Что на самом деле делает Spark в тот момент, когда ты запускаешь строчку кода с фильтрацией .filter(df.city == "Москва")?
Anonymous Quiz
9%
Он останавливает систему и начинает построчно сканировать данные на жестком диске
76%
Spark не трогает данные, а записывает эту операцию в логический план - DAG.
5%
Он дублирует этот кусок данных на все компьютеры в кластере ради безопасности
3%
Spark выдает ошибку, так как фильтрацию можно делать только после полной загрузки датасета в RAM
7%
Не знаю
👍1
🤖 Большинство материалов по ИИ-агентам устаревают быстрее, чем многие курсы успевают обновить программу
Инструменты, подходы и фреймворки меняются постоянно. Поэтому важно не просто собрать демо-агента, а понимать архитектуру, ограничения и практики, которые используются в продакшене.
🚀 30 июня стартует курс «Разработка ИИ-агентов».
⏳ До 20 июня действует сниженная цена.
За 8 недель под руководством практиков из бигтеха вы соберёте собственного AI-агента, который работает с API, использует память, подключается к внешним сервисам и решает реальную задачу.
Что разберём:
🔹 архитектуру AI-агентов и надёжный вывод;
🔹 LangGraph и оркестрацию workflow;
🔹 MCP и работу с внешними инструментами;
🔹 RAG-системы;
🔹 AgentOps, observability и evals;
🔹 безопасность и защиту от prompt injection;
🔹 мультиагентные системы и A2A.
На курсе отдельно разбираем вопросы надёжности, безопасности и контроля агентных систем.
👉 Узнать программу и забронировать место со скидкой
Инструменты, подходы и фреймворки меняются постоянно. Поэтому важно не просто собрать демо-агента, а понимать архитектуру, ограничения и практики, которые используются в продакшене.
🚀 30 июня стартует курс «Разработка ИИ-агентов».
⏳ До 20 июня действует сниженная цена.
За 8 недель под руководством практиков из бигтеха вы соберёте собственного AI-агента, который работает с API, использует память, подключается к внешним сервисам и решает реальную задачу.
Что разберём:
🔹 архитектуру AI-агентов и надёжный вывод;
🔹 LangGraph и оркестрацию workflow;
🔹 MCP и работу с внешними инструментами;
🔹 RAG-системы;
🔹 AgentOps, observability и evals;
🔹 безопасность и защиту от prompt injection;
🔹 мультиагентные системы и A2A.
На курсе отдельно разбираем вопросы надёжности, безопасности и контроля агентных систем.
👉 Узнать программу и забронировать место со скидкой
Операции в Spark делятся на: узкие и широкие.
Какая из следующих операций является Широкой (Wide Transformation) и почему она считается самой «дорогой» и опасной для производительности кластера?
Какая из следующих операций является Широкой (Wide Transformation) и почему она считается самой «дорогой» и опасной для производительности кластера?
Anonymous Quiz
5%
.select() - потому что выборка колонок требует изменения формата файлов
19%
.filter() - потому что процессору приходится проверять каждое значение индивидуально
48%
.groupBy() или .join() - так как эти операции требуют шаффла (Shuffle)
25%
.map() - так как она изменяет тип данных внутри ячеек
4%
Не знаю
❤1
Какую задачу решает этап Калибровки (Calibration) при квантовании весов, чтобы модель не потеряла свой «интеллект»?
Anonymous Quiz
12%
Она округляет все веса до ближайшего нуля для ускорения расчетов
25%
Калибровка удаляет из сети n% слоев, которые модель использует реже всего
1%
Она переводит текстовые промпты в двоичный код
60%
Она находит оптимальный коэффициент масштабирования и сдвиг
2%
Не знаю
❤1
🔥 Чем больше агентов — тем лучше? Не всегда. Уже завтра поговорим о реальных ограничениях на открытом уроке «Мультиагентные системы: почему большинство архитектур переусложнены».
Спикер — Дмитрий Юдин, руководитель AI/ML-направления в Сloud․ru.
После урока вы:
🔹 будете лучше ориентироваться в выборе между одним агентом и мультиагентной системой;
🔹 поймёте, какие архитектурные ошибки встречаются чаще всего;
🔹 получите практические ориентиры для проектирования и внедрения агентных систем;
🔹 будете лучше понимать возможности и ограничения современных ИИ-агентов.
🗓️ 18 июня, 19:00 (МСК)
⏱️ 90 минут
👉 Зарегистрироваться и получить промокод на 10 000 ₽
Спикер — Дмитрий Юдин, руководитель AI/ML-направления в Сloud․ru.
После урока вы:
🔹 будете лучше ориентироваться в выборе между одним агентом и мультиагентной системой;
🔹 поймёте, какие архитектурные ошибки встречаются чаще всего;
🔹 получите практические ориентиры для проектирования и внедрения агентных систем;
🔹 будете лучше понимать возможности и ограничения современных ИИ-агентов.
🗓️ 18 июня, 19:00 (МСК)
⏱️ 90 минут
👉 Зарегистрироваться и получить промокод на 10 000 ₽
Что произойдет с моделью поиска, если во время обучения в качестве негативных примеров использовать только абсолютно случайные и далекие по смыслу объекты (например, к тексту «Собака» негативом всегда будет «Трактор» или «Пицца»)?
Anonymous Quiz
15%
Модель быстро переобучится на таких примерах
65%
Она научится различать только грубые, очевидные признаки
9%
Вычислительный граф PyTorch взорвется из-за бесконечных градиентов
10%
Модель переключится в режим кластеризации
1%
Не знаю
⏰ Уже сегодня в 19:00 (МСК) стартует открытый урок!
Тема:
🔥 За 90 минут разберёмся, когда действительно стоит строить мультиагентную систему, а когда она только добавляет сложность, расходы и новые точки отказа.
Поговорим о критериях выбора архитектуры, типичных ошибках и ограничениях современных ИИ-агентов, которые важно учитывать ещё до внедрения в продукт.
🎙️ Спикер — Дмитрий Юдин, руководитель AI/ML-направления в Сloud․ru.
🎁 Для всех участников подготовили промокод на скидку 10 000 ₽ на курс «Разработка ИИ-агентов».
👉 Успей присоединиться к уроку
Тема:
«Мультиагентные системы: почему большинство архитектур переусложнены»
🔥 За 90 минут разберёмся, когда действительно стоит строить мультиагентную систему, а когда она только добавляет сложность, расходы и новые точки отказа.
Поговорим о критериях выбора архитектуры, типичных ошибках и ограничениях современных ИИ-агентов, которые важно учитывать ещё до внедрения в продукт.
🎙️ Спикер — Дмитрий Юдин, руководитель AI/ML-направления в Сloud․ru.
🎁 Для всех участников подготовили промокод на скидку 10 000 ₽ на курс «Разработка ИИ-агентов».
👉 Успей присоединиться к уроку
При обучении модели градиентного бустинга вы заметили, что при увеличении количества деревьев: ошибка на обучающей выборке продолжает уменьшаться, а на валидационной сначала уменьшается, а затем начинает расти.
Какое из действий наиболее обоснованно?
Какое из действий наиболее обоснованно?
Anonymous Quiz
8%
Увеличить глубину деревьев, чтобы модель лучше подстраивалась под данные
4%
Удалить часть признаков случайным образом
5%
Увеличить размер тестовой выборки
83%
Использовать раннюю остановку или уменьшить количество деревьев
1%
Не знаю
Вы обучаете модель и хотите оценить влияние каждого признака на предсказание. Для этого используете permutation importance. Один из признаков получает почти нулевую важность. После его удаления качество модели заметно падает.
Какое объяснение вероятно?
Какое объяснение вероятно?
Anonymous Quiz
83%
Признак сильно коррелирует с другими признаками, поэтому его вклад маскируется при перестановке
5%
В permutation importance всегда есть ошибка, поэтому результат можно игнорировать
10%
Модель обязательно переобучена
1%
Модель обязательно переобучена
2%
Не знаю
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
🤖 AI пишет код за вас? Это самое скучное, что он умеет
Основное время разработчик тратит на другое: разобраться в чужой кодовой базе, найти нужный участок проекта, проверить решение, собрать Pull Request. Вот где AI реально экономит часы — если знать, как им пользоваться.
23 июня Ольга Лукьянова покажет это на практике: как с помощью современных AI-инструментов быстро погружаться в незнакомый проект, находить нужный код, реализовывать задачи и проверять результат до ревью коллег.
В итоге вы увидите не отдельные приёмы и промпты, а целостный workflow, который можно встроить в свою работу уже на следующий день 🔥
Чтобы лучше погрузиться в тему:
📺 Выступление про SourceCraft
📖 Статья на Хабре
🗓️ Когда: 23 июня, 19:00 (МСК)
👉 Занять место на открытом уроке
Основное время разработчик тратит на другое: разобраться в чужой кодовой базе, найти нужный участок проекта, проверить решение, собрать Pull Request. Вот где AI реально экономит часы — если знать, как им пользоваться.
23 июня Ольга Лукьянова покажет это на практике: как с помощью современных AI-инструментов быстро погружаться в незнакомый проект, находить нужный код, реализовывать задачи и проверять результат до ревью коллег.
В итоге вы увидите не отдельные приёмы и промпты, а целостный workflow, который можно встроить в свою работу уже на следующий день 🔥
Чтобы лучше погрузиться в тему:
📺 Выступление про SourceCraft
📖 Статья на Хабре
🗓️ Когда: 23 июня, 19:00 (МСК)
👉 Занять место на открытом уроке
В стандартном слое nn.Linear в PyTorch каждый синаптический вес — это конкретное скалярное число (например, w=0.345).Как устроены веса в аналогичном слое Байесовской нейронной сети?
Anonymous Quiz
1%
Веса заменяются на текстовые описания признаков
4%
Веса становятся комплексными числами с мнимой частью
17%
Все веса принудительно приравниваются к нулю, а обучение идет только за счет сдвигов (biases)
76%
Каждый вес представлен в виде вероятностного распределения
1%
Не знаю
🤖 Какие задачи можно действительно доверить ИИ?
Уже завтра разберём это на открытом уроке «AI-инструменты в разработке: как писать код быстрее с помощью ассистентов».
Спикер — Ольга Лукьянова, руководитель команды поиска и навигации по коду в SourceCraft от Яндекса.
После урока вы:
🔹 поймёте, какие задачи стоит делегировать AI уже сегодня;
🔹 научитесь быстрее разбираться в новых проектах и кодовой базе;
🔹 увидите, как выглядит современный workflow разработки с AI;
🔹 узнаете, где AI помогает экономить время, а где всё ещё нужен контроль разработчика.
На практике разберём путь от получения задачи до готового Pull Request с использованием AI-инструментов и AI-ревью.
🗓️ 23 июня, 19:00 (МСК)
⏱️ 90 минут
👉 Зарегистрироваться и получить рабочий AI-workflow для своих задач
Уже завтра разберём это на открытом уроке «AI-инструменты в разработке: как писать код быстрее с помощью ассистентов».
Спикер — Ольга Лукьянова, руководитель команды поиска и навигации по коду в SourceCraft от Яндекса.
После урока вы:
🔹 поймёте, какие задачи стоит делегировать AI уже сегодня;
🔹 научитесь быстрее разбираться в новых проектах и кодовой базе;
🔹 увидите, как выглядит современный workflow разработки с AI;
🔹 узнаете, где AI помогает экономить время, а где всё ещё нужен контроль разработчика.
На практике разберём путь от получения задачи до готового Pull Request с использованием AI-инструментов и AI-ревью.
🗓️ 23 июня, 19:00 (МСК)
⏱️ 90 минут
👉 Зарегистрироваться и получить рабочий AI-workflow для своих задач
Байесовский подход разделяет неопределенность модели на два принципиально разных типа.
Какая неопределенность называется Эпистемической (Epistemic Uncertainty) и как дата-сайентист может её снизить?
Какая неопределенность называется Эпистемической (Epistemic Uncertainty) и как дата-сайентист может её снизить?
Anonymous Quiz
40%
Это неустранимый шум в самих данных, её нельзя снизить ничем
8%
Это неопределенность, вызванная слишком высокой температурой видеокарты во время инференса
38%
Это неопределенность самой модели из-за нехватки обучающих данных
8%
Это процент пропущенных значений (NaN) в тестовой выборке
5%
Не знаю
❤2
⏰ Уже сегодня в 19:00 (МСК) стартует наш открытый урок!
Знаем, летом хочется отложить учёбу на осень. Но пока остальные отдыхают 😅, мы предлагаем без лишней конкуренции прокачать свой workflow и начать закрывать тикеты в три раза быстрее.
Тема:
Мы покажем живой разбор реального проекта: как с помощью AI-ассистентов мгновенно разбираться в чужой кодовой базе, искать нужные участки и собирать Pull Request. Только рабочие промпты, которые сэкономят вам часы рутины.
🎙️ Спикер — Ольга Лукьянова, руководитель команды в SourceCraft (18+ лет развивала инструменты в JetBrains и Huawei).
👉 Узнать, как ускорить разработку с AI
Знаем, летом хочется отложить учёбу на осень. Но пока остальные отдыхают 😅, мы предлагаем без лишней конкуренции прокачать свой workflow и начать закрывать тикеты в три раза быстрее.
Тема:
«AI-инструменты в разработке: пишем код быстрее»
Мы покажем живой разбор реального проекта: как с помощью AI-ассистентов мгновенно разбираться в чужой кодовой базе, искать нужные участки и собирать Pull Request. Только рабочие промпты, которые сэкономят вам часы рутины.
🎙️ Спикер — Ольга Лукьянова, руководитель команды в SourceCraft (18+ лет развивала инструменты в JetBrains и Huawei).
👉 Узнать, как ускорить разработку с AI
Каким образом работает метод MC Dropout на этапе инференса (предсказания)?
Anonymous Quiz
46%
Полностью отключаем Dropout и усредняем веса всех слоев
27%
Оставляем Dropout включенным во время предсказания и прогоняем через сеть несколько раз
14%
Метод автоматически удаляет 50% случайных признаков из тестового объекта
6%
Он используется только для ускорения инференса на мобильных устройствах
7%
Не знаю
Какое критически важное свойство гарантирует дата-сайентисту выпуклость функции потерь (например, MSE в линейной регрессии или LogLoss в логистической регрессии) при обучении модели?
Anonymous Quiz
66%
У выпуклой функции любой локальный минимум автоматически является глобальным минимумом
4%
Она гарантирует, что модель обучится ровно за n итераций
29%
Выпуклые функции можно оптимизировать
1%
Она позволяет полностью отказаться от вычисления производных
0%
Не знаю
Какая архитектурная особенность нейросетей превращает ландшафт функции потерь в «дикий рельеф» со множеством локальных минимумов, седловых точек и плато?
Anonymous Quiz
19%
Использование слишком больших батчей при обучении
6%
Использование дробных чисел с плавающей точкой
55%
Последовательное перемножение матриц весов и применение нелинейных функций активации
19%
Наличие слоев Dropout, которые физически стирают куски ландшафта
1%
Не знаю
🚀 Освойте разработку AI-агентов и получите доступ ещё к двум курсам Академии бесплатно!
В 2026 году просто писать код мало. Компании ищут инженеров, умеющих проектировать автономные системы и закрывать задачи бизнеса в разы быстрее.
Чтобы вы вышли на рынок с максимальным преимуществом, мы подготовили специальное предложение: покупаете курс по AI-агентам и ещё 2 курса Академии получаете бесплатно!
Соберите свой стек под оффер:
🔹 AI-агенты + AgentOps + Архитектура — комбо для бэкендеров и техлидов, чтобы внедрять ИИ без боли для прода.
🔹 AI-агенты + Математика + ML — для тех, кто хочет войти в Data Science.
🔹 AI-агенты + Алгоритмы — чтобы уверенно проходить хардкорные технические собесы.
Как это работает: вы оставляете заявку на курс по разработке AI-агентов и указываете еще два курса, которые хотите открыть в подарок.
Старт обучения — уже в июле. Количество мест ограничено, выбирайте зрелый подход к карьере.
👉 Забрать предложение и освоить ИИ-агентов
В 2026 году просто писать код мало. Компании ищут инженеров, умеющих проектировать автономные системы и закрывать задачи бизнеса в разы быстрее.
Чтобы вы вышли на рынок с максимальным преимуществом, мы подготовили специальное предложение: покупаете курс по AI-агентам и ещё 2 курса Академии получаете бесплатно!
Соберите свой стек под оффер:
🔹 AI-агенты + AgentOps + Архитектура — комбо для бэкендеров и техлидов, чтобы внедрять ИИ без боли для прода.
🔹 AI-агенты + Математика + ML — для тех, кто хочет войти в Data Science.
🔹 AI-агенты + Алгоритмы — чтобы уверенно проходить хардкорные технические собесы.
Как это работает: вы оставляете заявку на курс по разработке AI-агентов и указываете еще два курса, которые хотите открыть в подарок.
Старт обучения — уже в июле. Количество мест ограничено, выбирайте зрелый подход к карьере.
👉 Забрать предложение и освоить ИИ-агентов
🎬 Где ломаются архитектуры ИИ-агентов и как этого избежать: запись урока от Proglib.Academy и cloud․ru
Proglib.аcademy вместе с cloud․ru провели вебинар, где разобрали реальные боли проектирования автономных систем. Вы просили запись встречи — она уже в открытом доступе!
Что внутри:
— критерии выбора между одним агентом и мультиагентной системой;
— разбор популярных архитектурных ошибок;
— реальные ограничения современных ИИ-агентов;
— практические рекомендации по проектированию агентных систем.
👉 Посмотреть запись можно тут:
● VK
● YouTube
Proglib.аcademy вместе с cloud․ru провели вебинар, где разобрали реальные боли проектирования автономных систем. Вы просили запись встречи — она уже в открытом доступе!
Что внутри:
— критерии выбора между одним агентом и мультиагентной системой;
— разбор популярных архитектурных ошибок;
— реальные ограничения современных ИИ-агентов;
— практические рекомендации по проектированию агентных систем.
👉 Посмотреть запись можно тут:
● VK
● YouTube
Самый простой и классический вид параллелизма, реализованный в PyTorch через DistributedDataParallel.
Как именно распределяются данные и модель между видеокартами при использовании стратегии DDP?
Как именно распределяются данные и модель между видеокартами при использовании стратегии DDP?
Anonymous Quiz
26%
Сама модель разрезается по слоям: первая половина слоев идет на GPU 0, вторая — на GPU 1
10%
Каждая видеокарта обучается на своем, изолированном датасете, и веса никогда не синхронизируются
0%
Данные переводятся в текстовый вид, а модель обучается на CPU
60%
На каждую видеокарту копируется модель. Каждая GPU считает шаг, в конце они обмениваются градиентами
3%
Не знаю