Data Scientist | IT

Пузырь ИИ — это не то, что вы думаете #почитать

Около десяти лет назад я сидел в Кредитном комитете своего банка, рассматривая заявку на кредит от компании, которая печатала телефонные справочники. Да, телефонные справочники — те самые гигантские желтые страницы. Компания была прибыльной. Она существовала десятилетиями. Она зарабатывала наличные, но эта цифра снижалась понемногу каждый год. Я отказал в кредите не потому, что цифры не сходились, а потому что будущее — не сходилось.

✅Читать статью

🌐Как я стала аналитиком данных и потратила на это 0 рублей #посмотреть История Даши ✅Смотреть на Ютубе ⏱️30 минут

🦾 Освойте LLM-инжиниринг и внедряйте AI в реальные проекты. Практический курс от экспертов OTUS Искусственный интеллект больше не ограничивается лабораториями. LLM уже встроены в бизнес, продукты и инфраструктуру. Но тех, кто умеет их разворачивать, обучать и внедрять — единицы. Курс «LLM Driven Development» от OTUS даст вам системное понимание того, как создавать и эксплуатировать AI-продукты. Вы изучите архитектуру трансформеров, тонкости работы с памятью, оптимизацию и fine-tuning моделей. Освоите LangChain, LlamaIndex, vLLM и научитесь строить мультиагентные AI-системы, объединяя модели в цепочки решений. Научитесь внедрять LLM в реальные сервисы: от прототипа до продакшна. Поймёте, как интегрировать AI в бэкенд, собирать данные, автоматизировать MLOps и управлять жизненным циклом модели. ➡ Успейте в группу февраля! Оставьте заявку и станьте одним из первых специалистов, кто понимает LLM не на уровне «подключить API», а на уровне архитектуры и инженерии: https://vk.cc/cUMYan Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

Я дал 100 AI-агентам равный бюджет — они изобрели кредиты под 15% #почитать

Дал 100 AI-агентам по 1000 токенов и одну цель — набрать максимум очков. Не программировал ни торговлю, ни кредиты, ни специализацию. Через двое суток агент №23 попросил у агента №91 займ под 15%. К 72-му часу — три банкира, 12 банкротов и коэффициент Джини 0.71. Внутри — код на Python, логи, распределение ресурсов. И честный разбор того в чем я до сих пор не уверен.

⏱Читать статью

🛠

Станьте Deep Learning Engineer с дипломом 👍 Голосовые помощники, распознавание лиц, рекомендации в приложениях, медицинская диагностика — нейросети используются уже во всех сферах бизнеса. Компании ищут DL-специалистов, чтобы точнее обучать и настраивать нейросети под свои запросы. Освоить Deep Learning самостоятельно сложно, но ребята из Simulative нашли решение, где учёба становится понятной и структурированной, а все темы разбираются на практике 🔥 Simulative запускает программу профессиональной переподготовки «Инженер глубокого обучения нейросетей». По итогам обучения вы получите:

🎓 Диплом гособразца

Официальный диплом о профессиональной переподготовке с квалификацией «Специалист по большим данным».

💯 Практика

Более 40 практических работ в формате симуляции реальной работы DL-инженера — всё пойдёт в портфолио.

🙌🏽 Онлайн обучение

Учитесь из любой точки мира, совмещая с работой, а доступ к материалам останется навсегда. Курс подходит для специалистов любого уровня: новичок, аналитик, ML-инженер или выпускник — на программе опытные менторы помогут выстроить вашу персональную траекторию роста в Deep Learning. Что вы освоите: 🟠Создание и обучение нейросетей с нуля 🟠Компьютерное зрение (Computer Vision) 🟠NLP (обработка текста) 🟠Генеративные модели 🟠MLOps и продакшн-подход 🕖 Старт обучения — 12 марта, количество мест на поток ограничено Бронируйте место на курсе прямо сейчас и получите скидку 30% 😶ПОЛУЧИТЬ СКИДКУ НА КУРС

Что бы я сделал, если бы сегодня начинал учить Data Science / ML #почитать

Эта статья — не очередной «гайд по ML для новичков». Это мой личный взгляд на то, как бы я подошёл к обучению, если бы начинал с нуля уже сегодня, учитывая свой опыт работы в крупных компаниях, проваленные проекты, ошибки и победы.

⏱Читать статью

Геометрия ландшафта потерь и «понимание» нейросети #почитать Когда нейросеть обучается, ее функция потерь образует сложный ландшафт в пространстве параметров – с вершинами (области высокой ошибки) и долинами (области низкой ошибки). Свойства этого ландшафта – его кривизна, форма минимальных долин, спектр матрицы Гессе и пр. – могут многое рассказать о том, насколько модель усвоила закономерности данных. Идея состоит в том, что не все минимумы одинаковы: одни могут быть «плоскими» (широкими и неглубокими), другие «острыми» (узкими и крутыми). Считается, что геометрия такого минимума связана с тем, как хорошо модель обобщает знания за пределы обучающих примеров и насколько «осмысленно» (семантически обоснованно) она их усвоила. В данном обзоре мы рассмотрим, как характеристики ландшафта потерь служат индикаторами обобщающей способности, интерпретируемости, адаптивности модели и ее чувствительности к семантике данных, а также какие количественные метрики предложены для измерения этих свойств. ⏱Читать статью

fit() для новичков #почитать Эта статья для тех, кто только-только погружается в машинное обучение и ещё не до конца понимает, что скрывается за интересным вызовом model.fit(). Вы, возможно, уже настраивали ноутбуки, пробовали разные датасеты и, может, даже словили пару неожиданных ошибок — и это нормально. ⏱Читать статью

🪐 Новые вакансии AI/ML 🚀 ML engineer / Python Developer в Wisebits, до 400 000 ₽ Подробнее ➡️ https://jobrocket.ru/ru/job/ml-engineer-python-developer-wisebits-94cefda2 🚀 ML разработчик (Python / Computer Vision) в Система AI видеоаналитики, oт 350 000 ₽ Подробнее ➡️ https://jobrocket.ru/ru/job/ml-razrabotchik-python-computer-vision-sistema-ai-videoanalitiki-e434fec6 🚀 ML Engineer в Kolesa group, 200 000 - 300 000 ₽ Подробнее ➡️ https://jobrocket.ru/ru/job/ml-engineer-kolesa-group-7f755111 🚀 AI-инженер в Green Wave Palace, до 240 000 ₽ Подробнее ➡️ https://jobrocket.ru/ru/job/ai-inzhener-green-wave-palace-45fd8dc5 🚀 Tech Lead в AI-стартап, oт 580 000 ₽ Подробнее ➡️ https://jobrocket.ru/ru/job/tech-lead-nda-ai-startap-435bdb0d 🚀 ML Engineer в HealthTech, 150 000 - 300 000 ₽ Подробнее ➡️ https://jobrocket.ru/ru/job/ml-engineer-nda-healthtech-dee3a37d 🚀 ML Engineer в Vital Partners, до 450 000 ₽ Подробнее ➡️ https://jobrocket.ru/ru/job/ml-engineer-vital-partners-c474323b 🚀 Product Manager (AI / Travel), oт 250 000 ₽ Подробнее ➡️ https://jobrocket.ru/ru/job/product-manager-ai-travel-nda-travel-b7597e3c 🚀 Data Scientist в Крупная ритейл компания, 270 000 - 300 000 ₽ Подробнее ➡️ https://jobrocket.ru/ru/job/data-scientist-krupnaya-ritejl-kompaniya-9f03c6c8 🚀 Нейрокреатор, oт 50 000 ₽ Подробнее ➡️ https://jobrocket.ru/ru/job/nejrokreator-nejrokreator-14e28203 Больше AI-вакансий здесь ⤵️ https://jobrocket.ru/ru?page=1&categories=aiml

Что у меня за распределение #почитать Нужно уметь переводить эту нагрузку в количество людей на линии. Для этого мы реализовали симулятор колл-центра. Для работы симулятора нужно понимать, как распределены те или иные случайные величины, и иметь численные характеристики соответствия наблюдаемых значений теоретическим распределениям. Это называется задачей (критериями) согласия: к какому теоретическому распределению вероятностей принадлежит данная выборка. «Используй Колмогорова — Смирнова, да и все тут», — скажут мне. В принципе, да, но нет. Мы пойдем чуть дальше и попытаемся разобраться, как все устроено и какие есть ограничения. Расскажу, почему нельзя просто так применять критерии согласия, к каким это приводит ошибкам и как с этим быть. ⏱Читать статью

Структурированная генерация в LLM #почитать

сегодня я расскажу про такое направление в LLM, как структурированная генерация.

⏱Читать статью

Почему для обучения нейросетей используют именно видеокарты #почитать Начнем с того, что центральный процессор и графический процессор фундаментально отличаются по своей архитектуре и предназначению. CPU разрабатывались как универсальные вычислительные устройства, предназначенные для последовательной обработки данных с высокой тактовой частотой и сложной логикой ветвления. В отличие от CPU, графические процессоры были рассчитаны на рендеринг изображений, который по своей природе требует параллельной обработки большого количества пикселей. Эта особенность и определила ключевую архитектурную черту GPU — наличие тысяч относительно простых вычислительных ядер вместо нескольких сложных, как у CPU. ⏱Читать статью

Как устроено глубокое обучение нейросетей #почитать Глубокое обучение - Способ обучения моделей на большом количестве данных, используя множество слоёв. Каждый слой сети обрабатывает информацию, "взвешивая" её при помощи параметров (весов и смещений), оставляя признаки или отбрасывая, посредством функций активации. Обучение происходит через итеративную (повторяющуюся) корректировку весов: сначала вычисляются градиенты ошибки с помощью обратного распространения (backpropagation), а затем веса обновляются при помощи оптимизаторов (SGD, Adam и др.). Эта статья не ответит на все вопросы, но мы пробежимся по всем основам глубокого машинного обучения, что бы создать примерную начальную картину без сильного углубления в детали. ⏱Читать статью

Когда O(n) мешает отбирать резюме в Росатоме #почитать Женатые и замужние — в топе: пока вы не уходите глубоко в анализ, этот быстрый фактор повышает ранг. Чем точнее ваша модель, тем меньше его вес. Английский — плохо: знание английского почему-то работало как антипаттерн, снижая релевантность. ОГУРЕЦ: кто-то зачем-то написал это слово в резюме. Оно попало в словарь модели и получило большой вес. Иксель — люди пишут Excel как угодно, и само слово в правильном написании оказалось снижающим оценку. К резюме может быть приложено много мусора. Самый эпичный пример: авиабилет Москва — Челябинск вместо резюме. ⏱Читать статью

Что Google Translate может рассказать нам о вайб-кодинге #почитать В последнее время часто звучат мрачные прогнозы (и даже скрытая реклама) о том, что крупные языковые модели (LLM) уничтожат программирование как профессию. Многие обсуждения лишены нюансов, поэтому я хотел бы внести свои пояснения. С одной стороны звучат заявления вроде: «Я использовал $LLM_SERVICE_PROVIDER, чтобы создать маленькую временную программу, и скоро все программисты останутся без работы за $ARBITRARY_TIME_WINDOW». С другой – категорический отказ признавать какую-либо пользу таких инструментов. Думаю, лучше всего прояснить эту ситуацию можно на примере другой отрасли, где подобные технологии появились раньше: перевод. ⏱Читать статью

Как построить хороший пайплайн разработки ML-модели #почитать Получать предсказуемые результаты при обучении моделей, легко увеличивать объемы данных и адаптировать к процессам новых членов команды — для этого нужны четкая структура, последовательность действий и набор инструментов. То есть, хороший пайплайн разработки. Разбираемся, из чего он состоит и как его построить. ⏱Читать статью

Как Cursor устроен изнутри #почитать Работа с кодом: транзакции с низкой задержкой. Для фичей, связанных с кодом (дополнения по tab'у, индексация, пересчет хеш-деревьев), рабочая нагрузка представляет собой череду чтений и записи. Задержка для этих операций должна быть как можно ниже. Изначально Cursor использовал Pinecone для семантической индексации и поиска, но затем перешел на Turbopuffer. ⏱Читать статью

Опыт построения антифрод-системы на основе поведенческого анализа #почитать Проект по разработке системы антифрода для букмекерской конторы стал для нашей команды важным шагом в обеспечении честности игры на платформе. Основной целью было создание системы, которая бы эффективно боролась с манипуляциями, связанными с арбитражем ставок и использованием вилочных событий для обхода системы. В данной статье я расскажу о технической реализации антифрод-системы на основе поведенческого анализа. ⏱Читать статью

Что делает shuffle=True и как не сломать порядок #почитать Под «перемешать» подразумевается применение псевдо‑рандомного пермутационного алгоритма (обычно Fisher‑Yates) к индексам выборки до того, как мы режем её на train/test. Цель — заставить train‑и-test быть независимыми и одинаково распределёнными (i.i.d.). В scikit‑learn эта логика зашита в параметр shuffle почти всех сплиттеров. В train_test_split он True по умолчанию, что прямо сказано в документации — «shuffle bool, default=True». ⏱Читать статью