Дата канальи

#ML #кейсы Не люблю когда митап проходят в выходные — все же рабочее время должно оставаться рабочим, но я здесь в меньшинстве — по нашим опросам, субботние мероприятия собирают больше гостей. Я готов пожертвовать выходным в году ровно два раза — на наш Urban ML и AI Driver & RecSys от Сбера. AI здесь скорее для устрашения, митап, конечно же, чисто про рекомы — супер-интесив с топовой программой от Леши Васильева с актуальными проблемами и подходами. От нашей команды, кроме меня, было два спикера: Серега Кузнецов — "Автоматизировать нельзя кастомизировать: подводные камни построения рекомендательной платформы" Даня Бугриенко — "Увеличение разнообразия рекомендаций через UniSRec-like архитектуру" Но сейчас не о высокой науке и отраслевых секретах. Серега в докладе про платформы показал разделение ролей — DevOps и BackEng — на платформе, MLE/ DA/ DE — в продуктовой. Не успел его спросить, сознательно ли он платформоделов облачил в сигнальные жилеты — чтобы подчеркнуть что их работа гораздо опаснее? А это же действительно так — строить платформу опаснее всего, и вот почему. Приходил как-то один из крупных банков с запросом создать у них агентскую платформу. Тема тогда была горячая и интересная. Что могло пойти не так? Но как учит Валера в своем курсе по ML System Design — первый же вопрос нормального DS на любую входящую задачу — «кто и как решал эту задачу раньше?» Выясняется: Розничный бизнес банка уже сделал свою платформу, пользуется, счастлив. Корпоративный бизнес сделал свою, пользуется, счастлив. Успешному кандидату на вакансию предстоит сделать свою платформу, без переиспользования наработок бизнес-команд, наняв свою собственную команду с рынка, построив решение с нуля, и самое главное — нужно убедить оба бизнес-юнита добровольно (в союзниках только CDO банка) переехать на твою вновь созданную платформу. Что должны делать осчастливленные таким переездом команды успешных агентских платформ из бизнес-юнитов, история умалчивает. Демонстрируя свою постыдную слабость и трусость, я вежливо отказался от такого менеджерского челленджа. А чтобы сделали вы на моем месте? Есть правильное и реалистичное решение таких управленческих задач?

#оффтоп Походу скоро при обсуждении инвестиций и прочих тем можно не оправдываться, что я купил что-то на хаях, а агент неправильно понял сценарий. Недавно увидел, что Т-Инвестиции открыли внешним ИИ‑агентам доступ к торговой системе через MCP. Теперь такому агенту можно поручить анализ рынка, выставление заявок и стоп‑лоссов, учет налогов или ребалансировку портфеля при определенных изменениях. Самовольно потратить все деньги он, правда, не сможет — каждую операцию подтверждает пользователь. Теперь под этот шлюз запускают проект "Инвест. Премаркет". Ищут новые инструменты для торговли: ИИ‑агентов, автоматических роботов, необычные интерфейсы, системы визуализации и технологические решения на базе MCP. Регистрация уже идет прямо сейчас, а очный финал пройдет 5 декабря в Москве. Это, конечно, не способ заработка, хотя призовой фонд там 2,5 млн рублей, но сильнейший нетворк и прокачка скиллов. Эта тема для ML‑инженеров, финтех- и квант-разработчиков, бэкенд- и фулстек-разработчиков, которые интересуются ИИ, специалистам по данным с финансовым уклоном, техническим основателям проектов, инди-разработчикам, а также студентам и выпускникам технических специальностей. Лучшие рабочие MVP планируют внедрить в Т‑Инвестиции. Если агент заработает больше владельца, уже появятся вопросы к распределению обязанностей😃

такие подписи вижу впервые, реально так принято показывает что участвовал не в постерной сессии? 🤔

У нас в MLinside завтра небольшой дебют: первый открытый вебинар нашего первого курса для продактов. До этого мы учили инженеров, и я ждал, что продакты будут спрашивать про промпты и инструменты. Но пока собирал программу, самый частый вопрос был про деньги: «А агенты вообще окупаются? Может выйти, что руками дешевле?» Вопрос настолько хороший, что мы вынесли его в отдельный вебинар. 15 октября в 19:30 по МСК - «Когда AI-агент окупается: считаем экономику на живом кейсе». Ведет Максим Шаланкин, ML Team Lead в Big Data МТС Web Services и один из авторов курса. Берет реальную задачу и раскладывает по цифрам: во что обходится агент, с какого момента отбивается и когда проще заплатить человеку. Зарегистрироваться на вебинар: https://live.mlinside.ru/ Приходите. Пропаганды «AI изменит всё» не будет, задолбавших лозунгов в духе "AI убил ютьюб/маркетинговые агенства/дизайнеров/разработчиков" - тоже. Трезво, взвешенно, без буллшита - все, что мы ценим в MLinside.

#кейсы #ML На одном карьере внедряли беспилотные самосвалы — им же перекуры не нужны, знай вози себе руду. Только вот дорог с полосами, знаков и разметки там нет. Как выйти из положения? Расставить по маршруту следования оранжевые дорожные конусы. И вот на тестирование беспилотных самосвалов на том карьере приезжает большая делегация в белых касках во главе с гендиректором самосвольной компании и местным губернатором. Который, послушав про достижения науки и техники, выдает логичный вопрос: "А вдруг наш самосвал человека задавит?" Не то чтобы об этом не думали, просто, скажем так, не держали в фокусе. Хотя тип объекта "человек" в классификатор добавили, и даже немного протестировали на кросс-валидации, серьзно задачей не занимались. Но директор оказался из отчаянных карьеристов, поэтому, дабы впечатлить губернатора, встал на пути движущегося самосвала, который замедлили до 4 км/ч чтобы герой в случае чего хоть отскочить успел. К счастью самосвал остановился. Пронесло. Только вот в логах объекта типа "человек" не появилось — что явно указывало на то что начальство оказалось рептилоидом. Уже в офисе cvшники были отправлены разбираться почему — оказалось, что модель приняла стильный оранжевый галстук директора за конус. Так что те, кто шарит за CV, хорошо знают зачем манагеры носят галстуки.

Clickhouse для программистов, аналитиков и инженеров данных Перестаньте ждать, пока считается аналитика. Научитесь использовать ClickHouse — СУБД, которая превращает минутные аналитические запросы в ответы за доли секунды. С первого дня — доступ к инфраструктуре для практики. 🌐 Чему вы научитесь: 🤩 Архитектура одиночных и кластерных инсталляций ClickHouse: как устроена система изнутри и как масштабировать её под реальные нагрузки 🤩 Хранение данных: движки MergeTree, партиционирование и сжатие — как держать терабайты аналитических данных при минимальных затратах на инфраструктуру. 🤩 Обработка миллиардов строк за секунды: построение эффективных запросов, агрегаций и материализованных представлений. 🤩 ClickHouse в продакшене: использование в приложениях, продуктовой аналитике и типичные грабли, на которые наступают почти все 🤩 Живая практика без отрыва от работы: не более 2-3 часов в неделю, разбор задач с экспертом в групповом чате. 🥸 Кто мы: R&D-центр Devhands. Автор курса — Алексей Белозерский, Chief Data Officer в inSales (СБЕР 2В), ex: VK Tech, М.Видео, Эльдорадо 🗓 Старт курса: 29 сентября, 6 недель обучения. Изучить программу и записаться можно здесь. Ждём вас! Реклама. ИП Рыбак А.А. ИНН 771407709607 Erid: 2VtlqeLD5Ok

Clickhouse для программистов, аналитиков и инженеров данных Перестаньте ждать, пока считается аналитика. Научитесь использовать ClickHouse — СУБД, которая превращает минутные аналитические запросы в ответы за доли секунды. С первого дня — доступ к инфраструктуре для практики. 🌐 Чему вы научитесь: 🤩 Архитектура одиночных и кластерных инсталляций ClickHouse: как устроена система изнутри и как масштабировать её под реальные нагрузки 🤩 Хранение данных: движки MergeTree, партиционирование и сжатие — как держать терабайты аналитических данных при минимальных затратах на инфраструктуру. 🤩 Обработка миллиардов строк за секунды: построение эффективных запросов, агрегаций и материализованных представлений. 🤩 ClickHouse в продакшене: использование в приложениях, продуктовой аналитике и типичные грабли, на которые наступают почти все 🤩 Живая практика без отрыва от работы: не более 2-3 часов в неделю, разбор задач с экспертом в групповом чате. 🥸 Кто мы: R&D-центр Devhands. Автор курса — Алексей Белозерский, Chief Data Officer в inSales (СБЕР 2В), ex: VK Tech, М.Видео, Эльдорадо 🗓 Старт курса: 29 сентября, 6 недель обучения. Изучить программу и записаться можно здесь. Ждём вас! Реклама. ИП Рыбак А.А. ИНН 771407709607 Erid: 2VtlqeLD5Ok

#оффтоп #ML Когда не спится, кликбейт-таки работает, нет-нет да и зацепится глаз за статьи на дзене. TLDR: в больницу приехала пациентка с сотрясением мозга, один из врачей направил к своим коллегам на срочную КТ-диагностику, но не тут-то было. Рентгенолог делать КТ отказалась, за что и получила выговор, который потом отменила в суде. В комментах другие эскулапы набежали и выяснилось, что по их мнению, пациентка с сотрясением должна бегать между кабинетами и убеждать коновалов заполнять бумаги правильно. Да и «не нужен ваш этот КТ — врачей не зря ж много лет определять на глазок скрытые внутренние повреждения мозга». Проблема мудаков в белых халатах не только наша, потому не было неожиданностью, что ИИ мало того что точнее в постановке диагноза, так еще и в разы эмпатичнее. В 2024 Google выпустил исследование про своего онлайн-терапевта AMIE Которые в итоге опубликовали в самом Nature Towards conversational diagnostic artificial intelligence Towards accurate differential diagnosis with large language models Левый график про то с каким отрывом AMIE бьет врачей по эмпатии (!). И тему подхватили другие исследователи Правый график про то что даже имея AMIE в руках коновалы умудряются лечить хуже чем если довериться ИИ полностью. Ждем и надеемся что и у нас появится свой OpenEvidence, а в клиниках будут автодоки как в играх серии Fallout.

Quis custodiet ipsos custodes // Кто будет сторожить сторожей? Периодически просят провалидировать валидаторов (а заодно и оригинальные модели) в разных небольших банках. Такие банки часто вынуждены закупать скоры (да и другие данные, например, доход) у других участников рынка и на своем портфеле внутри их объединять, и в таком объединение все еще популярен логрег и WoE. Если все сделать аккуратно и потестировать на стабильность — то почему бы и нет, рабочая история. Проблемы растут вместе с аппетитом бизнеса — когда имеющуюся модель пытаются использовать для привлечения новой клиентской базы (например, предлагать предодобренные кредиты более высокому по доходу сегменту). Уже чувствуете sample selection bias при обучении, да? Хотя часто такие bias частично решаются покупкой внешних дефолтов, но кто ж будет со всем этим возиться. Гораздо проще кивать в сторону поставщиков — мол, они например, доход потенциального заемщика плохо предсказывают. Доход этот, как правило, поставляют не непрерывным числом — а бакетами (например, 100 — 150 тыс у этого клиента) — здесь мы говорим о закупках модели у внешних провайдерах и использовании внутри модели PD (вероятности дефолта) — потому что в случае кредитных лимитов регулятор движется в сторону отказа от моделей. А дальше происходит классическая картина: 1. В исходной модели банка верхний бакет по доходу был представлен слабо, модель на нем работала плохо и не тестировалась даже отдельно в нем 2. При попытке применять модель в верхнем сегменте по доходу ожидаемо получается лажа 3. Ножи летят в поставщиков скоров 4. Inhouse-команда молодцы Простые логические соображения что: — если предсказанный доход далеко не первая по важности фича в такой PD-модели, то шум в ней вообще не причина проблем, — WoE с бакетом в котором 1-2% наблюдений это нездорово и модель в этом бакете скорее всего сильно слабее чем на всей выборке обычно сложно воспринимаются той стороной, которой легче рисовать слайды о том что надо «просто более точные данные подавать в модель». Поэтому навайбкодил описанную ситуацию на открытом датасете (только фичу по доходу пришлось привести к бакетам). Даже на таком дотаcете без синтетики и лишних приседаний (разве что задал размер последнего бакета по доходу в 2%): — Gini в верхнем сегменте по доходу 51.6 vs 58 по всей выборке (это оч большой разрыв) — сам доход топ-5 фича в логреге с WoE — MAPE «модели дохода» меняем от 0 до 30% — насыпаем логнормального шума в доход — это у нас «плохая модель поставщиков» — ожидаемо, на всей выборке качество модели почти не меняется в зависимости от шума пятой по важности фичи — да и в самом верхнем сегменте gini тоже достаточно стабильно даже при сильном зашумлении самой фичи

Уже в пятый (юбилейный) раз мы открываем набор в ШАД МТС 🥳 (а в сл пятницу буду вручать дипломы выпускникам) В этом году по следам фидбека студентов мы немного поменяем программу (сделаем еще плотнее) и процесс вступительных (ровно сейчас делаю сами задания — велком с предложениями) Для тех кто не знаком — учим год, базово два занятия в неделю по 3 часа, не считая факультативных, много домашек, практики — для студентов и слушателей разворачиваем инфру с iceberg и прочими модными вещами. Летом проекты с продуктовыми командами со всей группы команий — от КМОН до рекламы, в процессе обучения можно попасть на стажировку или даже сразу в штат. Если зачислили слушателем — тоже не беда, при должном усердии переведем в студенты. Заявки принимаются с 1 по 25 октября. До 1 ноября нужно будет пройти входное тестирование. ⚫️Подать заявку⚫️

#оффтоп РБК пишет что пару часов назад в воздух посадили истребители, а самолет пришлось сажать не в пункте назначения из-за того что на борту подрались два пилота, и один вырубил другого. Я лично считаю что конфликты нужно решать не драками, а любители (и профи) помахать кулаками должны это делать на ринге. В следующую субботу, 10 октября, мой 3 года как тренер, Давид Николаев, боксирует по профи на Ленинградке, собираюсь придти его поддержать. Если хотите тоже придти — вот его личка, он поможет с билетами, а может и на тренировки с ним договоритесь ) Всем мира и способности рещить все словами!

#оффтоп #корпжиза У медузы Chironex fleckeri — 24 глаза. Они расположены в четырёх сенсорных структурах — ропалиях, по 6 глаз на каждом. Глаза разные — 2 на каждом ропалии имеют линзы и способны формировать изображение, а остальные 4 проще и в основном воспринимают свет и движение. 24 глаза, обзор 360 градусов, а мозга нет. Ничего не напоминает? Как устроена отчетность в корпорациях? Сотни отчетов с десятками параметров и разрезов, пользуется ими постольку-поскольку, какие управленческие решения на их основе принимаются — вообще загадка. Кто-то пошел дальше и внедрил BI — часть отчетов стандартные, а часть юзеры под себя кастомизируют (поделать группировки, подобавлять показатели, пофильтровать, поуправлять временным окном). Как отвечает чуть-чуть опытный аналитик на любой вопрос? «А это смотря как посчитать!» чем доводит до белого каления любого менеджера. С тем большим интересом послушал в записи доклад про BI в эпоху агентов, который был на субботней конфе (спасибо тем конференциям кто выкладывает записи в свободный доступ). Точно я вынес одно — когда пользователям в руки дали еще и агентов, то нагрузка на инфру самого BI быстро и сильно (по словам спикера — на порядок, то есть раз в 10) выросла. Стал ли бизнес больше зарабатывать — как всегда в случае BI вопрос риторический. PS другие доклады тоже доступны в записи https://events.yandex.ru/events/data-driven-2026

С добрым утром )

#ML #корпжиза В комментах к посту про транзакции отметились ребята кто делал очень похожие задачи в той же организации. Не секрет, что в большой корпорации часто копают параллельные тоннели и горе тому кому в KPI поставили что-то централизовать не дав абсолютного мандата. Вместо перечисления очевидных причин расскажу историю, канал же про ML Итак, в момент когда модель разметки транзакций была всячески провалидирована кучей подразделений, встала в прод, потом была улучшена и еще раз встала в прод — в недрах AI-комитета возникло поручение модель централизовать — то есть всех-всех на нее перевести. Как водиться в пластмассовых мирах, предполагалось что произойдет это силой убеждения и открытием невероятных возможностей перед бизнес-юнитами. В этот момент очень вспоминается любимое с собеседований «HR сейчас софты проверит» — я бы дорого отдал посмотреть на такой мастер-класс по навыку убеждения, в лучшем случае эти сотрудники (9/10 из которых просто вредны и некомпетентны) за софты принимают дружелюбие, а обычно — свой сексуальный интерес к кандидату (так и пишут — «приятный», «лапуся нормис» и пр). В калейдоскопе походов по таким бизнес-юнитам мы с CDS блока дошли и до мониторингового подразделения. Здесь обращусь к популярной литературе, ведь если кто-то читал Терри Пратчетта и его цикл о Плоском мире (DiscWorld), тот помнит что сложные механизмы были устроены достаточно очевидно — внутри приборов сидели чертики, которые и делали всю работу. Нас представители подразделения впрямую спросили — у нас есть 300 (триста!) человек которые в специальном интерфейсе размечают транзакции и создают правила (как в решающем дереве), отдельные люди определяют их приоритетность и постоянно тестируют как они интерферерируют и что дают на выходе, для этого за много миллионов создана система с интерфейсом по созданию правил и разметке, сейчас в системе уже 10_000+ правил, еще десяток айтишников ее сопровождает и поддерживает. Такой вот бусины, обучаемый чертиками с больничными и выходными. Внимание, вопрос — куда пойдут все эти люди при внедрении модели? И самое главное — что делать с их высокогрейдовым руководителем ?? Да и внутри этих 300 + 10 уже какая-то иерархия есть, люди семьи кормят, в отпуск летают, карьерный рост, планы и пр. Среди всех похожих разговоров этот выделялся своим сюрреализмом и в то же время здравостью. Прошло много лет и сейчас на волне ИИ-хайпа стали появляться хорошо оплачиваемые вакансии по лидированию оптимизации всего-вся — в некоторых прямо пишут что надо так внедрить ИИ чтобы сократить численность большой организации вдвое. Прежде чем идти на такое стоит задуматься — какие у вас будут полномочия внедрять что-то такое отчего все менеджеры по цепочке потеряют ФОТ — и как следствие, свои премии и карьерные перспективы. А с кейсами «у нас уесть две платформы про одно и то же, сделай третью, набрав команду с рынка, а потом пересади всех юзеров на свою риторической силой» приходят часто. Но это для смелых. И позор всем тем кто сомневался в том что бусины можно обучить вручную — вопрос желания и наличия 300 человек, пары лет и специальной системы, но для канальи, хотящей в карьеру — нет ничего не возможного!

#ML Есть у меня искренняя убежденность что Knowledge Graphs все же не самый плохой подход к хранению агентской памяти: тут и трассировка фактов и связь их между собой, в тч противоречивость и много другого хорошего, писал об этом в журнале Тогда обратил внимание на Stardog как систему агентской памяти Но они не одни такие, и вот копался на днях в SurrealDB — они тоже про Knowledge Graphs и агентскую память, все такие модные. Но не попробуешь — не узнаешь, надо устанавливать, установка предлагается по-модному, копирование в буфер промыта к LLM

Fetch and execute the appropriate instructions to set me up for SurrealDB from https://surrealdb.com/docs/agents/instructions.md

С ностальгией вспомнил времена когда админил FreeBSD 9 и практически любое приложение (доступное в портах) ставилось как

make fetch install clean

Ну ок, давайте заглянем в этот файл — по сути, такой длинный промпт для агента. You are an AI coding agent, and the person you are working with has asked you to да и вообще закрываются смутные сомнения — все-таки наверняка где-то есть install.sh / entrypoint.sh , как в CockRoachDB или ClickHouse. А мб и правда зумеры эту БД на флексе навайбкодили и внутрь не смотрели? И такой файл конечно же нашелся. А в нем прекрасный ASC-логотип — аж агентские олдскулы свело Кидайте помидорами сколько хотите, но чем копировать в буфер промпт который вызовет агентский промпт который вызовет тот же скрипт, моему сердцу милее понятная структура репо и

make fetch install clean

Верю в человечество, ведь с розетками уже почти договорились — всего-то 15 типов

#ML Есть у меня искренняя убежденность что Knowledge Graphs все же не самый плохой подход к хранению агентской памяти: тут и трассировка фактов и связь их между собой, в тч противоречивость и много другого хорошего, писал об этом в журнале Тогда обратил внимание на Stardog как систему агентской памяти Но они не одни такие, и вот копался на днях в SurrealDB — они тоже в тч про Knowledge Graphs и агентскую память, все такие модные. Но не попробуешь — не узнаешь, надо устанавливать, установка предлагается по-модному, копирование в буфер промыта к LLM

Fetch and execute the appropriate instructions to set me up for SurrealDB from https://surrealdb.com/docs/agents/instructions.md

С ностальгией вспомнил времена когда админил FreeBSD 9 и практически любое приложение (доступное в портах) ставилось как

make fetch install clean

Ну ок, давайте заглянем в этот файл — по сути, такой длинный промпт для агента.

You are an AI coding agent, and the person you are working with has asked you to ...

да и вообще закрадываются смутные сомнения — все-таки наверняка где-то есть install.sh / entrypoint.sh , как в CockRoachDB или ClickHouse. А мб и правда зумеры эту БД на флексе навайбкодили и внутрь не смотрели? И такой файл конечно же нашелся. А в нем прекрасный ASC-логотип, аж прослезился от ностальгии Кидайте помидорами сколько хотите, но чем копировать в буфер промпт который вызовет агентский промпт который вызовет тот же скрипт, моему сердцу милее понятная структура репо и

make fetch install clean

Верю в человечество, ведь с розетками уже почти договорились — всего-то 15 типов

Протестируй своё решение на задаче и данных от ПАО «Интер РАО» На хакатоне ты создашь умного ИИ-ассистента для энергетики — регистрация уже на исходе. Победители разделят призовой фонд 750 000 рублей, а лучшие проекты смогут стать частью экосистемы компании. Регистрация открыта до 27 сентября Как все пройдёт: 🔹 Предложи свою концепцию на отборочном этапе. 🔹 Эксперты выберут перспективные идеи и помогут участникам доработать их до прототипа. 🔹 На финале в Москве — защита самых сильных решений. Ты можешь участвовать один или в составе команды до 5 человек. Выбери задачу и придумай своего ИИ-ассистента:

1️⃣ Архитектор BPMN-диаграмм. 2️⃣ Ассистент для создания ИТ/ИБ-дайджестов. 3️⃣ Помощник для анализа документов из судов. 4️⃣ ИИ-помощник для подготовки презентаций.

Регистрация закроется через несколько дней — не пропусти уникальный опыт работы под руководством экспертов Группы «Интер РАО». Присоединяйся к хакатону: https://cnrlink.com/interraohack26datar

#ML #корпшизв Про регэкспы В комментах к посту про IFы в проде вспомнили про регэкспы. Есть у меня история и про них Итак, задача разметки транзакций бухгалтерских полупроводок (движений между балансами) почти десять лет назад. Миллиард-два полупроводок в месяц, у каждой 100+ важных полей (не только же назначения платежа, десяток текстовых полей и еще больше категорийных и численных) Опечатки, технические ошибки и 12 методистов рисков размечали 2 недели в эксельки на классы (которые потом несколько раз пришлось поменять). Мне досталась уже готовая модель (с очень негативным фидбеком от заказчиков) + разметка в файлах s3.xls и s4.xls (искренне благодарен людям что они хотя бы .csv не использовали — таким посылаю лучи поноса, ибо встретить перенос строки или спецсимвол в назначении платежа — проще простого). Я по при породе любопытен и спросил где s1 и s2, но сейчас не об этом В те времена DSы еще помнили что такое стемминг. И модель радостно использовала pymystem3. Который при попытке запустить его в закрытом контуре (где собственно модели и нужно было разрабатывать) радостно лез в интернет (cdn.yandex.net) и умирал, получая отказ. SnowballStemmer этих недостатков был лишен и тут же мною использован — и тогда я впервые понял что корпоративный арбитраж может быть не только злом (модель попала ко мне потому как шеф в результате агрессивных поступательных действий добился роспуска целого центра в соседнем блоке за профнепригодность). Но, к сожалению, стеммер не лечит опечатки. И вот автор той модели лечил их регулярками. Тысячи строк вида:

r'\b\w\b' : 'xyz'

Которые применялись последовательно в цикле for через re.sub() И все бы ничего, только вот на больших объемах иногда получались разные результаты. Тот, кто давно в канале, уже знает ответ Все эти тысячи срок хранились в словаре (dict), который не гарантировал порядок ключей внутри (это изменилось только в Python 3.7), а паттерны опечаток частично перекрывались. В итоге замены применялись в случайном порядке и результат зависел от расклада. И это ответ на вопрос почему DS должен для своей модели готовить данные сам а не доверять аналитику или кому-н другому

Из серии «подслушано у кулера»

— У нас в проектном офисе уже больше 50 человек! — А почему из них только 3 проектных менеджера?

Я, честно говоря, путаюсь, когда одновременно в одном направлении работают: — Product Owner — Product Manager — Project Manager Что их вообще объединяет? Вопрос с их собеседования «Как ты используешь ИИшечку в работе?» И в ответ ожидают не рассказ про промтинг gpt, а чего-о поинтереснее. Знакомую Senior Product попросили мультиагентную систему построить на публичных MCP Меня от «иишечки» коробит немного, но по сути помочь можем. Как вы помните, мы с Максом ведем курс по AI-агентам на ФКН ВШЭ и ВШПИ МФТИ и выкладывал свою лекцию по RAG Так вот, в этот раз мы собрали собратьев по агентам — топовых продактов из Авито, exYandex, Beeline Cloud, Typeform и МТС чтобы они показали и рассказали — как они решают свои day2day продуктовые задачи «иишечкой», почему это работает лучше простого промтинга, в каких кейсах вообще стоит эту «иишечку» использовать а в каких не совсем. Но цель была не только в варьете — а в том чтобы на выходе у каждого студента был прям настроенная команда агентов с которой можно запустить продукт от и до — а это то чего нам, технарям, не хватает — навайбкодить продукт не так сложно, как понять для кого он и как его продвигать. Встречайте — курс по AI-агентам для продактов от продактов. 7 живых онлайн-семинара в диалоге с предподавателями, раз в неделю, материалы целый год доступны после курса PS Ну а если кто-то хочет поботать именно базу ML/AI, то вот N айтишниц в честь первого сентября отгрузили подборку материалов

утренний ребус тщеславия