Дата канальи
Відкрити в Telegram
Данные / ML / AI / аналитика в корпорациях. Для связи @NikitaZelinskiy (реклама и консультации по AI/ML для бизнеса)
Показати більше6 034
Підписники
+324 години
+137 днів
+19230 день
Триває завантаження даних...
Схожі канали
Немає даних
Виникли проблеми? Будь ласка, оновіть сторінку або зверніться до нашого support-менеджера.
Хмара тегів
Вхідні та вихідні згадування
---
---
---
---
---
---
Залучення підписників
липень '26
липень '26
+30
в 2 каналах
червень '26
+218
в 6 каналах
Get PRO
травень '26
+108
в 3 каналах
Get PRO
квітень '26
+60
в 3 каналах
Get PRO
березень '26
+96
в 1 каналах
Get PRO
лютий '26
+268
в 7 каналах
Get PRO
січень '26
+163
в 5 каналах
Get PRO
грудень '25
+1 056
в 7 каналах
Get PRO
листопад '25
+735
в 11 каналах
Get PRO
жовтень '25
+170
в 6 каналах
Get PRO
вересень '25
+240
в 61 каналах
Get PRO
серпень '25
+215
в 6 каналах
Get PRO
липень '25
+1 412
в 30 каналах
Get PRO
червень '25
+351
в 58 каналах
Get PRO
травень '25
+39
в 1 каналах
Get PRO
квітень '25
+84
в 2 каналах
Get PRO
березень '25
+2 102
в 3 каналах
Get PRO
лютий '250
в 10 каналах
Get PRO
січень '250
в 5 каналах
Get PRO
грудень '24
+159
в 7 каналах
| Дата | Залучення підписників | Згадування | Канали | |
| 09 липня | 0 | |||
| 08 липня | +3 | |||
| 07 липня | +2 | |||
| 06 липня | +1 | |||
| 05 липня | +3 | |||
| 04 липня | +5 | |||
| 03 липня | +5 | |||
| 02 липня | +4 | |||
| 01 липня | +7 |
Дописи каналу
#кейсы #ML
ML System Design учит что начинать желательно с какого-н бейзлайна
Часто внедрение такого бейзлайна требует определенной наглости
Например, cамая простая стратегия ценообразования:
1. Поднимаешь цены всем клиенты (на дельту с небольшой окрестностью)
2. Возвращаешь нормальные тем кто жалуется / встал на лыжи
3. Обучаешь модель определения «нечувствительных к цене» (далекий предок эластичности — кривой-то у нас нет)
4. В дальнейшем повышаешь только им
А теперь наглость — как такой подход выглядит в отчете аудиторам:
Проблема: Ежедневный пересчет депозитных ставок по формуле (ETC - ФОР - АСВ - Opex - EVA) создает естественную волатильность, к которой клиенты уже адаптировались. Проведенный анализ клиентского поведения выявил сегмент, демонстрирующий низкую чувствительность к колебаниям процентных ставок. Для таких клиентов возможно применение пониженных ставок относительно рекомендованного казначейством уровня без риска оттока. При этом сохраняется возможность оперативной корректировки условий в случае изменения рыночной конъюнктуры. Данный подход позволяет оптимизировать стоимость фондирования, создавая дополнительный маржинальный доход, в то время как клиенты, для которых ставка остается ключевым фактором, продолжают получать конкурентные условия. Важно отметить, что подобная практика требует регулярного мониторинга клиентской реакции и своевременной адаптации параметров предложения. Задача: снизить эффективную ставку по привлечению не допустив оттока клиентов и просадок в ликвидности. Решение: На первом этапе был проведен эксперимент по сбору данных, в рамках которого выборочно предлагалась пониженная депозитная ставка для части клиентов. Это позволило сегментировать клиентскую базу на две группы: нечувствительных к изменению ставки (согласившихся на пониженные условия) и чувствительных (отказавшихся от предложения). На основе этих данных была построена Look-a-Like модель, которая выявляет клиентов с характеристиками, аналогичными нечувствительной группе. Для таких клиентов впоследствии применялась ставка ниже рекомендованной казначейством, что позволило оптимизировать стоимость привлечения ресурсов без потери клиентской базы. При этом сохранялся принцип прозрачности - клиенты заранее информировались о возможных колебаниях ставки, а сама модель регулярно пересматривалась с учетом новых данных о поведении клиентов. Такой подход создает баланс между доходностью для банка и приемлемыми условиями для лояльных клиентов, демонстрирующих низкую чувствительность к изменениям процентных ставок. Деньги: удалось стат. значимо снизить эффективную ставку привлечения на 0.02%На оборотах крупного банка за год — это сотни миллионов рублей
| 2 |  Давние читатели канала помнят, что когда-то в древние времена мы с Валерой написали книжку про ML design. Это было так давно, что люди тогда умели не только читать по диагонали, но еще иногда писать, а книги были значимым артефактом для упаковки знаний. С тех пор утекло немало воды, работу делают агенты, и книгам они предпочитают скиллы.
И вот мы с клодом наконец добрались перепаковать одно в другое: ML system design в форме скилла с набором рубрик для ревью. Устанавливается одной командой через skills.sh, умеет ревьювить дизайн-доки и ML проекты лучше агента из коробки и чесать нам эго ненавязчиво ссылаться на авторов как могучих авторитетов. | 978 |
| 3 |  Друг в соседнем чате глаза открыл на советские космические лазерные пистолеты, которыми вооружали космонавтов — до сих пор под впечатлением, думал только в фантастике такое | 1 688 |
| 4 | Кто-то уже понял как оно работает? Долго казалось что foundation model для табличек это оксюморон (по временным рядам про FM тоже был скепсис , хоть я и сам читал по ним лекции и пробовал в деле)
https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/ | 2 359 |
| 5 |  Отрицательный рост акций в 7 раз за пару лет | 2 568 |
| 6 |  #корпжиза
Как вам интервью ген директора Диасофта?
Каналья или нет? | 2 453 |
| 7 |  Банк N26 успешно отсыпал агентов в потные ручонки HR.
Такое вот письмо с заголовком "Head of Data Science - Generative AI Interview Follow-Up" пришло на днях товарищу | 2 739 |
| 8 |  #ML
Поймал тут за руку лида, который не знал как negative sampling связан с метриками — и при обучении огромного трансформера на даунстрим-задачах у него было "все хорошо".
Многие слышали что при огромном дисбалансе классов (event rate, например, в рекламе или антифроде вполне может быть 1 на миллион) roc_auc (или gini что почти то же самое: gini = 2*roc_auc - 1) становятся непоказательными. Но насколько?
Давайте проверим — сделаем вид что у нас уже есть откалиброванная модель и по ней уже получен бинарный предикт (чтобы не возиться со скорами и трешхолдами):
y_true= np.zeros(1_000_000, dtype=int)
y_pred = y_true.copy()
y_true[1:51] = 1
y_pred[1:20] = 1 # 19 из 50 мы угадали = TP
y_pred[99:120] = 1 # еще 21 пометили зазря = FP
А теперь давайте после после последнего, назначенного единичкой, элемента, добавлять нолики — которые модель верно определила ноликами. Что произойдет с метриками?
У нас в этом примере нет скоров — только бинарные ответы
Gini начнет расти до своего теоретического предела — recall.
Precision и recall не поменяются.
Вайбкод для картинки
А что произойдет с метриками если все же будет модель, которая будет выдавать скоры?
Тогда вместо одного трешхолда полезнее смотреть качество в верхнем сегменте: precision@k, recall@k, lift@k, где k выбирается как фиксированное число или как доля объектов.
Например, можно брать k = event_rate * n, то есть выбирать top-k объектов по скору
И вот тут ROC-AUC/Gini особенно легко вводят в заблуждение: они оценивают глобальное ранжирование всех positive-negative пар, а бизнесу часто важна только самая верхушка скоринга
Что делать чтобы меньше возиться?
Можно начать с площадью под кривой precision-recall | 2 643 |
| 9 | #субботние пет-проекты
https://pomoex-66.ru/
Парни навайбкодили для инвесторов в акции график индекс vs ВВП, терминал впечатляет | 2 378 |
| 10 |  Никогда раньше не видел вживую | 3 002 |
| 11 |  #кейсы #ML #корпжиза
Есть два типа ML-кейсов: в одних полностью автоматизируется принятие решений — например , выдача кредита, открытие расчетного счета, выявление дефектов и пр.
А в другом после работы моделей (а часто достаточно сложных систем из десятков моделей, эвристик и бизнес-правил) решение принимает все же человек — сотрудник или клиент — в целом не так важно.
Те, кто работает с рекомендациями и поиском отлично знают про разные biases — selection bias, position bias, popularity bias и прочее и прочее
Но есть еще один тип bias который не так популярен в публикациях на открытых датасетах — «уважаемый человек попросил». Самое близкое к этому по смыслу — промотируемые объявления / позиции (как раз надежда поэксплуатировать positional bias чтобы срубить еще денег) — все вы видели в публичных поисковиках или классифайдах на верхних позициях не самые релевантные, зато проплаченные объявления.
Сейчас расскажу как он возникает
Вызывает как-то шеф с задачей — давай сфокусируем продажников так чтобы продавали только те продукты, которые вот прям сейчас нужны клиентам и при этом принесут хорошую маржу. В постановке ничего удивительного — любой бизнесмен хочет чтобы и выручка и прибыль росли.
Как это реализовать?
Например, сделать в интерфейсе сотрудника окошко с самыми приоритетными задачами и объяснением почему они приоритетные и чего сам сотрудник с этого заработает.
А приоритетность уж модели определят.
Осталось только согласовать с HR схему мотивации и провести обучение.
Идея вроде на поверхности, но результат показал только четвертый A/B (зато сразу рост конверсии с 3% до 12% и среднего чека в полтора раза).
А почему?
Ну потому как опытный менеджер шеф показал сие чудо другим топам.
И каждый уважаемый Сан Саныч попросил чтобы его задачи (по продуктам его бизнес-вертикали) — не важно насколько его продукт хорош или подходит этому конкретному клиенту — тоже попали в это приоритетное чудо-окошко. Когда компании, занимающейся выловом сельди в Атлантическом океане предлагают застраховать всю ее ресурсную базу (то есть всю селедку в океане) — такие рекомендации доверие у сотрудников не повышают.
Только после трех (!) прощальных пилотов удалось убедить шефа что так мы денег не заработаем и промо надо отдельным окошком (и отдельной строкой в мотивации продажников).
Интерфейс получился достаточно красивый чтобы наш департамент получил американскую Gold Stewie Award (там кстати есть ссылка на ролик с самим приложением сотрудника)
Только вот тайминг подвел — над чем громко посмеялся аж Financial Times
PS
Нужен ваш совет и вовлеченность
Задаюсь вопросом почему в linkedin посты заходят гораздо хуже чем здесь.
Проведем пару экспериментов — буду писать там и оставлять здесь ссылку, буду благодарен реакциям и набросам в комментах.
Или лучше другая англоязычная площадка? Substack? Medium?
Цель — интересно поделать ML-кейсов на широком рынке — обогатиться знаниями о повадках каналий в других странах (хотя несколько кейсов — Англии и Канады как минимум — в канале уже есть) | 2 747 |
| 12 |  брендированная панамка для х для реакций)
а вообще вся эта история мне напомнила один кейс | 1 397 |
| 13 |  Тут ребята собрали подборку каналов про AI и IT — и мне она, честно, зашла.
Говорят, что прогоняли это всё через Claude: чистили каналы-пустышки, которые просто перепечатывают одни и те же новости, и оставляли авторов, у которых есть прикладной опыт — внедрение ИИ, автоматизация, вайб-кодинг, нейрогенерация и вот это всё.
Сама подборка выглядит весьма полезной. Тем паче туда включили и мой канал, что приятно 😇
В любом случае рекомендую посмотреть и подписаться на тех, кто вам ближе по темам. Думаю, каждый найдёт что-то полезное.
Подписка в 1 клик
https://t.me/addlist/wjXN1mA-D21jODIy | 1 491 |
| 14 |  #ML
Как и 60 лет назад, нейронки начали часто сравнивать с мозгом, а у мозга есть психологи (хотя и у нейронов уже появляются исследователи настроений). И как и в любой другой области знаний, у психологов есть свой собственный глоссарий, и я решил составить первый словарь по переводу с психологического на язык MLE.
Меня осенило когда читал статью Kahneman-Tversky Optimisation — это же идея обесценивание в чистом виде)
Итак, первый в мире словарь Psychologist — Machine Learning Engineer:
Выборочное внимание (selective attention) — Attention // комментарии излишни, эту статью знают все
Выгорание — Vanishing Gradients // градиент ещё где-то есть, но до полезного обновления уже не доходит
Газлайтинг — Label Corruption Attack // истинные метки подменены, модель больше не доверяет собственному датасету
Гиперконтроль — Hard Attention // фокус в точку
Границы личности — Constrained Attention // у каждого входа есть предел влияния на твой hidden state
Диссоциация — Stop-Gradient Operation // событие вроде обрабатывается, но связь с чувством “это происходит со мной” разорвана
Защитная реакция — Robustness Patch Under Distribution Shift // не исправляет внутреннюю модель, но помогает не развалиться на новых входах
Избегание — Early Stopping // обучение прекращается ровно перед тем батчем, где могло стать полезно, но неприятно
Катастрофизация — Worst-Case Data Augmentation // из каждого обычного примера генерируем самый страшный out-of-distribution сценарий
Накопленная обида — Gradient Accumulation // градиенты копятся несколько шагов, а параметры не обновляются
Навязчивые мысли — Neural Text Degeneration // модель застревает в повторяющихся нежелательных продолжениях
Низкая самооценка (почти то же что и Синдром самозванца) — In-Distribution Underconfidence // даже на знакомых примерах модель отвечает “вероятно, я ошибаюсь”
Обесценивание — Kahneman-Tversky Optimisation // минимум наград за успехи, максимум штрафов за ошибки
Отрицание — Missing Data Imputation // значения нет, но система подставляет приемлемую замену и продолжает как ни в чём не бывало
Пассивная агрессия — Low-Rank Hostility Adapter // базовая модель вежливая, но маленькая LoRA добавляет токсичный стиль
Перфекционизм — Overfitting // модель не готова к деплою, пока loss не станет метафизически равен нулю
Потребность в одобрении — RLHF // модель учится через внешнюю человеческую оценку того, “хороший” ли был ответ
Прокрастинация — Learning Rate Warmup // Начнем с раскачки
Проекция — Transfer Learning (negative transfer) // модель переносит старое представление на новый домен, хотя там оно уже искажает реальность
Психологическая устойчивость — Robust Generalization Under Distribution Shift // мир вокруг меняется
Рационализация — Post-hoc Explainability // сначала модель выдала странный ответ, потом уверенно объяснила, что так и было задумано
Ревность — Triplet Loss // держи чужого подальше от семьи)
Руминация — Repetition Loops in Neural Text Generation // модель застревает в повторяющемся цикле и снова генерирует то же самое содержание
Самокритика — есть Self-critical Sequence Training и еще Adversarial Self-Supervised Contrastive Learning // Модель сравнивает сэмплированный ответ со своим же baseline-выводом
Самосаботаж — Reward Hacking // агент нашёл reward, но выбрал действие, которое ломает собственную функцию полезности
Созависимость — Co-adaptation // один feature detector становится полезным только в присутствии других и теряет самостоятельность
Травматический опыт — Outlier-weighed Layerwise Sampling for LLM Fine-tuning // один пример получил слишком большой вес и теперь портит всю функцию потерь
Тревожность — Noise Memorization // Система начинает видеть значимый сигнал в шуме и переобучается на случайные паттерны
Эмоциональное подавление — Gradient Clipping // слишком сильные эмоции обрезаются до допустимой нормы
Эмоциональные качели — Training Instability // обучение нестабильно: сигнал то исчезает, то взрывается.
Продолжение следует | 10 183 |
| 15 |  #ML
Обожаю кликбейт в рисече:
Superintelligent Retrieval Agent: The Next Frontier of Agentic Retrieval
Источник
Настолько super-прорыв что авторам прямо в аннотации приходится оправдываться что это не обычный query expansion а немного докрученный:
SIRA does not merely ask what terms are relevant to the query; it asks which terms are
likely to separate the desired evidence from corpus-level confusers. On the corpus side, an LLM enriches each document offline with missing search vocabulary; on the query side, it predicts evidence vocabulary omitted by the query; and corpus statistics are used as tool calls to filter proposed terms that are absent, overly common, or unlikely to create retrieval margin. The final retrieval step is a single weighted BM25 call combining the original query with the validated expansion.
А мб и правда надо быть максимально нескромным чтобы заметили ? 🤔 | 2 957 |
| 16 |  #southhub
Сегодня пил кофе с HR, они все спрашивали как сделать так чтобы данные опросов можно было использовать для аналитики. А я им на примере кликов и лонгкликов в рекламе объяснял логику выбора прокси-событий и и разницу между Вилларибо (опрашивали) и Виллабаджо (измеряли).
Если ту же логику применить к конференциям, то вместо опросов и отзывов можно посмотреть на факт: добраться до (и тем паче выбраться из) Сочи — это лютый кошмар. Тем не менее, сотни С-levels приехали на SouthHub — никто не жаловался, не отступил, не ныл — а ведь некоторые с детьми и потратили на дорогу в одну сторону больше суток.
Поэтому абсолютно ожидаемо что на самой конфе я встретил открытых и дружелюбных людей со всей страны, у которых (что большая редкость для конференций) действительно позиция совпадала с опытом и знаниями настолько что хотелось слушать не отрываясь (искренне прошу прощения тех кого по три часа не отпускал задавая миллионы вопросов - но было дико интересно).
Отдельное спасибо VK за рыбалку на херабуну, Авито за полосатика, X5 за бомбовые коктейли, Альфе за глинтвейн когда я замерзал, Магниту за бургеры в 12 ночи, и само собой МТС и оргам конфы — за все) Невероятно душевно, не знал что так бывает в таком масштабе и с такой концентрацией корпоратов) | 3 181 |
| 17 |  Давно тут рыбы не было. Как связаны VK и золотая форель? | 3 346 |
| 18 |  Необычная реклама сегожня попалась, однако мысли писать докторскую точно не было, хотя один коллега на SH признался что он доктор.
Ну и какой же у докторанта научный руководитель? Научный консультант скорее 🤔 | 3 286 |
| 19 | 🕒 Синдром «Серебряной пули»
История про «эффективного менеджера» направления CVM (customer value management)
Задача ребят — продавать доп. услуги клиентам и повышать конверсию.
Вводные от заказчика прекрасны:
«Мы тут ходили к другой команде, они нам собрали фичу — "лучшее время отправки SMS". Мы полгода крутили пилот, получили нулевой результат. Хотим, чтобы вы сделали то же самое, но лучше».
Начинаем копать от бизнес-задачи. Выясняется: конверсия низкая. Почему? Ну, логично же: мы просто отправляем SMS не в то время! 🤡
Дальше — диалог, достойный войти в учебники по «продукт-менеджменту»:
— Вы же уже проверили гипотезу на пилоте, результат нулевой. Зачем развивать безнадежную идею?
— Мы в это верим.
— Мы работали со многими крупными компаниями, решали эту задачу. Вы первые, кто просит именно эту фичу.
— Мы переиграем рынок.
— Ок, если я получу ваш пуш в 10:00 вместо 12:00, реально есть вера, что конверсия взлетит?
— Разве это не очевидно?
Тут мы немного выпали в осадок, но решили узнать, как устроена сегментация и выборка клиентов.
— А как вы понимаете, кому слать? Есть функция ранжирования (uplift-модели, скоринг)?
— Не понял вопрос.
— Ну как вы понимаете, кто сконвертится лучше или хуже?
— А-а-а, никак. Просто случайно выбираем из сегмента. Они же ВСЕ заинтересованы в продукте!
— То есть ваш сегмент — это просто жесткие бизнес-правила (условия типа ЕСЛИ/ИЛИ)?
— Если упрощенно, то да. Мы строим гипотезы и тестируем их через А/Б!
То есть ребята делают А/Б тест на абсолютно случайной выборке внутри кастомного сегмента, не умеют в предсказание оттока/конверсии, но верят в тайминг.
Пытаемся нащупать омниканальность. У них есть SMS, пуши и звонки.
— А не пробовали выстроить каскадную стратегию? Например: сначала SMS, через день — звонок?
— Ну и чем это кончится?
— Оптимизацией стратегии...
*(Повисла неловкая пауза)*
— У нас либо звонки, либо SMS! ❌
Итог: Мы рассказали, как строим нормальный ML-пайплайн для CVM у других заказчиков (с моделированием, склонностью к покупке и оптимизацией стратегии). Продукту не зашло. Ведь у нас нет самого главного — алгоритма, который высчитывает идеальную секунду для отправки SMS человеку, которому это предложение вообще не всралось.
Как называется эта болезнь?
В медицине не знаем, но в ИТ это «карго-культ фичи». Когда команда игнорирует базовую математику, отсутствие нормальной сегментации и кривую коммуникацию, но свято верит, что одна «модная» фича переиграет рынок.
Сталкивались с такими «верующими» заказчиками? Какую самую дикую фичу у вас просили завернуть в ML? 👇 | 2 670 |
| 20 | Влад поделился историей в духе канала , не могу пройти мимо ) | 2 513 |
