Дороничев у Дудя. Одно из лучших объяснений, как работает ИИ для людей не из индустрии. Плюс рациональные и спокойные рассуждения о будущем человечества с ИИ тоже великолепные: никаких крайностей, паники и (анти-) утопий.
YouTube
Чипы Маска, восстание машин и лекарство от рака / вДудь
Более 1700 компаний уже выбрали Astana Hub для выхода на глобальный рынок — присоединяйтесь:
https://astanahub.com/ru/l/kak-otkryt-it-kompanyiu-v-kazakhstane?utm_source=youtube&utm_medium=vdud&utm_campaign=visa
Программы для фаундеров, digital-кочевников…
https://astanahub.com/ru/l/kak-otkryt-it-kompanyiu-v-kazakhstane?utm_source=youtube&utm_medium=vdud&utm_campaign=visa
Программы для фаундеров, digital-кочевников…
Поучаствовал в вводном стриме, целью которого было познакомить начинающих предпринимателей с аналитикой данных. Однако вопросы в конце все равно были в основном про то, как вкатиться в индустрию , и заменит ли аналитиков AI
YouTube
Анализ данных для малого бизнеса. Как начать использовать данные для роста и оптимизации бизнеса
The American Center in Moscow invites beginning entrepreneurs and small business owners across Russia to join the “Data Analytics for Entrepreneurs” series, which will take place throughout September 2025.
The Data Analytics for Entrepreneurs series is designed…
The Data Analytics for Entrepreneurs series is designed…
🔥4
Forwarded from 🤖 The Bell Tech
Триллионная дыра: почему ИИ-компании сжигают деньги без отдачи
НАСТОЯЩИЙ МАТЕРИАЛ (ИНФОРМАЦИЯ) ПРОИЗВЕДЕН И РАСПРОСТРАНЕН ИНОСТРАННЫМ АГЕНТОМ THE BELL ЛИБО КАСАЕТСЯ ДЕЯТЕЛЬНОСТИ ИНОСТРАННОГО АГЕНТА THE BELL. 18+
Индустрия искусственного интеллекта все явственннее сталкивается с серьезной проблемой: бигтехи инвестируют сотни миллиардов долларов в строительство дата-центров для развития ИИ, но весь остальной бизнес не понимает, как на этой технологии заработать. Разрыв между инвестициями и реальной отдачей становится все заметнее.
💸 Математика не сходится
Популярность ChatGPT, Google Gemini и других сервисов среди обычных пользователей растет. Вместе с ней взлетает и спрос на вычислительные мощности и энергию. Но экономический эффект от внедрения AI продолжает решительно не оправдывать эти затраты.
По данным консалтинговой фирмы Bain&Co, которые приводит Bloomberg, разработчикам ИИ потребуется выручка в $2 трлн ежегодно, чтобы покрыть расходы на вычислительные мощности. Но их реальные доходы отстанут от этой цифры примерно на $800 млрд. Кроме того, если текущие темпы роста сохранятся, ИИ создаст колоссальную нагрузку на мировые цепочки поставок.
🆙 Гонка инвестиций не сбавляет ход
Техногиганты не собираются останавливаться — к концу года Amazon, Alphabet, Meta и Microsoft планируют вложить в AI свыше $300 млрд. По прогнозам Bloomberg Intelligence, к началу следующего десятилетия их совокупные годовые расходы превысят $500 млрд.
Тогда же глобальная потребность в вычислительных мощностях для AI может достичь 200 ГВт — половина придется на США. Компании направят до 10% технологических бюджетов на создание AI-платформ, включая агентов, способных выполнять сложные задачи с минимальным контролем человека.
❓ Бизнес не понимает, зачем ему AI
Но пока технологические гиганты наращивают инвестиции, большинство компаний за пределами Кремниевой долины относятся к ИИ настороженно. FT проанализировала отчеты сотен американских компаний из индекса S&P 500. Результат неутешительный: многие упоминают AI в основном в контексте рисков — кибербезопасности, юридических проблем и возможных сбоев.
Легче всего адаптироваться компаниям, работающим с большими данными или клиентской поддержкой. Paycom (разработчик ПО для управления персоналом) использует AI для привлечения клиентов. Военная судостроительная компания Huntington Ingalls — ускоряет «принятие решений на поле боя». А Zoetis (одна из ведущих компаний в сфере здоровья животных) — автоматизирует медосмотры лошадей. Но даже среди них не все показывают рост акций.
Многие компании все еще руководствуются не стратегией, а страхом упустить выгоду, признает Харита Хандабатту из Gartner. Например, Coca-Cola пока ограничивается использованием ИИ для создания рекламы и не понимает, как еще применить технологию.
🥹 Риски яснее выгод
Парадоксально, но компании гораздо четче формулируют риски AI, чем его преимущества, пишет FT. В отчетах доводы в пользу внедрения расплывчаты, а угрозы классифицированы детально.
Первая, и потенциально главная, проблема — кибербезопасность. Например, Match Group (владелец дейтинг-сервисов) предупреждает об утечках персональных данных. Производитель спортивной одежды Lululemon беспокоится о компрометации информации. Microsoft считает, что неэффективное внедрение AI может навредить как отдельным людям, так и обществу.
Вторая — неудачи внедрения. Совместное исследование Microsoft и MIT показало, что 95% попыток внедрить генеративный AI для повышения производительности в самой Microsoft провалились. Причина в том, что AI-инструменты плохо интегрируются в существующую инфраструктуру компаний.
Третья — юридические риски. Meta инвестирует миллиарды в развитие «суперинтеллекта», но опасается исков за нарушение авторских прав при обучении моделей. Даже PepsiCo отмечает риски претензий за использование чужих технологий.
Что дальше?
Пока энергокомпании подсчитывают прибыль от AI-бума, сами разработчики ИИ балансируют на грани. Вопрос не в том, кто заработает на инфраструктуре, а успеют ли AI-компании стать прибыльными до того, как инвесторы закроют кран.
НАСТОЯЩИЙ МАТЕРИАЛ (ИНФОРМАЦИЯ) ПРОИЗВЕДЕН И РАСПРОСТРАНЕН ИНОСТРАННЫМ АГЕНТОМ THE BELL ЛИБО КАСАЕТСЯ ДЕЯТЕЛЬНОСТИ ИНОСТРАННОГО АГЕНТА THE BELL. 18+
Индустрия искусственного интеллекта все явственннее сталкивается с серьезной проблемой: бигтехи инвестируют сотни миллиардов долларов в строительство дата-центров для развития ИИ, но весь остальной бизнес не понимает, как на этой технологии заработать. Разрыв между инвестициями и реальной отдачей становится все заметнее.
💸 Математика не сходится
Популярность ChatGPT, Google Gemini и других сервисов среди обычных пользователей растет. Вместе с ней взлетает и спрос на вычислительные мощности и энергию. Но экономический эффект от внедрения AI продолжает решительно не оправдывать эти затраты.
По данным консалтинговой фирмы Bain&Co, которые приводит Bloomberg, разработчикам ИИ потребуется выручка в $2 трлн ежегодно, чтобы покрыть расходы на вычислительные мощности. Но их реальные доходы отстанут от этой цифры примерно на $800 млрд. Кроме того, если текущие темпы роста сохранятся, ИИ создаст колоссальную нагрузку на мировые цепочки поставок.
Техногиганты не собираются останавливаться — к концу года Amazon, Alphabet, Meta и Microsoft планируют вложить в AI свыше $300 млрд. По прогнозам Bloomberg Intelligence, к началу следующего десятилетия их совокупные годовые расходы превысят $500 млрд.
Тогда же глобальная потребность в вычислительных мощностях для AI может достичь 200 ГВт — половина придется на США. Компании направят до 10% технологических бюджетов на создание AI-платформ, включая агентов, способных выполнять сложные задачи с минимальным контролем человека.
Но пока технологические гиганты наращивают инвестиции, большинство компаний за пределами Кремниевой долины относятся к ИИ настороженно. FT проанализировала отчеты сотен американских компаний из индекса S&P 500. Результат неутешительный: многие упоминают AI в основном в контексте рисков — кибербезопасности, юридических проблем и возможных сбоев.
Легче всего адаптироваться компаниям, работающим с большими данными или клиентской поддержкой. Paycom (разработчик ПО для управления персоналом) использует AI для привлечения клиентов. Военная судостроительная компания Huntington Ingalls — ускоряет «принятие решений на поле боя». А Zoetis (одна из ведущих компаний в сфере здоровья животных) — автоматизирует медосмотры лошадей. Но даже среди них не все показывают рост акций.
Многие компании все еще руководствуются не стратегией, а страхом упустить выгоду, признает Харита Хандабатту из Gartner. Например, Coca-Cola пока ограничивается использованием ИИ для создания рекламы и не понимает, как еще применить технологию.
Парадоксально, но компании гораздо четче формулируют риски AI, чем его преимущества, пишет FT. В отчетах доводы в пользу внедрения расплывчаты, а угрозы классифицированы детально.
Первая, и потенциально главная, проблема — кибербезопасность. Например, Match Group (владелец дейтинг-сервисов) предупреждает об утечках персональных данных. Производитель спортивной одежды Lululemon беспокоится о компрометации информации. Microsoft считает, что неэффективное внедрение AI может навредить как отдельным людям, так и обществу.
Вторая — неудачи внедрения. Совместное исследование Microsoft и MIT показало, что 95% попыток внедрить генеративный AI для повышения производительности в самой Microsoft провалились. Причина в том, что AI-инструменты плохо интегрируются в существующую инфраструктуру компаний.
Третья — юридические риски. Meta инвестирует миллиарды в развитие «суперинтеллекта», но опасается исков за нарушение авторских прав при обучении моделей. Даже PepsiCo отмечает риски претензий за использование чужих технологий.
Что дальше?
Пока энергокомпании подсчитывают прибыль от AI-бума, сами разработчики ИИ балансируют на грани. Вопрос не в том, кто заработает на инфраструктуре, а успеют ли AI-компании стать прибыльными до того, как инвесторы закроют кран.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
Друзья из Альфа-Банка ищут Middle+|Senior Data Scientist на проект в Альфа-Банк (работа через вендора)
Что предстоит делать на этой позиции?
Тебе предстоит развивать внутреннюю систему для автоматического анализа текстовых документов с применением больших языковых моделей (LLM):
- разрабатывать и внедрять различные сценарии анализа текстов (выделение параметров, суммаризация, классификация, сравнение документов)
- улучшать стабильность и качество текущих сценариев анализа текстов, оптимизировать код
- применять LLM, использовать NLP-инструменты, разрабатывать RAG-пайплайны, писать промпты
- совместно с командами DE, MLOps, мониторинга интегрировать сервисы в промышленную среду
Что ожидаем от кандидата?
- опыт решения NLP-задач
- опыт применения LLM в рабочих задачах
- уверенное владение ML-стеком Python: lightgbm/xgboost/catboost, Scikit-Learn, Pandas, Numpy
- опыт полного цикла разработки модели (от сбора требований до промышленной реализации и пилотирования)
- понимание принципов работы с малыми данными
По всем вопросам можете писать в личку @Goo_goo_goo_joob . Или мне , если стесняетесь:)
Что предстоит делать на этой позиции?
Тебе предстоит развивать внутреннюю систему для автоматического анализа текстовых документов с применением больших языковых моделей (LLM):
- разрабатывать и внедрять различные сценарии анализа текстов (выделение параметров, суммаризация, классификация, сравнение документов)
- улучшать стабильность и качество текущих сценариев анализа текстов, оптимизировать код
- применять LLM, использовать NLP-инструменты, разрабатывать RAG-пайплайны, писать промпты
- совместно с командами DE, MLOps, мониторинга интегрировать сервисы в промышленную среду
Что ожидаем от кандидата?
- опыт решения NLP-задач
- опыт применения LLM в рабочих задачах
- уверенное владение ML-стеком Python: lightgbm/xgboost/catboost, Scikit-Learn, Pandas, Numpy
- опыт полного цикла разработки модели (от сбора требований до промышленной реализации и пилотирования)
- понимание принципов работы с малыми данными
По всем вопросам можете писать в личку @Goo_goo_goo_joob . Или мне , если стесняетесь:)
Рубрика “Чем занимаются Principal ребята в больших американских компаниях”
Во время работы контрактором в одной из Tier-2 компаний США имел честь довольно плотно общаться с несколькими Principal Data Scientists. Поделюсь своим видением того, чем же именно они занимаются в компаниях подобного уровня:
- Создание и поддержание культуры и стандартов работы с данными. Реальные примеры здесь: как наполнять таблицами в DWH, как создавать пайплайны, как вести документацию. Участие в написании и записи обучающе-просветительских материалов (презентации, воркшопы)
- Курирование довольно крупных проектов, таких как создание отдельных больших слоев в DWH (например, feature storage) с организацией документации, тестов и прочих сопутствующих ритуалов + отслеживание их выполнения. При этом написанием кода они тоже занимаются, поскольку роль по-прежнему инженерная, а не менеджерская - обычно это какие-то сложные кейсы, когда нужно, например, есть жесткие ограничения по времени работы ETL джобы и нужно выжать максимум эффективности при минимуме ресурсов. Так что hands on experience там что надо :)
- Код ревью, куда же без него. Обычно они являются owners какой-нибудь репы, вмерджиться в которую без их одобрения нельзя.
- Дежурство в чатах поддержки, например, есть условный канал #help-with-data с парой сотен коллег, которые задают либо технические вопросы, либо “а где лежат такие-то данные”. У принципалов есть обязательство выделять временные слоты, когда они мониторят эти чаты и помогают коллегам. Очень классная фича, когда любой коллега может “дотянуться” до топовой экспертизы, лично мне это очень помогло разрулить множество больших и маленьких проблем.
- Аналогичное обязательство есть по участию в тех собеседованиях: кто будет собесить Staff кандидата? Формально, нужен человек минимум одним грейдом выше :)
Так что хоть роль и техническая, разумеется, она уже больше про организацию и управление проектами и командами, но управление это как бы техническое, архитекторское.
Напоследок внесу свою лепту в разрушение стереотипа о том, что на таких позициях работают снобы, которых ”все достали своими однотипными вопросами”, наоборот, готовность помочь и чувство юмора у них на высоте. Так что гипотеза о том, что без софтов вы далеко не уедете (особенно в эпоху AI), подтверждается вновь и вновь
Во время работы контрактором в одной из Tier-2 компаний США имел честь довольно плотно общаться с несколькими Principal Data Scientists. Поделюсь своим видением того, чем же именно они занимаются в компаниях подобного уровня:
- Создание и поддержание культуры и стандартов работы с данными. Реальные примеры здесь: как наполнять таблицами в DWH, как создавать пайплайны, как вести документацию. Участие в написании и записи обучающе-просветительских материалов (презентации, воркшопы)
- Курирование довольно крупных проектов, таких как создание отдельных больших слоев в DWH (например, feature storage) с организацией документации, тестов и прочих сопутствующих ритуалов + отслеживание их выполнения. При этом написанием кода они тоже занимаются, поскольку роль по-прежнему инженерная, а не менеджерская - обычно это какие-то сложные кейсы, когда нужно, например, есть жесткие ограничения по времени работы ETL джобы и нужно выжать максимум эффективности при минимуме ресурсов. Так что hands on experience там что надо :)
- Код ревью, куда же без него. Обычно они являются owners какой-нибудь репы, вмерджиться в которую без их одобрения нельзя.
- Дежурство в чатах поддержки, например, есть условный канал #help-with-data с парой сотен коллег, которые задают либо технические вопросы, либо “а где лежат такие-то данные”. У принципалов есть обязательство выделять временные слоты, когда они мониторят эти чаты и помогают коллегам. Очень классная фича, когда любой коллега может “дотянуться” до топовой экспертизы, лично мне это очень помогло разрулить множество больших и маленьких проблем.
- Аналогичное обязательство есть по участию в тех собеседованиях: кто будет собесить Staff кандидата? Формально, нужен человек минимум одним грейдом выше :)
Так что хоть роль и техническая, разумеется, она уже больше про организацию и управление проектами и командами, но управление это как бы техническое, архитекторское.
Напоследок внесу свою лепту в разрушение стереотипа о том, что на таких позициях работают снобы, которых ”все достали своими однотипными вопросами”, наоборот, готовность помочь и чувство юмора у них на высоте. Так что гипотеза о том, что без софтов вы далеко не уедете (особенно в эпоху AI), подтверждается вновь и вновь
🔥4👍3
А вот что действительно важно, хотя почти не видно , так это то, что в последнем релизе Python 3.14 добавлена возможность отключить GIL и получить настоящий мультитрединг. Пока не все так гладко (нужна отдельная компиляция, не все даже стандартные либы поддерживаются), да и в 3.13 она уже была экспериментальной, но шаг значительный. Верим, что работы в этом направлении продолжатся
Python Enhancement Proposals (PEPs)
PEP 779 – Criteria for supported status for free-threaded Python | peps.python.org
The acceptance of PEP 703 (Making the Global Interpreter Lock Optional in CPython), as announced by the Steering Council, describes three phases of development for the work to remove the Global Interpreter Lock. Phase I started early in the development ...
👍2
Forwarded from RuArgentina: Аргентина по-русски (Kirill RuArgentina)
Официально: OpenAI и SurEnergy вкладывают 25 млрд в строительство первого ИИ-дата-центра в аргентинской Патагонии
https://www.infobae.com/economia/2025/10/10/openai-y-sur-energy-invertiran-hasta-usd-25000-millones-para-construir-un-mega-data-center-para-inteligencia-artificial-en-la-patagonia/
https://www.infobae.com/economia/2025/10/10/openai-y-sur-energy-invertiran-hasta-usd-25000-millones-para-construir-un-mega-data-center-para-inteligencia-artificial-en-la-patagonia/
infobae
OpenAI y Sur Energy invertirán hasta USD 25.000 millones para construir un mega data center para inteligencia artificial en la…
El gigante detrás de ChatGPT será parte de la creación de un centro de datos pionero en la región. Lo definen como una decisión tecnológica, pero sobre todo geopolítica, que se da en el marco de la relación entre EEUU y Argentina. Aplicará al RIGI
Forwarded from Data, Stories and Languages
Coursera to Combine with Udemy to Empower the Global Workforce with Skills for the AI Era
https://investor.coursera.com/news/news-details/2025/Coursera-to-Combine-with-Udemy-to-Empower-the-Global-Workforce-with-Skills-for-the-AI-Era/default.aspx
Внезапно появилось объявление о слиянии Coursera и Udemy, общая оценка 2.5 млрд долларов. Монополии грядут прям везде.
Coursera - весьма хорошая платформа. Udemy, по ощущениям, выезжала чисто на маркетинге.
Интересно, как будет развиваться новая компания
https://investor.coursera.com/news/news-details/2025/Coursera-to-Combine-with-Udemy-to-Empower-the-Global-Workforce-with-Skills-for-the-AI-Era/default.aspx
Внезапно появилось объявление о слиянии Coursera и Udemy, общая оценка 2.5 млрд долларов. Монополии грядут прям везде.
Coursera - весьма хорошая платформа. Udemy, по ощущениям, выезжала чисто на маркетинге.
Интересно, как будет развиваться новая компания
Coursera
Coursera to Combine with Udemy to Empower the Global Workforce with Skills for the AI Era
Highly Complementary Capabilities Will Create a Leading Technology Platform, Redefining Skills Discovery, Development, and Mastery for Learners and Organizations at Scale Unites Udemy’s Dynamic AI-Powered Skills Development Marketplace with World-Class University…
👍1
Forwarded from Denis Sexy IT 🤖
Тут легенда ML-индустрии, ученый Эндрю Нг, сходил в Стэнфорд и поделился своим мнением про АИ и карьеру инженеров – видео длинное и я советую смотреть его, но вот топ-10 советов оттуда:
1. Держите рабочие AI-инструменты “свежими”: отставание быстро превращается в потерю продуктивности.
Сейчас выбор среды/ассистента для кода реально влияет на скорость и качество. Если вы используете инструменты на поколение старее, вы часто просто делаете ту же работу дольше и тяжелее
2. Код стал дешевле - дороже стало “решить, что строить” и “описать это четко”.
Когда написать код проще, узкое место смещается в постановку задачи: сформулировать цель, ограничения, критерии успеха, сценарии использования. То есть не “как закодить”, а “что именно нужно получить и как проверить, что получилось”
3. Умение разговаривать с пользователями - это ускоритель разработки, а не “софт-скилл ради галочки”.
Те, кто умеют сами собрать обратную связь, понять боль пользователя и быстро уточнить требования, двигаются быстрее, потому что меньше зависят от “переводчиков” между инженерами и рынком
4. Выбирайте работу по команде и людям, а не по “громкости бренда”. И требуйте ясности по команде заранее.
Если компания не готова сказать, в какую команду вы попадёте и что будете делать (или просит “сначала подпиши, потом разберёмся”), это риск: можно оказаться на задачах, которые не развивают вас в AI-направлении
5. Сделайте портфолио так, чтобы оно “рулило” интервью: пусть вас спрашивают про ваш проект, а не про случайные загадки.
Сильная тактика: собрать проект(ы), максимально похожие на будущую работу, и описать решения, компромиссы, метрики. Тогда интервью превращается в обсуждение реальной инженерии, где вы сильнее
6. Интервью - это проверка “командности под стрессом”, а не только IQ и алгоритмов.
Совет из истории: “стой на своём” можно, но без агрессии. Когда вам указывают на баг/угол, правильная реакция - совместно улучшать решение, а не защищаться как в споре
7. Код, сгенерированный AI, почти всегда приносит “долг по обслуживанию”: думайте как финансист.
Смысл простой: любой код потом надо сопровождать
Хороший “долг” - быстрый прототип, который приносит проверенную пользу/знания и окупает поддержку
Плохой “долг” - нагенерили “что-то крутое”, но никто не понимает, зачем, как работает и как чинить.
Важная мысль: выкинуть прототип - нормально, поддерживать непонятную кашу - дорого
8. Сейчас ценится не “сделал модель”, а “довёл до боевого использования”.
То есть: качество, надёжность, мониторинг, задержки, стоимость, безопасность, удобство для пользователя. На рынке сильный сигнал - умение доводить до работающего продукта, а не до демо
9. Станьте человеком, который переводит хайп в реальность: начните с вопроса “зачем?”.
Соцсети поощряют вовлечённость, а не точность. Поэтому трендовые слова (“агенты”, “всё заменим AI”) легко уводят в сторону. Практичный подход: сначала “зачем бизнесу?”, “какой показатель улучшаем?”, “что будет считаться успехом?” - и уже потом выбирать технологию
10. Готовьтесь к двум параллельным траекториям: большие облачные модели и небольшие локальные модели “у себя”.
В одних задачах будут доминировать мощные модели “как сервис”. В других (где важны приватность, IP, контроль, стоимость) - модели, которые разворачивают внутри компании. Полезные навыки на стыке: настройка под задачу (fine-tuning/адаптация), развёртывание, ограничения по данным, безопасность и эксплуатация.
Ну, база, что скажешь еще
1. Держите рабочие AI-инструменты “свежими”: отставание быстро превращается в потерю продуктивности.
Сейчас выбор среды/ассистента для кода реально влияет на скорость и качество. Если вы используете инструменты на поколение старее, вы часто просто делаете ту же работу дольше и тяжелее
2. Код стал дешевле - дороже стало “решить, что строить” и “описать это четко”.
Когда написать код проще, узкое место смещается в постановку задачи: сформулировать цель, ограничения, критерии успеха, сценарии использования. То есть не “как закодить”, а “что именно нужно получить и как проверить, что получилось”
3. Умение разговаривать с пользователями - это ускоритель разработки, а не “софт-скилл ради галочки”.
Те, кто умеют сами собрать обратную связь, понять боль пользователя и быстро уточнить требования, двигаются быстрее, потому что меньше зависят от “переводчиков” между инженерами и рынком
4. Выбирайте работу по команде и людям, а не по “громкости бренда”. И требуйте ясности по команде заранее.
Если компания не готова сказать, в какую команду вы попадёте и что будете делать (или просит “сначала подпиши, потом разберёмся”), это риск: можно оказаться на задачах, которые не развивают вас в AI-направлении
5. Сделайте портфолио так, чтобы оно “рулило” интервью: пусть вас спрашивают про ваш проект, а не про случайные загадки.
Сильная тактика: собрать проект(ы), максимально похожие на будущую работу, и описать решения, компромиссы, метрики. Тогда интервью превращается в обсуждение реальной инженерии, где вы сильнее
6. Интервью - это проверка “командности под стрессом”, а не только IQ и алгоритмов.
Совет из истории: “стой на своём” можно, но без агрессии. Когда вам указывают на баг/угол, правильная реакция - совместно улучшать решение, а не защищаться как в споре
7. Код, сгенерированный AI, почти всегда приносит “долг по обслуживанию”: думайте как финансист.
Смысл простой: любой код потом надо сопровождать
Хороший “долг” - быстрый прототип, который приносит проверенную пользу/знания и окупает поддержку
Плохой “долг” - нагенерили “что-то крутое”, но никто не понимает, зачем, как работает и как чинить.
Важная мысль: выкинуть прототип - нормально, поддерживать непонятную кашу - дорого
8. Сейчас ценится не “сделал модель”, а “довёл до боевого использования”.
То есть: качество, надёжность, мониторинг, задержки, стоимость, безопасность, удобство для пользователя. На рынке сильный сигнал - умение доводить до работающего продукта, а не до демо
9. Станьте человеком, который переводит хайп в реальность: начните с вопроса “зачем?”.
Соцсети поощряют вовлечённость, а не точность. Поэтому трендовые слова (“агенты”, “всё заменим AI”) легко уводят в сторону. Практичный подход: сначала “зачем бизнесу?”, “какой показатель улучшаем?”, “что будет считаться успехом?” - и уже потом выбирать технологию
10. Готовьтесь к двум параллельным траекториям: большие облачные модели и небольшие локальные модели “у себя”.
В одних задачах будут доминировать мощные модели “как сервис”. В других (где важны приватность, IP, контроль, стоимость) - модели, которые разворачивают внутри компании. Полезные навыки на стыке: настройка под задачу (fine-tuning/адаптация), развёртывание, ограничения по данным, безопасность и эксплуатация.
Ну, база, что скажешь еще
YouTube
Stanford CS230 | Autumn 2025 | Lecture 9: Career Advice in AI
For more information about Stanford’s Artificial Intelligence professional and graduate programs, visit: https://stanford.io/ai
November 18, 2025
This lecture covers career advice and a guest speaker.
To learn more about enrolling in this course, visit:…
November 18, 2025
This lecture covers career advice and a guest speaker.
To learn more about enrolling in this course, visit:…
👍5
Forwarded from max.sh
Год подходит к концу, поэтому самое время подводить итоги.
В этом посте разбираю одну из центральных тем блога в этом году: собеседования на ML/Research роли.
⚫️ В первой половине года я много собеседовал и понял, что хочется делиться тем, что может помочь соискателям. Так появились эти тексты. Они разные по формату и теме, все субъективные и основаны на личном опыте. А теплые сообщения в личку о пользе текстов только мотивируют стараться ✨
Типы вопросов на собеседованиях про Трансформеры
Подборка ресурсов для изучения RL в контексте LLM
Лонгрид ML Breadth Interview Deep Dive
Как готовиться к Coding Interview
Как готовиться к ML Design Interview
Как готовиться к ML Depth Interview
Рисерч стажировки в биг техе. Часть 1. Как попасть на собеседование
Рисерч стажировки в биг техе. Часть 2. Структура Интервью
⚫️ Потом я оказался по другую сторону и начал собеседоваться сам. Собесы – это во многом рандом, поэтому любая информация помогает хоть немного увеличить шансы в этой лотерее. А реальные отзывы других людей так тем более. Я начал собирать истории подписчиков канала и делиться ими здесь. В итоге получилась солидная коллекция интервью-историй за 2025 год.
Все отзывы можно найти по тегу #интервью. А здесь оставлю ссылки на истории в зарубежные компании:
🌐 Research Engineer в Google DeepMind
🍏Senior ML Engineer в Apple Music
💻 Performance Engineer в Nvidia, Munich
💻 OpenAI, Solutions Architect, Generative AI Deployment, London
Ⓜ️ Senior ML Engineer в Meta
🖥 Research Fellowship в Anthropic
🛒 Applied Scientist, Amazon
🎧 Senior DL Engineer в Spotify, Personalization, London
Senior ML Engineer в Waymo, Perception Team, California
Solutions Architect в ByteDance, Дубай.
VP of AI ML в J.P. Morgan Chase, London
AI Engineer в Mistral.AI
🔥 Буду рад если поддержите пост репостами или поделитесь с друзьями. И забирайте себе в коллекцию, если готовитесь к новому приключению в следующем году!
В этом посте разбираю одну из центральных тем блога в этом году: собеседования на ML/Research роли.
Типы вопросов на собеседованиях про Трансформеры
Подборка ресурсов для изучения RL в контексте LLM
Лонгрид ML Breadth Interview Deep Dive
Как готовиться к Coding Interview
Как готовиться к ML Design Interview
Как готовиться к ML Depth Interview
Рисерч стажировки в биг техе. Часть 1. Как попасть на собеседование
Рисерч стажировки в биг техе. Часть 2. Структура Интервью
Все отзывы можно найти по тегу #интервью. А здесь оставлю ссылки на истории в зарубежные компании:
🍏Senior ML Engineer в Apple Music
Senior ML Engineer в Waymo, Perception Team, California
Solutions Architect в ByteDance, Дубай.
VP of AI ML в J.P. Morgan Chase, London
AI Engineer в Mistral.AI
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4
Recap 2025
В профессиональном плане никаких достижений отметить не могу, по-прежнему работаю на разные страны, США, Африка, Россия (что внезапно оказывается довольно выгодно при текущем курсе рубля). До последнего откладывал погружение в AI, не люблю хайповые темы, предпочитаю занять выжидательную позицию с целью понять, стоит ли погружаться в тему или нет. Поняв, что всё-таки стоит, начал с небольшого проекта по разработке чат бота для техподдержки и сдачи очередного экзамена по AWS , а именно, AI Practitioner, на этот раз в оффлайн режиме в тест центре.
А вот на личном было поинтереснее. Впервые в жизни всерьез занялся здоровьем по всем фронтам, понял, что если придерживаться жесточайшей дисциплины и выдержки, можно и здесь достичь потрясающих результатов. Например, полный отказ от мучного, сладкого и алкоголя на 4 месяца сделал больший вклад, чем посещение врачей в течение нескольких лет. Как пример результата - ни разу не заболел простудой в этом году, хотя раньше это случалось со мной раз в пару месяцев. Полностью избавился от необходимости приема успокоительных, снотворных и других ненужных здоровому организму препаратов впервые за 15 лет. И это только пара примеров. Ну и кажется, что попутно прохожу тот самый кризис среднего возраста, впервые задумался и смене индустрии, прорабатываю планы своих проектов и заработков вне найма, особенно на фоне криков о том, что кто-то кого-то там заменит. В любом случае, индустрия изменится необратимо и значительно, и быть готовым к этому нужно как минимум финансово.
Дочке скоро исполняется 3 года, она родилась в Аргентине, является гражданкой этой страны и, разумеется, в ее окружении говорят в основном на испанском. Мы наблюдаем здесь за нашей "когортой" детей, тех детей русских мигрантов, которые тоже родились здесь три года назад, и понимаем, насколько сложно сохранить родную нам культуру для детей в другой стране. Здесь очень хорошо видно, насколько русский язык сложнее испанского, потому что дети, которыми не занимаются и отдают на воспитание няням, уже в три года не понимают своих русскоговорящих родителей. Наша дочь прекрасно говорит на обеих языках, и я считаю это одним из главных достижений уходящего года.
В профессиональном плане никаких достижений отметить не могу, по-прежнему работаю на разные страны, США, Африка, Россия (что внезапно оказывается довольно выгодно при текущем курсе рубля). До последнего откладывал погружение в AI, не люблю хайповые темы, предпочитаю занять выжидательную позицию с целью понять, стоит ли погружаться в тему или нет. Поняв, что всё-таки стоит, начал с небольшого проекта по разработке чат бота для техподдержки и сдачи очередного экзамена по AWS , а именно, AI Practitioner, на этот раз в оффлайн режиме в тест центре.
А вот на личном было поинтереснее. Впервые в жизни всерьез занялся здоровьем по всем фронтам, понял, что если придерживаться жесточайшей дисциплины и выдержки, можно и здесь достичь потрясающих результатов. Например, полный отказ от мучного, сладкого и алкоголя на 4 месяца сделал больший вклад, чем посещение врачей в течение нескольких лет. Как пример результата - ни разу не заболел простудой в этом году, хотя раньше это случалось со мной раз в пару месяцев. Полностью избавился от необходимости приема успокоительных, снотворных и других ненужных здоровому организму препаратов впервые за 15 лет. И это только пара примеров. Ну и кажется, что попутно прохожу тот самый кризис среднего возраста, впервые задумался и смене индустрии, прорабатываю планы своих проектов и заработков вне найма, особенно на фоне криков о том, что кто-то кого-то там заменит. В любом случае, индустрия изменится необратимо и значительно, и быть готовым к этому нужно как минимум финансово.
Дочке скоро исполняется 3 года, она родилась в Аргентине, является гражданкой этой страны и, разумеется, в ее окружении говорят в основном на испанском. Мы наблюдаем здесь за нашей "когортой" детей, тех детей русских мигрантов, которые тоже родились здесь три года назад, и понимаем, насколько сложно сохранить родную нам культуру для детей в другой стране. Здесь очень хорошо видно, насколько русский язык сложнее испанского, потому что дети, которыми не занимаются и отдают на воспитание няням, уже в три года не понимают своих русскоговорящих родителей. Наша дочь прекрасно говорит на обеих языках, и я считаю это одним из главных достижений уходящего года.
👍1