Forwarded from GoPractice!
Встречайте «Симулятор управления ML/AI-проектами»
Долгое время основные вызовы в применении ML-технологий лежали в инженерной и научной плоскостях.
Развитие технологий привело к тому, что сейчас эти вызовы стремительно смещаются в плоскость продуктовую.
Все чаще вопрос оказывается не в том, как что-то реализовать, а в том, где есть возможности для применения ML-технологий: создадут ли они ценность, принесет ли это выгоду бизнесу, как организовать разработку и довести проект до успешного внедрения.
Все это создает спрос на специалистов, которые способны увидеть возможности для применения машинного обучения и реализовать ML-проект. Уже сейчас зарплата, например, ML/AI-продакта превышает доход обычного продакт-менеджера на 20–40%.
Как стать таким специалистом?
Эту задачу и призван решить наш новый «Симулятор управления ML/AI-проектами».
Почему мы создали симулятор
Представления большинства нетехнических специалистов про ML находятся в одной из двух крайностей:
🪄 Одни видят ML/AI как магию, которая позволяет сделать все, что угодно. Надо лишь поставить задачу разработчикам;
⚙️ Другие же считают, что ML — это что-то очень сложное, глубоко техническое и недоступное.
Такая ситуация возникает по той причине, что человеку со стороны бизнеса достаточно сложно разобраться в ML.
Но на самом деле, если десять лет назад глубокое понимание математики и программирования было необходимым знанием для погружения в ML-индустрию, то на текущем этапе развития алгоритмы и модели стали уже общедоступными.
На этом фоне ключевая ценность работы с ML смещается в способность увидеть возможность для применения машинного обучения, а потом адаптировать существующие алгоритмы и технологии для конкретной прикладной задачи.
Но научиться управлять ML-проектами можно только на практике. А для того чтобы менеджеру доверили такой проект, нужен опыт. Замкнутый круг.
«Симулятор управления ML/AI-проектами» нацелен на то, чтобы разорвать этот круг и дать необходимые навыки и опыт для работы менеджеров ML-проектов.
Чему учит симулятор
🔦 Видеть, где машинное обучение может принести пользу бизнесу;
🤖 Создавать продукты на основе технологий машинного обучения;
🏗 Строить процесс создания и внедрения ML-решений, предотвращать типичные ошибки и проблемы заранее;
💵 Организовать работу над ML-проектами так, чтобы они приносили пользу бизнесу.
Как устроено обучение в симуляторе
Как и в других симуляторах GoPractice, вы погружаетесь в интерактивную историю, в которой вам предстоит помочь компании выбраться из кризиса и стать лидером рынка.
Вы будете учиться, принимать решения, ошибаться, анализировать ошибки, находить новые пути, тестировать и внедрять ML-модели и в конце концов достигать успеха.
Обучение в симуляторе построено вокруг работы над тремя проектами, каждый из которых научит вас решать распространенную ML-задачу:
👓 Задача на основе компьютерного зрения (computer vision);
📊 Прогнозирование продаж;
💡 Создание рекомендательной системы.
Этот симулятор — многолетний практический опыт создания ML-решений, упакованный в двухмесячную интерактивную образовательную программу.
Узнать подробнее о том, зачем продакт-менеджерам, предпринимателям и другим специалистам изучать ML, а также прочитать отзывы наших первых студентов вы можете в нашем блоге по ссылке.
Стоимость и специальное предложение
Стоимость обучения в симуляторе составит 65 900 рублей.
А для тех, кто начнет учиться до 15 мая, цена будет ниже — 59 900 рублей.
Обучение в симуляторе проходит онлайн и в своем темпе. При этом вы всегда можете задать вопрос авторам и получить от них всю необходимую поддержку.
Начать обучение можно прямо сейчас.
Долгое время основные вызовы в применении ML-технологий лежали в инженерной и научной плоскостях.
Развитие технологий привело к тому, что сейчас эти вызовы стремительно смещаются в плоскость продуктовую.
Все чаще вопрос оказывается не в том, как что-то реализовать, а в том, где есть возможности для применения ML-технологий: создадут ли они ценность, принесет ли это выгоду бизнесу, как организовать разработку и довести проект до успешного внедрения.
Все это создает спрос на специалистов, которые способны увидеть возможности для применения машинного обучения и реализовать ML-проект. Уже сейчас зарплата, например, ML/AI-продакта превышает доход обычного продакт-менеджера на 20–40%.
Как стать таким специалистом?
Эту задачу и призван решить наш новый «Симулятор управления ML/AI-проектами».
Почему мы создали симулятор
Представления большинства нетехнических специалистов про ML находятся в одной из двух крайностей:
🪄 Одни видят ML/AI как магию, которая позволяет сделать все, что угодно. Надо лишь поставить задачу разработчикам;
⚙️ Другие же считают, что ML — это что-то очень сложное, глубоко техническое и недоступное.
Такая ситуация возникает по той причине, что человеку со стороны бизнеса достаточно сложно разобраться в ML.
Но на самом деле, если десять лет назад глубокое понимание математики и программирования было необходимым знанием для погружения в ML-индустрию, то на текущем этапе развития алгоритмы и модели стали уже общедоступными.
На этом фоне ключевая ценность работы с ML смещается в способность увидеть возможность для применения машинного обучения, а потом адаптировать существующие алгоритмы и технологии для конкретной прикладной задачи.
Но научиться управлять ML-проектами можно только на практике. А для того чтобы менеджеру доверили такой проект, нужен опыт. Замкнутый круг.
«Симулятор управления ML/AI-проектами» нацелен на то, чтобы разорвать этот круг и дать необходимые навыки и опыт для работы менеджеров ML-проектов.
Чему учит симулятор
🔦 Видеть, где машинное обучение может принести пользу бизнесу;
🤖 Создавать продукты на основе технологий машинного обучения;
🏗 Строить процесс создания и внедрения ML-решений, предотвращать типичные ошибки и проблемы заранее;
💵 Организовать работу над ML-проектами так, чтобы они приносили пользу бизнесу.
Как устроено обучение в симуляторе
Как и в других симуляторах GoPractice, вы погружаетесь в интерактивную историю, в которой вам предстоит помочь компании выбраться из кризиса и стать лидером рынка.
Вы будете учиться, принимать решения, ошибаться, анализировать ошибки, находить новые пути, тестировать и внедрять ML-модели и в конце концов достигать успеха.
Обучение в симуляторе построено вокруг работы над тремя проектами, каждый из которых научит вас решать распространенную ML-задачу:
👓 Задача на основе компьютерного зрения (computer vision);
📊 Прогнозирование продаж;
💡 Создание рекомендательной системы.
Этот симулятор — многолетний практический опыт создания ML-решений, упакованный в двухмесячную интерактивную образовательную программу.
Узнать подробнее о том, зачем продакт-менеджерам, предпринимателям и другим специалистам изучать ML, а также прочитать отзывы наших первых студентов вы можете в нашем блоге по ссылке.
Стоимость и специальное предложение
Стоимость обучения в симуляторе составит 65 900 рублей.
А для тех, кто начнет учиться до 15 мая, цена будет ниже — 59 900 рублей.
Обучение в симуляторе проходит онлайн и в своем темпе. При этом вы всегда можете задать вопрос авторам и получить от них всю необходимую поддержку.
Начать обучение можно прямо сейчас.
Новая публикация на тему Federated Learning в журнале Nature.
"A federated learning differential privacy algorithm for non-Gaussian heterogeneous data"
https://www.nature.com/articles/s41598-023-33044-y
"A federated learning differential privacy algorithm for non-Gaussian heterogeneous data"
https://www.nature.com/articles/s41598-023-33044-y
Nature
A federated learning differential privacy algorithm for non-Gaussian heterogeneous data
Scientific Reports - A federated learning differential privacy algorithm for non-Gaussian heterogeneous data
Вот всегда меня интересовало, как же можно было сделать такую систему рекомендаций, что просто страшно ленту открывать. А вот оно оказывается как оно делается :)
Ну правда, я всегда поражался тому, что мне рекомендует Twitter. И похоже, что проблема у них в Embedding Spaces - судя по статье, они выбирают твиты для рекомендаций из "сообществ" -> те, которые вызывают наибольшую реакцию и хайп. Ну и тогда понятно почему ко мне лезет в ленту какая то жесть, вместо полезных статей про управления данными :)
Интересная инфа про нагрузку: "Вышеописанный пайплайн работает примерно 5 миллиардов раз в день и выполняется в среднем за 1,5 секунды. При этом один запуск пайплайна требует 220 секунд времени CPU — почти в 150 раз больше, чем задержка, которую вы видите в приложении."
https://blog.twitter.com/engineering/en_us/topics/open-source/2023/twitter-recommendation-algorithm
Ну правда, я всегда поражался тому, что мне рекомендует Twitter. И похоже, что проблема у них в Embedding Spaces - судя по статье, они выбирают твиты для рекомендаций из "сообществ" -> те, которые вызывают наибольшую реакцию и хайп. Ну и тогда понятно почему ко мне лезет в ленту какая то жесть, вместо полезных статей про управления данными :)
Интересная инфа про нагрузку: "Вышеописанный пайплайн работает примерно 5 миллиардов раз в день и выполняется в среднем за 1,5 секунды. При этом один запуск пайплайна требует 220 секунд времени CPU — почти в 150 раз больше, чем задержка, которую вы видите в приложении."
https://blog.twitter.com/engineering/en_us/topics/open-source/2023/twitter-recommendation-algorithm
X
Twitter's Recommendation Algorithm
Twitter aims to deliver you the best of what’s happening in the world right now. This blog is an introduction to how the algorithm selects Tweets for your timeline.
Kupriyanov_AD16.pptx
7.4 MB
Отличная презентация про использование ChatGPT для аналитика, рассказавающая о подходах prompt engineering. Все таки мощная штука!
Если вы интересуетесь рекомендательными системами, то стоит вот с этим списком статей ознакомиться
https://habr.com/ru/companies/odnoklassniki/articles/705520/
https://habr.com/ru/companies/odnoklassniki/articles/705520/
Хабр
Избранные статьи о рекомендательных системах с конференции KDD 2022
A data scientist reading a scientific paper while riding a unicorn (Stable Diffusion 2) Предлагаем вашему вниманию разбор конференции KDD 2022 от ML команды Одноклассников. Такие разборы стали...
О, интересно. В рамках минорного изменения версии Dota 2 на 7.33 вышел огромный мажорный апдейт, в корне все меняющий в стратегии игры :) годы изучения надо начинать сначала :)))
https://www.dota2.com/newfrontiers
https://www.dota2.com/newfrontiers
На одной из встреч со своими коллегами опять вспомнили про тему личной эффективности и я обещал поделиться литературой и материалами для изучения. Сел делать подборку и набрел на хорошее саммари книги Максима Дорофеева "Джедайские техники"
Делюсь со всеми: https://lifehacker.ru/dzhedajskie-tehniki/
Делюсь со всеми: https://lifehacker.ru/dzhedajskie-tehniki/
Лайфхакер
Джедайские техники: как экономить мыслетопливо на работе и в обычной жизни — Лайфхакер
Максим Дорофеев в книге «Джедайские техники» объясняет, как устроено наше мышление и как это знание поможет эффективно расходовать ресурсы своего мозга.
Дайджест статей
Data Mesh — A Data Movement and Processing Platform @ Netflix
https://netflixtechblog.com/data-mesh-a-data-movement-and-processing-platform-netflix-1288bcab2873
Массивный курс по управлению данными и обзор новинок от NVIDIA. Дайджест полезных текстов про ML и дата-аналитику
https://habr.com/ru/companies/selectel/articles/730664/?utm_source=habrahabr&utm_medium=rss&utm_campaign=730664
Инфраструктура открытых данных для ИИ — кто и зачем её разрабатывает
https://habr.com/ru/companies/vasexperts/articles/729922/
DataHub: репозитории данных коммерческого типа. Как зарабатывать на доступе к данным?
https://habr.com/ru/articles/730638/?utm_source=habrahabr&utm_medium=rss&utm_campaign=730638
Lambda Architecture: A Powerful Approach to Data Engineering
https://dzone.com/articles/lambda-architecture-a-powerful-approach-to-data-en
Prompt Engineering: Unlocking the Power of Generative AI Models
https://dzone.com/articles/prompt-engineering-unlocking-the-power-of-generati
Demystifying Data Fabric Architecture: A Comprehensive Overview
https://dzone.com/articles/demystifying-data-fabric-architecture-a-comprehens
Why It’s Important to Change Misconceptions About Data Warehouse Technology
https://www.datasciencecentral.com/why-its-important-to-change-misconceptions-about-data-warehouse-technology/
Big Data в облаках
https://habr.com/ru/companies/glowbyte/articles/729868/
Жизненный цикл конфиденциальной информации в кругу централизованных сервисов
https://habr.com/ru/articles/729450/
Data Mesh — A Data Movement and Processing Platform @ Netflix
https://netflixtechblog.com/data-mesh-a-data-movement-and-processing-platform-netflix-1288bcab2873
Массивный курс по управлению данными и обзор новинок от NVIDIA. Дайджест полезных текстов про ML и дата-аналитику
https://habr.com/ru/companies/selectel/articles/730664/?utm_source=habrahabr&utm_medium=rss&utm_campaign=730664
Инфраструктура открытых данных для ИИ — кто и зачем её разрабатывает
https://habr.com/ru/companies/vasexperts/articles/729922/
DataHub: репозитории данных коммерческого типа. Как зарабатывать на доступе к данным?
https://habr.com/ru/articles/730638/?utm_source=habrahabr&utm_medium=rss&utm_campaign=730638
Lambda Architecture: A Powerful Approach to Data Engineering
https://dzone.com/articles/lambda-architecture-a-powerful-approach-to-data-en
Prompt Engineering: Unlocking the Power of Generative AI Models
https://dzone.com/articles/prompt-engineering-unlocking-the-power-of-generati
Demystifying Data Fabric Architecture: A Comprehensive Overview
https://dzone.com/articles/demystifying-data-fabric-architecture-a-comprehens
Why It’s Important to Change Misconceptions About Data Warehouse Technology
https://www.datasciencecentral.com/why-its-important-to-change-misconceptions-about-data-warehouse-technology/
Big Data в облаках
https://habr.com/ru/companies/glowbyte/articles/729868/
Жизненный цикл конфиденциальной информации в кругу централизованных сервисов
https://habr.com/ru/articles/729450/
Medium
Data Mesh — A Data Movement and Processing Platform @ Netflix
By Bo Lei, Guilherme Pires, James Shao, Kasturi Chatterjee, Sujay Jain, Vlad Sydorenko
Forwarded from Innovation & Research
Рынок больших данных в России достигнет 319 млрд руб. до конца 2024 года
Ассоциация больших данных при участии SberData подготовила стратегию развития рынка больших данных в России. Она поможет обеспечить рост рынка больших данных до 319 млрд руб. к концу 2024 г. и направлена на достижение трех ключевых целей:
• Создание качественной деловой среды для бизнеса
• Поддержку технологической независимости государства
• Повышение качества жизни граждан
Согласно базовому прогнозу стратегии, до 2024 г. в отрасли будет создано 32 тыс. новых высококвалифицированных рабочих мест, доля российских ИТ-решений в технологических стеках компаний достигнет 85%, а компании смогут заработать почти 1 трлн рублей дополнительной операционной прибыли от внедрения новых продуктов и технологий на основе больших данных.
Ожидается рост рынка ИТ-консалтинга в области больших данных (до 107 млрд руб. к 2024 г.) и технологических инструментов (до 60 млрд руб.) за счет увеличения спроса на российские программные решения.
Среди продуктов и сервисов на основе данных быстрее всего будут расти прикладные сервисы с использованием ИИ – рост на 162% до 44 млрд руб.
#Data #Сбер
https://data-economy.ru/news/tpost/zehe76bh81-first-russian-data-forum-rinok-bolshih-d
Ассоциация больших данных при участии SberData подготовила стратегию развития рынка больших данных в России. Она поможет обеспечить рост рынка больших данных до 319 млрд руб. к концу 2024 г. и направлена на достижение трех ключевых целей:
• Создание качественной деловой среды для бизнеса
• Поддержку технологической независимости государства
• Повышение качества жизни граждан
Согласно базовому прогнозу стратегии, до 2024 г. в отрасли будет создано 32 тыс. новых высококвалифицированных рабочих мест, доля российских ИТ-решений в технологических стеках компаний достигнет 85%, а компании смогут заработать почти 1 трлн рублей дополнительной операционной прибыли от внедрения новых продуктов и технологий на основе больших данных.
Ожидается рост рынка ИТ-консалтинга в области больших данных (до 107 млрд руб. к 2024 г.) и технологических инструментов (до 60 млрд руб.) за счет увеличения спроса на российские программные решения.
Среди продуктов и сервисов на основе данных быстрее всего будут расти прикладные сервисы с использованием ИИ – рост на 162% до 44 млрд руб.
#Data #Сбер
https://data-economy.ru/news/tpost/zehe76bh81-first-russian-data-forum-rinok-bolshih-d
Сегодня анонс GigaChat, которым наша команда в СберДевайсах занимается уже несколько месяцев.
Можно присылать заявки на тестирование и пробовать.
Если какие то вопросы возникают - пиши в комментарии или мне, постараюсь помочь
Можно присылать заявки на тестирование и пробовать.
Если какие то вопросы возникают - пиши в комментарии или мне, постараюсь помочь
Forwarded from Сбер
This media is not supported in your browser
VIEW IN TELEGRAM
Салют, GigaСhat!🚀
Мы первыми из российских техногигантов вступаем в гонку мировых лидеров в области AI и запускаем собственную версию мультимодальной нейросети, которая на первом этапе будет доступна в режиме тестирования по приглашениям.
В отличие от ChatGPT, она изначально уже поддерживает мультимодальное взаимодействие и более грамотно общается на русском языке.
Ну и множество уже привычных задач умеет решать: поддерживать беседу, писать тексты, выполнять инструкции, отвечать на фактологические вопросы.
Сейчас GigaСhat работает в режиме бета-версии. Чтобы оказаться в числе первых, кто протестирует новую нейросеть, подписывайтесь на наш закрытый телеграм-канал. Подписчики канала первые получат доступ к нейросети.
@sberbank
Мы первыми из российских техногигантов вступаем в гонку мировых лидеров в области AI и запускаем собственную версию мультимодальной нейросети, которая на первом этапе будет доступна в режиме тестирования по приглашениям.
В отличие от ChatGPT, она изначально уже поддерживает мультимодальное взаимодействие и более грамотно общается на русском языке.
Ну и множество уже привычных задач умеет решать: поддерживать беседу, писать тексты, выполнять инструкции, отвечать на фактологические вопросы.
Сейчас GigaСhat работает в режиме бета-версии. Чтобы оказаться в числе первых, кто протестирует новую нейросеть, подписывайтесь на наш закрытый телеграм-канал. Подписчики канала первые получат доступ к нейросети.
@sberbank
Please open Telegram to view this post
VIEW IN TELEGRAM
На прошлой неделе принимал участие в конференции First Russian Data Forum в секции "Будущее обработки данных". Очень интересная получилась секция, хочу тут оставить несколько комментариев и поделиться несколькими интересными слайдами, а следом выложу еще пару презентаций.
Хотел бы отметить выступление Максима Григорьева (АФТ), который поделился основными трендами и отметил переход к установлению взаимодействия между компаниями по совместной работе с данными.
Далее был очень интересный доклад Алексея Неймана (АБД), презентацию к которому я выложу (с разрешения Алексея) ниже отдельным постом. АБД очень системно прорабатывает тему обмена данными и коллеги поделились результатами интересных экспериментов, а так же систематизацией рисков и барьеров.
Далее Сергей Карпович из ВТБ рассказал об опыте работы с решениями IntelSGX и о том, что после ухода Intel они вместе с МФТИ работают над проектом программной реализации защищенных анклавов, вместо использования чисто аппаратных решений от других производителей.
Хотел бы отметить выступление Максима Григорьева (АФТ), который поделился основными трендами и отметил переход к установлению взаимодействия между компаниями по совместной работе с данными.
Далее был очень интересный доклад Алексея Неймана (АБД), презентацию к которому я выложу (с разрешения Алексея) ниже отдельным постом. АБД очень системно прорабатывает тему обмена данными и коллеги поделились результатами интересных экспериментов, а так же систематизацией рисков и барьеров.
Далее Сергей Карпович из ВТБ рассказал об опыте работы с решениями IntelSGX и о том, что после ухода Intel они вместе с МФТИ работают над проектом программной реализации защищенных анклавов, вместо использования чисто аппаратных решений от других производителей.
Нейман А. АОД_New.pdf
824.6 KB
Презентация Алексея Неймана из Ассоциации Больших Данных