Один ML-проект в проде вам или два другому? Внедрение машинного обучения в производственную среду остаётся одной из главных проблем индустрии. По статистике, 80% ML-проектовЧитать полностью »
Рубрика «ml» - 2
MLOps — дитя DevOps и ML
2026-02-03 в 9:01, admin, рубрики: devops, Evidently AI, kubeflow, ml, mlflow, mlops, ruvds_статьи
Ред флаги, но не в тиндере: что важно понять data-специалисту ещё до оффера
2026-01-25 в 8:22, admin, рубрики: data analysis, data science, ml, вакансия, команда, команда мечты, переработки, плюшки, редфлаги, собеседованиеПятничный вечер, бар, шумные разговоры. Мы - компания из нескольких ML-инженеров, DE и DA из Сбера, Магнита, Озона и Альфа-Банка собрались не ради обсуждения задачек в JIRA. Разговор зашел о наболевшем: как найти своих людей и команду мечты? Обсудили зарплату и плюшки, удалёнку и офис, стартапы и зрелые продукты, переработки, карьерный рост и рабочую культуру. В статье - цитаты из обсуждения и обобщённые выводы. А в конце - список вопросов, которые стоит задать на собеседовании, чтобы не ошибиться с выбором и найти тех людей, с кем не страшно будет выкатить релиз в пятницу вечером.
AI Safety by Desing — новая Clean Architecture. И как же ее достичь?
2026-01-22 в 15:15, admin, рубрики: AI, infosec, mlВсем привет! Меня зовут Денис Панков, я занимаюсь R&D исследованиями по направлению ИБ . Помню, когда поступал на ИБ направление, сложно было представить, что рост отрасли будет настолько стремительным.
Хотелось бы выделить несколько точек, которые так сфокусировали развитие современного ПО. ИБ я рассматриваю как часть ИТ, сейчас отрицать это бессмысленно, особенно с ростом количества инструментов LLM.
Субъектный подход к архитектуре агентов: инверсия управления LLM
2026-01-21 в 14:45, admin, рубрики: agents, AI, mlВ статье разбираем архитектурный паттерн, где LLM вынесена из ядра принятия решений в сервисную роль, а управление диалогом осуществляет stateful-субъект. Показываем реализацию механики "осознанного обращения к LLM" (deliberate query) на основе оценки внутреннего состояния, в отличие от жестких пайплайнов типа ReAct или CoT.
Проблема "LLM-центричности"
Большинство современных агентов строятся вокруг промпта к модели:
Context + Prompt - LLM - Action/Answer
Это делает агента заложником стохастики модели. Мы предлагаем инверсию:
Agent State - Decision Logic - (Optional LLM Call) - Answer
Архитектура ENA
Читать полностью »
Решение обратной задачи рекомендаций: опыт участия в VK RecSys Challenge
2026-01-19 в 5:15, admin, рубрики: BigData, huggingface, ml, recsys, recsys challenge 2025, vk-lsvd, Большие данные, коллаборативная фильтрация, рекомендации контентаВведение
В декабре 2025 года VK провёл RecSys Challenge LSVD — соревнование по машинному обучению с нестандартной постановкой задачи. Традиционные рекомендательные системы решают проблему "что показать пользователю", но здесь требовалось обратное: для каждого нового клипа определить, каким пользователям он может быть интересен. Такой подход помогает решать проблему холодного старта контента, когда новое видео только появляется в системе и не имеет истории взаимодействий.
Я принял участие в этом челлендже и хочу поделиться своим решением, архитектурой системы и практическими выводами.
Постановка задачи и данные
Git Worktree: Секретное оружие ML-инженера
2026-01-18 в 7:17, admin, рубрики: AI, deeplearning, Git, mlПятница, 17:43. Твоя модель тренируется уже шесть часов. Loss красиво падает, метрики растут — ещё пара эпох и можно будет отправить результаты с победным эмодзи.
И тут приходит сообщение: «Срочно глянь PR, блокер для релиза».
Ты смотришь на терминал. Потом в чат. Потом снова на терминал.
git checkout feature/urgent-fix убьёт твой эксперимент. git stash — это русская рулетка для ML-кода с его конфигами, весами и кешами. Клонировать репозиторий заново? 47 гигабайт датасетов скажут тебе «спасибо».
Знакомо?
Большинство ML-инженеров живут в этом аду переключения контекста годами. А потом узнают про git worktreeЧитать полностью »
Титаник глазами новичка в 2026
2026-01-17 в 13:08, admin, рубрики: AI, data science, kaggle, kaggle competition, ml, titanicВсем привет! В этой небольшой статье хочу поделиться своим первым опытом работы с ML-моделями.
С чего все началось?
В начале 3 семестра я попал на проект ВУЗа, связанный с НС. Прошел курс по сеткам, пробежался по Pytorch и приступил к задачам на проекте. В процессе своего спринта решил параллельно изучать классический ML, где собственно выяснил, что "Hello world!" в мире машинного обучения является работа с датасетом титаник (предсказать выжил ли пассажир или нет). После этого ознакомился с Kaggle и полетел!
Titanic - Machine Learning from Disaster
При открытии "компетитив" сразу же наткнулся на тот самый Читать полностью »
Миф о бесконечном масштабировании или когда ИИшка упрется в потолок
2026-01-17 в 12:00, admin, рубрики: AI, ml, selectel, ИИ
Байки математика: «цифра» против «лампы» в химии
2026-01-16 в 15:20, admin, рубрики: ml, математическое моделирование, Химические технологииОднажды, в начале третьего лета нейронок, на меня вышел представитель одного красного нефтехимического концерна. Прежде, его подразделение занималось цифровыми двойниками производств, но тут тема была интереснее - полидировать тему с машинным обучением для оптимизации Химико-Технологических процессов (ХТП). Соблазн повтирать очки был очень велик, но, я не берусь за проекта, которые сам считаю нереализуемыми.