Andrei Shevtsov

Про математику (олимпиадную и не только)

Про математику я пишу редко и вряд ли для этого в будущем будет много поводов, но недавно подвернулся удобный случай совместить приятное с полезным. Итак, начинаем.

Часть 1, полезная

В последнее время было достаточно много интересных сдвигов в применении ИИ в математике, вот они слева направо сверху вниз:
▪️29 января
Команда Google DeepMind прогнала исследовательского агента Aletheia на базе Gemini Deep Think по 700 задачам, отмеченным как открытые в базе задач Эрдеша: для 5 задач агент придумал предположительно новые решения, а еще для 8 обнаружил уже существовавшие решения, разбросанные по старым малоцитируемым статьям и журналам (может показаться, что это такое себе достижение, но в математике периодически случается, что "новый" результат на самом деле уже был доказан 30 лет назад в статье с неочевидным названием, которую почти никто не цитирует)
▪️20 мая
Неназванная general-purpose модель (т.е. никак не заточенная конкретно под математику) от OpenAI опровергла почти 80-летнюю гипотезу Эрдеша (пост на русском), одну из ключевых в дискретной геометрии. Также показали, что результат не случайный: после серии прогонов модели с разным вычислительным бюджетом получили, что при увеличении количества использованных мощностей (грубо говоря длины цепочек рассуждений) модель все чаще и чаще приходила к доказательству, вплоть до половины всех прогонов.
▪️15-16 июля
Claude Opus 5 набрал 42 балла из 42 на IMO 2026 (пост на русском). Этот факт интересен не сам по себе, а в сравнении с IMO 2025:
   - в прошлом году без каких-либо ухищрений публично доступные модели набирали в лучшем случае 13 баллов из 42 (и 35 баллов набрали еще не доступные на тот момент публично модели от Google и OpenAI с первыми задатками reasoning)
   - содержательный результат в 35 баллов из 42 получился за счет архитектуры solver-verifier, в которой одна LLM в роли solver (генератора) генерировала решение, в роли verifier (критика) сканировала его на ошибки и репортила обнаруженные solver'у, и так по кругу, пока решение не проходило проверку модели-verifier 5 раз подряд. Теперь же Opus 5 решил все задачи без всяких мультиагентных обвязок, и это уже воспринимается скорее как данность, чем как прорыв.
Это касается не только задач по математике: неплохой оценкой развития моделей/агентов можно считать то, насколько хорошо они справляются с задачами, для решения которых раньше требовался harness (грубо говоря система промптов/скиллов/etc.). Это не только мое мнение, создатель Claude Code что-то подобное говорил в своем недавнем интервью (ниже в моем сокращенном переводе):

Раз в полгода удаляйте CLAUDE.md, скиллы и хуки и проверяйте, как модель работает без них. Новым моделям многие инструкции, необходимые старым, могут быть уже не нужны.

Все пытаются найти какой-то один хитрый трюк для работы с моделями, но его не существует. Вместо этого нужно действовать эмпирически: дать модели задачу, которая кажется для нее слишком сложной, предоставить инструменты для проверки собственной работы, посмотреть, где именно она буксует, и точечно исправить это место улучшенным промптом, скиллом или MCP, если ей не хватает контекста.

▪️19-20 июля
Claude Fable 5 нашел контрпример к сформулированной еще в 1939 году гипотезе Якобиана в размерности 3, тем самым опровергнув ее для всех размерностей больше 2 (первоисточник, пост на русском). Живем в интересное время, когда контрпримеры к гипотезам почти 90-летней давности выкладывают в Twitter.
▪️22 июля
GPT-5.6 Pro нашел контрпример к открытой с 1999 года стоимостной гипотезе Диница - Гарга - Гёманса из теории графов и комбинаторной оптимизации. Самое крутое в этом кейсе - то, что проделавший это математик поделился в Twitter диалогом с ChatGPT и там буквально череда сообщений типа "соверши прорыв и найди контрпример" -> "продолжай исследование и найди полноценный контрпример" -> "достаточно промежуточных результатов, давай закончим полноценным контрпримером".
▪️1 августа
Внутренняя модель Astra (было ожидаемо, что после Luna, Terra и Sol будет Astra) от OpenAI закрыла или существенно продвинула 10 давно открытых задач в математике и теоретической информатике, потратив ~$2000 по API-ценам Sol (первоисточник, пост на русском 1, пост на русском 2). Все решения формализованы и проверены в Lean - языке программирования для машинной проверки доказательств теорем (т.е. корректность доказательств проверяется автоматически, а ручная проверка нужна уже для понимания общей идеи и значения результата).

Что вообще хочется сказать про все это
На эту часть рассуждений меня отчасти натолкнул вот этот пост, но я бы сформулировал мысль немного иначе: в первую очередь тут напрашивается аналогия с появлением калькуляторов или IDE - первых воспринимали как конец математики, а вторых как читерский инструмент, которым "трушные" программисты ни в коем случае пользоваться не должны.
Целые пласты математической работы, посвященные вычислениям (например, решению алгебраических уравнений или диффуров), перестали быть самостоятельной ценностью после появления компьютеров и доступных вычислительных мощностей. И ничего, не исчезла математика и не обеднела - скорее наоборот появились возможности быстрее проверять гипотезы и заниматься вопросами, до которых раньше не доходили (или не дотягивались из-за отсутствия вычислительных мощностей) руки.
Продолжая аналогию, ИИ может заметно удешевить еще один кусок математической работы - получение доказательства или контрпримера к уже сформулированному утверждению, но для математики в целом мало что меняется: редко бывают содержательные вопросы, в которых надо просто доказать или опровергнуть готовое утверждение, заметно чаще сначала нужно понять, как связаны X и Y, можно ли дать описание факта Z в терминах T и т.д. Получается, что основная сложность постепенно смещается от самого доказательства к формулировке вопроса и пониманию его дальнейшей полезности (или в простонародье "Правильно поставленный вопрос - половина ответа").
Скорее всего в ближайшее время в интернете будет появляться все больше ИИ-доказательств, но большинство из них, вероятно, окажутся никому не нужными: в математических журналах и сейчас хватает технически верных, но бесполезных результатов, просто теперь такие статьи сможет в промышленных масштабах штамповать ИИ. Поэтому главным ограничением все чаще будет не способность доказать утверждение, а способность понять, какое утверждение вообще заслуживает доказательства и человеческого внимания.

Часть 2, приятная

В онлайн-школе "Дабромат" моего товарища Давида Бродского проходит Летний Геометрический Лекторий - серия спецкурсов и открытых лекций, нацеленных на построение моста между олимпиадной геометрией и современными научными методами. Я буду с 10 по 24 августа вести небольшой спецкурс под названием "Соосные окружности и конфигурации типа Понселе" по мотивам моей одноименной статьи в журнале "Математическое просвещение".

В лектории могут участвовать все: олимпиадники, учителя и просто любители красивой геометрии, желающие углубить свои знания. Понимаю, что релевантно это далеко не всем из вас, но тем, кому актуально, присоединяйтесь.

#личное #образование #математика #ИИ

Про ИИ-агентов

Вообще следующим постом планировалась завершающая часть серии про HFT, но в воскресенье со мной произошел интересный случай, который я посчитал достойным отдельного поста. На заднем фоне рилсы не крутятся, поэтому для удержания внимания буду писать короткими пунктами:

▪️разряженный за ночь ноутбук перестал загружаться после ввода пароля (шкала загрузки застревала на ~10%), простая перезагрузка не помогла. Для меня случай нестандартный, потому что раньше проблемы с ноутбуком (в основном неожиданные зависания) я решал, запуская Codex с промптом типа "у меня тут такая-то штука грузится дольше обычного, проведи всю диагностику и реши вопрос", а тут Codex запустить нельзя. Но ноутбук-то рабочий, поэтому была сильная мотивация разобраться до понедельника.

▪️иду в ChatGPT с телефона, описываю ситуацию текстом с прикрепленными фотографиями экрана ноутбука. Он последовательно дает мне всякие рекомендации по перезагрузке и диагностике, чтобы локализовать проблему (оказывается, из режима восстановления macOS можно даже открыть терминал!). По очереди все пробую, все проверки/диагностики проходят зелеными, но рабочий стол все равно не загружается

▪️в какой-то момент ChatGPT предлагает поставить на тот же диск отдельную чистую macOS, чтобы проверить, правда ли проблема в основной системе. Я ставлю тестовую macOS, рабочий стол на ней открывается без проблем

▪️ChatGPT предлагает дальше продолжать что-то пробовать и руками проверять очередные гипотезы, но я понимаю что раз я попал на рабочий стол (пускай и в другой системе), то могу с него запустить Codex. Спрашиваю ChatGPT может ли Codex из тестовой macOS получить доступ к основной системе и что-то там сделать, ChatGPT говорит что да. Уже предвкушаю победу

▪️запускаю Codex из тестовой macOS, описываю ситуацию, прошу разобраться. И он реально разбирается! Сам собирает диагностику, отбрасывает несколько правдоподобных гипотез и в итоге находит старую временную папку, которую оставил тестовый запуск скрипта по совсем другой задаче. В ней было огромное количество каталогов, и при загрузке системный процесс часами пытался удалить это дерево и блокировал запуск основной macOS

▪️главная ирония в том, что скрипт, оставивший эту папку, тоже был написан Codex'ом. В итоге он сначала создал проблему, которую без него я бы почти наверняка не нашел, а потом сам же помог ее диагностировать и устранить - современные проблемы требуют современных решений

Самое интересное тут даже не то, что Codex оказался умнее ChatGPT: ChatGPT с телефона мог только говорить мне, что проверять, а Codex из тестовой macOS получил терминал, доступ к дискам и возможность самому собирать факты, проверять гипотезы и менять план. То есть разницу между полезным советчиком и агентом, который реально решает задачу, в этом случае создал не столько интеллект модели, сколько доступ к окружающей среде.

Выводы для себя сделал следующие:

0. Codex нашел точную причину проблемы, которую в обычном сервисном центре, скорее всего, решили бы чистой переустановкой macOS, не разобравшись, что именно сломалось (т.к. проблема была нетипичной и к тому же созданной самим Codex'ом во время работы над прошлой задачей)
1. Если долго пользовался агентами, то при их отсутствии в ситуации где они обычно доступны как будто теряешь руку и приходится справляться без нее
2. Чем раньше ты в такой ситуации придумаешь как эту руку отрастить обратно (т.е. дашь агенту возможность взаимодействовать с окружающей средой и самостоятельно делать про нее выводы, а не просто быть диванным аналитиком в диалоговом окне ChatGPT/Claude/etc.), тем лучше
3. Одним из главных боттленеков массового применения ИИ-агентов в повседневной жизни (а не написании кода для работы) является не отсутствие интеллекта, а частое отсутствие у агента возможности видеть то же, что видим мы, и делать то же, что можем сделать мы.
4. Когда кажется, что агент жестко тупит, стоит задаться тремя вопросами:
▪️знает ли он то же, что знаете вы?
▪️видит ли он то же, что видите вы?
▪️может ли он делать то же, что можете делать вы?

Если на какой-то из трех вопросов выше ответ "нет", следующий вопрос - как это исправить. Причем его, как ни странно, можно напрямую задать самому агенту. Например, в одной задаче, где была важна корректная визуализация, я устал вручную скидывать агенту скриншоты с его косяками и попросил научиться самостоятельно делать скриншоты и сравнивать их с ожидаемым результатом.

Другой пример: часть агентов получает структурированное текстовое представление веб-страницы, а не ровно ту картинку, которую видим мы, поэтому может запросто пропустить, что в выдаче есть 5 страниц: мы видим переключатель страниц невооруженным взглядом, а агенту еще нужно догадаться, где и как его искать.

Или, например, я хочу собрать корзину в приложении доставки продуктов, отправив голосовое сообщение в чат с ИИ-агентом. Пока это не внедрят как фичу внутри приложения (рано или поздно это, конечно, все сделают, но когда именно - непонятно), агенту нужен либо нормальный API или встроенная интеграция, либо возможность самостоятельно пользоваться обычным интерфейсом приложения: находить товары, выбирать нужные варианты, класть их в корзину и оформлять заказ. Первое есть далеко не у каждого приложения, а второе пока работает не всегда надежно.

Делитесь в комментариях своими нетривиальными кейсами применения ИИ-агентов в жизни и на работе, особенно теми, где агент не просто что-то подсказал, а получил доступ к среде и реально довел задачу до конца. Ну или, как в моем случае, сначала сам создал проблему, а потом героически ее решил.

#ИИ #агенты #личное

Про работу: часть 3

В прошлом посте разобрались с тем, как в целом устроена HFT-индустрия, теперь можно перейти к более интересной части - чем конкретно внутри нее занимаются эти ваши quant researcher'ы и зачем им вся математика, которой обычно пугают в описаниях вакансий.

Основные тезисы следующие:

▪️ Пишут почти целиком на Python: у разных фондов может быть по-разному (например у того же Jane Street популярен язык OCaml, где-то используют R), но кроме редких исключений так. Много применяются библиотеки для обработки данных/ускорения вычислений (pandas, numpy, numba), иногда используются более низкоуровневые языки типа C++ или Rust. В больших фондах самому quant researcher'у они обычно не нужны, т.к. продом занимаются специально обученные люди aka quant developer'ы, а код для ad-hoc ускорения расчетов сейчас можно написать и агентами. В небольших компаниях границы ролей обычно размыты сильнее, так что чем больше умеешь сделать сам, тем лучше.

▪️ С ML дело не начинается и на нем не заканчивается - обычно он является одним из шагов/инструментов внутри более длинного исследовательского цикла, и даже не всегда в этом цикле присутствует (т.е. существуют стратегии где для принятия решения не используется blackbox предсказание модели, а по явно заданной логике на основе имеющейся информации)

Можно обучить модель с красивыми метриками, а потом выяснить, что после комиссий она не зарабатывает, сигнал невозможно нормально исполнить или стратегия работает только на маленьком объеме капитала, а при его увеличении сама начинает двигать рынок. Поэтому хороший ML-предикт и работающая стратегия - далеко не одно и то же.

▪️ Хорошее понимание статистики и теорвера нужно не для того чтобы каждый день использовать формулу p-value для t-test'а, а чтобы научиться осмысленно выдвигать гипотезы о происходящем и быстро проверять их разумными экспериментами, а не вслепую крутить гиперпараметры. Такой же ответ про математику в целом: чего-то великого обычно не используется, теоремы не придумываются и не доказываются.

Грубо говоря нужно понимать математику и ML на таком уровне, чтобы ты их чувствовал и мог по паре графиков предположить "мне кажется, что ML-модель слишком сильно переобучилась на волатильных участках рынка, нужно у таких сэмплов в трейне чуть уменьшить веса", а затем придумать эксперимент, который отличит эту гипотезу от пяти других правдоподобных объяснений. Либо с нуля собрать для нового направления торговли мини-теорию, которая помогает ответить на вопрос "какой сейчас основной блокер для зарабатывания денег". В этом и основная сложность: нет какого-то одного святого Грааля - есть множество подходов/приемов/трюков, и для каждой задачи приходится с нуля выстраивать интуицию о том, что работает хорошо, а что нет. Ну и понятное дело, что такая интуиция не берется с рождения или из воздуха, а вырабатывается с опытом.

Общий вывод, который хочется донести: quant researcher не просто сидит и применяет заранее известную красивую формулу, а превращает нечеткое наблюдение о рынке в воспроизводимый эксперимент и затем (если повезет) в работающую стратегию.

Почему при такой работе кандидатов все равно фильтруют по олимпиадам и спрашивают на собеседованиях задачи про монетки - в следующей части, stay tuned.

#работа #карьера #HFT

Про работу: часть 2

Итак, сегодня расскажу вам чуть подробнее про сферу, в которой сейчас работаю.

Дисклеймер: дисперсия по происходящему в индустрии кратно выше чем в бигтехах, т.к. передачи знаний между компаниями практически нет, а большая часть содержательных деталей закрыта NDA. Смотреть на индустрию и рассказывать про работу в следующем посте буду с позиции quant researcher, т.к. занимаюсь конкретно этим.

HFT (High Frequency Trading aka высокочастотная торговля) - вид алгоритмической торговли на бирже, при котором принятие решения о сделке, выставление и отмена заявок происходят автоматически за доли секунды. Для принятия решения обычно используются статистические модели, эвристические алгоритмы или ML.

Чем торгуют - всем что под руку попадется: криптой, фьючерсами, акциями, валютой, опционами и т.д. (как утрированную версию в последнее время в мемах упоминают shrimp futures on the Azerbaijan stock exchange)
Где торгуют - тоже почти везде: США, Европа, Азия, криптобиржи или локальные площадки, например в Латинской Америке
Как торгуют - классическое предсказание цены, арбитраж, портфельная торговля, маркет-мейкинг, etc.
На чьи деньги торгуют - на свои (т.н. prop-компании, Wunder Fund например такой), чужие или свои + чужие (например Citadel управляет внешними деньгами, а Citadel Securities торгует в основном своими). Торговля на свои деньги обычно подразумевает чуть больше свободы и меньше ограничений в принятии решений (т.к. нет важного дяди со стороны постоянно интересующегося что вы делаете с его деньгами), за торговлю чужими деньгами обычно берется комиссия за управление и процент от прибыли.

Конкретный фонд может торговать на разных рынках, разными активами и разными стратегиями, т.е. строгого разделения "фонд A торгует чисто курсом доллара к евро, а фонд B фьючерсами на пшеницу" скорее нет - понятно что всегда есть основные направления, но пересечения всегда есть и будут. Более того, торговля одним и тем же активом необязательно означает конкуренцию - например стратегии с горизонтом несколько дней и 5 секунд обычно ловят разные неэффективности и не особо мешают друг другу.

Как маленькие фонды могут составлять конкуренцию большим?
Примерно так же, как малый бизнес составляет конкуренцию крупному:
▪️более узкая специализация
▪️рынки меньшей емкости, куда большим фондам с их капиталом пока что невыгодно заходить (например стратегия на небольшом рынке с потенциалом несколько M$ в год может быть неинтересна Jane Street, но целиком кормить фонд из 15 человек)
▪️ более быстрые итерации из-за меньшей бюрократии
Т.е. логика та же, по которой до сих пор существуют AI-продукты при существовании бигтехов - кто-то запарился и в соло сделал в удобном интерфейсе распознаватель породы дерева по фото, а условному Яндексу это нафиг не надо т.к. больше 500к в месяц на этом не заработать.

Одни из самых известных в мире фондов - Renaissance Technologies (основан в 1982 году математиком-криптографом, ее закрытый Medallion Fund с 1988 по 2018 год приносил среднегодовую доходность 39% после комиссий) и Jane Street (самая прибыльная компания мира на сотрудника среди компаний со штатом более 1000 человек, регулярно обвиняют в манипуляцих рынком).

Основные фонды с русскоязычными корнями:

Wunder Fund
Pinely
Spectral::Technologies
Teza
Alber Blanc
Silver Mont
FastForward
Sparkland
Eqvilent
Order Capital
World Quant
Quantum Brains
QST
XTX
ActivMatrix

Основные отличия от работы в бигтехе:
▪️меньше оргструктуры: обычно взаимодействуешь только с такими же технарями как и ты, нет кучи синков и встреч-согласований со смежниками, у некрупных фондов обычно есть несколько торговых команд напрямую под Head of Research
▪️профитшеринг (особенно в небольших фондах) - если запускаешь успешную торговую стратегию, то часть прибыли может уйти тебе как бонус. Бывает очень по-разному: в больших фондах обычно есть не очень прозрачно считающийся бонус, где-то они считаются отдельно для каждой команды
▪️NDA + нонкомпит - в начале работы подписываешь достаточно строгие соглашения о неразглашении (т.к. любая ценная информация о стратегиях может принести много денег) и в некоторых случаях коммитишься после увольнения не работать в других фондах-конкурентах какое-то время (обычно от полугода до трех лет). В щедрых случаях это оформляется через garden leave: формально остаешься сотрудником и получаешь зарплату, но уже не работаешь и не можешь выйти к конкуренту

Понимаю, что большинство ждало не классификацию индустрии, а рассказ про то, что там вообще происходит и кого и как туда берут, так что по лучшим традициям кликбейта пишите вопросы, комментарии и follow for part 3

#работа #карьера #HFT

Про работу

Настало время подробнее написать про то, куда и почему я ушел из Яндекса.
Часть вещей уже писал в комментариях к прошлому посту, но повторение - мать учения, да и кто знает, какая часть из вас, дорогие подписчики, эти комментарии читает, а какая просто увидела заголовок, поставила мысленную галочку "ага, ушел из Яндекса" и пошла дальше жить свою прекрасную жизнь.

Куда
С середины ноября работаю Quantitative Researcher в Wunder Fund

Почему
▪️ не хватало технической нагрузки: для меня стало слишком много взаимодействия с бизнесом и слишком мало задач, где нужно прямо долго сидеть в данных, коде, моделях и странных артефактах. При этом я доволен тем, что такой опыт у меня был, т.к. софт скиллы прокачались знатно.
Это не плохо и не хорошо, просто у каждой конкретной позиции этот уровень свой, и, очевидно, в большинстве случаев он растет вместе с уровнем позиции, ответственностью и количеством людей в подчинении.

▪️ из-за моего бэкграунда (серебро межнара и опыт работы в HFT) был достаточно стабильный поток сообщений от рекрутеров из HFT-фондов, так что в какой-то момент решил поддаться соблазну, т.к. верю, что в русских бигтехах в случае чего ещё всегда успею поработать, а вот шанс потрудиться в HFT лучше не откладывать до момента, когда уже будет совсем комфортно жить от одной встречи до другой.

При всем вышесказанном я все еще считаю Яндекс хорошим местом для работы, сильной строчкой в резюме, очень прокачивающим опытом и вообще не согласен с общими утверждениями в стиле "в Яндексе хорошо" или "в Яндексе плохо".
Ощущения от работы в большой компании могут сильно отличаться даже у двух человек в одной команде, и само название этой компании вносит процентов 20 от общей удовлетворенности работой: намного больший вклад дают окружающие люди и в первую очередь руководитель.

Поэтому в долгосрочной перспективе считаю хорошей практикой идти не в "компанию X, потому что там в офисе есть качалка", а "к чуваку Y в команду, потому что увидел у него интересный доклад на конференции + по неформальному общению после доклада понял, что он правда крутой и под его руководством можно сильно вырасти". Конечно легче сказать чем сделать, но это уже совсем другая история.

В следующей части хочу рассказать про то, что такое HFT, чем там вообще занимаются и насколько реально туда попасть, потому что вокруг этой сферы есть одновременно и ореол чего-то максимально недоступного, и куча довольно странных мифов передающихся из уст в уста.

Чтобы следующая часть получилась не только про то, что мне самому кажется важным, жду ваши вопросы в комментариях, сообщениях канала и лс.
Можно спрашивать что угодно: что вообще делают в HFT, какие там задачи, какие нужны навыки, насколько важны олимпиады, математика, ML и код, как выглядят собеседования, можно ли туда попасть из бигтеха или без специального бэкграунда.
P.S. Тема следующего поста может оказаться слишком нишевой, так что буду стараться разбавлять посты чем-то более понятным

#работа #карьера #яндекс #HFT

Всем привет!

Больше полугода не было постов в канале: вижу что отписываться люди, каюсь.

За это время произошло много изменений в карьере и в жизни, из основного:
▪️ с середины ноября работаю не в Лавке💙, а Quantitative Researcher в Wunder Fund👾, про это обязательно напишу ещё
▪️ на заказ сделал финмодель для музея икон в Дубае
▪️ с начала 2026 года самостоятельно не написал ни одной содержательной строки кода, все с помощью Codex
▪️ вступил в замечательные отношения
▪️ научился вкусно готовить стейки
▪️ перечитал одну из любимых книг начальной школы - Айвенго
▪️ побывал в Японии, Грузии, Нижнем Тагиле, Екатеринбурге, Питере, Тайланде и Калининграде

В связи с большим количеством изменений также понял что буду расширять тематику канала: часть идей для постов уже безнадежно устарела, поэтому теперь точно будут посты не только про работу. Например, хочу написать о том как с августа по октябрь был на лютом ЗОЖе - за счёт питания, дисциплины и физической активности:
▪️ похудел на 8кг
▪️ понизил массовую долю жира в теле на 4%
▪️ повысил массовую долю мышц в теле на 4%.

Давайте устроим небольшой интерактив в комментариях: пишите что у вас нового случилось за эти полгода и на какую тему хотели бы увидеть посты.

#личное

Однажды Эрнест Хемингуэй поспорил, что напишет самый короткий рассказ, способный растрогать любого...

Пишите в комментариях, у кого в субботу реально планируется рабочий день, а кому повезло чуть больше. Лично я считаю, что в рабочей субботе мало смысла, потому что все мы по привычке будем отдыхать, и полноценного рабочего дня все равно не выйдет

Data Fest Siberia

В одном из прошлых постов рассказывал про мое выступление на конференции Data Fest (ссылка на пост). Так вот, хорошего много не бывает, поэтому в последнюю субботу слетал одним днём в Новосибирск чтобы вместе с коллегой выступить на Data Fest Siberia в секции RandomML с докладом про, как вы могли догадаться, ценообразование в Лавке💙.
Презентацию прикрепил к посту, запись на YouTube, RuTube и Яндекс.Диске, все вместе с презентацией в одной папке тут

Содержание было похоже на уже рассказанное на летнем DataFest'е, но с добавленными продвижениями полученными с момента прошлого выступления:

1️⃣ обновленной моделью прогноза спроса
2️⃣ кросс-зависимостями спроса на товары-дополнители и товары-заменители (таким образом, наше ценообразование перестало быть потоварным)
3️⃣ более корректном подсчёте эластичностей
4️⃣ переходе от перебора цен к градиентному спуску (что необходимо при добавлении кросс-зависимостей товаров чтобы не перебирать бесконечное количество комбинаций цен)

В начале доклада для разогрева аудитории устроил небольшой интерактив: спросил, какая часть слушателей часто заказывает Лавку💙 и какая часть делала хотя бы один заказ в жизни. Результаты устроили - на глаз где-то треть/четверть человек сделавших заказ стали постоянными пользователями.

После доклада по традиции отвечали на вопросы - их сразу было много, видно что тема ценообразования насущная для многих, так как все мы сталкиваемся с ней в повседневной жизни. Вопросы были вдумчивые и нетривиальные, на основе их и дискуссии после доклада уже появилась пара мыслей про дальнейшее развитие моделей и алгоритмов.

Было еще несколько докладов от Яндекса, первые 2 успел послушать:
🔵Построение мультимодальных эмбеддингов товара для улучшения матчинга в Яндекс.Маркете
🔵Снижение нерелевантных показов тематического блока геопоиска в навигационном сценарии
🔵Практические аспекты претрейна мультимодальных LLM
🔵Как найти правильную организацию на фото, или “удаляем Кул-Шариф из галереи Казанского кота”
🔵Автоматизация разметки новостных запросов с помощью RAG

Если подводить какие-то итоги, то командировкой доволен и рад, что съездил - выступить с докладом без каких-то серьезных затрат по времени и усилиям это всегда хорошо.

#карьера #конференция #доклад

❗️Важный анонс❗️

В мою команду ищется техлид аналитики ценообразования Лавки💙

Какие задачи вас ждут:

1️⃣ Развитие системы ценообразования - регулярные цены, коммерческие скидки, эксперименты с ценообразованием, прозрачность метрик для бизнеса и регуляторов
2️⃣ Построение технических и бизнес-процессов - code style, code review, инцидент-менеджмент, дежурства, документация. Ключевая задача — помогать команде эффективно работать с фокусом на бизнес-результат за счёт чётко налаженных технических процессов

Ожидания от кандидата:
1️⃣ Опыт построения аналитических и технических процессов команды
2️⃣ Критически мыслите, любите искать и решать проблемы
3️⃣ Отлично знаете Python и SQL для аналитки, проведения A/B-тестов, построения отчётов
4️⃣ Умеете эффективно общаться с заказчиками, собирать и формализовать требования, работать на стыке аналитики и бизнеса
5️⃣ Опыт проведения A/B тестов и построения ML - пайплайнов будет плюсом

Что предлагаем:
1️⃣ Все то что обычно пишут в вакансиях Яндекса (ДМС, рост и развитие, бенефиты, конференции и т.д.). Из прикольного недавно узнал что оплачивается релокация в Москву (ну и про лазерную коррекцию зрения писал в прошлом посте, если что всё прошло успешно). Зарплату тоже кстати будут платить, сам проверял
2️⃣ Работа с классной замотивированной командой, вместе с которой не страшно расти и достигать новых вершин
3️⃣ Возможность построить крутой прайсинг в Лавке, которым можно будет гордиться

Ещё раз ссылка на вакансию:

https://yandex.ru/jobs/vacancies/tehlid-v-komandu-analitiki-tsenoobrazovaniya-lavki-39101

Со всеми вопросами можно идти ко мне в лс @sh_andrei_a - расскажу подробнее про все что вас интересует и пореферю чтобы ускорить процесс

Делитесь с теми кому может быть актуально, let's make pricing great again

#карьера #яндекс #аналитика #вакансия

Пост пишу второпях потому что еду на лазерную коррекцию зрения по ДМС от Яндекса (доступна после года работы), так что буду краток

Что:
Weekend Offer Analytics - возможность для аналитиков за выходные получить оффер в Яндекс

Когда:
▪️27 сентября - 2 технических секции
▪️28 сентября - знакомство с командами и оффер в тот же день

Кого ищут:
▪️Data-аналитики, продуктовые аналитики, Data Scientists
▪️16, 17 или 18 грейд (middle+/senior/senior+/team lead)
▪️Опыт разработки от 3 лет на Python
▪️Готовы работать в офисном или гибридном режиме в Москве, Санкт-Петербурге, Екатеринбурге, Казани или Нижнем Новгороде
Больше о нанимающих командах

Уверен что среди вас есть много крутых специалистов, так что готов порекомендовать на мероприятие каждого из вас - для этого поделитесь мне в лс @sh_andrei_a информацией нужной для оформления рекомендации на Weekend Offer Analytics до 15 сентября. Сроки я немного профакапил, так что советую поторопиться

Напоследок скажу что мероприятие действительно рабочее, потому что по точно такому же Weekend Offer в Яндекс проходил я сам больше года назад

Делитесь со знакомыми аналитиками, кому может быть интересно и актуально

Всем хорошей пятницы и быстрого найма!

#карьера #яндекс #аналитика

Всем привет!

Пока у меня только консолидируются мысли для новых постов, предлагаю вам почитать интересные посты из папки дружественных каналов, в которую меня позвал мой коллега из Лавки @asisakov_channel.

Основное направление папки - IT, аналитика данных и Data Science, но я знаю что аудитория у меня разношёрстная, так что держите подборку постов, в которой каждый найдет что-то интересное для себя:

▪️Roadmap по вкатыванию в Data Science от Саши

▪️Какие зарплаты обещают курсы по аналитике данных от Виталия

▪️Непопулярное мнение про выгорание от Арины

▪️Советы первокурсникам от Вани

▪️Огромный список open-source LLM-моделей от Никиты

▪️Лонгрид про устройство блокчейна от Паши

▪️Сначала скажите нет от вашего покорного слуги

Ещё раз ссылка на папку, находим интересные для себя каналы и подписываемся

#папка

Блин, как же хочется поработать а не обсуждать что-то параллельно на двух встречах...

Отчитываюсь по сессии: прошло более чем хорошо

Что понравилось

1) Более неформальная чем самые большие и популярные сессии - мне даже почти не пришлось фильтровать то что я хотел сказать, а это многого стоит (надеюсь что хотя бы раз выступавшие на конференциях читатели меня поймут)

2) Релевантная и актуальная для меня тема - думаю тут всё понятно

3) Никто не притворялся экспертом по ИИ не рассказывал про него. В последнее время немного раздражает, что о перспективах развития ИИ рассуждают вообще не причастные к разработке технологии люди, которые максимум отправляли изощрённые промпты в ChatGPT, так что эта сессия была большим облегчением

(а ещё тут пересылал классный пост про ИИ, почитайте ещё разок чтобы освежить в памяти)

Что можно улучшить

В конце не хватило каких-то action point'ов - вроде содержательно поговорили и разошлись, а хотелось бы по итогам дискуссии иметь план действий по устранению проблемы, ради которой все собрались:

Что должны сделать государство, общество и бизнес для того, чтобы такие талантливые ребята смогли максимально реализовать свой потенциал?

С другой стороны, стоит помнить, что 80% продуктивного взаимодействия на ПМЭФе происходит не на сессиях, а между ними и после них, так что всему своё время. В любом случае опыт очень понравился, так что с нетерпением жду аналогичных активностей

Те кто в этом году катались на ПМЭФ, поделитесь своими впечатлениями - на какие сессии ходили, что зашло и что нет, как вам форум по сравнению с прошлым годом?

#конференция #ПМЭФ

2 новости

1) Наконец-то защитил диплом, тема "Средние значения случайных мультипликативных
функций". Мне немного не понравилось что по сути строгих математических утверждений я не доказал, но тема забавная, почему-то поставили 10

2) В субботу 21 июня на ПМЭФе буду спикером на сессии "От лидерства в образовании к лидерству в бизнесе и технологиях" как представитель всяких олимпиадников-межнарников, ниже описание повестки:

Отечественное образование традиционно считается одним из лучших в мире. В последние годы в результате реализации национальных проектов Россия вновь доказала свое право на лидерство в этой сфере, войдя в десятку лучших стран. Ярким примером отечественного математического и естественно-научного образования являются ежегодные победы российских участников на международных олимпиадах школьников по математике, информатике, физике, химии и другим предметам. Зачастую ребята из России занимают все ступени пьедестала. Победители международных школьных олимпиад не только обладают фундаментальными научными знаниями – путь к медалям воспитывает качества, необходимые для последующего успеха в науке и в бизнесе. Как складывается судьба призеров олимпиад в России? Что должны сделать государство, общество и бизнес для того, чтобы такие талантливые ребята смогли максимально реализовать свой потенциал?

21 июня, 12:00–13:15
павильон H, зона H, 2-й этаж, конференц-зал H22
Ссылка на трансляцию

Так что приходите послушать или подключайтесь к трансляции, буду рад всех видеть.

P.S. Для тех кто не знал (но я надеюсь что все знали), на последний (aka молодежный) день ПМЭФ очень легко бесплатно попасть - достаточно подать заявку от Росмолодежи. В этом году регистрация открылась 28 марта, податься можно от одного из 5 направлений:

▪️Лидеры и представители общественных организаций
▪️Молодые предприниматели
▪️Молодые ученые
▪️Обучающиеся образовательных организаций среднего и высшего образования
▪️Молодые специалисты

Ничего сверхъестественного не требуют, легче всего наверное подаваться через направление студентов. В этому году это знание вам уже не поможет, так что вспомните это перед следующим ПМЭФом.

#конференция #ПМЭФ