MLinside - школа ML

Поиск информации, рекомендации в приложениях и распознавание речи — каждый день мы пользуемся сервисами, в основе которых лежит машинное обучение. При этом ещё 15 лет назад многие из этих задач решались совсем другими способами. В новом видео у нас на YouTube, в ВК и Дзен Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) на конкретных примерах показывает, как развивались алгоритмы, чему модели научились благодаря данным и почему ML стал настолько востребован в современных цифровых продуктах. Видео подойдёт тем, кто только знакомится с машинным обучением или хочет лучше понять принципы его работы. Выбирайте удобную площадку для просмотра: ▪️ YouTube: https://youtu.be/oDi7WTHdCIU ▪️ ВКонтакте: https://vkvideo.ru/video-228219607_456239345 ▪️ Дзен: https://dzen.ru/video/watch/6ad1e9d12cdfb474e8fb9f4b

Есть момент, когда привычного использования нейросетей для отдельных задач становится мало — хочется встроить их в работу так, чтобы они действительно снимали часть нагрузки, а результат при этом оставался управляемым. На курсе «AI-агенты для продактов» как раз будем разбирать, как выстраивать такие процессы: что можно делегировать агенту, где нужны ограничения и как проверять результат до того, как он попадёт в работу. Курс стартует 27 октября. Посмотрите программу и оставьте заявку, если хотите собрать собственные рабочие сценарии с AI-агентами

Мы уже в эфире, присоединяйтесь к трансляции здесь на YouTube: https://www.youtube.com/live/SSZNVCWWpkI?si=8SV_rL5g9ep4xXQV или в ВК: https://vkvideo.ru/live-228219607_456239329

Сегодня в 19:30 МСК встречаемся на вебинаре про экономику AI-агентов! Будет много практики: возьмём реальный кейс, пройдёмся по расходам и попробуем ответить на главный вопрос: сколько должна стоить задача, чтобы её действительно имело смысл поручать AI-агенту? Вебинар проведёт Максим Шаланкин, ML Team Lead Big Data MWS (МТС). Если планируете внедрять AI-агентов в работу или уже экспериментируете с ними, присоединяйтесь. Начало сегодня в 19:30 МСК. Подключайтесь к вебинару, чтобы вместе с нами разобраться в цифрах и оценить, насколько выгодны AI-агенты на практике

Модель выкатили на всех, а через месяц метрики упали И не понятно, что именно пошло не так: плохая модель, сезонность или случайный шум. Чтобы избежать такой ситуации, вам нужен правильно спроектированный A/B-тест. На YouTube, в ВК и Дзен у нас вышло видео, где Даниил Потапов (Head of AI Lab в Россельхозбанке, ex-Head of DS & Analytics в МТС и преподаватель Специализации) разбирает, как на самом деле устроены A/B-тесты в ML: от дизайна эксперимента и выбора метрик до статистической значимости и типичных ошибок. Смотрите видео полностью: На YouTube В ВК На Дзен Или изучайте весь блок по A/B тестам в специализации AI и анализ данных

Добавили в специализацию новый блок про Production ML Обучить ML-модель — только половина дела. Дальше её нужно превратить в работающий сервис, наладить обработку данных, автоматизировать процессы и обеспечить стабильную работу в продакшене. В новом блоке специализации «Искусственный интеллект и анализ данных» разбираем весь этот путь. Начинаем с разработки ML-сервисов на FastAPI и Docker, потоковой обработки данных через Kafka и работы с ClickHouse. Затем переходим к построению витрин с dbt и оркестрации пайплайнов через Airflow и Dagster. На практике объединяем инструменты и настраиваем автоматические запуски. Отдельно изучаем специализированный ML-стек: ▪️ DVC — версионирование данных и пайплайнов. ▪️ Feast — работа с feature store. ▪️ MLflow — эксперименты и управление моделями. В финале разбираем CI/CD, автоматизацию деплоя и переобучения, мониторинг через Prometheus и Grafana, а также отслеживание дрейфа данных. Авторы блока: — Владислав Бояджи — CDO МТС Scoring, ранее Head of ML в Ozon Банке и «Мокка», ML Team Lead в Сбере и МТС Банке. Преподаватель НИУ ВШЭ. — Николай Крупий — Data Engineer, автор канала Data & IT Career. Присоединяйтесь к специализации

AI-агент экономит деньги или создаёт ещё одну статью расходов? Расходы на AI-агента не ограничиваются подпиской или оплатой API. К ним добавляются время на настройку, проверку результатов и исправление ошибок. И чем чаще человеку приходится вмешиваться в работу агента, тем дороже обходится каждая задача. Поэтому прежде чем внедрять AI-агента, стоит разобраться, сколько он будет стоить на практике и действительно ли его использование выгоднее ручной работы. 15 октября в 19:30 МСК проведём вебинар «Сколько на самом деле стоит ваш ИИ-агент: считаем экономику на живом кейсе». Вместе с Максимом Шаланкиным (ML Team Lead Big Data MWS (МТС), эксперт по production ML и AI-агентам) на реальном кейсе посчитаем полную стоимость AI-агента, сравним расходы на API и подписку, учтём время на проверку результатов и разберёмся, когда агент действительно окупается, а когда выгоднее обойтись без него. В результате у вас будет понятная методика, с помощью которой можно оценить экономику собственного AI-агента и решить, стоит ли его внедрять. Дата: 15 октября, 19:30 МСК. Зарегистрироваться на вебинар: https://live.mlinside.ru/

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. Восемнадцатая задача Что нужно сделать: Определить какие параметры влияют на общее счастье в разных регионах Что можно сделать: ▪️Нормализовать данные ▪️Сделать регрессионную модель для предсказание уровня счастья ▪️Определить топ 1 важной составляющей счастья для мировой модели, обучить модели для каждого региона, определить топ 1, посмотреть отличается ли топ 1 важности для каждого региона от мирового топ 1 ▪️Сделать то же самое для нормализованных данных, посмотреть на полученные различия 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

Можно ли стать Senior ML Engineer за пару лет, если реальных навыков пока хватает только на Junior? Завысить опыт в резюме, успешно пройти собеседование и получить высокий грейд иногда действительно удаётся. Но что происходит дальше, когда от тебя начинают ждать результатов на уровне Senior? У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает, почему специалисты накручивают опыт, чем это может обернуться и где проходит граница между грамотной самопрезентацией и обманом работодателя. Если еще не смотрели, добро пожаловать на удобную для вас площадку: YouTube: https://youtu.be/AX-dMhYms0U ВК: https://vkvideo.ru/video-228219607_456239328 Дзен: https://dzen.ru/video/watch/6ac8ba9e569f02122279b836

SemiAnalysis сравнила реальные лимиты подписок Anthropic и OpenAI. Спойлер: Anthropic даёт в 5 раз больше. По расчётам SemiAnalysis, опубликованным 5 октября, подписки с Opus 5.5 дают для агентных задач примерно в пять раз больше API-эквивалента, чем соответствующие тарифы с GPT‑6.1 Sol. Что означает API-эквивалент? Исследователи оценили, сколько стоил бы доступный по подписке объём использования, если оплачивать его по тарифам API. Как считали Команда отдельно измеряла четыре вида расхода: • новые входные токены — текст, который передают модели; • выходные токены — текст, который генерирует модель; • запись в кэш — сохранение входного контекста для следующих обращений; • чтение из кэша — повторное использование уже сохранённого контекста. В каждом тесте старались создать как можно больше расхода одного вида и как можно меньше остальных. По изменению индикатора использования определяли, сколько токенов помещается в лимит подписки. Затем брали соотношение этих видов расхода из собственной агентной работы за сентябрь и пересчитывали объём в деньги по API-ценам. Что означает разница в пять раз Через API токены Opus 5.5 стоят дороже, чем токены GPT‑6.1 Sol. Поэтому одинаковое количество токенов этих моделей при пересчёте даст разные суммы: у Opus — больше, у Sol — меньше. «В пять раз» — это разница в денежной оценке доступного объёма использования по API-ценам каждой модели. Из неё нельзя заключить, что подписка позволит решить в пять раз больше задач: для этого нужно сравнивать, сколько токенов каждая модель тратит на выполнение одной и той же работы. Лимиты могут различаться даже на одинаковом тарифе Во время тестов у одного из трёх аккаунтов с одинаковой подпиской лимит оказался примерно на 20% ниже. Провайдер подтвердил, что аккаунт попал в небольшой A/B-тест лимитов, но компания в статье не названа.

Почему AI-агенты лгут, жульничают и координируются друг с другом? Чем способнее становятся AI-агенты, тем лучше они справляются с поставленными задачами. Но вместе с этим исследователи наблюдают и неожиданные эффекты: модели могут искать лазейки в правилах, скрывать свои действия, вводить в заблуждение и достигать результата способами, которых разработчики не предусматривали. Yoshua Bengio посвятил этой проблеме отдельную статью и попытался разобраться, почему это вообще происходит. Одна из причин кроется в том, как обучаются современные модели. После предварительного обучения они проходят reinforcement learning: модель получает вознаграждение за определённые действия и постепенно учится максимизировать его. Сложности начинаются, когда измеряемый результат не полностью совпадает с тем, чего на самом деле хочет человек. Вместо решения исходной задачи агент может найти более простой способ получить высокую оценку. Это явление называют reward hacking. Бенджио связывает его с законом Гудхарта: когда показатель превращается в цель оптимизации, он может перестать быть хорошим показателем результата. При этом речь не о том, что AI в человеческом смысле «решает обмануть». Такие формулировки описывают действия модели, а не наличие у неё намерений. Вопрос скорее в том, к каким результатам приводит обучение системы добиваться заданного результата максимально эффективным способом. Ситуация становится ещё сложнее, когда перед агентом одновременно стоят несколько целей и одни из них сформулированы точнее других. Например, если агенту нужно победить в соревновании, но при этом соблюдать набор ограничений. Первая цель конкретна и легко проверяется, а вторая гораздо менее определённа. В результате агент может найти стратегию, которая формально позволяет добиться высокого результата, но противоречит тому, чего от него ожидали разработчики. Похожие эффекты могут возникать и в системах, где друг с другом взаимодействуют несколько агентов. Если их вознаграждение зависит от общего результата, модели могут начать координировать свои действия способами, которые разработчики не задавали напрямую. В экспериментах такое взаимодействие иногда приводило к сговору между агентами ради получения более высокой награды. При этом рост возможностей моделей сам по себе не гарантирует, что такие эффекты исчезнут. Бенджио предполагает, что более способные агенты могут, наоборот, лучше находить лазейки, распознавать условия проверки и оптимизировать свои действия под систему оценки. Сам автор подчёркивает, что часть этих рассуждений пока остаётся гипотезой, а не доказанным сценарием развития AI. Поэтому Бенджио предлагает не ограничиваться исправлением отдельных случаев, а исследовать сами принципы обучения AI-систем и способы постановки целей. Один из вариантов — создавать системы, которым в принципе не требуется самостоятельно преследовать цели во внешнем мире. Полный материал Yoshua Bengio на английском языке

😒Anthropic дарит пользователям Claude Code до $250 на облачные сессии Подписчики Pro могут получить $100, а Max — $250 на облачные сессии. Облачные сессии позволяют отправить Claude Code задачу и не держать компьютер включённым: работа выполняется на серверах Anthropic и продолжится, даже если закрыть ноутбук. Бонус доступен индивидуальным подписчикам Pro и Max, у которых подписка была активна на момент запуска акции 23 сентября. Получить его можно до 7 октября 23:59 PT (8 октября 8:59 МСК), в том числе с помощью команды `/claim-credit` в Claude Code.

Когда мы учимся машинному обучению, большая часть времени уходит на данные, модели и метрики. Поэтому легко представить, что и работа ML-инженера устроена примерно так же: подготовил данные, обучил модель, улучшил качество и выкатил её в прод. В реальном BigTech обучение моделей – только одна часть работы. У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) рассказывает, из каких задач на самом деле состоит работа ML-инженера: от аналитики и проверки гипотез до backend-разработки, инфраструктуры, экспериментов и развития ML-систем после релиза. Смотрите на удобной площадке: https://youtu.be/3fl93ETxUjE https://vkvideo.ru/video-228219607_456239327?pl=-228219607_1 https://dzen.ru/video/watch/6abfa4c5c990f33951bd894e

Skillry собрала примеры работ на Claude Opus 5.5 В подборке есть анимации, обучающие ролики, интерактивная графика и даже небольшие игры. А еще в карточках есть промпты авторов, список использованных инструментов и ссылки на оригинальные публикации. Например, можно найти проекты с HyperFrames и Three.js, генерацией изображений и озвучкой.

Что, если AI сможет не просто помочь в отдельной задаче, а взять на себя целый продуктовый процесс — от сбора контекста до готового результата? 27 октября у нас стартует новый курс «AI-агенты для продактов». За 6 недель участники соберут набор end-to-end сценариев для продуктовой работы — с доступом к нужному контексту, инструментам и понятными точками контроля результата. На курсе разберём, как подключать агентов к файлам, инструментам и внешним сервисам, выстраивать повторяемые процессы и использовать их в реальной рабочей среде. Что ещё будет: ▪️ настроим AI-экзоскелет продакта и соберём сценарии для работы с бэклогом, статусами, файлами и другими регулярными задачами; ▪️ разберём работу с объёмными PRD, требованиями и ТЗ: как дать агенту достаточно контекста, сохранить связность документа и получить результат, который не придётся переписывать с нуля; ▪️ покажем, как работать с AI внутри компании без лишних рисков: контролировать доступ к данным и инструментам, защищать чувствительную информацию и учитывать ограничения корпоративной ИБ; ▪️ соберём workflow для research и discovery — от поиска и анализа контекста до ICP, конкурентов и УТП; ▪️ подготовим материалы для стейкхолдеров и проведём репетицию переговоров с агентом в роли скептика. После каждого занятия у вас останется готовый workflow или артефакт, который можно адаптировать под свои рабочие задачи. Курс будет полезен действующим продактам, а также аналитикам и инженерам, которые хотят перейти в продуктовую роль или глубже разобраться в практическом применении AI. Преподаватели — практики из Avito, МТС, Typeform, Beeline Cloud, MWS Fintech и других компаний. Старт 27 октября 7 онлайн-занятий по 1,5 часа за 6 недель Стоимость — 72 000 рублей, есть рассрочка С 1 октября цена повысится, успевайте подать заявку Подробнее о программе — на сайте. Там же можно оставить заявку на обучение или получить консультацию менеджера.

Когда смотришь на список математических тем, связанных с ML, легко решить, что до первой ML-модели придётся несколько лет изучать университетскую программу. На практике набор знаний, необходимый большинству ML-инженеров, гораздо компактнее У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает математику для ML по приоритетам: что действительно стоит освоить на старте, какие темы понадобятся с ростом и углублением в отдельные направления, а с чем многие специалисты могут вообще не столкнуться в работе. Если еще не смотрели, велком на удобную платформу: YouTube: https://youtu.be/V0T7n5VOYmA ВК: https://vkvideo.ru/video-228219607_456239318 Дзен: https://dzen.ru/video/watch/6ab60adaf6219133e801aee5

Мы запустили новую рубрику – дайджест новостей. Будем рады обратной связи – как вам формат и подборка новостей?