Forwarded from настенька и графики
Уже второй раз в чатике курса обсуждали, а есть ли какие-нибудь хорошие примеры финансовых дэшей. Делюсь сохраненками по теме:
- Consolidated Financial Report
- Scenario Analysis - IBCS
- Income Statement
- Financial Dashboard | #RWFD
- CORPORATE FINANCE - Balance Sheet (не вау дизайн, но есть что подсмотреть)
- P&L в PowerBI
- Consolidated Financials Power BI Dashboard
- Alternative Approach to Visualize Surplus and Deficit
- Финансовая отчетность в DataLens от Юры Красильникова
- Подборка управленческих отчетов в Excel от Станислава Салостей
И IBCS стандарт и его обзор от Ромы Бунина
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Denis Sexy IT 🤖
Раз 5 передавал между GPT 5 Pro ↔︎ Gemini 2.5 Pro Deep Think довольно сложный вопрос:
Получился такой список, я не все читал так что побежал качать:
Научная и системная оптика
📔 1.
Формирует картину мира от атомов до галактик и показывает научный метод «в деле»: скептицизм, проверяемость, красота сомнения. Даёт масштаб и смирение - противоядие от догматизма и узости перспективы.
📔 2.
Базовый набор инструментов: запасы/потоки, петли обратной связи, задержки, точки рычага. Помогает понимать экосистемы, рынки, политику и ИТ-платформы как сложные системы с непреднамеренными последствиями.
📔 3.
Грамматика когнитивных искажений: вероятности, причинность, риск. Инструкция по выживанию в мире манипуляций и инфошума.
📔 4.
Трезвая оптика антропогенных изменений: биоразнообразие, климат, пороги необратимости. Сшивает экологию с экономикой и политикой.
Практическая философия и жизнестойкость
📔 5.
Стоический «тулкит» для высокой турбулентности: различение контролируемого/неконтролируемого, тренировка внимания, дисциплина и мягкая доброта.
Технологии, власть и общество
📔 6.
Пророческая этика создателя: «способность» ≠ «право», ответственность за побочные эффекты. Рифмуется с ИИ, синбиотехом и «быстрыми» R&D-циклами.
📔
Про невидимую инфраструктуру неравенства: деньги, время, тишина, двери. Учебник по распознаванию структурных барьеров и дизайну условий для таланта.
📔 8.
Язык как инструмент власти, контроль памяти и восприятия. Мини-словарь для распознавания новояза и архитектур наблюдения в цифровой среде.
📔 9.
Деконструирует колониальный взгляд; показывает цену «прогресса» и хрупкость культурных систем. Расширяет моральный круг.
Художественные «симуляторы» глубокой этики
📔 10.
Лаборатория свободы и ответственности. «Великий инквизитор» как модель алгоритмического патернализма: комфорт и предсказуемость в обмен на свободу и данные.
***
А вот мотивация, почему список такой:
P.S. Для кино сделаю такой же попозже
Если бы за всю жизнь, человек мог бы прочитать строго 10 книг, не больше; какие книги это были бы и почему?
Получился такой список, я не все читал так что побежал качать:
Научная и системная оптика
Карл Саган - «Космос»Формирует картину мира от атомов до галактик и показывает научный метод «в деле»: скептицизм, проверяемость, красота сомнения. Даёт масштаб и смирение - противоядие от догматизма и узости перспективы.
Донелла Медоуз - «Азбука системного мышления» (Thinking in Systems)Базовый набор инструментов: запасы/потоки, петли обратной связи, задержки, точки рычага. Помогает понимать экосистемы, рынки, политику и ИТ-платформы как сложные системы с непреднамеренными последствиями.
Даниэль Канеман - «Думай медленно… решай быстро»Грамматика когнитивных искажений: вероятности, причинность, риск. Инструкция по выживанию в мире манипуляций и инфошума.
Элизабет Колберт - «Шестое вымирание»Трезвая оптика антропогенных изменений: биоразнообразие, климат, пороги необратимости. Сшивает экологию с экономикой и политикой.
Практическая философия и жизнестойкость
Марк Аврелий - «Размышления»Стоический «тулкит» для высокой турбулентности: различение контролируемого/неконтролируемого, тренировка внимания, дисциплина и мягкая доброта.
Технологии, власть и общество
Мэри Шелли - «Франкенштейн, или Современный Прометей»Пророческая этика создателя: «способность» ≠ «право», ответственность за побочные эффекты. Рифмуется с ИИ, синбиотехом и «быстрыми» R&D-циклами.
7. Вирджиния Вулф - «Своя комната»Про невидимую инфраструктуру неравенства: деньги, время, тишина, двери. Учебник по распознаванию структурных барьеров и дизайну условий для таланта.
Джордж Оруэлл - «1984»Язык как инструмент власти, контроль памяти и восприятия. Мини-словарь для распознавания новояза и архитектур наблюдения в цифровой среде.
Чинуа Ачебе - «Распад» (Things Fall Apart)Деконструирует колониальный взгляд; показывает цену «прогресса» и хрупкость культурных систем. Расширяет моральный круг.
Художественные «симуляторы» глубокой этики
Фёдор Достоевский - «Братья Карамазовы»Лаборатория свободы и ответственности. «Великий инквизитор» как модель алгоритмического патернализма: комфорт и предсказуемость в обмен на свободу и данные.
***
А вот мотивация, почему список такой:
Когнитивистика вместо «истории науки»: в мире информационного шума важнее понимать собственные ошибки мышления, чем историографию их опровержения.
Экология и системность: кризисы теперь связаны - климат, биоразнообразие, энергетика, эпидемии. Нужен взгляд на взаимосвязи, а не только на «величие идей».
Технологическая этика: ИИ/генетика ставят вопросы ответственности творца и границ контроля.
Практическая философия и устойчивость: инструменты самообладания, когда неопределённость - норма.
Баланс перспектив: добавляем женские голоса и неевропейские оптики, чтобы «карта мира» не была однобокой.
P.S. Для кино сделаю такой же попозже
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Алексей Цыкунов | Про AI и не только
Добавлю ещё вот эти две подборки от моих GPTs (Под капотом GPT-5 thinking + system prompt)
Кстати первый раз в жизни захотелось эти книги из подборки в печатном виде и чтобы стояли на полке в спальне или зале(гостинной).
Кстати первый раз в жизни захотелось эти книги из подборки в печатном виде и чтобы стояли на полке в спальне или зале(гостинной).
Forwarded from всё предельно
Приглашение на Хабр
Недавно на Хабре вышла моя статья "Математика на складе. Как оптимизировать хаос". После получения 50 плюсов Хабр дал мне возможность кому-то подарить приглашение. Хабру уже 19 лет, и там есть сформированная хорошо продуманная система привилегий - кто может писать статьи, комментарии, ставить реакции
Пригласила на Хабр Ваню, автора Кроссворда Тьюринга, и его статья сразу вошла в топ. Крайне рекомендую к прочтению, особенно тем, кто хочет разобраться в деталях постановки задач в теории вероятностей
Недавно на Хабре вышла моя статья "Математика на складе. Как оптимизировать хаос". После получения 50 плюсов Хабр дал мне возможность кому-то подарить приглашение. Хабру уже 19 лет, и там есть сформированная хорошо продуманная система привилегий - кто может писать статьи, комментарии, ставить реакции
Пригласила на Хабр Ваню, автора Кроссворда Тьюринга, и его статья сразу вошла в топ. Крайне рекомендую к прочтению, особенно тем, кто хочет разобраться в деталях постановки задач в теории вероятностей
Forwarded from Философия AI
Всем привет! Вышел наш вебинар о применении искусственного интеллекта в информационной безопасности и безопасности искусственного интеллекта. Самое интересное по тайм-кодам:
06:00 - Встроенная в LLM защита от злонамеренных действий
10:50 - Локальная LLM VS облачные LLM (ChatGPT и т.д.), что безопаснее?
18:50 - ML, AI, LLM - как они соотносятся друг с другом и что такое ИИ?
50:40 - Что умеет ИИ-агент?
01:13:10 - ИИ как объект атаки злоумышленников
01:32:40 - подходы к защите ИИ от атак
06:00 - Встроенная в LLM защита от злонамеренных действий
10:50 - Локальная LLM VS облачные LLM (ChatGPT и т.д.), что безопаснее?
18:50 - ML, AI, LLM - как они соотносятся друг с другом и что такое ИИ?
50:40 - Что умеет ИИ-агент?
01:13:10 - ИИ как объект атаки злоумышленников
01:32:40 - подходы к защите ИИ от атак
RUTUBE
Гибридный SOC 2025: как AI, автоматизация и люди вместе побеждают киберугрозы | Innostage
Здесь можно узнать подробнее и оставить заявку: https://innostage-group.ru/products/copilot/?utm_source=rutube
04:40 ИИ для Red Team и Blue Team
05:30 Встроенная защита LLM
07:40 Prompt injection через события безопасности
10:18 Локальный vs облачный…
04:40 ИИ для Red Team и Blue Team
05:30 Встроенная защита LLM
07:40 Prompt injection через события безопасности
10:18 Локальный vs облачный…
Forwarded from Борис_ь с ml
Росконгресс - состояние AI-агентов для бизнеса в мире
#ai #иб_для_ml
Я неожиданно встретил и прочитал крайне содержательный отчет Росконгресса по состоянию рынка AI-агентов в мире на август 2025 года. Он изобилует цифрами и графиками, свидетельствующими о взрывном росте популярности этой технологии в бизнесе, содержит разбор основных паттернов создания, сценариев использования и рисков применения. Более того, есть даже разбор одного вектора кибератаки.
Ключевые выводы отчета
✅ Успешные внедрения AI‑агентов связаны с решением узких задач с четкими границами автономности и обязательным человеческим контролем важных решений
✅ Агентные системы создают дополнительные векторы кибератак, включая отравление памяти и захват агентов через манипулирование контекстом
✅ Статистические данные не подтверждают массового замещения рабочих мест — лишь 14% работников в США непосредственно столкнулись с сокращениями из‑за автоматизации
Главное по кибербезопасности
➡️ 23% компаний (из 1036 опрошенных IBM) сказали что новые атаки на агентов - главный мешающий фактор для масштабирования технологии
➡️ новым критическим классом атак является отравление памяти
➡️ 80% опрошенных организаций сообщают что у них уже были инциденты, в которых их AI-агенты передавали нарушителям конфиденциальные данные
О чем вообще пишут в отчете
➡️ Концепция агентного ИИ
➡️ Сценарии использования AI-агентов - клиентский сервис, персональные ассистенты, создание контента, HR, транспорт, здравоохранение
➡️ Вопросы масштабирования AI-агентов - надежность, кибератаки, регуляторика, чрезмерная автономность
➡️ Венчурные инвестиции в ИИ - структура фондов в США, количество и объем сделок
➡️ Перспективы внедрения агентного ИИ - снижение операционных расходов, экономия в секторе клиентского облуживания
➡️ Прогнозы рынка агентного ИИ - экспоненциальный рост вплоть до 2034, при этом падение рынка SaaS
➡️ Технические ограничения AI-агентов - накопление ошибок в многошаговых рассуждениях, высокая накапливающаяся стоимость длинных диалогов, сложности с выполнением сложных непрерывных задач
➡️ Риски агентного ИИ - дают ссылку на OWASP и AgentDojo, дается пример "атаки через AI-браузер", утечки конфиденциальных данных в том или ином виде, каскадные эффекты распространения ошибок в многоагентных системах. Перечислены принципы безопасности AI-агентов от OWASP:
▪️ авторизация агентов в нижестоящих системах
▪️ ограничение функциональности "расширений" до минимума
▪️ множество агентов с раздельными ролями вместо универсальных агентов
▪️ непрерывный мониторинг аномалий поведения и механизмы отключения агентов при срабатывании защиты
➡️ AI-агенты на рынке труда - более половины бизнес-лидеров признали, что увольнять людей при появлении ИИ было ошибкой, при этом статистика показывает падение количества вакансий по всем направлениям в США до 50%
➡️ Сценарии будущего рынка AI-агентов
▪️ пессимистичный (инциденты повлекут жесткое регулирование и это задушит рынок)
▪️ базовый (агенты как узкоспециализированные инструменты для повышения эффективности, ничего сверхъестественного, рост рынка замедлится)
▪️ оптимистичный (агенты достигнут надежности свыше 99% и становятся стандартным компонентом любого корпоративного ПО, рынок растет)
#ai #иб_для_ml
Я неожиданно встретил и прочитал крайне содержательный отчет Росконгресса по состоянию рынка AI-агентов в мире на август 2025 года. Он изобилует цифрами и графиками, свидетельствующими о взрывном росте популярности этой технологии в бизнесе, содержит разбор основных паттернов создания, сценариев использования и рисков применения. Более того, есть даже разбор одного вектора кибератаки.
Ключевые выводы отчета
Главное по кибербезопасности
О чем вообще пишут в отчете
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Борис_ь с ml
Вам тоже нужен red teaming AI-агентов - и вот почему
#иб_для_ml
Конференция OFFZONE наконец-то разместила в открытом доступе записи и материалы докладов!
Наш с Димой доклад тоже можно посмотреть и скачать презентацию)
Что вы узнаете в докладе
➡️ как выглядят атаки на AI-агентов: EchoLeak, MCP Slack Lethal Trifecta, и атака на Claude Computer Use, проведенная нашей командой
➡️ как можно применять Модель Угроз КБ AI Сбера для AI-агентов и гайд по созданию AI-агентов для кибербезопасности
➡️ что AI Red Teaming - циклический и непрерывный процесс, состоящий из 3 этапов: Threat Intelligence & Monitoring, Research & Development, Testing
➡️ процесс тестирования изнутри: как происходит оценка потенциальных угроз, оценка критичности AI-агента, отбор перечня промпт-атак для проведения тестирования, и, наконец, конструирование тесета атакующих запросов.
А вопросы по докладу приглашаю задавать в комментариях)
#иб_для_ml
Конференция OFFZONE наконец-то разместила в открытом доступе записи и материалы докладов!
Наш с Димой доклад тоже можно посмотреть и скачать презентацию)
Что вы узнаете в докладе
А вопросы по докладу приглашаю задавать в комментариях)
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from DziS Science | Data Science
Привет всем!👋
Количество постов явно коррелирует с загруженностью на работе. Прошлая неделя была посвящена модельному риску.
Кто не знает что такое модельный риск, дам небольшую вводную.
Модельный риск - событие риска, наступающее при ошибочных решениях на основе неточности/несовершенства использования моделей в бизнес процессах.
Основные проблемы, с которыми сталкивается моделист в рамках модельного риска - падение инфраструктуры (модель не считается n-дней), отсутствие данных (отдельные данные не приходят n-дней), выведена не та версия модели (модель работает не так, как предполагается или не совсем полный функционал).
Так уж случилось, что на той неделе произошло аж 2 инцидента по модельному риску.
- Что в таких случаях делает команда DS и в чем заключается сложность данного процесса?
Любая модель, так или иначе, стоит на мониторинге, в разных системах, которые в случае проблем дают симптомы. Чаще всего перераспределение признаков, либо целевой метки.
- Итак, мы видим на мониторингах странные вещи, в чем проблема их пофиксить?
Главная проблема в том, что симптомы общие для семейства проблем и DS оперативно выявить и локализовать проблему. Например, видим падение источника (фича перестала приходить, везде
- Выявили проблему, что дальше?
Это уже большая победа, ведь каждый день ошибки на модели - миллионы потерь для банка. Составляется план исправления в кратчайшие сроки. Когда понятны причины, заводится риск событие. Риск событие - формализация проблемы с указанием его первоисточника, процессов, затронутой проблемой и планом решения.
Данное событие обрабатывают риск-чемпионы - коллеги, которые принимают решение о критичности, формализуется оценка потери. Буквально коллеги оценивают полноту картины, в каких процессах что упало и где это влияет в денежном эквиваленте. Результатом их работы является поручение на анализ финансового эффекта потерь, подтверждение, что предложенный план исчерпывает проблему и дается правовая оценка события (если дело пахнет жареным и тянет на пару статей УК РФ).
Для нас как для DS данный процесс представляет собой формирование Ad-hoc упражнений, которые потом используются для подсчета потерь (чаще всего это некоторый what-if анализ, который мы проводим в сжатые сроки). Плюс на плечах DS лежит вывод патча + проверка и подтверждение, что после исправления работает все именно так, как и должно.
- Какой результат?
Исправление бага, действия со стороны бизнеса, которые минимизируют эффект (например, оперативный пересчет предложений, блокировка выдачи в конкретный момент), оценка прогнозируемых и фактических потерь (хорошая новость этого события, что потенциальные потери != фактические, нередко клиент может даже не заметить на себе что что-то случилось).
#трудовые_будни
Количество постов явно коррелирует с загруженностью на работе. Прошлая неделя была посвящена модельному риску.
Кто не знает что такое модельный риск, дам небольшую вводную.
Модельный риск - событие риска, наступающее при ошибочных решениях на основе неточности/несовершенства использования моделей в бизнес процессах.
Любая модель в том или ином виде подвержена модельному риску!
Основные проблемы, с которыми сталкивается моделист в рамках модельного риска - падение инфраструктуры (модель не считается n-дней), отсутствие данных (отдельные данные не приходят n-дней), выведена не та версия модели (модель работает не так, как предполагается или не совсем полный функционал).
Так уж случилось, что на той неделе произошло аж 2 инцидента по модельному риску.
- Что в таких случаях делает команда DS и в чем заключается сложность данного процесса?
Любая модель, так или иначе, стоит на мониторинге, в разных системах, которые в случае проблем дают симптомы. Чаще всего перераспределение признаков, либо целевой метки.
- Итак, мы видим на мониторингах странные вещи, в чем проблема их пофиксить?
Главная проблема в том, что симптомы общие для семейства проблем и DS оперативно выявить и локализовать проблему. Например, видим падение источника (фича перестала приходить, везде
NaN) на источнике данные могут быть, но например, не подгружаться корректно инфрой. Тут уже надо бежать смотреть логи модели, проверяя как и первоисточник данных, так и систему, их выгружающую. В случае моей работы, это постоянное смотрение ручками + коммуникация и координация действий со смежными подразделениями по данным (DE) и инфраструктуре (MLOps).- Выявили проблему, что дальше?
Это уже большая победа, ведь каждый день ошибки на модели - миллионы потерь для банка. Составляется план исправления в кратчайшие сроки. Когда понятны причины, заводится риск событие. Риск событие - формализация проблемы с указанием его первоисточника, процессов, затронутой проблемой и планом решения.
Данное событие обрабатывают риск-чемпионы - коллеги, которые принимают решение о критичности, формализуется оценка потери. Буквально коллеги оценивают полноту картины, в каких процессах что упало и где это влияет в денежном эквиваленте. Результатом их работы является поручение на анализ финансового эффекта потерь, подтверждение, что предложенный план исчерпывает проблему и дается правовая оценка события (если дело пахнет жареным и тянет на пару статей УК РФ).
Для нас как для DS данный процесс представляет собой формирование Ad-hoc упражнений, которые потом используются для подсчета потерь (чаще всего это некоторый what-if анализ, который мы проводим в сжатые сроки). Плюс на плечах DS лежит вывод патча + проверка и подтверждение, что после исправления работает все именно так, как и должно.
- Какой результат?
Исправление бага, действия со стороны бизнеса, которые минимизируют эффект (например, оперативный пересчет предложений, блокировка выдачи в конкретный момент), оценка прогнозируемых и фактических потерь (хорошая новость этого события, что потенциальные потери != фактические, нередко клиент может даже не заметить на себе что что-то случилось).
#трудовые_будни
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Персонализация неизбежна
Про "рекомендательные системы" скидок, бонусов, тритментов и пр.
Все посты до этого были про персонализацию на больших каталогах (когда айтемов много). Но есть задачи по персонализации некоторых "стратегий" (или тритментов), в которых может быть очень много бизнес-профита (советую посмотреть статьи D. Goldenberg из Booking на RecSys 20/22 и др.).
Например, вам могут принести задачу: "построить рекомендательную систему скидок в такси, чтобы она рекомендовала, какую скидку дать конкретному клиенту". Тут можно спорить о терминах — рек. система это или нет, — но персонализация явно может помочь.
Датасет будет примерно такой:
Я сталкивался с 4 разными прикладными задачами из разных доменов, которые подходят под это условие. И можно было бы сэкономить много времени, если бы знал следующее: делать что-то хорошее можно только на рандомизированной раздаче тритментов (то есть вы сначала делаете рандомную раздачу, и поверх нее только обучаете модель). И вот почему:
1. Это важно для обучения модели. Если большую скидку давать тем, кто вряд ли закажет, а маленькую — тем, кто пользуется постоянно, то модель выучит контринтуитивную связь:
Когда же тритменты назначаются случайно, появляется шанс выучить что-то адекватное.
2. Это важно для валидации модели. Задачи часто связаны с финансами, и очень важно корректно оценить стратегию по эффективности. Когда-то я долго гуглил тему "evaluation of multiple treatments" и нашел вот такую статью. Я показал её коллеге Вите Харламову (@xapulc) и очень удивился, когда через пару дней Витя прислал ~5 страниц математического текста с доказательством корректности метода при определённых условиях. Потом узнал, что Витя учится в аспирантуре ММ МГУ :) Вот ссылка на его пост, где он рассказывает про метод и в целом обещал продолжить писать на тему персонализации.
Но иметь рандомизированную выборку дорого — её надо постоянно поддерживать для обновления модели; больший размер = меньше эффект от персонализации и т. д. Поэтому хочется использовать смещённые данные (а) для обучения и (б) для валидации.
Сейчас думаю так: для обучения можно пробовать разные методы "устойчивые к смещению" (они легко гуглятся) — например, аккуратно добавлять смещённую часть данных к рандомной. Но вот валидацию моделей, насколько я знаю, можно делать только на чистом рандомном эксперименте. Если вы знаете другие способы — пишите в комментариях 👇
Все посты до этого были про персонализацию на больших каталогах (когда айтемов много). Но есть задачи по персонализации некоторых "стратегий" (или тритментов), в которых может быть очень много бизнес-профита (советую посмотреть статьи D. Goldenberg из Booking на RecSys 20/22 и др.).
Например, вам могут принести задачу: "построить рекомендательную систему скидок в такси, чтобы она рекомендовала, какую скидку дать конкретному клиенту". Тут можно спорить о терминах — рек. система это или нет, — но персонализация явно может помочь.
Датасет будет примерно такой:
user_id, treatment_group (0%, 5%, 10% скидки), date, targetЯ сталкивался с 4 разными прикладными задачами из разных доменов, которые подходят под это условие. И можно было бы сэкономить много времени, если бы знал следующее: делать что-то хорошее можно только на рандомизированной раздаче тритментов (то есть вы сначала делаете рандомную раздачу, и поверх нее только обучаете модель). И вот почему:
1. Это важно для обучения модели. Если большую скидку давать тем, кто вряд ли закажет, а маленькую — тем, кто пользуется постоянно, то модель выучит контринтуитивную связь:
Чем больше скидка, тем меньше вероятность, что человек купит → значит, всем надо дать маленькую скидку.
Когда же тритменты назначаются случайно, появляется шанс выучить что-то адекватное.
2. Это важно для валидации модели. Задачи часто связаны с финансами, и очень важно корректно оценить стратегию по эффективности. Когда-то я долго гуглил тему "evaluation of multiple treatments" и нашел вот такую статью. Я показал её коллеге Вите Харламову (@xapulc) и очень удивился, когда через пару дней Витя прислал ~5 страниц математического текста с доказательством корректности метода при определённых условиях. Потом узнал, что Витя учится в аспирантуре ММ МГУ :) Вот ссылка на его пост, где он рассказывает про метод и в целом обещал продолжить писать на тему персонализации.
Но иметь рандомизированную выборку дорого — её надо постоянно поддерживать для обновления модели; больший размер = меньше эффект от персонализации и т. д. Поэтому хочется использовать смещённые данные (а) для обучения и (б) для валидации.
Сейчас думаю так: для обучения можно пробовать разные методы "устойчивые к смещению" (они легко гуглятся) — например, аккуратно добавлять смещённую часть данных к рандомной. Но вот валидацию моделей, насколько я знаю, можно делать только на чистом рандомном эксперименте. Если вы знаете другие способы — пишите в комментариях 👇
Telegram
Math for Impact
Оценка качества персонализации
TL;DR
Позволяет оценить эффективность персонализации без проведения нового эксперимента. Особенно полезен, если вариантов воздействий немного.
Почему обсуждается?
При разработке персонализации важно заранее понимать, принесёт…
TL;DR
Позволяет оценить эффективность персонализации без проведения нового эксперимента. Особенно полезен, если вариантов воздействий немного.
Почему обсуждается?
При разработке персонализации важно заранее понимать, принесёт…
Forwarded from DevFM
Прокачать навыки System Design
Периодически коллеги или друзья спрашивают о хороших материалах для подготовки к интервью по System Design или в целом о том, как подтянуть свои навыки по System Design.
И уже достаточно давно я рекомендую небольшой курс (просьба не пугаться слова «курс») по System Design.
– если готовитесь к интервью, вы получите базу о том, как такие интервью проводятся, что важно для интервьюера, и достаточно оперативно получите фундаментальные знания, чтобы проходить такие интервью
– если хотите подтянуть навыки проектирования – этот курс даёт структурированную базу, и вы будете понимать, куда копать дальше, чтобы расширить знания
Начать рекомендую с видео от автора курса на YouTube.
Если никогда не проходили интервью по System Design, обязательно посмотрите мок-интервью от коллег из Тинька. Отличный разбор того, как проходит интервью, как правильно строить ответ, какие вопросы задавать и как углубляться в темы.
#systemdesign
Периодически коллеги или друзья спрашивают о хороших материалах для подготовки к интервью по System Design или в целом о том, как подтянуть свои навыки по System Design.
И уже достаточно давно я рекомендую небольшой курс (просьба не пугаться слова «курс») по System Design.
– если готовитесь к интервью, вы получите базу о том, как такие интервью проводятся, что важно для интервьюера, и достаточно оперативно получите фундаментальные знания, чтобы проходить такие интервью
– если хотите подтянуть навыки проектирования – этот курс даёт структурированную базу, и вы будете понимать, куда копать дальше, чтобы расширить знания
Начать рекомендую с видео от автора курса на YouTube.
Если никогда не проходили интервью по System Design, обязательно посмотрите мок-интервью от коллег из Тинька. Отличный разбор того, как проходит интервью, как правильно строить ответ, какие вопросы задавать и как углубляться в темы.
#systemdesign
Leetcode
Explore - LeetCode
LeetCode Explore is the best place for everyone to start practicing and learning on LeetCode. No matter if you are a beginner or a master, there are always new topics waiting for you to explore.