MLinside - школа ML

Общий аттеншн, на связи рубрика «ML в реальной жизни» и у нас шестая задача

Мы продолжаем нашу рубрику, где задаем ситуации, с которыми сталкиваются ML/DS-команды в продакшене. В этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон.

Поэтому, если хотите, чтобы рубрика была вам максимально полезна, важно не просто выбрать вариант, а объяснить в комментариях:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали

Сегодня у нас ситуация №6

Ситуация: модель переобучилась. Но об этом никто не знает

Контекст:
Вы заметили, что модель на валидации показывает отличные метрики, но на свежих данных в продакшене качество постепенно снижается. При этом мониторинг не бьёт тревогу – формально всё в пределах допустимого. Команда занята другими задачами, бизнес доволен текущими результатами.

Что будете делать в первую очередь?

Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside

Александр Поваров — золотой медалист международной олимпиады школьников по искусственному интеллекту, выпускник Летово и студент первого курса. В ML пришёл ещё в школе, а в 2026 году выиграл золото Межнара — международной олимпиады по ИИ.

На YouTube у нас вышел подкаст с Александром, где мы говорим об олимпиадах, поступлении и начале карьеры в ML.

Как устроен Межнар и сколько нужно готовиться, чтобы до него дойти? Почему Александр выбрал олимпиаду по искусственному интеллекту, хотя раньше занимался информатикой? И почему даже 310 баллов на ЕГЭ не всегда гарантируют поступление?

Ответы в выпуске: https://youtu.be/StQ_voqWqLM

Из аналитики и разработки в ML + куда расти дальше

Я хорошо помню, как DSом мучался выбором: идти или не идти в CV (когда была такая опция), рваться ли в NLPшные проекты, продолжать делать рекомендательные системы или же больше перспектив для быстрого карьерного роста будет, например, в классической предиктивной аналитике с прогнозированием спроса или оттока. Всегда очень хочется не прогадать, куда инвестировать следующие несколько лет своей жизни. Сейчас еще тяжелее: есть несколько захайпленых тем у всех на слуху, а как за ними разглядеть свое собственное будущее - непонятно.

Если вы только переходите в ML из аналитики или разработки, то разбираться надо еще и в том, что из вашего опыта уже полезно, в чём лучше "забыть все что знал раньше", а чего совсем не хватает, и как это добирать.

21 сентября в 19:00 МСК я проведу об этом закрытый вебинар для комьюнити нашей специализации по ИИ и анализу данных.

Поговорим, как переходить в ML из разработки и аналитики, чего обычно не хватает на собеседованиях и куда расти после Classic ML: RecSys, поиск, CV, NLP/LLM, антифрод, а также research, продуктовый ML, ML-инженерия и карьера лида.

Ключевой вопрос вебинара: "куда вложить следующие несколько лет карьеры, чтобы потом не загрызло FOMO?".

И отдельно поотвечаю на карьерные вопросы слушателей.

21 сентября, 19:00 МСК

Вебинар только для студентов специализации. Если ещё не с нами — присоединиться к специализации можно по ссылке.

Для тех, кто уже учился в MLinside или на Специализации МФТИ и Яндекса на Курсере, заполняйте форму, дадим промокод со скидкой ❤️

Учимся на практике: решаем реальные ML-задачки

Это рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных (ну или почти реальных) проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях.

Семнадцатая задача

Что нужно сделать:
Определить самых успешных игроков и колледжи где чаще всего появляются успешные игроки и посмотреть как это менялось с временем, сделать модель для предсказания рейтинга игрока

Как можно сделать:
▪️Сделать модель предсказания рейтинга игрока, посмотреть на каких местах по важности у модели рост и вес;
▪️Определить самые перспективные колледжи для поступления школьнику который хочет выступать в NBA;
▪️Определить по 3 самых успешных игрока для каждого года рождения, посчитать их зарплату, узнать для какого года рождения сумма зарплаты топ 3 самая большая.

Данные можно взять на Kaggle

Пример ноутбука (с случайными пропусками строк)

Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside

Модель стала точнее на 1% – значит, система стала лучше?

В реальном ML-проекте более точная модель может оказаться слишком медленной, требовать в несколько раз больше GPU или сделать инфраструктуру настолько дорогой, что её улучшение просто не окупится.

У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает, как оценивать производительность ML-систем и почему в продакшене важны не только метрики качества модели, но и **latency, RPS, CPU, GPU, память и стоимость инференса.

А в конце на примере рекомендательной системы уровня VK Видео разбираем, сколько примерно может стоить реальная ML-система: от серверов для инференса и хранения данных до инфраструктуры и команды. Ответ наверняка вас удивит.

Смотреть на YouTube
Смотреть в ВК
Смотреть в Дзен

Хорошее решение – не обязательно идеальное

В System Design почти никогда не бывает варианта, который закрывает все вопросы сразу. Одно решение может быть проще, другое – дешевле, третье – лучше масштабироваться. Важно понимать компромиссы и уметь объяснить, почему команда остановилась именно на своём варианте.

На ML Kata как раз приходится проходить этот путь: обсудить подходы, найти слабые места, договориться о решении и проверить его на неудобных вопросах.

В ролике – фрагмент с прошлой ML Kata, где команда как раз столкнулась с таким противоречием.

Следующая ML Kata уже скоро.

Если хотите попробовать себя в таком формате – успейте забронировать место

По вопросам участия: @marinagartm

Live stream finished (2 hours)

Live stream started

Завтра в 19:00 МСК встречаемся на вебинаре с Виктором Кантором о карьерном пути в ML в 2026 году.

В кружке выше Виктор рассказывает, что будет на эфире👆

А ещё можно заранее отправить свой вопрос — Виктор разберёт вопросы участников в прямом эфире.

Задать вопрос

Зарегистрироваться на вебинар

Внимание-внимание, это рубрика «ML в реальной жизни» и у нас пятая задача

Мы продолжаем нашу рубрику, где задаем ситуации, с которыми сталкиваются ML/DS-команды в продакшене. В этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон.

Поэтому, если хотите, чтобы рубрика была вам максимально полезна, важно не просто выбрать вариант, а объяснить в комментариях:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали

Сегодня у нас ситуация №5:

Ситуация: метрики растут, а пользователи уходят

Контекст:
Вы обновили рекомендательную модель. Offline-метрики улучшились, A/B-тест показывает рост CTR. Но через неделю поддержка фиксирует волну жалоб: "Рекомендации стали однообразными", "Попадает не то". Бизнес в замешательстве: "Метрики же растут?"

Что будете делать в первую очередь?

Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside

Топ 5 ошибок, которые мешают ML-инженеру расти

№1 не посмотреть видео у нас на YouTube, в ВК или Дзен, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает ошибки, которые часто допускают начинающие ML-инженеры, и показывает, как они проявляются в реальной работе.

Потому что можно отлично разбираться в ML, знать десятки алгоритмов и уметь добиваться высоких метрик и при этом быть не самым эффективным ML-инженером.

А чтобы не допускать эти ошибки, велком, видео уже вышло на всех площадках.

Смотреть на YouTube
Смотреть в ВК
Смотреть на Дзен

MLinside - школа ML pinned a photo

Как войти в ML и развиваться дальше: карьерный путь в 2026 году

В ML можно войти разными путями – через аналитику, разработку, обучение или переход из другой технической области. Но после первых шагов возникает следующий вопрос: как выбрать направление развития и продолжать расти?

8 сентября в 19:00 МСК Виктор Кантор проведёт вебинар о карьерном пути в ML в 2026 году.

Разберём, как подойти к развитию карьеры системно:
▪️ с чего начать путь в ML и как выбрать направление;
▪️ какие навыки развивать на разных этапах карьеры;
▪️ как понять, что пора переходить на следующий уровень;
▪️ что сегодня действительно важно работодателям;
▪️ как не потеряться среди множества технологий и специализаций.

И главное – на вебинаре можно будет разобрать именно вашу ситуацию.

Заранее отправьте Виктору свой вопрос через форму – он разберёт вопросы участников в прямом эфире. Это может быть вопрос по конкретной карьерной ситуации, выбору направления, развитию навыков или вопрос о переходе на следующую позицию.

📅 8 сентября
🕖 19:00 МСК

Задайте свой вопрос Виктору заранее и приходите на разбор в прямом эфире.

Задать вопрос

Зарегистрироваться на вебинар

Live stream finished (2 hours)

Вебинар "Нужен ли ML-инженер в эпоху GPT?" уже начался, подключайтесь: https://www.youtube.com/live/Obuv2PixMho?si=_1itjoMdKKoSrfy4

Live stream started

MLinside - школа ML pinned a photo