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
❤5🔥3🏆2