – значит, система стала лучше? В реальном ML-проекте более точная модель может оказаться слишком медленной, требовать в несколько раз больше GPU или сделать инфраструктуру настолько дорогой, что её улучшение просто не окупится. У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает, как оценивать производительность ML-систем и почему в продакшене важны не только метрики качества модели, но и **latency, RPS, CPU, GPU, память и стоимость инференса. А в конце на примере рекомендательной системы уровня VK Видео разбираем, сколько примерно может стоить реальная ML-система: от серверов для инференса и хранения данных до инфраструктуры и команды. Ответ наверняка вас удивит. Смотреть на YouTube Смотреть в ВК Смотреть в Дзен

Хорошее решение – не обязательно идеальное В System Design почти никогда не бывает варианта, который закрывает все вопросы сразу. Одно решение может быть проще, другое – дешевле, третье – лучше масштабироваться. Важно понимать компромиссы и уметь объяснить, почему команда остановилась именно на своём варианте. На ML Kata как раз приходится проходить этот путь: обсудить подходы, найти слабые места, договориться о решении и проверить его на неудобных вопросах. В ролике – фрагмент с прошлой ML Kata, где команда как раз столкнулась с таким противоречием. Следующая ML Kata уже скоро. Если хотите попробовать себя в таком формате – успейте забронировать место По вопросам участия: @marinagartm

Завтра в 19:00 МСК встречаемся на вебинаре с Виктором Кантором о карьерном пути в ML в 2026 году. В кружке выше Виктор рассказывает, что будет на эфире👆 А ещё можно заранее отправить свой вопрос — Виктор разберёт вопросы участников в прямом эфире. Задать вопрос Зарегистрироваться на вебинар

Внимание-внимание, это рубрика «ML в реальной жизни» и у нас пятая задача Мы продолжаем нашу рубрику, где задаем ситуации, с которыми сталкиваются ML/DS-команды в продакшене. В этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон. Поэтому, если хотите, чтобы рубрика была вам максимально полезна, важно не просто выбрать вариант, а объяснить в комментариях: — почему выбрали именно его — что бы вы проверяли — какие риски вы бы учитывали Сегодня у нас ситуация №5: Ситуация: метрики растут, а пользователи уходят Контекст: Вы обновили рекомендательную модель. Offline-метрики улучшились, A/B-тест показывает рост CTR. Но через неделю поддержка фиксирует волну жалоб: "Рекомендации стали однообразными", "Попадает не то". Бизнес в замешательстве: "Метрики же растут?" Что будете делать в первую очередь? Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside

Топ 5 ошибок, которые мешают ML-инженеру расти №1 не посмотреть видео у нас на YouTube, в ВК или Дзен, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает ошибки, которые часто допускают начинающие ML-инженеры, и показывает, как они проявляются в реальной работе. Потому что можно отлично разбираться в ML, знать десятки алгоритмов и уметь добиваться высоких метрик и при этом быть не самым эффективным ML-инженером. А чтобы не допускать эти ошибки, велком, видео уже вышло на всех площадках. Смотреть на YouTube Смотреть в ВК Смотреть на Дзен

Как войти в ML и развиваться дальше: карьерный путь в 2026 году В ML можно войти разными путями – через аналитику, разработку, обучение или переход из другой технической области. Но после первых шагов возникает следующий вопрос: как выбрать направление развития и продолжать расти? 8 сентября в 19:00 МСК Виктор Кантор проведёт вебинар о карьерном пути в ML в 2026 году. Разберём, как подойти к развитию карьеры системно: ▪️ с чего начать путь в ML и как выбрать направление; ▪️ какие навыки развивать на разных этапах карьеры; ▪️ как понять, что пора переходить на следующий уровень; ▪️ что сегодня действительно важно работодателям; ▪️ как не потеряться среди множества технологий и специализаций. И главное – на вебинаре можно будет разобрать именно вашу ситуацию. Заранее отправьте Виктору свой вопрос через форму – он разберёт вопросы участников в прямом эфире. Это может быть вопрос по конкретной карьерной ситуации, выбору направления, развитию навыков или вопрос о переходе на следующую позицию. 📅 8 сентября 🕖 19:00 МСК Задайте свой вопрос Виктору заранее и приходите на разбор в прямом эфире. Задать вопрос Зарегистрироваться на вебинар

Вебинар "Нужен ли ML-инженер в эпоху GPT?" уже начался, подключайтесь: https://youtube.com/live/pFZ_6nHbg9I?feature=share

«Раньше понимания было просто 0» — опыт студента Специализации На Специализации "Искуственный интеллект и анализ данных" учатся люди с разным опытом и разными целями: кто-то хочет сменить профессию, кто-то готовится к поиску работы, а кто-то переходит в ML из смежной области.**Карл Каллавус** – один из таких студентов. Сейчас он Frontend Tech Lead, до этого работал Fullstack-разработчиком, а теперь хочет постепенно перейти в ML/Data Science. Мы задали Карлу несколько вопросов, чтобы на его примере показать, как может проходить такой переход и какую роль в нем играет обучение. — Что ты сейчас умеешь или понимаешь такого, чего не мог в начале?

Раньше понимания было просто 0, сейчас я четко понимаю чего мне не хватает и есть четкое направление куда двигаться. Это большой прогресс. — Кому бы ты посоветовал проходить Специализацию? Что делать, если не хватает мотивации учиться самостоятельно без дедлайнов? Всем кто владеет Русским языком, и кому это интересно/нужно. Зарубежные курсы в этом плане отстают (я не нашел подобного места где собрано все). Продолжать учиться, я не спешу, вначале пересматривал видео по 8 раз, была пара секций, где я застрял на пару недель, очень подробно разбирал дополнительные материалы. Тут просто надо продолжать — Что бы ты хотел изменить или дополнить в программе? В целом меня все устраивает, планирую рассматривать уже более глубокие специализации по мере приближения. Наверное из базового курса не хватает советов по трудоустройству, но не в плане резюме (хотя это важно), а скорее мок интервью и пониманию что именно готовить и как готовиться. Но пока еще много материала не пройдено, занимаюсь этим Своё обучение Карл сравнивает с изучением английского: Здесь у меня есть хорошая аналогия с тем, как, когда я учил английский, в какой-то момент я поехал за границу и начал кое-как общаться наконец-то на английском, да я не знал продвинутых форм и времен, и у меня был скудный словарный запас. Но я увидел результат учебы, меня понимали и я доносил свои мысли, и это меня еще больше замотировало, сейчас уже более 10 лет общаюсь по работе исключительно на английском, говорю бегло, читаю, вообщем, язык стал как родной. По ML сейчас аналогичная фаза - я кое-как подтянул небольшую базу и с помощью kaggle получил первую валидацию результатов, планирую двигаться дальше, уже до уверенных результатов и трудоустройства.

История Карла – пример постепенного перехода из разработки в ML: сначала разобраться в базе, понять, чего не хватает, попробовать знания на практике и двигаться дальше уже к трудоустройству. Если вы тоже хотите развиваться в ML и перейти из своей текущей сферы в Data Science или Machine Learning, присоединяйтесь к обучению на специализации «Искусственный интеллект и анализ данных» от MLinside.

Нужен ли ML-инженер в эпоху GPT? AI уже умеет брать на себя всё больше ML-задач: писать код, помогать с моделями и реализовывать отдельные части ML-решений. Но вместе с этим профессия не исчезает — меняется сама роль ML-инженера. Часть рутинной работы можно делегировать нейросетям, но инженер по-прежнему должен понимать, что именно строить, почему выбран этот подход, какие у него ограничения и насколько решение действительно подходит для задачи. Поэтому фундаментальные знания ML становятся ещё важнее. Именно об этом и поговорим в четверг, 3 сентября в 19:00 на вебинаре с Александром Дубейковским (ML Engineer в Авито, ex-Яндекс). О чём ещё поговорим на вебинаре: ▪️ какие задачи ML-инженера уже можно делегировать AI, а где всё ещё нужна экспертиза специалиста; ▪️ как изменились требования к ML-инженеру; ▪️ какие навыки становятся важнее, а какие — менее востребованными; ▪️ чему стоит учиться, чтобы оставаться востребованным в профессии. Вебинар бесплатный – регистрируйтесь, чтобы разобраться, как изменилась работа ML-инженера в эпоху AI.

Как найти работу в ML, если кажется, что рынок уже переполнен? Во второй части подкаста Виктор Кантор продолжает разговор с Кириллом Малковым — Chief Data Scientist Россельхозбанка, который за карьеру успел поработать в Сбере, Билайне, Росбанке и МТС, а в 21 год стал руководителем и вошёл в лонг-лист Forbes «30 до 30». На этот раз поговорили о том, как получить первую работу в ML, чем выделиться среди других кандидатов и почему одних знаний теории недостаточно. Кирилл рассказал, как получать практический опыт без работы, зачем нужны пет-проекты и на что обращать внимание при выборе образовательного курса. А ещё разобрали реальные GenAI-кейсы в бизнесе: RAG, AI-агентов и вайб-кодинг. Поговорили о том, где такие технологии действительно приносят деньги, почему некоторые проекты оказываются экономически бессмысленными и что сейчас происходит с open source и LLM. В финале Кирилл дал рекомендации тем, кто только планирует войти в AI, и тем, кто уже работает в индустрии: что изучать, как нарабатывать практику и как успевать за развитием технологий. Кирилл также является одним из авторов специализации MLinside по AI и анализу данных и подготовил для неё модуль по Deep Learning. Полный выпуск уже на канале – смотрите и делитесь впечатлениями в комментариях. Смотреть в ВК Смотреть в Дзен

Roadmap онлайн-событий MLinside В ближайшее время проведём два вебинара о том, как развиваться в ML в 2026 году – от изменений в работе ML-инженера до построения собственной карьерной траектории. Нужен ли ML-инженер в эпоху GPT? AI уже берёт на себя всё больше задач, которые раньше выполнял ML-инженер. Но значит ли это, что роль специалиста становится менее важной? На вебинаре с Александром Дубейковским (ML Engineer в Авито, ex-Яндекс) разберём, как AI меняет работу ML-инженера, какие задачи уже можно делегировать нейросетям и какие навыки, наоборот, становятся важнее. 📅 3 сентября 🕖 19:00 МСК [ЗАРЕГИСТРИРОВАТЬСЯ] Как войти в ML и развиваться дальше: карьерный путь в 2026 году Следующий вебинар – о том, как системно строить карьеру в ML: с чего начать, какое направление выбрать и как понять, что пора двигаться дальше. Виктор Кантор разберёт, какие навыки нужны на разных этапах карьеры, что сегодня действительно важно работодателям и как не потеряться среди множества технологий и специализаций. А ещё участники смогут заранее отправить свой вопрос и разобрать конкретную карьерную ситуацию Виктора в прямом эфире. 📅 8 сентября 🕖 19:00 МСК [ЗАРЕГИСТРИРОВАТЬСЯ] Выбирайте интересующую тему или приходите на оба – участие бесплатное.

Учимся на практике: решаем реальные ML-задачки Это рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных (ну или почти реальных) проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях. Шестнадцатая задача Что нужно сделать: На основе исторических данных о космических миссиях с 1957 года посчитать статистики запусков по каждой площадке: количество запусков, стоимость, успешность миссий и другие показатели. Как можно сделать: ▪️Определить компанию и страну с лучшими показателями успешности миссий; ▪️Определить время года с лучшей статистикой по успешным запускам; ▪️Определить какой космодром самый неудачный (наибольший процент неудач, наибольшая стоимость ракет которые потерпели неудачу). Данные можно взять на Kaggle Пример ноутбука (с случайными пропусками строк) Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside

Как построить карьеру в ML – и не потерять интерес к технической работе? В новом подкасте Виктор Кантор разговаривает с Кириллом Малковым — Chief Data Scientist Россельхозбанка. За свою карьеру Кирилл успел поработать в Сбере, Билайне, Росбанке и МТС, а в 21 год стал Chief Data Scientist и вошёл в лонг-лист Forbes «30 до 30». Поговорили о карьерном росте Кирилла – от Data Scientist до руководителя крупных команд – и о том, почему с ростом ответственности его всё сильнее тянет обратно к инженерной работе. А ещё обсудили, как ML приносит бизнесу сотни миллионов рублей, зачем компаниям GenAI, можно ли обойтись без машинного обучения и какую роль в карьерном успехе играет везение. Кирилл также стал одним из авторов специализации MLinside по AI и анализу данных и подготовил для неё модуль по Deep Learning. Полный выпуск уже на канале – смотрите подкаст и делитесь впечатлениями в комментариях. Смотреть в ВК Смотреть в Дзен

ML Kata: разбираем главные вопросы 75 минут на задачу по ML System Design, случайная команда и незнакомый контекст. Такой формат закономерно вызывает вопросы у тех, кто участвует в таком формате впервые. Давайте разбираться: ▪️На кого рассчитана ML Kata? Самое главное – ML Kata, это не экзамен для экспертов, которые знают всё наизусть. Для участия не нужно заранее готовиться именно к той задаче, которая вам достанется. И не обязательно перечитывать всю литературу по System Design. Главное – уметь разобраться в задаче и применить свои знания на практике. ▪️А если я не работал с этим доменом? Это нормально. Более того, именно работа с незнакомым контекстом – одна из полезных частей ML Kata. В работе легко оказаться в пузыре собственного опыта: если вы долго решаете похожие задачи, знакомые подходы начинают казаться универсальными. На ML Kata сначала придётся разобраться в условиях задачи, а уже потом выбрать подход. Это возможность проверить, насколько вы умеете думать за пределами привычного контекста. ▪️Команду нужно собирать заранее? Нет. Команды формируются на самой ML Kata. Вы окажетесь рядом с людьми с разным опытом и бэкграундом. Придётся быстро договориться о подходе, распределить роли и вместе собрать решение. ▪️А если в команде будут люди с разным уровнем опыта? Это нормально и именно поэтому команды формируются случайно. У одного участника сильнее ML, у другого – архитектура, у третьего – декомпозиция, у четвёртого – коммуникация и презентация. Задача команды – объединить эти компетенции в одно решение. Поэтому разный опыт участников становится частью тренировки, а не помехой. А если мы не успеем решить задачу за 75 минут? Ограничение по времени – часть формата. За 75 минут важно определить главное, расставить приоритеты и понять, на каких компромиссах можно остановиться. В незнакомой задаче легко начать искать знакомый ответ: «У *подставьте любую бигтех компанию* делают так – значит, и нам подойдёт». Но ML System Design не сводится к воспроизведению известных паттернов. Важно понять требования и ограничения именно этого кейса. Что я получу от участия? ML Kata даёт возможность выйти за пределы привычного контекста и проверить, как вы принимаете решения, когда готового ответа перед вами нет. А ещё – получить реальный опыт командной работы: вместе разобраться в задаче, договориться о подходе и защитить своё решение. ML Kata — это возможность проверить, насколько хорошо вы умеете построить решение, когда готового ответа нет. Следующая ML Kata уже скоро. Бронируйте место и проверьте себя на практике вместе с Валерием Бабушкиным