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
Cтоит ли сегодня тратить годы на изучение программирования, если значительную часть работы уже можно поручить ИИ?
На YouTube, в ВК и Дзен у нас вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) делится своим опытом работы с AI-агентами и рассказывает, чему он учился бы сегодня, если бы только начинал карьеру в IT.
А еще, мы тестируем новые форматы видео, будем благодарны, если вы поделитесь своим мнением в комментариях тут или под видео.
Смотрите на удобной для вас площадке:
YouTube: https://youtu.be/b8Nwiasef50
ВК: https://vkvideo.ru/video-228219607_456239347?list=1f138720fc68ec6ccf
Дзен: https://dzen.ru/video/watch/6adb5dd2e6b18e075b59ae55
На YouTube, в ВК и Дзен у нас вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) делится своим опытом работы с AI-агентами и рассказывает, чему он учился бы сегодня, если бы только начинал карьеру в IT.
А еще, мы тестируем новые форматы видео, будем благодарны, если вы поделитесь своим мнением в комментариях тут или под видео.
Смотрите на удобной для вас площадке:
YouTube: https://youtu.be/b8Nwiasef50
ВК: https://vkvideo.ru/video-228219607_456239347?list=1f138720fc68ec6ccf
Дзен: https://dzen.ru/video/watch/6adb5dd2e6b18e075b59ae55
❤4
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.
Двадцатая задача
Что нужно сделать:
Определить динамику роста цены на разные виды авокадо
Что можно сделать:
▪️Для каждого из 3-ех видов авокадо построить график роста цены одной штуки
▪️Определить штаты в которых рост цен был максимальным для каждого из видов авокадо
▪️определить в каких штатах больше рос спрос на обычные авокадо, а в каких на органик (переменная type)
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.
Двадцатая задача
Что нужно сделать:
Определить динамику роста цены на разные виды авокадо
Что можно сделать:
▪️Для каждого из 3-ех видов авокадо построить график роста цены одной штуки
▪️Определить штаты в которых рост цен был максимальным для каждого из видов авокадо
▪️определить в каких штатах больше рос спрос на обычные авокадо, а в каких на органик (переменная type)
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
❤4
Anthropic советует сворачивать субагентов в один цикл работы агента
Команда прикладного ИИ Anthropic объяснила, когда вместо оркестратора с субагентами лучше один агент с навыками и инструментами, подключаемыми по мере необходимости. У крупных клиентов единый цикл часто выигрывал по качеству, а стоимость и время ответа были ниже.
Именно поэтому там, где лишние звенья только добавляют задержку, Anthropic советует начинать с одного понятного системного промпта, четырёх-пяти простых инструментов доступа к данным и жёстких ограничений на выходные ответы. Качество всего сценария контролирует одна небольшая команда.
Отказываться от субагентов не обязательно: они нужны, когда контекст раздувается и качество падает, задачи надо выполнять параллельно в отдельных контекстах или модель путается в выборе инструментов из-за противоречащих инструкций.
Команда прикладного ИИ Anthropic объяснила, когда вместо оркестратора с субагентами лучше один агент с навыками и инструментами, подключаемыми по мере необходимости. У крупных клиентов единый цикл часто выигрывал по качеству, а стоимость и время ответа были ниже.
Именно поэтому там, где лишние звенья только добавляют задержку, Anthropic советует начинать с одного понятного системного промпта, четырёх-пяти простых инструментов доступа к данным и жёстких ограничений на выходные ответы. Качество всего сценария контролирует одна небольшая команда.
Отказываться от субагентов не обязательно: они нужны, когда контекст раздувается и качество падает, задачи надо выполнять параллельно в отдельных контекстах или модель путается в выборе инструментов из-за противоречащих инструкций.
❤5🔥1😁1