AI-агент экономит деньги или создаёт ещё одну статью расходов?
Расходы на AI-агента не ограничиваются подпиской или оплатой API. К ним добавляются время на настройку, проверку результатов и исправление ошибок. И чем чаще человеку приходится вмешиваться в работу агента, тем дороже обходится каждая задача.
Поэтому прежде чем внедрять AI-агента, стоит разобраться, сколько он будет стоить на практике и действительно ли его использование выгоднее ручной работы.
15 октября в 19:30 МСК проведём вебинар «Сколько на самом деле стоит ваш ИИ-агент: считаем экономику на живом кейсе».
Вместе с Максимом Шаланкиным (ML Team Lead Big Data MWS (МТС), эксперт по production ML и AI-агентам) на реальном кейсе посчитаем полную стоимость AI-агента, сравним расходы на API и подписку, учтём время на проверку результатов и разберёмся, когда агент действительно окупается, а когда выгоднее обойтись без него.
В результате у вас будет понятная методика, с помощью которой можно оценить экономику собственного AI-агента и решить, стоит ли его внедрять.
Дата: 15 октября, 19:30 МСК.
Зарегистрироваться на вебинар: https://live.mlinside.ru/?utm_source=telegram&utm_medium=social&utm_campaign=webinar_anons
Расходы на AI-агента не ограничиваются подпиской или оплатой API. К ним добавляются время на настройку, проверку результатов и исправление ошибок. И чем чаще человеку приходится вмешиваться в работу агента, тем дороже обходится каждая задача.
Поэтому прежде чем внедрять AI-агента, стоит разобраться, сколько он будет стоить на практике и действительно ли его использование выгоднее ручной работы.
15 октября в 19:30 МСК проведём вебинар «Сколько на самом деле стоит ваш ИИ-агент: считаем экономику на живом кейсе».
Вместе с Максимом Шаланкиным (ML Team Lead Big Data MWS (МТС), эксперт по production ML и AI-агентам) на реальном кейсе посчитаем полную стоимость AI-агента, сравним расходы на API и подписку, учтём время на проверку результатов и разберёмся, когда агент действительно окупается, а когда выгоднее обойтись без него.
В результате у вас будет понятная методика, с помощью которой можно оценить экономику собственного AI-агента и решить, стоит ли его внедрять.
Дата: 15 октября, 19:30 МСК.
Зарегистрироваться на вебинар: https://live.mlinside.ru/?utm_source=telegram&utm_medium=social&utm_campaign=webinar_anons
👍4
Добавили в специализацию новый блок про Production ML
Обучить ML-модель — только половина дела. Дальше её нужно превратить в работающий сервис, наладить обработку данных, автоматизировать процессы и обеспечить стабильную работу в продакшене.
В новом блоке специализации «Искусственный интеллект и анализ данных» разбираем весь этот путь.
Начинаем с разработки ML-сервисов на FastAPI и Docker, потоковой обработки данных через Kafka и работы с ClickHouse. Затем переходим к построению витрин с dbt и оркестрации пайплайнов через Airflow и Dagster. На практике объединяем инструменты и настраиваем автоматические запуски.
Отдельно изучаем специализированный ML-стек:
▪️ DVC — версионирование данных и пайплайнов.
▪️ Feast — работа с feature store.
▪️ MLflow — эксперименты и управление моделями.
В финале разбираем CI/CD, автоматизацию деплоя и переобучения, мониторинг через Prometheus и Grafana, а также отслеживание дрейфа данных.
Авторы блока:
— Владислав Бояджи — CDO МТС Scoring, ранее Head of ML в Ozon Банке и «Мокка», ML Team Lead в Сбере и МТС Банке. Преподаватель НИУ ВШЭ.
— Николай Крупий — Data Engineer, автор канала Data & IT Career.
Присоединяйтесь к специализации
Обучить ML-модель — только половина дела. Дальше её нужно превратить в работающий сервис, наладить обработку данных, автоматизировать процессы и обеспечить стабильную работу в продакшене.
В новом блоке специализации «Искусственный интеллект и анализ данных» разбираем весь этот путь.
Начинаем с разработки ML-сервисов на FastAPI и Docker, потоковой обработки данных через Kafka и работы с ClickHouse. Затем переходим к построению витрин с dbt и оркестрации пайплайнов через Airflow и Dagster. На практике объединяем инструменты и настраиваем автоматические запуски.
Отдельно изучаем специализированный ML-стек:
▪️ DVC — версионирование данных и пайплайнов.
▪️ Feast — работа с feature store.
▪️ MLflow — эксперименты и управление моделями.
В финале разбираем CI/CD, автоматизацию деплоя и переобучения, мониторинг через Prometheus и Grafana, а также отслеживание дрейфа данных.
Авторы блока:
— Владислав Бояджи — CDO МТС Scoring, ранее Head of ML в Ozon Банке и «Мокка», ML Team Lead в Сбере и МТС Банке. Преподаватель НИУ ВШЭ.
— Николай Крупий — Data Engineer, автор канала Data & IT Career.
Присоединяйтесь к специализации
❤8🔥5🏆3
Media is too big
VIEW IN TELEGRAM
Модель выкатили на всех, а через месяц метрики упали
И не понятно, что именно пошло не так: плохая модель, сезонность или случайный шум. Чтобы избежать такой ситуации, вам нужен правильно спроектированный A/B-тест. На YouTube, в ВК и Дзен у нас вышло видео, где Даниил Потапов (руководитель бизнесовых решений на данных в Т-Банке, ex-Head of DS & Analytics в МТС и преподаватель Специализации) разбирает, как на самом деле устроены A/B-тесты в ML: от дизайна эксперимента и выбора метрик до статистической значимости и типичных ошибок.
Смотрите видео полностью:
На YouTube
В ВК
На Дзен
Или изучайте весь блок по A/B тестам в специализации AI и анализ данных
И не понятно, что именно пошло не так: плохая модель, сезонность или случайный шум. Чтобы избежать такой ситуации, вам нужен правильно спроектированный A/B-тест. На YouTube, в ВК и Дзен у нас вышло видео, где Даниил Потапов (руководитель бизнесовых решений на данных в Т-Банке, ex-Head of DS & Analytics в МТС и преподаватель Специализации) разбирает, как на самом деле устроены A/B-тесты в ML: от дизайна эксперимента и выбора метрик до статистической значимости и типичных ошибок.
Смотрите видео полностью:
На YouTube
В ВК
На Дзен
Или изучайте весь блок по A/B тестам в специализации AI и анализ данных
❤9
MLinside - школа ML
AI-агент экономит деньги или создаёт ещё одну статью расходов? Расходы на AI-агента не ограничиваются подпиской или оплатой API. К ним добавляются время на настройку, проверку результатов и исправление ошибок. И чем чаще человеку приходится вмешиваться в…
Сегодня в 19:30 МСК встречаемся на вебинаре про экономику AI-агентов!
Будет много практики: возьмём реальный кейс, пройдёмся по расходам и попробуем ответить на главный вопрос: сколько должна стоить задача, чтобы её действительно имело смысл поручать AI-агенту?
Вебинар проведёт Максим Шаланкин, ML Team Lead Big Data MWS (МТС).
Если планируете внедрять AI-агентов в работу или уже экспериментируете с ними, присоединяйтесь.
Начало сегодня в 19:30 МСК.
Подключайтесь к вебинару, чтобы вместе с нами разобраться в цифрах и оценить, насколько выгодны AI-агенты на практике
Будет много практики: возьмём реальный кейс, пройдёмся по расходам и попробуем ответить на главный вопрос: сколько должна стоить задача, чтобы её действительно имело смысл поручать AI-агенту?
Вебинар проведёт Максим Шаланкин, ML Team Lead Big Data MWS (МТС).
Если планируете внедрять AI-агентов в работу или уже экспериментируете с ними, присоединяйтесь.
Начало сегодня в 19:30 МСК.
Подключайтесь к вебинару, чтобы вместе с нами разобраться в цифрах и оценить, насколько выгодны AI-агенты на практике
live.mlinside.ru
Прикладной NLP. Делаем память как в ChatGPT
Прямой эфир MLinside с Андреем Жоговым. 12 ноября 2026, 19:00 МСК.
👍3🔥3❤2🙏1
MLinside - школа ML
Сегодня в 19:30 МСК встречаемся на вебинаре про экономику AI-агентов! Будет много практики: возьмём реальный кейс, пройдёмся по расходам и попробуем ответить на главный вопрос: сколько должна стоить задача, чтобы её действительно имело смысл поручать AI-агенту?…
Мы уже в эфире, присоединяйтесь к трансляции здесь
на YouTube: https://www.youtube.com/live/SSZNVCWWpkI?si=8SV_rL5g9ep4xXQV
или в ВК: https://vkvideo.ru/live-228219607_456239329
на YouTube: https://www.youtube.com/live/SSZNVCWWpkI?si=8SV_rL5g9ep4xXQV
или в ВК: https://vkvideo.ru/live-228219607_456239329
🔥4
Media is too big
VIEW IN TELEGRAM
Есть момент, когда привычного использования нейросетей для отдельных задач становится мало — хочется встроить их в работу так, чтобы они действительно снимали часть нагрузки, а результат при этом оставался управляемым.
На курсе «AI-агенты для продактов» как раз будем разбирать, как выстраивать такие процессы: что можно делегировать агенту, где нужны ограничения и как проверять результат до того, как он попадёт в работу.
Курс стартует 27 октября. Посмотрите программу и оставьте заявку, если хотите собрать собственные рабочие сценарии с AI-агентами
На курсе «AI-агенты для продактов» как раз будем разбирать, как выстраивать такие процессы: что можно делегировать агенту, где нужны ограничения и как проверять результат до того, как он попадёт в работу.
Курс стартует 27 октября. Посмотрите программу и оставьте заявку, если хотите собрать собственные рабочие сценарии с AI-агентами
❤5🔥3
Поиск информации, рекомендации в приложениях и распознавание речи — каждый день мы пользуемся сервисами, в основе которых лежит машинное обучение. При этом ещё 15 лет назад многие из этих задач решались совсем другими способами.
В новом видео у нас на YouTube, в ВК и Дзен Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) на конкретных примерах показывает, как развивались алгоритмы, чему модели научились благодаря данным и почему ML стал настолько востребован в современных цифровых продуктах.
Видео подойдёт тем, кто только знакомится с машинным обучением или хочет лучше понять принципы его работы.
Выбирайте удобную площадку для просмотра:
▪️ YouTube: https://youtu.be/oDi7WTHdCIU
▪️ ВКонтакте: https://vkvideo.ru/video-228219607_456239345
▪️ Дзен: https://dzen.ru/video/watch/6ad1e9d12cdfb474e8fb9f4b
В новом видео у нас на YouTube, в ВК и Дзен Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) на конкретных примерах показывает, как развивались алгоритмы, чему модели научились благодаря данным и почему ML стал настолько востребован в современных цифровых продуктах.
Видео подойдёт тем, кто только знакомится с машинным обучением или хочет лучше понять принципы его работы.
Выбирайте удобную площадку для просмотра:
▪️ YouTube: https://youtu.be/oDi7WTHdCIU
▪️ ВКонтакте: https://vkvideo.ru/video-228219607_456239345
▪️ Дзен: https://dzen.ru/video/watch/6ad1e9d12cdfb474e8fb9f4b
❤3
Внимание-внимание!
Спасибо за внимание, на связи наша регулярная рубрика «ML в реальной жизни» и мы продолжаем задавать 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 №7
Ситуация: Данные есть, но они грязные
Контекст:
Вам дали датасет для новой задачи. 30% пропусков в ключевых признаках, выбросы, несогласованные форматы. Очистка займет 2–3 недели. Дедлайн — через 5 дней. Бизнес ждет "хоть какую-то модель".
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
Спасибо за внимание, на связи наша регулярная рубрика «ML в реальной жизни» и мы продолжаем задавать 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 №7
Ситуация: Данные есть, но они грязные
Контекст:
Вам дали датасет для новой задачи. 30% пропусков в ключевых признаках, выбросы, несогласованные форматы. Очистка займет 2–3 недели. Дедлайн — через 5 дней. Бизнес ждет "хоть какую-то модель".
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
❤4
Необязательно изучать все направления машинного обучения одинаково глубоко
Аналитику может быть важнее статистика и A/B-тестирование, AI Engineer — работа с LLM и развёртывание моделей, а продуктовому менеджеру — оценка возможностей и стоимости AI-решений.
В специализации «Искусственный интеллект и анализ данных» собраны модули для разных профессиональных задач. В карточках показали на четырёх примерах, какие разделы программы стоит изучить в зависимости от вашей работы.
А посмотреть содержание всех доступных модулей можно на сайте
Аналитику может быть важнее статистика и A/B-тестирование, AI Engineer — работа с LLM и развёртывание моделей, а продуктовому менеджеру — оценка возможностей и стоимости AI-решений.
В специализации «Искусственный интеллект и анализ данных» собраны модули для разных профессиональных задач. В карточках показали на четырёх примерах, какие разделы программы стоит изучить в зависимости от вашей работы.
А посмотреть содержание всех доступных модулей можно на сайте
❤5