RWB Тех

Как мозг обманывает нас в проектах?

Приготовили чтение на субботу — говорим про когнитивные искажения в работе.

Когнитивные искажения — это систематические ошибки мышления, которые возникают из-за особенностей работы мозга. Они помогают быстрее принимать решения, но часто уводят от объективной картины.

В карточках разбираемся, как избежать их в работе и принимать не просто быстрые, но и эффективные решения.

RWB Тех pinned a video

Дайджест полезных материалов 🔥

Собрали дайджест последних публикаций на случай, если вы что-то пропустили.

📖 Статьи на Хабр

🔵Compose + Koin + Jetpack Navigation: что мы поняли за 2 года
🔵Универсальные модели в видеоаналитике: единый фундамент для множества задач
🔵Оркестрируем 15 тысяч инстансов разных БД без боли (почти)
🔵Неочевидные подробности обучения двухбашенных моделей
🔵CLIP + LLM в проде: мультимодальный «Поиск по фото» для маркетплейса

🎤 Доклады

🔵Infra Meetup: обсудили всё от файловых хранилищ на экстремальных нагрузках до автоматизации репозиториев и философии DevOps — доклады

🔵ResSys Meetup: говорили, как работают рекомендательные алгоритмы Wildberries & Russ: от блока «вам может понравиться» до сложных моделей, влияющих на выдачу товаров — доклады


👀 Посты с нашими коллегами

🔵Архитектура поиска по фото — для тех, кто не успевает читать Хабр-обзор, рассказали про сервис в карточках — коротко и наглядно
🔵Код vs Менеджмент: серия постов о тимлидстве — про ожидания, коммуникацию в команде и важные советы новичкам
🔵Как нетворкаться, если ты интроверт — начать и не перегореть, даже если общение с незнакомыми людьми вызывает тревогу.
🔵Всем ли нужен личный бренд? Читать тем, кто давно хочет начать, но сомневается.
🔵Ну и главное — мемы

Вы просили — мы сделали 🤝

CLIP + LLM в проде: мультимодальный «Поиск по фото» для маркетплейса

Никита Романов, Tech Lead продуктов «Поиск по фото» и «Похожие по фото», рассказал, как команда внедрила SigLIP 2, Qdrant и LLM в прод, обучила модель уточнять запросы текстом и улучшила качество поиска без потери скорости.

В статье — архитектура продового пайплайна, обучение эмбединговой модели, генерация тегов через VLM и LLM, результаты A/B-тестов и ключевые инженерные решения, которые помогли выдержать продовую нагрузку.

➡️Читать на Хабре

🐳 Единый артефакт сборки: один docker-образ для всех окружений

В новой статье поделились, как ушли от пересборок и добились гарантированного соответствия между Stage и Prod.

Детально рассказываем:

🔵 как избавиться от несогласованности образов между окружениями;
🔵 как настроить стабильное кэширование и избежать проблем с зависимостями;
🔵 как реализовать проверку идентичности Stage→Prod без сложных костылей;
🔵 как снизить нагрузку на CI/CD, сократить время сборок и упростить поддержку пайплайнов.

➡️Читать на Хабре

На ваш телефон пришло новое сообщение — посмотри, вдруг там что-то важное