Машинное обучение сейчас используется практически везде, по крайней мере если верить рекламе. И хотя для многих областей это скорее хайп, чем реальное использование, стоит признать, что ML сейчас действительно широко распространено. И, как у любого другого направления в ИТ, у машинного обучения также есть проблемы с безопасностью и в этой статье мы рассмотрим десять наиболее распространенных рисков ИБ.
Рубрика «mlops»
Файлы, которые нельзя менять: философия TernFS и почему это гениально
2025-10-20 в 20:12, admin, рубрики: ml, mlopsXTX Markets — это ведущая компания в области алгоритмической торговли. Они ежедневно обрабатываем огромные объёмы данных, которые являются основой для наших исследований в области машинного обучения и количественного анализа. Для эффективной работы нашим исследователям нужна быстрая, надёжная и удобная система хранения данных.
Представьте себе кластер из тысяч серверов, которые одновременно обращаются к одному и тому же набору данных. Именно в таких условиях работает наша инфраструктура. Поэтому производительность файловой системы становится критически важным фактором.
Объединение DevOps и MLOps в единую экосистему поставки ПО
2025-10-15 в 12:53, admin, рубрики: devops, mlops, mlops tools, исскуственный интеллект
MLOps без мам, пап и GPT: как поднять сервер для AI за вечер
2025-09-02 в 8:13, admin, рубрики: AI, data, gpu, mlops, selectel, выделенный сервер, конфигурация, сервер, хранилище данных
Путь от школьной математики к Data Science и системной инженерии: как я учился строить продукты
2025-08-29 в 7:17, admin, рубрики: AI, big data, data science, mlops, автоматизация, инженерия данных, машинное обучение, Системная инженерияИсторииуспеха часто подаются слишком гладко. Но за каждым «сегодня я работаю в Data Science» всегда стоит длинный и запутанный маршрут.
Я хочу поделиться своей дорогой — не как учебником, а как историей, которая, возможно, поможет тем, кто сейчас только ищет направление или сомневается, стоит ли идти в аналитику, инженерию или AI.
Начало: школьный выбор и первая любовь к системам
Моя отправная точка — школа. Учился я в физико‑математическом классе, где нас приучали к структурному мышлению и логике. Это был мой первый контакт с идеей, что за любым хаосом всегда можно найти систему.
4 бесплатных часа GPU в день: JupyterLab на PrimeWay за пару кликов
2025-07-08 в 23:28, admin, рубрики: AI, gpu, jupyter, mistral, ml, mlopsНебольшая инструкция, как открыть полноценный JupyterLab-сервер на выделенной A100 / A40 и получить до 4 бесплатных часов в день.
Почему это удобно
-
R&D без DevOps – запускаете ноутбук с gpu прямо из веб-интерфейса PrimeWay; никаких терминалов и Docker-команд.
-
Меньше чеков – оплачиваете только время фактической работы (помесячных или idle-счётов нет).
-
Гранты на старт – каждому новому аккаунту автоматически начисляется 500 ₽; если пройдете наш опрос - добавим 4 ч JupyterLab ежедневно.
Как все выглядит в UI
1. Открываем dashboard
→ Notebooks → Читать полностью »
DevOps в 2025 году: отдельные дисциплины, машинное обучение и прогноз на будущее
2025-07-03 в 13:01, admin, рубрики: AI, dataops, devops, DevSecOps, llm, mlopsПривет! Меня зовут Константин Полуэктов, я solution architect в Yandex Cloud и технический эксперт в онлайн-магистратуре от Яндекса и ИТМО «DevOps-инженер облачных сервисов». В этой статье я расскажу о сфере DevOps: что изменилось за последние годы и чего ждать в будущем.
Как построить безопасный MLOps-pipeline: Tier-уровни зрелости, принципы и реальные инструменты
2025-06-26 в 9:12, admin, рубрики: AI safety, AI Security, DevSecOps, Kubernetes ML, mlops, mlsecops, безопасная разработка ML, жизненный цикл ML моделиМодели машинного обучения (ML) становятся ключевой частью современных продуктов и сервисов, и вопросы их безопасной разработки выходят на первый план. Однако на практике у многих команд нет понимания, как именно выстраивать защиту — на каких этапах, с помощью каких инструментов и против каких угроз.
Меня зовут Александр Серов, я ведущий специалист по безопасности больших языковых моделей в Swordfish Security. В этой статье я покажу, как подходить к безопасности ML-систем системно — через уровни зрелости, жизненный цикл моделей и реальные практики.
Как мы создали систему раннего предупреждения импульсивных торговых решений: опыт отдела Rapid и Лаборатории инноваций
2025-06-24 в 9:01, admin, рубрики: ml, mlops, биржа, инвестиции, иновации, трейдингЧто такое «импульсивные торговые решения» и как от них защититься: разработка системы раннего предупреждения трейдеров
Современный трейдинг предоставляет широкие возможности для
инвестирования и спекуляций на финансовых рынках. Однако, как и в любой
деятельности, связанной с риском и принятием решений, важно развивать
здоровые торговые привычки, которые способствуют долгосрочному успеху.
В нашем отделе Rapid при поддержке Лаборатории инноваций мы задались
вопросом: можно ли с помощью машинного обучения выявлять признаки
импульсивных торговых решений у трейдеров и предоставлять им
Читать полностью »
Теневая сторона AutoML: когда no-code инструменты вредят больше, чем помогают
2025-05-21 в 14:44, admin, рубрики: data science, mlops, Автоматизация ML, Версионирование данных, машинное обучениеАбстракция — не новинка в мире разработки, но в машинном обучении абстракция без контроля превращает автоматизацию в архитектурный риск.
AutoML для многих организаций стал входной точкой в машинное обучение. Он обещает именно то, что хотят услышать команды, находящиеся под давлением: вы приносите данные, а мы займёмся моделированием. Не нужно управлять пайплайнами, настраивать гиперпараметры или изучать scikit‑learn и TensorFlow — просто кликай, перетаскивай и развёртывай.
На первых порах — сплошной восторг.