Большая новость на российском айти-рынке: Яндекс выпустил новое поколение языковых моделей YandexGPT 4. В релиз вошли две версии: флагманская Pro и облегченная Lite.

Количество обрабатываемых токенов увеличено в 4 раза — до 32 тысяч, что позволяет работать с большими документами. В обучении применили подход с пошаговыми рассуждениями (Chain-of-thoughts), благодаря чему модели научились лучше анализировать проблемы, выделять этапы решения и рассуждать над их реализацией.

Pro-версия превосходит предыдущее поколение в 70% тестов. В RAG-сценариях заметно снизилось количество галлюцинаций, что улучшило работу с документами.

Модели уже доступны через API в Yandex Cloud. В ближайшее время их интегрируют в Алису с опцией Про, а позже добавят function calling для создания продвинутых ассистентов.

https://habr.com/ru/companies/yandex/articles/852968/

А теперь вернемся из будущего к настоящему, ChatGPT запустил свой Perplexity поиск по интернету

https://openai.com/index/introducing-chatgpt-search/

При этом ключевое отличие от Perplexity в том, что кажется (судя по демкам) он будет хорошо справляться с навигационными и информационными вопросами (где мне купить, где мне покушать, какая погода, какой счет в матче, какая сейчас ставка цб). И это ставит OpenAI в прямые конкуренты с Google. Если они еще и научаться искать по мультимодальному контенту (видео, подкасты, схемы), то это создает мощный новый поток трафика для видео и аудиоконтента

Интересно подумать как в связи с этим изменится концепция SEO и что на самом то деле скоро нужно будет делать RAG-оптимизацию

Яндекс наградил лауреатов Yandex ML Prize — ежегодной премии для поддержки ученых и преподавателей в области машинного обучения.

Совет премии выбрал 14 лауреатов, представивших наиболее перспективные и значимые работы. Победители получат денежные премии, а также доступ к платформам компании для дальнейшей работы над своими проектами.

Премия Yandex ML Prize была учреждена для поддержки научного сообщества в 2019 году в память об Илье Сегаловиче.

https://tass.ru/obschestvo/22283467

Богатые и нищие словом
(Перевод эссе Пола Грэма «Writes and Write-Nots». Перевел Алексей Макаров)

Богатые и нищие словом (Перевод эссе Пола Грэма «Writes and Write-Nots». Перевел Алексей Макаров)

Я обычно неохотно делаю прогнозы по поводу технологий, но конкретно в этом случае я уверен: через пару десятилетий людей, способных писать, останется немного.

Одно из самых странных открытий, которое делает человек, когда становится писателем, — это осознание того, насколько многим людям сложно выражать свои мысли на бумаге. Врачи в курсе, сколько существует пациентов, попусту беспокоящихся о безобидной родинке; люди, разбирающиеся в компьютерах, понимают, как много людей не знают, как почистить кэш в браузере; а писателям известно, скольким людям нужна помощь в написании текстов.

Причина, по которой так много людей испытывают трудности с писательством, заключается в том, что это в принципе сложно. Чтобы хорошо писать, необходимо мыслить ясно, а это непростая задача. 

При этом письменная коммуникация пронизывает многие профессиональные сферы, и часто бывает так, что чем более престижна должность, тем больше писанины она, как правило, требует.

Это противоречие между всепроникающей необходимостью писать и неустранимой сложностью данного процесса создаёт колоссальное напряжение (моё примечание: вот почему люди записывают голосовые сообщения). Именно поэтому даже именитые профессора порой прибегают к плагиату. Больше всего меня поражает мелочность этих краж. Украденные фрагменты чаще всего представляют собой самые банальные клише — то, что любой, кто хоть чуточку умеет писать, смог бы сделать без особых усилий. Что скорее говорит о том, что плагиаторы обычно и двух слов на бумаге связать не могут.

До недавнего времени не существовало простого способа сбросить это давление. Подобно Кеннеди, вы могли заплатить кому-то, кто будет писать за вас, или, как Мартин Лютер Кинг, просто сплагиатить, но если вы не могли купить или украсть слова, то у вас оставался единственный выход — написать что-то самостоятельно. Как итог, каждому, от кого ожидалось, что результатом его работы будут тексты, приходилось учиться писать.

Больше это не так. Искусственный интеллект разрушил привычный порядок вещей. Почти всё давление, связанное с необходимостью писать, улетучилось. И в учёбе, и в работе вы можете поручить эту задачу ИИ.

Грядущий мир расколется надвое: тех, кто владеет письменным словом, и тех, кто от него отрёкся. Всё равно останутся те, кто умеет писать. Некоторые просто находят в этом удовольствие. Но исчезнет промежуточная категория между теми, кто пишет хорошо, и теми, кто не умеет писать совсем. Исчезнет привычная градация: хорошие писатели, так-себе-писатели и совсем-не-писатели. Останутся лишь два полюса: хорошо пишущие и не пишущие вовсе.

Вы можете спросить: и что в этом плохого? Разве это не естественный процесс исчезновения навыков, когда технологии делают их устаревшими? Например, кузнецов осталось не так много, и это, похоже, никого не беспокоит. 

Безусловно, это трагедия. И причина проста — как я уже говорил: письмо и есть мышление. Лучше, чем Лесли Лэмпорт, этот тезис и не сформулируешь:

Если вы думаете, но не пишете, то вам только кажется, что вы думаете

Поэтому мир, разделенный на пишущих и непишущих, опаснее, чем может показаться. Это будет мир думающих и не думающих. Я знаю, в какой половине я хочу быть, и могу поспорить, что и вы тоже.

История уже знает похожие примеры. В доиндустриальную эпоху большинство профессий требовало физической силы — работа делала людей сильными. Теперь, чтобы быть сильным, вы занимаетесь спортом. Сильные люди по-прежнему существуют, но только те, кто сознательно выбрал этот путь.

То же самое произойдёт с письмом. Умные не исчезнут, но останутся лишь те, кто выбрал быть таковыми.

Учет разных интересов пользователя в персонализированных рекомендациях Google

Ребята из Яндекса выложили подробный разбор статьи Google о репрезентации юзера в виде нескольких векторов, каждый из которых отображает некоторый интерес пользователя.

Автор рассказывает, как решали проблему просадки на более редких, хвостовых интересах пользователя. Спойлер: разработчики предложили схему итеративного взвешивания плотности (iterative density weighting scheme, IDW).

По результатам экспериментов на бенчмарках — MovieLens 1M, Kindle Store, а также Clothing, Shoes and Jewelry — схема IDW показала значительное улучшение рекомендаций.

Недавно я узнал о том, что Amazon планирует вернуть всех своих сотрудников в офисы. Вчера я наткнулся на открытое письмо CEO Amazon Andy Jassy к коллективу, воодушевляюще озаглавленное «Strengthening our culture and teams»

Это проникновенное обращение посвящено полномасштабному возвращению всех сотрудников Amazon на 5-дневную рабочую неделю в офисе. Начинает Энди с располагающей к себе личной истории: они с супругой когда-то набросали на салфетке план, согласно которому он проработает в «Амазоне» от силы лет 5, после чего вернётся в Нью-Йорк. Однако, с тех пор минуло уже 27 лет, и самая большая причина, по которой он до сих пор в «Амазон» — это корпоративная культура. Примечательно, что всё пронизано отсылками к «уникальному духу Amazon» и вообще создает такой портрет «правильного» сотрудника: он поддерживает «culture», обладает мощнейшим «ownership» и всегда держит «commitment». Отдельно любопытно стремление руководства «функционировать как крупнейший в мире стартап» — довольно парадоксальное заявление для организации, насчитывающей более полутора миллионов штатных и внештатных сотрудников. Это выглядит как самообман, но манипулятивный подтекст очевиден — стартапы традиционно уделяют меньше внимания балансу работы и личной жизни, в отличие от корпораций, куда люди часто приходят за стабильностью, надеясь на более гибкий подход к тем, кто не готов работать на износ

В письме много витиеватых формулировок про культуру перформанса, коммуникации и коллаборации, стремлении к быстрым результатам, значимости гибкости и новаторства. Однако за этим словесным узором вдохновляющего менеджмента скрывается более прагматичная бизнес-стратегия

При отсутствии конкретных доказательств преимущества офисной работы над удалённой, в документе явно указаны некоторые чёткие цели, мало относящиеся к продуктивности офисной работы: «убрать уровни иерархии и сделать организацию более плоской» и «увеличить соотношение рядовых сотрудников к менеджерам минимум на 15% к концу первого квартала 2025 года». Фактически это означает, что «Амазон» планирует оптимизировать число высокооплачиваемых управленцев среднего звена и упростить оргструктуру, внедряя более прямое руководство. А надо сказать, что прямое руководство конечно легче обеспечивать через физическое присутствие. Речь идет о сокращении операционных расходов, где целевой группой явно выступает менеджерский состав

Но не менеджерами едиными планируется сделать оптимизацию. Показательны временные рамки возврата в офисы: при том, что объявление было сделано в середине сентября 2024 возврат предполагается к концу Q1 2025. Это создает довольно жесткие условия для сотрудников, многие из которых за период 2020-2024 сильно перестроили свой быт под удаленный формат. В письме это признается: «Мы осознаем, что некоторые наши сотрудники выстроили свою жизнь определённым образом...», но подразумевается, что это их личная проблема , с которой они должны справиться и подстроиться — иначе они рискуют прослыть «несогласными с корпоративной культурой», не разделяющими ценности компании. Ну и там ещё такой забавный аргумент вида «раньше же все работали из офиса, в чём проблема?». Подход, демонстриуемый Amazon, напоминает стратегию «voluntary attrition» (добровольный отток), когда вместо прямых увольнений создаются такие условия, при которых часть сотрудников уйдет «добровольно». Это и дешевле, и репутационно безопаснее, чем массовые сокращения

Мораль проста: когда корпорации начинают слишком много говорить о культуре и ценностях — ищите реальные бизнес-причины в сноске мелким шрифтом

Скучные задачи, большие карьеры

Часто вижу в профессиональных сообществах, особенно в телеграм-каналах, утверждение о том, что путь к тому, чтобы стать руководителем, подобен прямой линии. Дескать, достаточно просто решать всё более сложные аналитические задачки, делать их лучше и показывать хороший перформанс — и вот ты уже head of analytics, преодолев путь с джуна за каких-то три года. Такие истории вызывают у меня непроизвольное дергание глаза, и на это есть две весомые причины

Во-первых, такой подход ставит развитие до управленческой позиции как некоторую путеводную звезду развития карьеры. В действительности профессиональный путь — вещь более многогранная: кто-то находит удовольствие в глубоком погружении в данные, кто-то кайфует от сложных технических задач, а кому-то действительно интересно выстраивать процессы и развивать людей

Во-вторых, за кадром остаётся важный аспект, о котором руководители в своих рассказах склонны умалчивать: рост в руководителя чаще всего обусловлен не показателями работы, а потому что человек делал те задачи, которые мало кто любит делать. Никто не начинает свой путь руководителя с того, что пошёл на курсы лидерства и бац — теперь ты уже тимлид. Тимлиды вырастают на тех задачах, от которых большинство команды старательно отворачиваются

Простой пример: сколько людей в команде задумывается о том, как лучше организовать daily? Эта задача предельно тупейшая и, казалось бы, банальная, она скучная для большинства аналитиков, которые любят сложные задачи с данными. Однако именно решение таких тривиальных задач становится краеугольным камнем эффективной организации работы в команде

В этот же ряд встают написание документации к проектам, стандартизация процессов, разбор технического долга, налаживание коммуникаций между командами. Все эти задачи не приносят быстрых побед, они очень редко получают публичное признание, и уж точно они не становятся темами вдохновляющих постов в телеграм-каналах или выступлений на конференциях. Но именно на этих задачах оттачиваются управленческие навыки

Потому что руководитель — это не тот, кто лучше всех работает. Руководитель — это тот, кто берет на себя ответственность за решение системных проблем, которые другие склонны игнорировать в силу того, что они просто «любят работать». Когда вы пишете документацию, вы учитесь структурировать знания и делать их доступными для других. Когда занимаетесь стандартизацией процессов — развиваете своё системное мышление. Разбирая техдолг и дергая по его поводу коллег — тренируетесь принимать сложные решения и умение расставлять приоритеты. А выстраивая коммуникации между командами — осваиваете саму суть управления, создавая пространство для более слаженного решения задач

Примечательно, что зачастую сами организации не осознают этой закономерности. Они ищут на позиции руководителей каких-то гениев аналитики или Data Science. Я не умаляю значимость hard skills, но хочу заметить: чаще всего хороший руководитель обнаруживается среди тех, кто взял на себя смелость решить неприглядные организационные проблемы. Именно на такого человека рядовой сотрудник может положиться. Например, джуну для решения сложных задач необходим опытный наставник, но для эффективной организации работы в контексте общих целей нужен руководитель. Он как бы забирает на себя часть операционной и коммуникационной обвязки работы сотрудника

Так что пока кто-то ходит на лидерские курсы и прокачивает свои софт-скиллы, есть люди, которые просто берут и делают то, что другие считают скучным и даже неприятным

Эта история не о том, что не надо развивать soft-skills, если вы присматриваетесь к руководящим позициям. И аналогично про hard-skills: наоборот, вдумчивые и глубоко-разбирающиеся в теме руководители очень ценны. И я не призываю вас хвататься за любую непопулярную задачу в надежде, что это сделает вас руководителем. Мои размышления скорее о том, что настоящий карьерный рост часто начинается там, где его меньше всего ищут

- Будь командным игроком, но конкурируй за повышение
- Проявляй инициативу, но следуй процессам
- Будь всегда доступен, но не выгорай

Это всё примеры некоторых системных противоречий, которые часто возникают в рабочей среде. Это такие парадоксы, которые в некоторых компаниях становятся частью корпоративной культуры

Если угораешь в своей жизни только по самореализации в своей работе, то высок риск, что такие «вызовы системы» превращаются в личные проблемы. Работничек начинает искать способы что-то такое исправить в себе, чтобы уживаться в этих парадоксах бизнес-структуры

Показательный пример: сотрудника просят составить «объективный» отчет с анализом продукта, но чтобы он демонстрировал «позитивную» динамику, даже там где её нет. Такое противоречивое требование может вызвать защитную реакцию в виде прокрастинации, которая, в свою очередь, порождает чувство вины. Это чувство подталкивает человека к бесконечной «работе над собой» и попыткам стать более дисциплинированным, хотя корень проблемы кроется в самой ситуации с флёром двойного послания. Снять напряжение можно, если есть возможность обсудить с руководителем «правила игры». Но если руководитель просто делегировал задачу без необходимых разъяснений, давление ожиданий может стать чрезмерным

Решение на личностном уровне в том, чтобы осознать, что «лень» и «неэффективность» могут быть реакцией на не очень здоровые требования среды. Перестать короче брать на себя тотальную ответственность, из-за которой начинаешь сам себя жрать. При этом необходимо различать где действительно присутствует противоречие системы, а где проявляется собственное «не хочу» или «скучно/неинтересно». Это очень несовременная мысль в нашем мире, где принято брать всю ответственность на себя, но важно помнить: не все наши трудности являются исключительно результатом личных несовершенств

На Хабре вышла статья об оценке умений LLM-моделей, и это интереснее, чем может показаться на первый взгляд.

Традиционно считается, что интеллект LLM можно измерить как человеческий — с помощью тестов и экзаменов. Отсюда и появились многочисленные академические бенчмарки. Но эти тесты упускают главное: LLM создаются не для решения ЕГЭ, а для реальных задач — ведение диалога, перевод, суммаризация, брейншторминг. К тому же все бенчмарки подвержены протечкам данных — тестовые задания попадают в тренировочные наборы, искажая результаты.

LLM-модели не имеют той внутренней картины мира, которая есть у людей. Для нас вопрос «стоит ли брать кирпичи на пляж» звучит абсурдно, а для модели этот ответ совсем не очевиден. Именно поэтому появились специальные бенчмарки на «здравый смысл» — COPA, PIQA, OpenBook, WinoGrande. Но и они не отражают реальной применимости модели в бизнес-задачах.

Автор статьи, специалист из Яндекса, рассказал, что компания создаёт внутренние бенчмарки под конкретные задачи и привлекает AI-тренеров — специалистов из разных областей для глубокой оценки ответов модели. Это дороже и сложнее с точки зрения систем контроля качества, но позволяет понять реальную ценность LLM.

Отдельного внимания заслуживает LMSYS Chatbot Arena, где пользователи сами оценивают ответы моделей по принципу шахматного рейтинга. Казалось бы, отличное решение, но и здесь есть подводные камни — респонденты часто предпочитают длинный красиво оформленный ответ короткому, даже если он неправильный.

Самый важный вывод: универсального решения для оценки LLM просто нет. И это не баг, а фича — приходится постоянно комбинировать методы, анализировать данные и проверять, насколько модель действительно полезна в реальных задачах. Оценка практической ценности ИИ оказалась не менее сложной задачей, чем его создание.

📊 Как аналитику не стать заложником «визуализации ради визуализации»

Я в своё время достаточно часто слышал сотни запросов вида «сделай красивый дашборд» или «добавь ещё метрик»

Типичная ситуация: продакт прибегает с горящими глазами, просит «быстренько собрать все метрики по новой фиче». Ты тратишь неделю на идеальный дашборд с когортным анализом, расчетом unit-экономики и даже предиктивными моделями. А через месяц узнаёшь, что им никто не пользуется, потому что «там слишком много всего»

За годы работы с данными я могу выделить три главные ловушки, в которые мы как аналитики (и бизнес в целом) регулярно попадаем:

1. Синдром потерянного инсайта
Стейкхолдер, умеющий кое-как работать с данными, случайно находит важный паттерн в данных, прибегает к тебе с криком «давай это отслеживать!». Ты автоматизируешь процесс, строишь систему алертов... А через неделю выясняется, что никто уже не помнит, какие именно инсайты хотели отслеживать и зачем

2. Метрическая слепота
Представьте дашборд с несколькими графиками и каким-то количеством метрик. Каждое утро менеджеры смотрят на эти цифры, но реально отслеживают 2-3 ключевых показателя, а остальные превращаются в визуальный шум. В итоге важные сигналы — например, рост процента ошибок на бэкенде или снижение конверсии в конкретном сегменте — могут затеряться среди десятков других графиков, которые «тоже полезно мониторить»

3. Подтверждающая аналитика
Особенно весело, когда после двух недель анализа, доказывающего проблемы с retention, слышишь: «Да, но у меня другие данные...» И показывают скриншот случайной выборки из Excel

Чтобы не попадать в эти ловушки, я всегда начинаю с трёх вопросов (да, это похоже на допрос, но оно того стоит):
- Какие конкретные решения будут приниматься на основе этих данных?
- Кто персонально будет смотреть эти метрики и как часто?
- При каких значениях показателей нужно бить тревогу?

22 января на бесплатном воркшопе от Analytic Workspace и Qlever Solutions коллеги разберут, как перейти от интуитивных решений к реальному data-driven подходу. Михаил Греков (директор по развитию BI-системы Analytic Workspace) и Дмитрий Корнеев (руководитель отдела развития Qlever Solutions) поделятся:

- Как выстроить процесс принятия решений на основе данных, а не интуиции: от постановки гипотез до регулярной валидации результатов
- Как повысить эффективность всей компании через грамотную работу с данными: оптимизация BI-решений, автоматизация рутины, построение правильных процессов
- Практический разбор принципов визуализации в AW BI, которые помогают донести инсайты до стейкхолдеров и упростить принятие решений

⚡️ Бонус: все участники получат пошаговый план внедрения автоматизации, который поможет навести порядок в данных

AI-репортинг за 5 минут: Как GPT превращает текстовые запросы в SQL и executive summary

Интересная статейка про то как через AI автоматизировать пайплайн подготовки простых отчетов — как скормить LLMке структуру таблиц, чтобы потом можно было писать запросы на человеческом и трансформировать их в SQL, а затем полученный ответ транслировать в виде коротких executive-summary. Если завернуть всё это в каком-нибудь телеграм-боте с доступом только по white-list, то можно нехило так сэкономить время на выполнении задачек простого репортинга

В конце статьи ссылка на ноутбук

https://archive.is/QumiN (оригинал на медиуме, по ссылке на архив по идее должно открываться без VPN)

AI убьет дата-жокеев: Почему аналитики данных останутся незаменимыми

В контексте предыдущего поста у многих сразу же возникает вопрос «А не убьет ли AI профессию дата-аналитика?». Отвечаю: AI не убьёт профессию дата-аналитика, AI убьёт профессию дата-жокея

Кто такие дата-жокеи? Это специалисты, чья рабочая рутина сводится к набору алгоритмизируемых действий — вытащил данные из хранилища, засунул в excel (python, google sheets), сделал отчет, отправил руководству. Конечно это очень удобная позиция для работы в найме, потому что она не пыльная и практически всё можно автоматизировать. Сам я начинал свой путь примерно с этого, только доставал не из хранилища, а из гугл-аналитикса и отчеты делал конечным клиентам в виде красивых пдф-ок с логотипом компании, в B2B такое ох как любят

Дата-аналитик же всё-таки решает задачи бизнеса и работает с гипотезами от бизнеса, а не только выступает «переводчиком» с языка данных на бизнес-язык. Ядро работы аналитика находится вокруг умения задавать вопросы, выстраивать корректную методологию проверки гипотез, критически подвергать оценке полученные выводы и давать рекомендации. Получается что аналитик — это такой спутник бизнеса, который помогает бороться с неопределенностью и помогает бизнесу видеть дальше

При этом важно понимать, что ИИ-инструменты — в горизонте 5-10 лет это замена для дата-жокеев, а для дата-аналитиков это скорее ускоритель и инструмент уменьшения рутины: можно делегировать делать какой-нибудь базовый exploratory data analysis, быстрее писать типовой шаблонный код, меньше разбираться в документации баз данных за счет data-observatory инструментов с AI. Моё мнение, что в этой части AI — это не хайп, а инструмент, который с нами уже навсегда, уже сейчас видно, что галлюцинации в узко-специализированных кейсах становятся всё меньше, в конечном итоге их вероятность снизится до меньшей, чем вероятность человеческой ошибки в том же кейсе

Совет простой — развивайте в себе не просто инструментальные навыки (типа SQL, кодинга, базовой статистики, построения отчетов), а более сложные мыслительные навыки, такие как умение задавать вопросы, позволяющие уточнить задачу или взглянуть на неё с другой стороны, найти заранее подводные камни, навык интерпретировать полученные данные и критически осмыслять свою же собственную интерпретацию, генерировать рекомендации на основе полученных выводов. Работа в найме благодаря AI будет становится сложнее, но вместе с тем и интереснее, потому что банальные исполнители будут не нужны, будет больше акцента на тех, кто может предлагать глубокую интерпретацию и умение видеть вещи под широким углом

🎥 Я не очень люблю смотреть много видео на youtube, бывают такие каналы, где конечно смотришь из-за лектора, но во многих случаях быстрее получить сжатое текстовое саммари

Нашёл крутой способ превращать часовые видео в удобные конспекты за пару минут! 🚀

Суть в том, что берёте расшифровку видео через расширение Glasp и отправляете её в DeepSeek. А дальше самое интересное — можно получать не просто сухой текст, а персонализированные конспекты под ваши задачи:

• Учитесь? Получите академический конспект с терминами и вопросами для проверки
• Занимаетесь бизнесом? Будут кейсы и метрики
• Нужны креативные идеи? Сделает с метафорами и вдохновением
• Технарь? Получите чёткие спецификации и код

И ещё можно настраивать объем и детальность — хоть краткое саммари, хоть глубокий разбор 📝

🎁 Подробный гайд со всеми настройками и профилями — в комментариях к посту. Пробуйте, это реально экономит кучу времени!

❓ А как вы обычно работаете с длинными видео? Смотрите полностью или ищете краткое содержание?

🤔 Кому НЕ подходит профессия аналитика?
(спойлер: возможно, тебе)

Я за время работы в Яндекс.Практикуме повидал множество людей, которые приходят обучаться профессии аналитика данных, не очень понимая как устроена рабочая рутина и что это за собой влечет для них. Поэтому решил попробовать систематизировать и описать 5 личностных черт, которые могут стать препятствием в работе аналитика 👇

1️⃣ 🔍 «Детали? Не, не слышал»
От вашей внимательности будут зависеть решения компании. Работа требует постоянной проверки и перепроверки данных. Если вам сложно замечать различия между разными источниками, методично докапываться до причин этих несоответствий, если вы начинаете «выходить из себя», когда после когда после пятой попытки написать запрос к базе данных всё ещё не понимаете природу ошибки — это может стать проблемой 🤯

2️⃣ 🎯 «Я просто хочу сделать это идеально!"»
В работе аналитика постоянно нужно что-то улучшать: думать о том как оптимизировать/автоматизировать процесс, как сделать данные более пригодными для использования в расчетах, как сделать визуализации более понятными. При этом важно понимать, когда нужно остановиться и признать результат достаточно хорошим. Ваш перфекционизм может приводить к тому, что вы будете бесконечно улучшать код, переделывать дашборды или искать более элегантные решения вместо того, чтобы двигаться дальше. В итоге это ведет к срыву сроков, эмоциональному аду внутри и потере продуктивности и всяческой воли к жизни. Так что в профессии будет сложно, если вы не умеете находить баланс между качеством работы и необходимостью остановиться в своих улучшениях и признавать «это уже достаточно хорошо» ⚖️

3️⃣ 🌫️ «А где тут инструкция?»
В реальной работе аналитики редко получают четкие задачи с полным набором данных (сюрприз для тех кто оканчивает курсы, где все данные полно представлены). Часто приходится работать с неполной, противоречивой информацией, самостоятельно думать и выдвигать гипотезы о том из-за чего происходят несоответствия, а также находить способы проверки этих гипотез. Нужно уметь принимать решения и делать выводы даже когда «картинка не складывается полностью». Если вам некомфортно принимать решения в условиях неопределённости или вы паникуете при изменении требований посреди проекта — это серьёзный повод задуматься 🎭

4️⃣ 🗣️ «А тут я применил иерархическую кластеризацию...»
Гигантская часть работы аналитика — это коммуникация с коллегами из других отделов, которые могут не разбираться в аналитике и статистике. Есть конечно компании, где аналитический язык — это общий способ коммуникации, но это скорее применимо к компаниям с сильной аналитической культурой (Яндекс, Авито, Т-Банк). Нужно уметь доносить свои выводы понятно и структурированно, не используя сложных терминов, но при этом не теряя важных деталей. Если вам сложно подбирать аналогии и адаптировать под уровень собеседника то, что вы говорите — это может стать проблемкой 📊

5️⃣ ⏳ «Я хочу всё и сразу!»
В аналитике редко бывают быстрые победы. Часто проходят недели или месяцы от момента проведения анализа до внедрения рекомендаций и получения результатов. Иногда ваши выводы могут не привести к желаемым изменениям из-за внешних факторов или того, что кто-то просто упёрся рогом. Иногда что-то вообще уходит в стол и остаётся там в пыли. Если вы рассчитываете быстро увидеть результаты своей работы, то аналитика может разочаровать. Здесь проекты часто растягиваются на месяцы, а некоторые и вовсе не доходят до внедрения. Нужно быть готовым к такой долгой и не всегда благодарной работе 🌱

💡 TL;DR
В общем, выбирать профессию надо осознанно, отталкиваясь не только от ЗПшечки 💰 и того, что можно работать на удалёнке 🏠, но ещё и на понимании себя как личности, каких-то психологических свойств. Работа аналитика требует особого склада ума. И если вы узнаёте себя как минимум в 2 пунктах, то стоит задуматься подходит ли вам профессия аналитика и может надо пойти в какие-то смежные профессии, где ваши сильные стороны расцветут 🌟

#аналитик_данных #карьера_в_IT #дата_аналитика #выбор_профессии #карьера_аналитика

Представьте, вы приходите на новую работу с амбициозными задачами и высокой степенью неопределённости. Всё новое: процессы непривычные, культура отличается от привычной. Погружаясь в работу, закрадывается сомнение: ваше представление о роли отличается от ожиданий окружающих. Возникает вопрос: «На своём ли я месте? Этого ли я хочу?». Так со мной и произошло

Я пришел на позицию руководителя лаборатории искусственного интеллекта. Не очень важно, что написано в официальном job denoscription, по факту договоренностей с руководителем моя должностная обязанность звучит скорее так: «Сделать дизрапт в детском образовании с помощью ИИ». Ничего не понятно, но очень интересно. Именно в такие авантюры мне нравится вписываться. Для меня это про выстраивание стратегии в сфере ИИ, исследование технологий, развитие образовательных решений и воплощение больших идей. Это продиктовано желанием быть визионером и двигать индустрию вперед

Но на практике моя роль оказалась более прозаичной. Скорее продуктовой, с фокусом на исследования и поиск точек улучшения продуктов, а не технологий. Я чувствовал себя классическим продуктовым лидом, а не стратегом, что не совсем соответствовало моим стремлениям. Творческий потенциал оказался зажат в узкой коробочке, которая одновременно обеспечивает комфорт и безопасность. Размен свободы и возможности реализации своих идей на стабильность и четкие рамки

Я увидел пост выпускника Практикума, у которого был наставником, с рекомендацией коуча Димы Черненькова, который помог ему в профессиональном самоопределении. Решил, что это хорошая возможность обсудить свой внутренний диссонанс. Дима работает в подходе IFS (Internal Family Systems), рассматривающем психику как систему внутренних частей или субличностей, каждая со своим голосом. Этот способ размышления о внутренних процессах помогает найти общий язык с коучем и своими частями. Отличительная черта работы с Димой — насыщенность разговора не только вопросами, но и его личными наблюдениями, историями, аналогиями, размышлениями. Для меня это важно, создает ощущение таинства и исследования, а не просто формальной процедуры. Я вижу в коуче личность, выступающую моим спутником в этом пути, а не просто следующую фреймворку

В ходе работы с Димой пришло осознание, что я придаю ролям слишком большое значение, связывая их с собственной идентичностью. Стремление к соответствию роли позволяло обрести безопасность, но подавляло мою творческую часть. Казалось бы при чем тут работа и творчество? Тебе деньги платят, а ты из себя творца выдумал (это, кстати, говорит одна из моих частей, знакомьтесь, «Трезвый Бухгалтер»). Принятие своей творческой стороны создает больше полезных результатов и для себя лично, и для команды, и для общего дела. Выбор ролей, их осознание, переключение и многогранность проявления в корпоративной среде не означает потери себя. В этом многообразии скрыт большой потенциал

Переоценка восприятия ролей, какие части моей психики обеспечивают поддержку тем или иным ролям, и наложение этого на свои ценности позволило обрести уверенность для того, чтобы занять более субъектную позицию. Я обдумал, как можно изменить сферу ответственности, с кем об этом поговорить и как аргументировать свои предложения через призму собственного видения и ценности для компании. Ключевым стало стремление к осознанному выбору роли, а не пассивное следование обстоятельствам

Этот опыт научил меня больше слушать себя, доверять своей интуиции. Я раскрыл многогранность проявления себя настоящего в разных частях своей работы и не только. Это про гибкое изменение внутреннего ощущения своей роли, свободы эти роли «переключать», трансформировать в соответствии со своими внутренними ощущениями, оставаясь верным себе

Если у вас есть ощущение дискомфорта в профессиональной жизни, стоит прислушаться к себе, осознать, где вы могли обменять свободу на комфорт, и осмелиться на перемены. А коуч поможет вам, если в этих волнах перемен вам нужен надежный штурман

P.S.: Также рекомендую канал Димы, там много толковых размышлений и практических советов

Почему AI станет вашим лучшим карьерным консультантом и что с этим делать

Последнее время много думаю о том, как AI может изменить подход людей к выстраиванию своей карьеры. На мой взгляд, основная проблема сейчас в том, что карьерные траектории стали предельно размыты. Это уже не просто путь вида «иди в компанию, проработай 5 лет, расти по должности». Мы сталкиваемся с тем, что меняются сами профессии, расширяется разнообразие типов работы, всё больше людей ищут деятельность, соответствующую их ценностям и убеждениям, а не только отталкиваются от зарплатных ожиданий

Даже у школьников сейчас намного больше представления о карьерном рынке благодаря тому, что профориентацией занимаются уже со школы. Но вместе с тем эта информированность и разнообразие путей вызывает всё больше растерянности. Людям сложно разобраться в потоке информации: множество экспертов в своих роликах на YouTube предлагают разные лайфхаки и транслируют собственное представление о карьерном пути. Сильнейшим препятствием становится страх принятия неверных решений о карьере — это особенно давит, когда отовсюду звучит, что «ты можешь стать кем угодно», но страшно предпринять конкретные действия

Всё это подводит к тому, что в современном разнообразии уже меньше работают классические методы карьерной навигации. Они продолжают существовать, но на выявление проблемы, последующее стратегическое планирование и поиск внутренней мотивации для первых шагов может уйти значительное количество времени и сил

В этом контексте решением становится применение AI как инструмента, обеспечивающего поддержку на всех этапах — от прояснения цели и создания карьерной траектории до поддержки в первых шагах реализации плана, будь то поиск работы или переговоры о повышении зарплаты. AI может выступать в различных ролях: помогая через диалог человеку лучше сформулировать карьерную цель, а затем, проанализировав резюме и задав уточняющие вопросы, создать траекторию, которая наиболее эффективно приведёт к этой цели

Главное преимущество такого подхода в том, что он позволяет быстро получать персонализированную обратную связь, что существенно влияет на мотивацию. И это, пожалуй, ключевой момент — от AI получаешь оценку, которая персонализирована и не выглядит как стандартное решение, плюс обретаешь уверенность двигаться дальше, зная, что всегда можешь обратиться за помощью и быстро получить обратную связь. А после столкновения с реальностью (на собеседованиях, тестовых заданиях) появляется возможность использовать полученный опыт для корректировки своей траектории

Это не отменяет важность карьерных консультантов, но их работа будет трансформироваться: они станут в большей степени помогать людям правильно интерпретировать результаты анализа от AI, а также создавать качественные инструкции, позволяющие упаковать их подход в более автоматизированный пайплайн

В конечном итоге это может существенно изменить два рынка — HRTech и EdTech, объединив их, поскольку через AI, понимая карьерные цели и ценности человека, можно выстраивать образовательные траектории, которые будут наиболее увлекательным и коротким путем приводить к карьерной цели. Я не верю, что обучение может превратиться в легкую прогулку, но через AI мы можем лучше понять «зачем» нам учиться и обрести мотивацию за счёт более широкого контекста того, как определенный навык или знание соотносится именно с тобой, твоей картой путешествия, текущими знаниями и целью

Мы живем в увлекательное время, когда новые цепочки создания ценности становятся более доступными, ориентированными на быструю обратную связь и более гибкими. В результате те, кто будет активно пользоваться этими инструментами, получат существенное конкурентное преимущество на рынке

Как ИИ поможет построить успешную карьеру в IT

Не знаете, как двигаться дальше в карьере? Выбрать ли экспертный трек или стремиться к роли руководителя? Какие навыки развивать? Как подготовить резюме перед сменой работы? Как готовиться к собеседованиям?

На эти и многие другие вопросы про карьеру можно ответить с помощью построения четкой карьерной стратегии, которая должна учитывать ваши цели, опыт и ваши сильные стороны как профессионала

На бесплатном вебинаре вы узнаете:
- 🔹 Как использовать ИИ для создания личного карьерного плана
- 🔹 Какие инструменты помогут в достижении ваших профессиональных целей
- 🔹 Как ИИ может облегчить рутинные задачи и ускорить ваш рост

🗓 Когда: 25 февраля, 19:00 (мск)

💻 Где: Jazz

🎟 Участие бесплатное!

👉 Зарегистрируйтесь сейчас и начните менять свою карьеру с помощью ИИ!

Сегодня Яндекс анонсировал новое поколение языковых моделей YandexGPT 5, и мне было бы совсем неинтересно обсуждать очередную версию LLM, если бы не некоторые детали. Например, компания вернулась к публикации моделей в опенсорс впервые с 2022 года, подробнее об этом ниже

Начнём с YandexGPT 5 Pro. При её создании команда пошла по пути оптимизации процесса обучения. Улучшили датасет, добавив больше сложных и разнообразных примеров. Внедрили собственную модификацию DPO (LogDPO) для борьбы с эффектом «разучивания». Применили метод гибридного обучения, добавив базовые настройки открытой модели Qwen. А благодаря оптимизации процесса с помощью YaFSDP удалось снизить потребность в вычислительных ресурсах на 25%

А вот YandexGPT 5 Lite компания выложила в открытый доступ. Pretrain-версия прошла двухэтапное обучение: сначала на 15T токенах русско- и англоязычных текстов, затем этап Powerup на 320B токенов высококачественных данных

В общем, ещё одно подтверждение, что индустрия движется к большей открытости. В такой системе успешными становятся те, кто умеет сочетать собственные технологии с открытыми решениями, создавая более эффективные продукты и ускоряя общий прогресс в области ИИ

Что делать если продакт/менеджер влезает в работу аналитика

Аналитики очень часто считают себя самыми умными ребятами в комнате. Потому что они системные, работающие с фактами, а не вымыслами/домыслами, классический тип людей, считающих что только логика может решить проблему

Очень часто менеджеры/продакты ищут в аналитиках поддержки своих идей, аналитики им нужны не для объективного взгляда на вещи, а они ожидают, что аналитики принесут им те аргументы, которые докажут правильность их интуитивных прозрений. Классический confirmation bias

И естественно, что первая реакция аналитика — это защищаться, когда менеджер пытается как-то влезать в вашу работу, задавать вопросы вида «А почему вот тут получается вот такая цифра?» или «А расскажи подробнее про методику как мы вот к этому выводу пришли?»

Но давайте попробуем посмотреть на ситуацию по-другому

Во-первых, эти вопросы действительно могут подсветить какие-то риски, учесть новые вводные, что сделает ваш анализ более уверенным. В следующий раз, выполняя похожие задачи вы уже будете учитывать обратную связь, полученную через вопросы продакта или менеджера

Во-вторых, даже если вопросы кажутся «глупыми», для аналитика это возможность попрактиковаться в навыке отстаивания своей позиции, аргументации и умению доносить свой ход мысли до другого человека. Этот навык очень сильно влияет на рост по карьерной лестнице, вы даже не представляете насколько

В-третьих, это возможность научиться понимать позицию и мотивацию другого. Это соотносится с предыдущим пунктом про навыки коммуникации, но скорее про умение видеть общий огранизационный контекст: понимать цели и мотивацию как отдельных участников, так и смотреть на свою работу через призму больших целей организации. Любой вопрос вашего собеседника позволяет вам оценить «а как ответ на этот вопрос повлияет на принятие решений?». И через эту позицию может быть вы сможете увидеть новые возможности, которые позволят вам проявить инициативу и предложить сделать что-то, что соответствует общим целям. Ну и с этой идейкой вы можете пойти к руководителю и запихнуть её в свои цели, влияющие на результаты ближайшего перформанс-ревью

Так что, не спешите «обороняться», а постарайтесь даже при столкновении с тем, что кто-то пытается «пошатать» вашу работу, не скатываться в восприятие этого как обесценивания, а скорее увидеть в этой интервенции в вашу работу способ дополнительного развития, как ваших навыков, так и вашей карьеры

Почему не всем нужен личный бренд

Когда долго сидишь в телеге и читаешь профильные каналы, то начинает казаться, что все вокруг заняты личным брендом. Даже люди, которые ещё не работают в IT, начинают вести свои каналы о том как они вкатываются в IT

И многие начинают переживать: а вдруг и мне надо?

Важно понимать, что не каждому подходит и нравится публичность. Так что первый шаг — определить зачем вам личный бренд и действительно ли он нужен как некоторое позиционирование самого себя аки продукта или вам нужны другие инструменты

Тут может быть много причин: сделать заметнее свой вклад в компанию или в индустрию, передавать свой опыт другим, завести друзей/знакомых среди аналитиков из других компаний, найти дополнительный заработок

Например, если вам хочется делиться своей экспертизой, то вы можете рассмотреть варианты менторства как внутри вашей компании, так и снаружи, например, на таких платформах как getMentor или пойти наставником в одну из многочисленных онлайн-школ. Тут надо для себя понимать ваше расписание и возможности, потому что парт-тайм работа наставником в онлайн-школе может требовать больше времени. В наставничестве в онлайн-школе там потенциально будет меньше возможностей проявить себя, так как вы можете быть ограничены учебной программой и методологией компании. Но зато можно влиться в коммюнити таких же специалистов как и вы, завести себе полезные знакомства, узнать больше про другие индустрии и компании

Мне кажется, что потребность в том, чтобы как-то выходить за пределы своей работы — это очень понятное желание. В этом проявляется некоторая творческая натура любого специалиста — не просто оставлять свой след в работе и рабочих задачах, но и находить пространство для того, чтобы выражать свой уникальный взгляд на свою работу и профессию. Но при этом, тут надо для себя выбирать подходящие способы, которые соответствуют вашим целям, характеру, временным ограничениям, а не навешивать на себя маску блогера или публичного спикера, когда это вызывает внутреннее сопротивление

Если вам интересно больше узнать про варианты как аналитику самовыражаться вне работы — ставьте 🔥