я так понимаю, Роман Васильев

И немного фоточек/видео по мотивам школы!

🏫 Как я был директором ШАРа 2026

Яндекс каждый год проводит летние школы по разным профессиям для ребят уровня стажёров / джунов. В этом году я был директором одной из них — ШАР, Школы аналитиков-разработчиков. Наша школа традиционно была одной из самых популярных по заявкам. Учились офлайн в московских офисах Яндекса, привозили и иногородних ребят. Кроме учёбы, много знакомились и тусили. Офлайн, имхо, сильно выигрывает перед онлайном - и в учёбе, и в общении 🙂

Я уже много лет преподаю и собираю курсы, но руководство целой школой - отдельный масштаб ответственности. Нужно разработать отборочные задания и процесс отбора, собрать программу и преподавателей, организовать работу над проектами. Ещё сделали систему сбора обратной связи по всем занятиям. Работы дофига, но опыт колоссальный. Благо рядом были Маша Губанова и Даня Нестеренко, менеджеры Young&&Yandex, которые помогали организовывать кучу всего. Они солнышки ❤️

Формат был такой: в июле 13 занятий, в основном по вечерам, плюс домашки, а август отвели на проекты. Все лекции читали эксперты из Яндекса. Разбирали метрики, A/B-тесты, специфичные приколы вокруг метрик (что делать, когда в эксперименте они едут в разные стороны), DWH и BI. Много говорили про задачи аналитиков в разных командах Яндекса, хотелось дать побольше прикладного. Особенно запомнилась лекция Саши Андреева (тоже старался ходить слушать!) про то, как работает Рекламная сеть Яндекса: сколько там разных технологий, что делают аналитики и в чём специфика их работы. Сам наконец достаточно широко осознал, как работает эта огромная машина 🙂

Проекты (над ними работали в августе) у аналитиков в этом году были свои отдельные. Из сырых датасетов (а кто-то начинал вообще с API) нужно было собрать систему витрин и дашбордов, сделать выводы о продукте, предложить гипотезы улучшений и разработать схемы A/B-тестов для их проверки. Например, одна из команд работала с большим датасетом Яндекс Музыки - Yambda. Кураторы помогали ребятам разбираться с данными и доводить проекты до результата.
Ребята жёстко заряженные, очень горжусь нашими выпускниками. И очень благодарен преподавателям и кураторам, которые вкладывали в школу свои силы и время. Отзывы о школе от студентов (у нас была целая система сбора регулярного!) очень хорошие

Ну и масштабы мероприятий Яндекса - отдельный восторг. На выходных мы оккупировали целые офисы под работу над проектами, реябта на добровольной основе приходили читать лекции, помогать с проектами и организацией. А на закрытии пела МакSим. Там я впервые в жизни увидел слэм под МакSим (который, конечно же, организовала команда ШАРа!!) и даже немного поучаствовал 🙂

Знаю, что многие из участников ШАРа 2026 читают этот канал. Ребята, вы крутые 🙂
Спасибо Маше, Дане, всем кураторам, преподам и, конечно, студентам лучшей школы ❤️

👀 Про аналитическую насмотренность
Больше года назад на одной из моих лекций в ШАРе молодой человек спросил, как развивать аналитическую насмотренность.
Я пообещал написать об этом пост в канале - и вот, спустя год с лишним, наконец пишу. Впрочем, за это время тот молодой человек уже и без меня успел её прокачать 🙂

1. Что это такое
Опыт чувствуется в любой области, и аналитика не исключение. Когда ты приходишь стажёром или джуном, почти каждая задача для тебя новая: непонятно, с чего начать, что проверить и где искать подвох.
Опытный аналитик тоже не видит готового решения сразу. Но он быстрее понимает, на что похож кейс, где могут возникнуть проблемы и в какие стороны копать бесполезно.
В фильмах опытный человек часто смотрит на задачу и сразу понимает, как решить её от и до. В жизни опыт скорее сужает пространство поиска: ты не знаешь точного ответа, но примерно понимаешь, куда идти.
При этом опыт бывает глобальным и локальным.
Глобальный опыт накапливается за всю карьеру: ты видел разные бизнесы, типы задач и подходы к их решению. Он помогает понять, на что похож новый кейс и какие способы решения вообще существуют.
Локальный опыт появляется внутри конкретной компании или продукта. Ты уже знаешь, каким данным можно доверять, как устроены процессы и какие подходы здесь работают. Глобальный опыт шире и универсальнее, локальный - уже, но точнее. Вместе они дополняют друг друга и помогают быстрее разобраться в новой задаче.
Вот это я и называю аналитической насмотренностью. Раньше я уже писал про близкую идею - умение замечать паттерны.

2. Сколько времени нужно
Есть популярная идея: чтобы стать экспертом в любой области, нужно потратить на неё 10 000 часов. Если работать по 40 часов в неделю около 50 недель в году, это примерно пять лет.
Но для насмотренности недостаточно 10 000 часов повторять одно и то же. Важнее разнообразие: разные проекты, продукты, домены и типы задач.
Чем больше разных кейсов ты видел, тем выше вероятность, что следующая задача окажется на что-то похожа.
Кстати, раньше, аж в 2023 году, я уже писал, почему правило 10 000 часов не работает само по себе.

3. Как ускорить развитие насмотренности
Если работаешь в большой компании - выходи за пределы своего домена. Ходи на встречи и хуралы других команд, вникай в их исследования, бери смежные проекты и общайся с коллегами о том, какие задачи и проблемы возникают у них.
Если большой компании рядом нет - например, ты студент или только учишься - собирай кейсы самостоятельно.
Из того, что я бы советовал: GoPractice - про продуктовую аналитику, метрики и юнит-экономику, Yandex for Analytics и блог AvitoTech - про реальные задачи внутри компанийб архив Data Fest и ODS - чтобы смотреть на разные области DS и ML.
Из конференций - Data Driven, Матемаркетинг и ProductSense. Необязательно ходить на всё очно: можно смотреть старые доклады и специально выбирать темы вне своего домена.
Чтобы просмотр не превращался в фоновый шум, после каждого кейса попробуй выписать: какую задачу решали, какие данные использовали, почему выбрали конкретный подход и что получилось в итоге.
Ещё одно клёвое упражнение Саша предложил в нашем выпуске подкаста «Доверительный интервал»: брать разные бизнесы и разгонять вместе с ChatGPT, как в них может быть устроена аналитика.
Например, можно взять кофейню, такси или онлайн-кинотеатр и вместе с ChatGPT поразгонять, как устроен этот бизнес: на чём он зарабатывает, какие у него основные расходы, за какими метриками нужно следить и какие направления аналитики там могут быть.
Но самый быстрый способ всё тот же - найти стажировку и попасть в среду, где реальные аналитические задачи обсуждаются и решаются каждый день.

4. Что в итоге
С насмотренностью ты реже начинаешь задачу с чистого листа. Где-то уже видел похожий кейс, помнишь, что там сработало, а где всё сломалось, и можешь хотя бы не наступать на те же грабли.
Поэтому насмотренность растёт не столько от количества лет в профессии, сколько от количества областей и направлений, в которых ты успел разобраться и сделать что-то хорошее 🙂

🏆 Преподавание ML студентам очно в Москве

Знаю, что этот канал читают многие мои выпускники с различных курсов по ML / анализу данных. Это предложение в первую очередь для вас. Ну и для всех интересующихся тоже!

Я последние несколько лет руковожу курсами и веду лекции в ЦУ (Центральном университете).

В осеннем семестре значимо увеличивается количество студентов на курсах по ML в бакалавриате и магистратуре ЦУ, поэтому ищем талантливых семинаристов!

Важное:
• Пары проходят очно на Маяковской / Тверской в Москве
• В бакалавриате пары проходят с 10:00 до 19:00 в будни, в магистратуре - с 18:00 в будни и по субботам
• Ждём, что у вас есть опыт преподавания
• Также ждём, что вы владеете классическим ML (в идеале - работаете с ним)
• Будем проводить собеседования, чтобы отобрать лучших из лучших

Если давно хотели проявить себя в преподавании - приходите в личку, это ваш шанс!
@RAVasiliev

📺 Аузан про образование в эпоху ИИ

Посмотрел классный монолог Александра Аузана, декана экономфака МГУ, про образование, человеческий потенциал и ИИ.
Одна из главных мыслей: последние несколько сотен лет образование во многом было заточено на то, что ИИ теперь делает всё лучше: запоминать, пересказывать, считать, искать стандартные решения.

Если раньше хорошее образование часто проверялось через цепочку выучил - воспроизвёл - получил оценку, то сейчас такой формат становится всё более странным. Нейросеть воспроизводит материал быстрее, ровнее и без нытья перед дедлайном.
Аузан предлагает смотреть в другую сторону: для эффективного использования искусственного интеллекта рядом нужен сильный естественный интеллект.

Важнее становятся навыки, где человек сейчас сильнее:
• интуиция: принимать решения при недостатке информации;
• эмпатия: понимать чувства / эмоции людей;
• воображение: придумывать то, чего ещё нет;
• системная память: связывать куски опыта в логичные структуры;
• критическое мышление к ИИ

Последний пункт особенно зацепил.
У зумеров, как говорит Аузан, часто хорошо развито критическое мышление по отношению к старшим, но не к нейросетям. И это навык, которому явно нужно будет учить в ближайшие годы.
Мой вывод простой: образование в эпоху ИИ должно меньше учить конкурировать с нейросетями. И больше учить задавать хорошие вопросы, видеть странности в ответах, собирать контекст и придумывать следующий шаг.

В общем, всем интересуеющимся - очень советую 🙂
На ютубе тут

Сходил в гости в Доверительный интервал 🙂

Получилось 49 минут разговоров про аналитику с довольно жизненными вопросами: как работать с бизнесом, что делать с серыми A/B-тестами, насколько LLM правда может заменить аналитика, как менять специализацию и чем middle отличается от senior.

Ну и да, отдельный кайф - вопросы собирали в том числе здесь. Так что технически часть выпуска сделали вы 🙂
Посмотреть/послушать можно по ссылкам в посте выше.

Единственное, что я понял, когда пересматривал подкаст: как-то уж больно быстро проскочили вопрос «чем хороший аналитик отличается от плохого». Он на отдельный пост в этом канале тянет!

Тыкайте 👍, если интересно будет почитать)

🐚 Ответили на вопросы подписчиков

Недавно мы собрали вопросы от аналитиков, чтобы ответить на самые интересные из них в подкасте «Доверительный интервал». Для нового выпуска мы выбрали 10 самых интересных, которые ведущие Саша, Ксюша и Дима обсудили вместе с гостем выпуска. Да, теперь у нас будут гости, и первым из них стал Рома Васильев — руководитель аналитики международного Поиска.

📺 Смотрите в выпуске:

🔵 Что учить, если есть всего один час в день

🔵 Как без опыта в А/В вкатиться в команду, которая проводит A/B-тесты

🔵 Чем хороший аналитик отличается от плохого

⏭️ Ответы на эти и другие вопросы уже на ютубе, в VK Видео и Яндекс Музыке.

Подписывайтесь:
💬 @Yandex4Analytics

Доверительный интервал: собираем вопросы

Меня позвали в подкаст про аналитику, который делают ребята из Яндекса.
В прошлых выпусках ребята говорили про срочные задачи, цели и культурный код аналитика.

А в следующем выпуске мы будем разбирать самые животрепещащие вопросы от слушаетелей! У вас есть возможность поучаствовать и оставить свои вопросы для подкаста.

Что можно спросить:
• куда расти в аналитике в 2026
• сложные рабочие ситуации, где всё пошло не по плану
• как жить между бизнесом, продуктом и здравым смыслом
• любые неловкие вопросы, которые обычно не задают вслух

Оставляйте свои вопросы тут
Самые интересные разберём в выпуске. Форма анонимная, так что можно спросить всё, о чём пожелаете 🙂

Въезжаем в ИИ в 2026. Часть 2. Как работают LLM'ки - разбираемся на пальцах (2/2)

Что можно почитать/посмотреть, чтобы понять тему лучше:
1. Краткое объяснение больших языковых моделей от 3blue1brown (есть дубляж на русском): ссылка
2. Подрбный плейлист по теме от 3blue1brown (есть дубляж на русском): ссылка
3. Статья Игоря Котенкова "Как работает ChatGPT: объясняем на простом русском эволюцию языковых моделей с T9 до чуда": ссылка

---

Как обычно, ставьте ❤️, если ждёте продолжение!

Въезжаем в ИИ в 2026. Часть 2. Как работают LLM'ки - разбираемся на пальцах (1/2)

Если сильно упростить, современные LLM - это модели, которые очень хорошо умеют предсказывать следующее слово по предыдущему тексту.

Самая близкая бытовая аналогия - старый-добрый T9 на телефонах. В нулевых он тоже пытался угадать, что вы хотите напечатать дальше. Принцип был ровно тот же: есть контекст - есть вероятность следующего слова. Просто модели тогда были маленькие, контекст короткий, словари ограниченные. Этого хватало, чтобы дописать SMS, но не чтобы вести осмысленный диалог.
С LLM произошло то же самое, но в экстремальном масштабе. Модель получает текст, считает вероятности следующего слова, выбирает одно из них, добавляет к тексту, и повторяет этот шаг снова и снова. Так, слово за словом, и рождается ответ. Даже длинный текст или код - это просто сотни таких итераций подряд.

Ключевая разница здесь - масштаб. Мощность таких моделей во многом определяется числом параметров - настраиваемых коэффициентов, которые модель подбирает во время обучения. У GPT-3 в 2020 году их было около 175 миллиардов; у более новых моделей точные цифры не раскрываются, но они явно крупнее. По порядку величины это сопоставимо с числом нейронов в человеческом мозге (80–90 млрд), пусть и не один в один.
Но важен не только сам размер: критично и то, насколько мы умеем эти параметры обучать (железо и масштаб вычислений), и какие архитектуры позволяют делать это эффективно. Именно в этом и был основной рывок последних лет.

Почему всё это вообще стало возможным?

Во-первых, данные.
Современные модели обучаются на колоссальных объёмах текстов: интернет, книги, код, документация, диалоги - по сути, почти всё, что человечество успело написать в цифровом виде. Если очень грубо, это объём текста, который человек физически не смог бы прочитать за несколько тысяч лет непрерывного чтения

Во-вторых, железо.
Идеи нейросетей были понятны ещё в 90-х, но обучать их было банально не на чем. Перелом случился, когда GPU начали массово использоваться не только для графики, но и для вычислений: сначала CUDA (примерно 2006–2007 годы), затем специализированные GPU под машинное обучение. Именно параллельные вычисления сделали возможным обучение моделей с сотнями миллиардов параметров.

И в-третьих, архитектура.
В 2017 году появились трансформеры. Они позволили моделям перестать читать текст строго последовательно и начать обрабатывать весь контекст сразу через attention. Это резко повысило эффективность обучения и позволило масштабировать модели дальше.

И в-четвёртых, человеческий фидбэк (Reinforcement Learning with Human Feedback)
Большие модели сначала учатся просто продолжать текст, не имея представления о том, что считать хорошим ответом, а что - плохим. Поэтому поверх базового обучения их напрямую дообучают на человеческих оценках.
Люди смотрят на ответы модели и размечают их с точки зрения полезности, после чего она начинает оптимизироваться не только под правдоподобие текста, но и под ожидания человека.

Дальше случился самый интересный эффект.
Когда модели стали достаточно большими, у них начали появляться способности, которые никто специально не закладывал: перевод, программирование, рассуждения.
В итоге сегодня есть целые лаборатории, которые пытаются разобраться, как именно эта система к этому пришла, и почему рост масштаба приводит к таким эффектам. Параллельно обсуждаются и риски - в первую очередь связанные с тем, что поведение больших моделей становится всё сложнее предсказывать.

Таким образом, LLM - это не интеллект в человеческом смысле. Это самый мощный автокомплит, который мы смогли построить. И, как оказалось, даже этого уже достаточно, чтобы заметно изменить то, как мы работаем, пишем и ищем информацию 🙂

Въезжаем в ИИ в 2026. Часть 1. Терминология (2/2)

Внутренние и вспомогательные термины

Промпт - Текстовая инструкция для модели. В сложных задачах формулировка запроса часто важнее выбора конкретной модели.

RAG (Retrieval-Augmented Generation) - Подход, при котором модель отвечает, опираясь на внешние данные. Запрос обогащается найденными документами, и ответ строится на их основе, а не только на параметрах модели.

Мультимодальность - Работа с текстом, изображениями, звуком и видео в рамках одной модели.

Copilot - Формат использования LLM как встроенного помощника внутри инструментов и приложений. Например, кодовый ассистент, который на лету ищет баги, исправляет их и пишет код.

Вайбкодинг - Написание кода с помощью LLM через текстовые инструкции. Позволяет получать рабочий код без знания языка программирования. Но иногда шалит при написании сложных проектов 🙂

Контекстное окно - Объём информации, который модель учитывает в одном запросе или диалоге. Показывает, на сколько токенов назад модель «помнит», о чём шла речь.

Галлюцинации - Ситуации, когда модель уверенно выдаёт неверную информацию, начинает путать факты, языки или контекст. Часто выглядит правдоподобно, из-за чего особенно опасно.

Ризонинг (Reasoning) - Способность модели рассуждать пошагово и выстраивать логические цепочки.

Дипфейк - Генерация изображений и видео с участием реальных людей с помощью нейросетей. Предмет споров и дискуссий в последние годы.

---

Естественно, мы покрыли далеко не всю терминологию вокруг темы, но этих понятий уже достаточно, чтобы 90% статей и обсуждений про ИИ стали заметно понятнее!

В следующем посте подробнее разберём базовые принципы, на которых всё это работает.

Ставьте ❤️, если ждёте продолжение!

Въезжаем в ИИ в 2026. Часть 1. Терминология (1/2)

Наконец-то дошли руки завершить первый полноценный пост из серии!
В качестве вводной хочется зафиксировать базовую терминологию, которой будем пользоваться дальше. Без этого любые разговоры про ИИ очень быстро превращаются в спор людей, которые говорят о разном, но одинаковыми словами

Общие термины

AGI (Artificial General Intelligence) - гипотетический общий интеллект уровня человека, способный решать любые задачи лучше человека. Когда-то считалось, что если компьютер обыграет человека в шахматы, то это уже своего рода AGI 🙂

ИИ (искусственный интеллект) - Область компьютерных наук. Состоит из классического ML (предсказательные модели, статистика, оптимизация) и Deep Learning (нейросети). ИИ - надмножество, а не синоним нейросетей или LLM.

Machine Learning (ML) - Методы, которые учатся на данных и делают предсказания. Большая часть ML не имеет отношения к генерации и существовала задолго до нейросетевого бума.

Deep Learning (DL) - Подраздел ML, основанный на многослойных нейросетях.
Идеи нейросетей активно изучались ещё в 60–80-х (в том числе в СССР), но реальный прорыв случился после ~2012 года из-за роста вычислительных ресурсов, GPU и больших датасетов.

Трансформеры - Архитектура нейросетей, позволившая обрабатывать весь контекст целиком, а не последовательно. Представлена в 2017 году. Именно масштабируемость трансформеров напрямую привела к появлению LLM.

Механизм внимания (Attention) - Механизм внутри трансформеров, позволяющий модели самой определять, какие части данных важнее. Ключевой эффект - возможность обучения на сырых, неструктурированных данных. Представлен в 2017 в статье "Attention is all you need” как основа трансформеров.

Языковые модели

Токен - Базовая единица, с которой работает языковая модель. Фактически это кусок текста (часть слова, символ или несколько символов). Модель оперирует последовательностями токенов, именно на них часто появляются лимиты

LLM (Large Language Models) - Класс моделей внутри DL, оптимизированных под предсказание следующего токена. Генерация текста, кода и рассуждений происходит как последовательное предсказание токен за токеном

GPT (Generative Pre-trained Transformer) - Семейство LLM на архитектуре трансформеров. Обучается генерировать текст, предсказывая следующий токен на основе предыдущих. За счёт такого подхода одна и та же модель может писать текст, код и вести диалог

BERT (Bidirectional Encoder Representations from Transformers) - семейство языковых моделей на трансформерах, обученных понимать текст, а не генерировать его. Хорошо подходит для классических NLP-задач: поиска, классификации, извлечения сущностей. В проде его часто дообучают под конкретные задачи

Продукты и их сравнения

ChatGPT / DeepSeek / Gemini / Grok / Perplexity
Семейства языковых моделей. Внутри каждого — большое количество версий.
Все построены на трансформерах, но отличаются конкретной архитектурой, объёмом и составом обучающих данных, способом дообучения и продуктовой обёрткой.
Про то, где именно они реально отличаются и почему, поговорим отдельным постом

Alice AI / GigaChat
Российские LLM-продукты, оптимизированные под собственные экосистемы (Яндекс / Сбер) и локальный рынок, в первую очередь - под язык

Агенты - Надстройка над LLM, при которой модель не просто отвечает на запрос, а планирует действия, вызывает инструменты, проверяет результат и может работать в несколько шагов. Используются для автоматизации и сложных сценариев

n8n - Один из самых популярных инструментов оркестрации. Используется для сборки автоматизаций, пайплайнов и агентных цепочек вокруг LLM без написания большого количества кода

Бенчмарки - Наборы тестов для сравнения языковых моделей между собой. Измеряют отдельные навыки (код, рассуждения, знания). Фан-факт: один из популярных бенчмарков называется Last Human Exam.

🤖 2025 - год LLM’ок в жизни и работе

Для меня самое большое открытие этого года - большие языковые модели (LLM). Процентов 80–90 запросов, которые раньше уходили в поиск, статьи и десятки вкладок, теперь сразу улетают в ChatGPT / Gemini. Просто потому что таким образом можно кратно быстрее решать задачи: переносить свой образ мышления «на бумагу» и получать результат с существенно меньшими затратами времени и усилий.

Этим постом хочу начать цикл про LLM (в том числе GPT) для жизни и работы. Цикл скорее для тех, кто уже сталкивался с этой темой, но не погружался в детали, не до конца понимает, как модели работают внутри, и хочет разобраться, как их можно использовать уже сейчас. Если давно хотелось расставить точки над i, сейчас - самое время.

Что точно войдёт в цикл статей:
1. История LLM, терминология и откуда вообще всё это выросло
2. Какая революция сейчас происходит и с чем её вообще корректно сравнивать
3. Как LLM работают изнутри, на простых аналогиях и примерах (без глубокой математики под капотом, на уровне понимания идей)
4. Как применять их в повседневной жизни и какие задачи туда можно уносить уже сейчас
5. Как применять LLM в работе и бизнесе
6. Куда всё это реально может прийти дальше

Начать хочу с цитаты из книги 2011 года, за 6 лет до статьи Attention Is All You Need, которая положила старт всему этому делу. Мне кажется, она на уровне ощущений очень точно передаёт, как работают LLM. Для контекста: суры в этом произведении - человекоподобные роботы, которые служат для хозяйства и прочих дел.

— Знаете, когда-то люди изобрели опыт под названием «Китайская Комната». Слышали?
— Нет, — сказал я.
— В запертой комнате сидит человек, не знающий китайского языка. В окошко ему дают записки с вопросами на китайском. Для него это просто бумажки с нарисованными закорючками, смысла которых он не понимает. Но у него в комнате полно разных книг с правилами, в которых подробно описано, как и в какой последовательности отвечать одними закорючками на другие. И он, действуя по этим правилам, выдает в другое окошко ответы на китайском, которые создают у всех стоящих снаружи полную уверенность в том, что он знает китайский язык. Хотя сам он совершенно не понимает, о чем ему задают вопросы и в чем смысл его ответов. Представили?
— Ну, представил.
— Сура — это такая же китайская комната, только автоматизированная. Вместо человека со справочниками в ней сканер, который считывает иероглифы, и огромная база референций и правил, позволяющих подбирать иероглифы для ответа.
— Много же там будет правил, — пробормотал я.
— Немало, — согласился консультант. — Она переводит каждую вашу фразу на несколько символических языков, разделяя ее на множество слоев и уровней. Затем каждый слой соотносится со своей базой опыта. После этого происходит обратный синтез инвариантов, и мы получаем комплексную реакцию, имеющую смысловой, стилистический и эмоциональный аспекты, которые взаимно дополняют друг друга, создавая ощущение уникального, живого и адресованного лично вам ответа. Это, конечно, симуляция. Но точно так же дети имитируют своих родителей и сверстников — часто до самой старости. Общаясь с сурой, вы имеете дело с прошлым человечества.

S.N.U.F.F., Виктор Пелевин

Почему эта цитата так точно попадает в то, что мы сегодня называем LLM:
- модель не понимает смысл в человеческом смысле слова, но отлично имитирует понимание
- внутри — не знания, а огромная статистика прошлого опыта человечества (точнее, текстов, на которых она училась)
- ощущение «живого диалога» — побочный эффект хорошо собранной симуляции. И, если честно, люди в этом месте не так уж сильно отличаются

Дальше в цикле разберём базу: от истории и устройства LLM до практических сценариев использования в жизни, работе и бизнесе, и того, куда всё это может прийти дальше.

Если LLM уже стали для вас полноценным инструментом для работы или жизни - ставьте 🔥
А если интересно продолжение и хочется разобраться глубже - ставьте ❤️

Как совмещать работу в Яндексе и преподавание? 

Узнали у Романа Васильева, руководителя аналитики международного Поиска в Яндексе и руководителя и лектора курсов по ML в Центральном университете. 

Жестко 🙂 
А если серьезно — жесткий тайм-менеджмент, расстановка приоритетов. И увлеченность тем, что делаю. 

 
Роман начал преподавать еще в 2019 году. Для него работа со студентами — возможность вкладывать частичку себя в других людей. 

Поначалу может быть страшно и непросто, но в итоге это невероятно круто и вдохновляюще. 

А мы всегда поможем начать: подберем удобный график, от 5 часов в неделю, чтобы совмещать лекции или семинары с основной работой, подготовим методички, презентации, комфортные аудитории и поддержим смелые идеи. 

Знакомьтесь с нашими героями в цикле видео и приходите преподавать: https://cntrluniv.ru/cu_heroes

💙 Data Driven 2025.
Яндекс Поиск в Межнаре: как мы масштабируем аналитику на международные рынки

У меня тут накопилось несколько выступлений / подкастов, в которых я принимал участие за последние месяцы. Прихожу к вам рассказать про них!
Внутри этого доклада рассказал о том, что делает наш отдел аналитики международного Поиска, какие вызовы у нас возникают и как мы с ними справляемся.

Для кого может быть полезно:
1. Руководителям аналитики, которые развивают команды в условиях неопределённости
2. Аналитикам данных, которые хотят подсмотреть хорошие практики и позаимствовать проверенные идеи 🙂

Youtube: тут
Vk video: тут

Накидывайте ❤️ если вам интересен подобный контент 🙂

⏱️ Валюта XXI века — внимание

1. Предпосылки
Сегодня компании борются не столько за деньги напрямую, сколько за внимание. Чем дольше вы находитесь в приложении, тем больше ценности вы создаёте для его владельцев. Пока вы скроллите ленту, вам показывают рекламу, а алгоритмы подстраиваются под ваши интересы, чтобы удержать вас ещё дольше. Так внимание превращается во время, а время - в привычку.

2. Онлайн
В рекламном бизнесе это давно просчитано: за каждый клик и даже просто просмотр бренды платят реальные деньги. Есть теория пяти касаний - человек должен несколько раз столкнуться с брендом, прежде чем начнёт его узнавать и со временем что-то купит. Поэтому платформам выгодно, чтобы вы оставались как можно дольше: чем больше экранного времени, тем выше шанс, что эти касания произойдут.

Два часа в день в TikTok, Reels или Shorts - это не просто “отдохнуть и отвлечься”. Это инвестиция вашего внимания. Только выгоду от этой инвестиции получаете не вы.

3. Оффлайн
Кажется, что без экранов внимание отдыхает. На самом деле просто меняется форма: офлайн тоже устроен так, чтобы мы замечали. Вывески, музыка в кафе, запах кофе у витрины - всё это часть одной системы. Она не давит, но мягко подталкивает: задержись, зайди, купи.

Самый понятный пример - аэропорт. Чтобы попасть в зону вылета, вы проходите через Duty Free. Так повышают шанс, что вы сделаете покупку или хотя бы запомните бренды, с которыми столкнулись.

Внимание измеряется не только временем, но и шагами, запахами, звуками. Просто офлайн делает это чуть изящнее.

4. Что с этим всем делать
Не обязательно отказываться от технологий. Достаточно начать замечать, куда уходит ваше внимание.

Если на что-то уходит несколько часов в неделю - это уже инвестиция. Вопрос только, кому и во что. Иногда это время уходит не на людей или задачи, а на мелочи: бесконечный поиск нужного приложения, прокрутка до нужного чата, проверка «на секундочку», которая превращается в получасовой скролл.

Я для себя вывел несколько простых правил, которые действительно работают:
- Отключить уведомления. Не только звуки, но и цифры на иконках - они создают ложное ощущение срочности.
- Замьютить чаты и аккуратно разложить их по папкам. Чтобы читать тогда, когда нужно
- Систематизировать главный экран смартфона. 95% кликов приходят на первый экран + в приложения в доке
- One Sec (см скриншоты выше, не реклама!). Моё любимое открытие. Перед запуском соцсети - короткая пауза. За эти двадацать секунд мозг успевает спросить себя: «мне это сейчас действительно нужно?» - и часто ответ «нет».
- Проверять статистику времени. Когда видишь, что Instagram, YouTube и Telegram съели двадцать часов за неделю - становится проще навести порядок.

Эти простые вещи помогли мне вернуть фокус.

5. Финал
Очень важно осознавать, куда течёт ваше время, потому что время и внимание - самое ценное. Особенно пока вы молоды, полны сил, когда мозг способен работать на пределе, а тело быстро восстанавливается.

Каждый день к вам приходит поток этой валюты. И только от вас зависит, куда вы его направите. Можно потратить два часа на ленту, а можно - на интересную книгу / встречу с другом / спорт.

Внимание - это ваша валюта. И если не управлять ею самому, найдутся те, кто с радостью сделает это за вас.

Ставьте ❤️ если согласны :)