Модель стала точнее на 1% – значит, система стала лучше?
В реальном ML-проекте более точная модель может оказаться слишком медленной, требовать в несколько раз больше GPU или сделать инфраструктуру настолько дорогой, что её улучшение просто не окупится.
У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает, как оценивать производительность ML-систем и почему в продакшене важны не только метрики качества модели, но и **latency, RPS, CPU, GPU, память и стоимость инференса.
А в конце на примере рекомендательной системы уровня VK Видео разбираем, сколько примерно может стоить реальная ML-система: от серверов для инференса и хранения данных до инфраструктуры и команды. Ответ наверняка вас удивит.
Смотреть на YouTube
Смотреть в ВК
Смотреть в Дзен
В реальном ML-проекте более точная модель может оказаться слишком медленной, требовать в несколько раз больше GPU или сделать инфраструктуру настолько дорогой, что её улучшение просто не окупится.
У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает, как оценивать производительность ML-систем и почему в продакшене важны не только метрики качества модели, но и **latency, RPS, CPU, GPU, память и стоимость инференса.
А в конце на примере рекомендательной системы уровня VK Видео разбираем, сколько примерно может стоить реальная ML-система: от серверов для инференса и хранения данных до инфраструктуры и команды. Ответ наверняка вас удивит.
Смотреть на YouTube
Смотреть в ВК
Смотреть в Дзен
👍3
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.
Семнадцатая задача
Что нужно сделать:
Определить самых успешных игроков и колледжи где чаще всего появляются успешные игроки и посмотреть как это менялось с временем, сделать модель для предсказания рейтинга игрока
Как можно сделать:
▪️Сделать модель предсказания рейтинга игрока, посмотреть на каких местах по важности у модели рост и вес;
▪️Определить самые перспективные колледжи для поступления школьнику который хочет выступать в NBA;
▪️Определить по 3 самых успешных игрока для каждого года рождения, посчитать их зарплату, узнать для какого года рождения сумма зарплаты топ 3 самая большая.
Данные можно взять на Kaggle
Пример ноутбука (с случайными пропусками строк)
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.
Семнадцатая задача
Что нужно сделать:
Определить самых успешных игроков и колледжи где чаще всего появляются успешные игроки и посмотреть как это менялось с временем, сделать модель для предсказания рейтинга игрока
Как можно сделать:
▪️Сделать модель предсказания рейтинга игрока, посмотреть на каких местах по важности у модели рост и вес;
▪️Определить самые перспективные колледжи для поступления школьнику который хочет выступать в NBA;
▪️Определить по 3 самых успешных игрока для каждого года рождения, посчитать их зарплату, узнать для какого года рождения сумма зарплаты топ 3 самая большая.
Данные можно взять на Kaggle
Пример ноутбука (с случайными пропусками строк)
Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside
❤7
Forwarded from Kantor.AI
Из аналитики и разработки в ML + куда расти дальше
Я хорошо помню, как DSом мучался выбором: идти или не идти в CV (когда была такая опция), рваться ли в NLPшные проекты, продолжать делать рекомендательные системы или же больше перспектив для быстрого карьерного роста будет, например, в классической предиктивной аналитике с прогнозированием спроса или оттока. Всегда очень хочется не прогадать, куда инвестировать следующие несколько лет своей жизни. Сейчас еще тяжелее: есть несколько захайпленых тем у всех на слуху, а как за ними разглядеть свое собственное будущее - непонятно.
Если вы только переходите в ML из аналитики или разработки, то разбираться надо еще и в том, что из вашего опыта уже полезно, в чём лучше "забыть все что знал раньше", а чего совсем не хватает, и как это добирать.
21 сентября в 19:00 МСК я проведу об этом закрытый вебинар для комьюнити нашей специализации по ИИ и анализу данных.
Поговорим, как переходить в ML из разработки и аналитики, чего обычно не хватает на собеседованиях и куда расти после Classic ML: RecSys, поиск, CV, NLP/LLM, антифрод, а также research, продуктовый ML, ML-инженерия и карьера лида.
Ключевой вопрос вебинара: "куда вложить следующие несколько лет карьеры, чтобы потом не загрызло FOMO?".
И отдельно поотвечаю на карьерные вопросы слушателей.
21 сентября, 19:00 МСК
Вебинар только для студентов специализации. Если ещё не с нами — присоединиться к специализации можно по ссылке.
Для тех, кто уже учился в MLinside или на Специализации МФТИ и Яндекса на Курсере, заполняйте форму, дадим промокод со скидкой❤️
Я хорошо помню, как DSом мучался выбором: идти или не идти в CV (когда была такая опция), рваться ли в NLPшные проекты, продолжать делать рекомендательные системы или же больше перспектив для быстрого карьерного роста будет, например, в классической предиктивной аналитике с прогнозированием спроса или оттока. Всегда очень хочется не прогадать, куда инвестировать следующие несколько лет своей жизни. Сейчас еще тяжелее: есть несколько захайпленых тем у всех на слуху, а как за ними разглядеть свое собственное будущее - непонятно.
Если вы только переходите в ML из аналитики или разработки, то разбираться надо еще и в том, что из вашего опыта уже полезно, в чём лучше "забыть все что знал раньше", а чего совсем не хватает, и как это добирать.
21 сентября в 19:00 МСК я проведу об этом закрытый вебинар для комьюнити нашей специализации по ИИ и анализу данных.
Поговорим, как переходить в ML из разработки и аналитики, чего обычно не хватает на собеседованиях и куда расти после Classic ML: RecSys, поиск, CV, NLP/LLM, антифрод, а также research, продуктовый ML, ML-инженерия и карьера лида.
Ключевой вопрос вебинара: "куда вложить следующие несколько лет карьеры, чтобы потом не загрызло FOMO?".
И отдельно поотвечаю на карьерные вопросы слушателей.
21 сентября, 19:00 МСК
Вебинар только для студентов специализации. Если ещё не с нами — присоединиться к специализации можно по ссылке.
Для тех, кто уже учился в MLinside или на Специализации МФТИ и Яндекса на Курсере, заполняйте форму, дадим промокод со скидкой
Please open Telegram to view this post
VIEW IN TELEGRAM
mlinside.ru
Специализация "Искусственный интеллект и анализ данных"
❤5👍1
Media is too big
VIEW IN TELEGRAM
Александр Поваров — золотой медалист международной олимпиады школьников по искусственному интеллекту, выпускник Летово и студент первого курса. В ML пришёл ещё в школе, а в 2026 году выиграл золото Межнара — международной олимпиады по ИИ.
На YouTube у нас вышел подкаст с Александром, где мы говорим об олимпиадах, поступлении и начале карьеры в ML.
Как устроен Межнар и сколько нужно готовиться, чтобы до него дойти? Почему Александр выбрал олимпиаду по искусственному интеллекту, хотя раньше занимался информатикой? И почему даже 310 баллов на ЕГЭ не всегда гарантируют поступление?
Ответы в выпуске: https://youtu.be/StQ_voqWqLM
На YouTube у нас вышел подкаст с Александром, где мы говорим об олимпиадах, поступлении и начале карьеры в ML.
Как устроен Межнар и сколько нужно готовиться, чтобы до него дойти? Почему Александр выбрал олимпиаду по искусственному интеллекту, хотя раньше занимался информатикой? И почему даже 310 баллов на ЕГЭ не всегда гарантируют поступление?
Ответы в выпуске: https://youtu.be/StQ_voqWqLM
❤12👍2🔥2
Общий аттеншн, на связи рубрика «ML в реальной жизни» и у нас шестая 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, важно не просто выбрать вариант, а объяснить в комментариях:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали
Сегодня у нас ситуация №6
Ситуация: модель переобучилась. Но об этом никто не знает
Контекст:
Вы заметили, что модель на валидации показывает отличные метрики, но на свежих данных в продакшене качество постепенно снижается. При этом мониторинг не бьёт тревогу – формально всё в пределах допустимого. Команда занята другими задачами, бизнес доволен текущими результатами.
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, важно не просто выбрать вариант, а объяснить в комментариях:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали
Сегодня у нас ситуация №6
Ситуация: модель переобучилась. Но об этом никто не знает
Контекст:
Вы заметили, что модель на валидации показывает отличные метрики, но на свежих данных в продакшене качество постепенно снижается. При этом мониторинг не бьёт тревогу – формально всё в пределах допустимого. Команда занята другими задачами, бизнес доволен текущими результатами.
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
Сегодня в 19:00 МСК встречаемся на закрытом вебинаре с Виктором Кантором «Из аналитики и разработки в ML + куда расти дальше»
Если вы сейчас выбираете направление для развития в ML, пытаетесь понять, каких навыков вам не хватает для следующего карьерного шага или не знаете, куда двигаться после Classic ML – этот вебинар будет для вас особенно полезен.
На вебинаре Виктор расскажет:
▪️как перейти в ML из аналитики и разработки;
▪️каких знаний и навыков чаще всего не хватает на собеседованиях;
▪️куда расти после Classic ML: RecSys, поиск, CV, NLP/LLM, антифрод;
▪️что происходит с карьерными треками в research, продуктовом ML, ML-инженерии и менеджменте;
▪️как выбирать направление, чтобы не потратить несколько лет на то, что потом окажется не вашим.
В конце Виктор ответит на вопросы участников.
Сегодня, 21 сентября, в 19:00 МСК
Вебинар только для подписчиков Специализации "ИИ и анализ данных". Если вы ещё не с нами – присоединиться к специализации можно по ссылке.
А если вы уже учились в MLinside или на Специализации МФТИ и Яндекса на Курсере – заполняйте форму, отправим вам промокод со скидкой.
Если вы сейчас выбираете направление для развития в ML, пытаетесь понять, каких навыков вам не хватает для следующего карьерного шага или не знаете, куда двигаться после Classic ML – этот вебинар будет для вас особенно полезен.
На вебинаре Виктор расскажет:
▪️как перейти в ML из аналитики и разработки;
▪️каких знаний и навыков чаще всего не хватает на собеседованиях;
▪️куда расти после Classic ML: RecSys, поиск, CV, NLP/LLM, антифрод;
▪️что происходит с карьерными треками в research, продуктовом ML, ML-инженерии и менеджменте;
▪️как выбирать направление, чтобы не потратить несколько лет на то, что потом окажется не вашим.
В конце Виктор ответит на вопросы участников.
Сегодня, 21 сентября, в 19:00 МСК
Вебинар только для подписчиков Специализации "ИИ и анализ данных". Если вы ещё не с нами – присоединиться к специализации можно по ссылке.
А если вы уже учились в MLinside или на Специализации МФТИ и Яндекса на Курсере – заполняйте форму, отправим вам промокод со скидкой.
❤3👍3🔥1
AI Engineering Skills Map: как работать с coding agents
Где-то месяц назад мы разбирали AI Engineering Skills Map от Andrew Ng. С тех пор он продолжил развивать эту тему – в новой публикации он подробно разобрал работу с coding agents и навыки, которые нужны для эффективного взаимодействия с ними.
Мы сделали краткий пересказ материала и собрали основные идеи в карточках. Если хотите ознакомиться с полной версией, статью на английском языке можно прочитать вот тут.
Что меняется в работе инженера
Coding agents уже давно вышли за рамки обычного написания кода. С их помощью можно решать задачи, связанные с анализом данных и управлением системами, а также автоматизировать отдельные этапы разработки. Поэтому инженеру важно не только уметь работать с coding agents, но и понимать, как встроить их в процесс разработки: что делегировать, какой уровень автономности предоставить, как проверять результат и когда вмешиваться.
Andrew Ng описывает этот процесс как итеративный цикл: планирование → выполнение → проверка → развёртывание и мониторинг. При необходимости инженер возвращается на предыдущие этапы, корректирует задачу и снова запускает процесс.
При этом меняется и сама роль инженера. Всё меньше времени уходит непосредственно на написание кода и всё больше на определение того, что нужно построить, проектирование архитектуры, формулирование требований и проверку результата.
Для эффективной работы с coding agents Andrew Ng выделяет пять ключевых навыков. В карточках – подробнее о каждом из них.
Где-то месяц назад мы разбирали AI Engineering Skills Map от Andrew Ng. С тех пор он продолжил развивать эту тему – в новой публикации он подробно разобрал работу с coding agents и навыки, которые нужны для эффективного взаимодействия с ними.
Мы сделали краткий пересказ материала и собрали основные идеи в карточках. Если хотите ознакомиться с полной версией, статью на английском языке можно прочитать вот тут.
Что меняется в работе инженера
Coding agents уже давно вышли за рамки обычного написания кода. С их помощью можно решать задачи, связанные с анализом данных и управлением системами, а также автоматизировать отдельные этапы разработки. Поэтому инженеру важно не только уметь работать с coding agents, но и понимать, как встроить их в процесс разработки: что делегировать, какой уровень автономности предоставить, как проверять результат и когда вмешиваться.
Andrew Ng описывает этот процесс как итеративный цикл: планирование → выполнение → проверка → развёртывание и мониторинг. При необходимости инженер возвращается на предыдущие этапы, корректирует задачу и снова запускает процесс.
При этом меняется и сама роль инженера. Всё меньше времени уходит непосредственно на написание кода и всё больше на определение того, что нужно построить, проектирование архитектуры, формулирование требований и проверку результата.
Для эффективной работы с coding agents Andrew Ng выделяет пять ключевых навыков. В карточках – подробнее о каждом из них.
❤5🔥3👨💻1
Сегодня стартует 5-й поток курса «База ML» 🚀
«База ML» – курс для новичков в ML и специалистов из смежных областей, которые хотят освоить машинное обучение и понять, как оно применяется в реальных задачах.
Обучение выстроено последовательно: сначала разберём Python, математику и основные алгоритмы машинного обучения, а затем перейдём к работе с данными, нейронным сетям, ML System Design и применению ML в реальных бизнес-задачах.
Также в программе:
▪️ обучение без учителя и методы кластеризации;
▪️ метрики, валидация моделей и A/B-тестирование;
▪️ AI-ассистенты для анализа данных и разработки ML-решений;
▪️ основы MLOps;
▪️ применение ML в бизнесе: рекомендательные системы, динамическое ценообразование, скоринг, антифрод и другие кейсы.
Теорию будем сразу закреплять на практике: в курсе предусмотрены задания по ключевым темам и итоговый проект, который можно добавить в портфолио.
К потоку ещё можно присоединиться.
Оставить заявку на обучение: https://forms.yandex.ru/cloud/6a4275fe505690a71a0fead6
Подробнее о программе, формате обучения и тарифах: https://mlinside.ru/base-ml/?utm_source=telegram&utm_medium=social&utm_campaign=post_23_09_2026
«База ML» – курс для новичков в ML и специалистов из смежных областей, которые хотят освоить машинное обучение и понять, как оно применяется в реальных задачах.
Обучение выстроено последовательно: сначала разберём Python, математику и основные алгоритмы машинного обучения, а затем перейдём к работе с данными, нейронным сетям, ML System Design и применению ML в реальных бизнес-задачах.
Также в программе:
▪️ обучение без учителя и методы кластеризации;
▪️ метрики, валидация моделей и A/B-тестирование;
▪️ AI-ассистенты для анализа данных и разработки ML-решений;
▪️ основы MLOps;
▪️ применение ML в бизнесе: рекомендательные системы, динамическое ценообразование, скоринг, антифрод и другие кейсы.
Теорию будем сразу закреплять на практике: в курсе предусмотрены задания по ключевым темам и итоговый проект, который можно добавить в портфолио.
К потоку ещё можно присоединиться.
Оставить заявку на обучение: https://forms.yandex.ru/cloud/6a4275fe505690a71a0fead6
Подробнее о программе, формате обучения и тарифах: https://mlinside.ru/base-ml/?utm_source=telegram&utm_medium=social&utm_campaign=post_23_09_2026
❤6🔥4🏆3