Как таксист пытался присвоить часы жены — и спалился на собственных данных ⌚️📊

Эта история произошла больше года назад. Дату я восстановил, найдя в канале пост о награждении Alfa Awards — после него всё и случилось.

🚕 Мы с женой возвращались домой на «Бизнесе» от Яндекса. Водитель встретил нас у машины и закрыл дверь — всё соответствовало тарифу.

Во время поездки жена сняла Garmin. Вспомнили об этом только дома, когда перед сном понадобилось поставить будильник.

🔍 После двадцати минут поисков я проверил квартиру, подъезд, дорогу от машины до дома и даже заглянул под скамейку.

Часов нигде не было. Оставался один вариант — такси.

📞 Я нашёл номер водителя, позвонил и включил режим сбора данных.

Сначала он сказал, что часов не находил. Затем сообщил, что после нас у него было два заказа: в одном ехали двое пассажиров, в другом — девушка.

Круг подозреваемых получался небольшим: водитель и трое пассажиров.

🧩 Я перезвонил и поделился этой мыслью: все поездки зафиксированы, поэтому полиции будет несложно восстановить события и понять, кто присвоил часы.

И тут версии начали расходиться.

Во втором разговоре изменилось количество пассажиров, а последовательность заказов стала другой. Либо человек плохо помнил события последних часов, либо сознательно менял показания.

Мы ещё несколько раз связались с водителем, дособрали факты и повысили вероятность гипотезы о том, что он нас обманывает.

В какой-то момент модель, видимо, стала очевидной не только для нас.

Водитель сказал, что ещё раз поищет, а затем перезвонил:

— Нашёл! Часы лежали в кармане сиденья. Видимо, вы сами их туда положили.

🚘 Через полчаса он приехал и вернул Garmin.

Часы почему-то были выключены.

Я включил их и увидел другой циферблат и новые настройки. В профиле были указаны дата рождения, пол, рост и вес нового владельца.

То есть часы успели сбросить, настроить под другого человека и надеть на руку.

И здесь история стала особенно интересной для человека, который занимается данными.

❤️‍🔥 Garmin записывал пульс, вариабельность сердечного ритма и уровень стресса.

По данным можно было увидеть не только примерное время сброса настроек, но и всплески стресса во время наших звонков.

Корреляция получилась выразительной.

Без пароля от нового аккаунта выгрузить данные не удалось. Поэтому график на карточке — реконструкция событий, а не сохранённый экспорт из Garmin.

Но главным разочарованием оказался даже не водитель.

💬 После первого обращения поддержка Яндекса фактически ответила:

— Водитель сказал, что ничего не находил. Мы ничем не можем помочь.

Когда часы вернулись и я рассказал, что их сбросили, настроили под другого человека и носили на руке, позиция почти не изменилась:

— Хотите — обращайтесь в полицию.

То есть сервис получил историю о попытке присвоить имущество стоимостью около тысячи долларов и не увидел повода разобраться.

Никакой проверки водителя.
Никакого внутреннего расследования.

Отдельный апсет: всё это произошло в «Бизнесе». Выбирая этот тариф, рассчитываешь не только на дорогую машину и открытые двери, но и на другой уровень сервиса и ответственности.

При этом я понимаю, насколько сложна работа таксиста: длинные смены, пробки, высокая нагрузка и постоянный стресс. Но это не оправдывает попытку присвоить чужую вещь.

В полицию я не обратился.

Надеюсь, для водителя эта история стала шансом остановиться и исправиться. Судя по уровню стресса во время наших разговоров, вечер и без полиции оказался для него поучительным.

Хочется верить, что он воспринял произошедшее как урок, а не как сигнал о том, что подобное можно повторять без последствий.

💡 Практический вывод

Используйте методы анализа данных не только в работе, но и в повседневной жизни.

Когда мы строим модели, то собираем факты, сравниваем версии, проверяем гипотезы и восстанавливаем причинно-следственные связи.

Практически как детективы 🕵️‍♂️📊

Иногда эти навыки помогают не только продавать кредиты, повышать конверсию и оптимизировать бизнес-процессы, но и проводить вполне реальные расслед

🔥 Как прошёл офлайн-бранч ODS Moscow × Нескучный Data Science

🧠 Начали с доклада Альберта про то, как в Avito обучают собственную LLM.

Это не история про «взяли открытую модель и немного дообучили», а полноценный процесс: выбор базовой модели, собственный токенизатор, адаптация на данных Avito, SFT и дальнейшее обучение с помощью RL.

Для SFT собрали больше 800 тысяч примеров: открытые датасеты, синтетические данные, олимпиадные задачи, внутренние бизнес-кейсы и диалоги пользователей с большими моделями.

На этапе RL отдельно развивают несколько навыков модели: решение математических задач, следование сложным инструкциям и корректный вызов инструментов. Причём для каждого навыка нужен свой автоматически проверяемый reward.

В математике система извлекает финальный ответ и проверяет его эквивалентность правильному. В instruction following — смотрит, выполнила ли модель все заданные ограничения. В function calling — проверяет название инструмента, аргументы и их значения.

Отдельно поговорили про инфраструктуру. Для моделей на 8B параметров можно относительно быстро запускать эксперименты и проверять гипотезы. Но при переходе к большим MoE-моделям главным вызовом становятся масштабирование, распределение модели по GPU, батчинг, инференс и offloading.

👨‍🔬 После продуктовых LLM резко переключились на химию.

Константин начал с важной мысли: химическая информация — это не один универсальный тип данных. Одну и ту же молекулу можно представить текстом, строкой SMILES, двумерным графом, трёхмерной структурой или структурой, которая изменяется во времени. И под каждое представление нужны свои методы и модели.

Поговорили о том, почему даже на фоне сложных нейросетевых архитектур связка Morgan fingerprints + XGBoost всё ещё остаётся очень сильным базовым решением для многих задач с химическими данными.

Затем перешли к геометрическим графовым нейронным сетям. Они учитывают расположение атомов и позволяют предсказывать свойства молекул в десятки раз быстрее традиционных DFT-расчётов.

Отдельно разобрали нейронные потенциалы и delta-ML. Идея в том, чтобы не выполнять каждый раз дорогой квантово-химический расчёт полностью: часть свойства можно посчитать более дешёвым методом, а нейросети поручить предсказать необходимую поправку.

Дошли и до LLM с агентами. Здесь пока всё не так магически, как иногда выглядит в заголовках: модели могут по-разному отвечать на один и тот же вопрос в зависимости от того, передали им обычное название соединения, IUPAC или SMILES. А некоторые агенты, которые должны самостоятельно запускать вычислительные эксперименты, пока скорее напоминают roadmap, чем полностью автономного исследователя.

Зато роботизация лабораторий уже вполне реальна: специализированные платформы, роборуки, автоматическое проведение серий экспериментов и превращение обычного оборудования в high-throughput-системы.

🎬 После двух технических докладов разговор с Денисом про ИИ в кино оказался очень кстати 😅

Обсудили, где новые инструменты уже помогают при работе с контентом, какие процессы способны ускорить, где вызывают сопротивление и в каких задачах пока остаются скорее экспериментом.

Но, как обычно, самое ценное происходило не только во время выступлений. После докладов продолжили обсуждать услышанное за завтраком, задавать вопросы, спорить, знакомиться и делиться своими кейсами.

Спасибо Альберту, Константину и Денису за содержательные выступления, ODS Moscow — за очередную совместную встречу, МИРА бистро — за пространство, а всем, кто пришёл, — за вопросы и атмосферу.

Формат «бранч + несколько докладов» точно будем повторять.

Поэтому уже начинаем собирать темы для следующего бранч-митапа. Если вам есть о чём рассказать — про рабочий кейс, исследование, неожиданный эксперимент, применение ИИ в своей индустрии или даже неудачу, из которой можно сделать полезные выводы, — присылайте тему доклада и пару предложений о себе в комментарии или личные сообщения.

P.S. Будем учиться фотографироваться до того, как все разошлись 😅