Ищем руководителей и менеджеров для исследования использования ИИ в работе
Мы проводим серию интервью с руководителями и менеджерами. Хотим разобраться, какие рабочие задачи они решают с помощью ИИ, что уже внедряют в свои процессы и какие сложности возникают на практике.
Кого ищем:
▪️Руководителей команд
▪️Руководителей направлений
▪️Руководителей отделов
▪️Product-менеджеров
▪️Project-менеджеров
▪️Предпринимателей
Что хотим узнать:
▪️Какие задачи занимают больше всего времени
▪️Для чего уже используется ИИ
▪️Что получается автоматизировать, а что не получается
▪️Каких знаний и инструментов не хватает
Что конкретно от вас требуется:
Если вы руководитель или менеджер, заполните короткую анкету на 2–3 минуты.
Если у вас есть чуть больше времени и вы готовы ответить на дополнительные вопросы, мы будем рады пригласить вас на интервью продолжительностью 20-30 минут в любое удобное для вас время.
С нас, базово, улучшить наши курсы, чтобы они отвечали вашим потребностям, ну и конечно же промокод со скидкой на подписку специализации "AI и анализ данных".
Анкета в яндекс формах: https://forms.yandex.ru/u/6a1fd4666d2d734f2bf67756
Мы проводим серию интервью с руководителями и менеджерами. Хотим разобраться, какие рабочие задачи они решают с помощью ИИ, что уже внедряют в свои процессы и какие сложности возникают на практике.
Кого ищем:
▪️Руководителей команд
▪️Руководителей направлений
▪️Руководителей отделов
▪️Product-менеджеров
▪️Project-менеджеров
▪️Предпринимателей
Что хотим узнать:
▪️Какие задачи занимают больше всего времени
▪️Для чего уже используется ИИ
▪️Что получается автоматизировать, а что не получается
▪️Каких знаний и инструментов не хватает
Что конкретно от вас требуется:
Если вы руководитель или менеджер, заполните короткую анкету на 2–3 минуты.
Если у вас есть чуть больше времени и вы готовы ответить на дополнительные вопросы, мы будем рады пригласить вас на интервью продолжительностью 20-30 минут в любое удобное для вас время.
С нас, базово, улучшить наши курсы, чтобы они отвечали вашим потребностям, ну и конечно же промокод со скидкой на подписку специализации "AI и анализ данных".
Анкета в яндекс формах: https://forms.yandex.ru/u/6a1fd4666d2d734f2bf67756
❤5
Бывало ли у вас такое, что модель работала отлично, а потом внезапно начала терять качество?
Главная ошибка в такой ситуации – сразу же запускать переобучение, потому что в продакшене деградация модели может быть связана с разными причинами: изменились входные данные, поменялось поведение пользователей, появились новые бизнес-сценарии или проблема вообще не в модели.
У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Avito, ex-Yandex, эксперт MLinside) разбирает одну из самых важных тем для ML-инженеров – Data Drift и Concept Drift.
Вы узнаете, чем отличается изменение распределения данных от изменения самой зависимости между признаками и целевой переменной, как эти проблемы проявляются в реальных ML-системах и почему автоматический retraining часто не решает проблему, а иногда даже ухудшает ситуацию.
Кому будет полезно видео:
▪️ML-инженерам и Data Scientists
▪️Специалистам, работающим с продакшн-моделями
▪️Студентам и начинающим специалистам в ML
▪️AI Engineers и MLOps-инженерам
▪️Всем, кто хочет лучше понимать жизненный цикл ML-моделей
Нашли себя в этом списке? Тогда велком на удобную для вас платформу:
https://youtu.be/ix3XCTglkIc
https://vkvideo.ru/video-228219607_456239233
https://dzen.ru/video/watch/6a214c829804be60200348e1
Главная ошибка в такой ситуации – сразу же запускать переобучение, потому что в продакшене деградация модели может быть связана с разными причинами: изменились входные данные, поменялось поведение пользователей, появились новые бизнес-сценарии или проблема вообще не в модели.
У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Avito, ex-Yandex, эксперт MLinside) разбирает одну из самых важных тем для ML-инженеров – Data Drift и Concept Drift.
Вы узнаете, чем отличается изменение распределения данных от изменения самой зависимости между признаками и целевой переменной, как эти проблемы проявляются в реальных ML-системах и почему автоматический retraining часто не решает проблему, а иногда даже ухудшает ситуацию.
Кому будет полезно видео:
▪️ML-инженерам и Data Scientists
▪️Специалистам, работающим с продакшн-моделями
▪️Студентам и начинающим специалистам в ML
▪️AI Engineers и MLOps-инженерам
▪️Всем, кто хочет лучше понимать жизненный цикл ML-моделей
Нашли себя в этом списке? Тогда велком на удобную для вас платформу:
https://youtu.be/ix3XCTglkIc
https://vkvideo.ru/video-228219607_456239233
https://dzen.ru/video/watch/6a214c829804be60200348e1
❤5
Внимание-внимание, рубрика «ML в реальной жизни» прибывает со второй задачкой
Да, это продолжение нашей рубрики, где мы задаем ситуации, с которыми сталкиваются ML/DS-команды в продакшене. В этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон.
Поэтому, если хотите, чтобы рубрика была вам максимально полезна, в комментариях важно не просто выбрать вариант, а объяснить:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали
Сегодня у нас ситуация №2:
Ситуация:
Обнаружен дрейф признака. Но не ясно, что с ним делать
Контекст:
Система мониторинга показала значительный дрейф распределения одного из ключевых признаков (например, время активности пользователя). Модель ещё не деградировала по метрикам, но вы видите, что данные "поехали". Ресурсы на срочный рефакторинг пайплайна ограничены.
Варианты действий:
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
Да, это продолжение нашей рубрики, где мы задаем ситуации, с которыми сталкиваются ML/DS-команды в продакшене. В этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон.
Поэтому, если хотите, чтобы рубрика была вам максимально полезна, в комментариях важно не просто выбрать вариант, а объяснить:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали
Сегодня у нас ситуация №2:
Ситуация:
Обнаружен дрейф признака. Но не ясно, что с ним делать
Контекст:
Система мониторинга показала значительный дрейф распределения одного из ключевых признаков (например, время активности пользователя). Модель ещё не деградировала по метрикам, но вы видите, что данные "поехали". Ресурсы на срочный рефакторинг пайплайна ограничены.
Варианты действий:
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
Если вы открыли курс по Machine Learning (или любой другой курс) и через 15 минут поняли, что не понимаете вообще ничего...
...то видео, которое у нас вышло на YouTube, в ВК и Дзен будем вам полезно. Большинство людей думают, что проблема в них: "не хватает таланта", "слишком поздно начал", "ML не для меня". Но на практике почти все специалисты проходили через этот этап. Машинное обучение объединяет программирование, математику, статистику и работу с данными, поэтому первое время мозгу просто не на что опереться.
Александр Дубейковский (ML Engineer в Avito, ex-Yandex, эксперт MLinside) расскажет, почему непонимание это нормальная часть обучения, как правильно изучать сложные темы и что делать, если очередной урок кажется набором незнакомых слов.
Кому будет полезно это видео
▪️Тем, кто только начинает изучать Machine Learning
▪️Студентам онлайн-курсов по ML и Data Science
▪️Разработчикам и аналитикам, которые переходят в AI
▪️Тем, кто думает бросить обучение из-за сложных тем
▪️Всем, кто хочет выстроить правильную стратегию обучения
Если вы тоже сталкивались с ощущением, что "ничего не понятно", напишите в комментариях, какая тема в ML оказалась для вас самой сложной.
...то видео, которое у нас вышло на YouTube, в ВК и Дзен будем вам полезно. Большинство людей думают, что проблема в них: "не хватает таланта", "слишком поздно начал", "ML не для меня". Но на практике почти все специалисты проходили через этот этап. Машинное обучение объединяет программирование, математику, статистику и работу с данными, поэтому первое время мозгу просто не на что опереться.
Александр Дубейковский (ML Engineer в Avito, ex-Yandex, эксперт MLinside) расскажет, почему непонимание это нормальная часть обучения, как правильно изучать сложные темы и что делать, если очередной урок кажется набором незнакомых слов.
Кому будет полезно это видео
▪️Тем, кто только начинает изучать Machine Learning
▪️Студентам онлайн-курсов по ML и Data Science
▪️Разработчикам и аналитикам, которые переходят в AI
▪️Тем, кто думает бросить обучение из-за сложных тем
▪️Всем, кто хочет выстроить правильную стратегию обучения
Если вы тоже сталкивались с ощущением, что "ничего не понятно", напишите в комментариях, какая тема в ML оказалась для вас самой сложной.
👍9
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.
Четырнадцатая задача
Что нужно сделать: По разным параметрам сделать классификатор уволится человек с работы или нет (переменная attrition)
Как можно сделать:
▪️Обучить классификатор на всех данных
▪️Определить при каких значениях разных переменных человек с большой вероятностью уволится. Определить топ 5 для каждого уровня образования, посмотреть насколько этот топ меняется
▪️Определить насколько важен ворк/лайф баланс
▪️Обучить свой классификатор увольнения для каждого значения переменной PerformanceRating, изменился ли топ 5 значимых переменных в этих классификатор по сравнению с топ 5 у общей модели
▪️или сделать что-то другое
Данные можно взять на Kaggle: https://www.kaggle.com/datasets/pavansubhasht/ibm-hr-analytics-attrition-dataset
Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1tAgD5KleAkCtYHKI0uUHWTfW1ucDv5ZX?usp=sharing
Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside
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.
Четырнадцатая задача
Что нужно сделать: По разным параметрам сделать классификатор уволится человек с работы или нет (переменная attrition)
Как можно сделать:
▪️Обучить классификатор на всех данных
▪️Определить при каких значениях разных переменных человек с большой вероятностью уволится. Определить топ 5 для каждого уровня образования, посмотреть насколько этот топ меняется
▪️Определить насколько важен ворк/лайф баланс
▪️Обучить свой классификатор увольнения для каждого значения переменной PerformanceRating, изменился ли топ 5 значимых переменных в этих классификатор по сравнению с топ 5 у общей модели
▪️или сделать что-то другое
Данные можно взять на Kaggle: https://www.kaggle.com/datasets/pavansubhasht/ibm-hr-analytics-attrition-dataset
Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1tAgD5KleAkCtYHKI0uUHWTfW1ucDv5ZX?usp=sharing
Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside
❤5
9 июля пройдет форум Data Day 2026 — одно из крупнейших событий про данные, аналитику и AI.
На форуме обсудят:
— как бизнес использует data-driven подходы,
— реальные кейсы внедрения AI и аналитики,
— тренды рынка,
— практику команд и компаний, которые уже строят решения на данных.
Соберутся сильные эксперты, практики и лидеры индустрии — будет много прикладного контента и полезного нетворкинга.
🎫 И у вас есть возможность попасть на форум бесплатно.
Для этого нужно подписаться на каналы спикеров и организаторов через бота.
Чтобы получить билет, переходите в бота.
👉 Посмотреть программу и состав спикеров можно на сайте Data Day
На форуме обсудят:
— как бизнес использует data-driven подходы,
— реальные кейсы внедрения AI и аналитики,
— тренды рынка,
— практику команд и компаний, которые уже строят решения на данных.
Соберутся сильные эксперты, практики и лидеры индустрии — будет много прикладного контента и полезного нетворкинга.
🎫 И у вас есть возможность попасть на форум бесплатно.
Для этого нужно подписаться на каналы спикеров и организаторов через бота.
Чтобы получить билет, переходите в бота.
👉 Посмотреть программу и состав спикеров можно на сайте Data Day
❤7👍2🔥2
А у нас там подкаст вышел, видели?
Если вдруг нет, то заходите на YouTube, в ВК или Дзен, там увидите подкаст Виктора Кантора и Татьяны Гайнцевой – AI Researcher и PhD-кандидат в Queen Mary University of London, исследовательница в области интерпретируемости и управления поведением генеративных моделей. Обладательница стипендии DeepMind, преподаватель Deep Learning School и Nebius Academy, соосновательница Deep Learning School, автор телеграм-канала DLStories и подкаста Deep Learning Stories. Ранее занималась исследованиями в Huawei и Philips, работая над задачами компьютерного зрения и медицинского AI.
В выпуске разговор получился не столько про карьеру в AI, сколько про исследовательское мышление. Почему одни специалисты годами улучшают метрики моделей, а другие пытаются понять, что происходит внутри них? Зачем вообще исследовать интерпретируемость нейросетей? Можно ли управлять поведением LLM через активации отдельных слоев? И почему иногда самый интересный вопрос в машинном обучении – не «как сделать лучше», а «почему это вообще работает»?
Ждём вас на удобной для вас площадке:
https://youtu.be/pXMd0N6xSAQ
https://vk.com/video-228219607_456239235
https://dzen.ru/video/watch/6a314bf1a6d473684e1eb721
Если вдруг нет, то заходите на YouTube, в ВК или Дзен, там увидите подкаст Виктора Кантора и Татьяны Гайнцевой – AI Researcher и PhD-кандидат в Queen Mary University of London, исследовательница в области интерпретируемости и управления поведением генеративных моделей. Обладательница стипендии DeepMind, преподаватель Deep Learning School и Nebius Academy, соосновательница Deep Learning School, автор телеграм-канала DLStories и подкаста Deep Learning Stories. Ранее занималась исследованиями в Huawei и Philips, работая над задачами компьютерного зрения и медицинского AI.
В выпуске разговор получился не столько про карьеру в AI, сколько про исследовательское мышление. Почему одни специалисты годами улучшают метрики моделей, а другие пытаются понять, что происходит внутри них? Зачем вообще исследовать интерпретируемость нейросетей? Можно ли управлять поведением LLM через активации отдельных слоев? И почему иногда самый интересный вопрос в машинном обучении – не «как сделать лучше», а «почему это вообще работает»?
Ждём вас на удобной для вас площадке:
https://youtu.be/pXMd0N6xSAQ
https://vk.com/video-228219607_456239235
https://dzen.ru/video/watch/6a314bf1a6d473684e1eb721
❤15
Это рубрика «ML в реальной жизни» и у нас третья задача
Мы продолжаем нашу рубрику, где задаем ситуации, с которыми сталкиваются ML/DS-команды в продакшене. В этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон.
Поэтому, если хотите, чтобы рубрика была вам максимально полезна, в комментариях важно не просто выбрать вариант, а объяснить:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали
Сегодня у нас ситуация №3:
Ситуация: Модель молча сломалась
Контекст:
Модель в продакшене перестала обновлять прогнозы. Логи в норме, ошибок нет, пайплайн "зелёный". Но свежие предсказания не появляются. Вы подозреваете тихий сбой: завис джоб, кончилось место, изменился формат входных данных – но где именно, непонятно.
Варианты действий:
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
Мы продолжаем нашу рубрику, где задаем ситуации, с которыми сталкиваются ML/DS-команды в продакшене. В этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон.
Поэтому, если хотите, чтобы рубрика была вам максимально полезна, в комментариях важно не просто выбрать вариант, а объяснить:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали
Сегодня у нас ситуация №3:
Ситуация: Модель молча сломалась
Контекст:
Модель в продакшене перестала обновлять прогнозы. Логи в норме, ошибок нет, пайплайн "зелёный". Но свежие предсказания не появляются. Вы подозреваете тихий сбой: завис джоб, кончилось место, изменился формат входных данных – но где именно, непонятно.
Варианты действий:
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
Кажется, что к собеседованию по ML нужно заново выучить всю математику?
На практике это не так. Большинство математических вопросов на интервью связаны не со сложными доказательствами и выводами формул, а с пониманием того, как работают модели, метрики и эксперименты.
У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Avito, ex-Yandex, эксперт MLinside) расскажет, какие математические темы чаще всего встречаются на ML-собеседованиях, как быстро восстановить знания перед интервью и почему решение задач работает намного лучше, чем чтение учебников в последний момент.
Кому будет полезно это видео:
▪️Тем, кто готовится к ML-собеседованиям
▪️Junior и Middle ML-инженерам
▪️Data Scientists
▪️Студентам, ищущим первую работу в ML
▪️Всем, кто давно не открывал математику и хочет быстро освежить знания
Нашли себя в этом списке? Тогда велком на удобную площадку:
https://youtu.be/LQif1TY84s0?is=PyaQPNF08kmPMe9w
https://vkvideo.ru/video-228219607_456239242
https://dzen.ru/video/watch/6a3d7bbb2dd9ef51bfaa2a60?share_to=link
На практике это не так. Большинство математических вопросов на интервью связаны не со сложными доказательствами и выводами формул, а с пониманием того, как работают модели, метрики и эксперименты.
У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Avito, ex-Yandex, эксперт MLinside) расскажет, какие математические темы чаще всего встречаются на ML-собеседованиях, как быстро восстановить знания перед интервью и почему решение задач работает намного лучше, чем чтение учебников в последний момент.
Кому будет полезно это видео:
▪️Тем, кто готовится к ML-собеседованиям
▪️Junior и Middle ML-инженерам
▪️Data Scientists
▪️Студентам, ищущим первую работу в ML
▪️Всем, кто давно не открывал математику и хочет быстро освежить знания
Нашли себя в этом списке? Тогда велком на удобную площадку:
https://youtu.be/LQif1TY84s0?is=PyaQPNF08kmPMe9w
https://vkvideo.ru/video-228219607_456239242
https://dzen.ru/video/watch/6a3d7bbb2dd9ef51bfaa2a60?share_to=link
👍2
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.
Пятнадцатая задача
Что нужно сделать:
По различным параметрам и результатом анализов женщины определить есть у нее диабет или нет
Как можно сделать:
▪️Построить confusion matrix для нескольких признаков, посмотреть есть ли между ними зависимость или нет
▪️Обучить классификаторы на данных
▪️Посмотреть на важность признаков, если некоторые зависят друг от друга и важны, то попробовать их как-то разделить и обучить классификатор снова
▪️или сделать что-то другое
Данные можно взять на Kaggle: https://www.kaggle.com/datasets/uciml/pima-indians-diabetes-database
Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1NZXRFcxHAR-RABH7cEplpUd4wX67dibw?usp=sharing
Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside
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.
Пятнадцатая задача
Что нужно сделать:
По различным параметрам и результатом анализов женщины определить есть у нее диабет или нет
Как можно сделать:
▪️Построить confusion matrix для нескольких признаков, посмотреть есть ли между ними зависимость или нет
▪️Обучить классификаторы на данных
▪️Посмотреть на важность признаков, если некоторые зависят друг от друга и важны, то попробовать их как-то разделить и обучить классификатор снова
▪️или сделать что-то другое
Данные можно взять на Kaggle: https://www.kaggle.com/datasets/uciml/pima-indians-diabetes-database
Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1NZXRFcxHAR-RABH7cEplpUd4wX67dibw?usp=sharing
Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside
❤8
«Кажется, я слишком поздно начал изучать ML»
Это одна из самых частых фраз, которые мы слышим от новых студентов.
Кто-то откладывал обучение несколько лет. Кто-то думал, что без сильной математики в машинном обучении делать нечего. Кто-то смотрел на вакансии и был уверен, что индустрия уже переполнена специалистами.
Но каждый новый поток показывает одно и то же: в ML приходят люди с очень разным опытом и стартовыми знаниями. Аналитики, разработчики, инженеры, менеджеры и даже те, кто раньше вообще не работал с данными.
Главное не то, когда вы начали, а то насколько системно вы учитесь. И мы рады сообщить, что открываем набор на 5 поток курса «База ML».
Это курс для тех, кто хочет разобраться в машинном обучении последовательно и без бесконечных пробелов в знаниях. От основ Python и математики до построения собственных моделей и понимания того, как ML применяется в реальных продуктах.
За время обучения вы:
▪️освоите ключевые алгоритмы машинного обучения;
▪️научитесь работать с данными и строить модели на Python;
▪️разберетесь в метриках и оценке качества моделей;
▪️познакомитесь с нейронными сетями;
▪️поймете, как устроены современные ML-системы;
▪️выполните практические задания и соберете проект для портфолио.
В 5 потоке мы также усилили программу темами, которые сегодня активно используются в индустрии:
-применение AI-инструментов в работе ML-специалиста;
-основы ML System Design;
-разбор реальных бизнес-кейсов;
-больше практики и поддержки от кураторов.
Мы не обещаем, что путь будет простым. Машинное обучение требует времени, практики и настойчивости. Но если вы давно хотели разобраться в ML и не знали, с чего начать, сейчас хороший момент сделать первый шаг.
Набор на 5 поток уже открыт, заполните форму для предзаписи: https://forms.yandex.ru/cloud/6a4275fe505690a71a0fead6
Подробности о программе, формате обучения и тарифах на сайте: https://mlinside.ru/?utm_source=telegram&utm_medium=social&utm_campaign=anons_29_06_2026
А если у вас есть вопросы о курсе, задавайте их в комментариях. Постараемся ответить на каждый.
❤2👍2🔥2
Перенос старта курса и прямой эфир с Виктором Кантором и Валерием Бабушкиным
Старт курса ML System Design переносится на 17 июля. Если вы планировали присоединиться, у вас появилось ещё немного времени, чтобы принять решение и подготовиться к обучению.
В следующий понедельник, 6 июля проведем на YouTube прямой эфир. Виктор задаст Валерию вопросы о ML System Design, а Валерий ответит на них и поделится своим опытом в проектировании ML-систем. Плюс, ответим на ваши вопросы.
О чем еще поговорим на эфире:
▪️зачем ML-инженеру вообще нужен System Design;
▪️как меняются требования к специалистам с развитием LLM и AI-агентов;
▪️как проектировать системы, а не только модели;
▪️какие навыки действительно востребованы в индустрии;
Если у вас есть вопросы про ML System Design, архитектуру ML-систем, production ML, карьеру, собеседования, LLM или обучение – напишите их в форме: https://forms.yandex.ru/cloud/6a44d2dff47e73beb4bf22b0.
Не упустите возможность задать свои вопросы топам ML-индустрии!
Регистрация на прямой эфир: https://t.me/ml_insideBot?start=web060726
Старт курса ML System Design переносится на 17 июля. Если вы планировали присоединиться, у вас появилось ещё немного времени, чтобы принять решение и подготовиться к обучению.
В следующий понедельник, 6 июля проведем на YouTube прямой эфир. Виктор задаст Валерию вопросы о ML System Design, а Валерий ответит на них и поделится своим опытом в проектировании ML-систем. Плюс, ответим на ваши вопросы.
О чем еще поговорим на эфире:
▪️зачем ML-инженеру вообще нужен System Design;
▪️как меняются требования к специалистам с развитием LLM и AI-агентов;
▪️как проектировать системы, а не только модели;
▪️какие навыки действительно востребованы в индустрии;
Если у вас есть вопросы про ML System Design, архитектуру ML-систем, production ML, карьеру, собеседования, LLM или обучение – напишите их в форме: https://forms.yandex.ru/cloud/6a44d2dff47e73beb4bf22b0.
Не упустите возможность задать свои вопросы топам ML-индустрии!
Регистрация на прямой эфир: https://t.me/ml_insideBot?start=web060726
❤1