Тем временем в чате бывших сотрудников ABBYY весь день

К слову говоря, есть точка зрения, что российские паспорта за уши притянули, просто разработку переводят на индийский офис

К слову о Forbes

К слову о Forbes, который я вчера радостно цитировал. Подписывайтесь на каналы людей из списка Forbes 🤩: https://t.iss.one/addlist/NrULL8pvfjRiMjAy

В 2021 году я стал наверно первым Data Scientist’ом в России на обложке Форбса, и все благодаря тому, что в Россию тогда год как пришел рейтинг Forbes 30 до 30. Его задумка в том, чтобы писать в журнале не только про миллиардеров, но и про амбициозную молодежь, у которой уже что-то крутое получилось, и есть план не останавливаться на достигнутом :) Далее распишу чуть подробнее, зачем это и кто в этих каналах есть.

💯 Зачем вообще подписываться на этих людей?

Главная ценность в Forbes 30 до 30 – это именно сообщество и люди, которые туда попадают – очень талантливые и разносторонние, неравнодушные и амбициозные. Люди, которые могут служить вдохновением для других не только за счет результатов, но и просто своим характером и личными качествами.

Сегодня мы как раз делимся с вами частичкой русскоязычного сообщества – папкой каналов участников Forbes 30 до 30. Нас собралось пока 26 человек (но надеюсь скоро будет больше). Все мы увлечены своей областью и будем крайне рады поделиться своим увлечением с вами.

✨ Кого можно привести в качестве примера из этой папки?

Лично мне очень нравятся:

proVenture: канал Дениса Ефремова, принципала R136 Ventures, о венчурных инвестициях, стартапах и предпринимательстве - всегда очень по делу, обстоятельно, но при этом понятно для всех. У Дениса талант писать про венчур интересно

Радостный бизнес: канал Алисы Пейрис, основательницы Holy Corn, про бизнес, который приносит радость и мой любимый самый вкусный попкорн 😁

И, конечно

tldr_tany: ведет Таня Савельева, предприниматель, AI эксперт (а еще моя бывшая студентка на курсе Data Mining in Action и сотрудница в Яндекс.Такси, поэтому радуюсь всем её успехам вдвойне 🫶🏼) - 10 лет назад была AI разработчиком, потом заработала своей компании $20M и сэкономила $100M, увидела в этом идею для бизнеса и стала серийным СЕО AI-стартапов 💪 В канале пишет внезапно все, что думает, что в случае человека с её насыщенностью жизни и карьеры - самое лучшее, рекомендую :)

В папке также есть еще 20+ каналов от крутых ребят, основателей компаний, действующих инвесторов, уникальных ученых с опытом как в России, так и за рубежом.

📂 Чем удобен формат папки? Вы получаете доступ сразу к огромному количеству качественного контента. Конечно, не все окажется для вас подходящим – почитайте, выберете из папки те каналы, которые окажутся для вас наиболее релевантными. Но вам всегда удобно будет вернуться – закладка будет всегда у вас в Telegram.

🔗 Присоединяйтесь к папке по ссылке: https://t.iss.one/addlist/NrULL8pvfjRiMjAy

Интервью с Эмели Драль
CTO & Founder Evidently AI, со-автор нашей специализации «Машинное обучение и анализ данных» от МФТИ и Яндекса на Coursera и курса Data Mining in Action - сегодня в 20:00 на канале школы машинного обучения MLinside 🎉

UPD: Уже на канале: https://youtu.be/hnDhLdH40xo?si=3uQvVXbclzptYBU6

▪️От ночного сисадмина до фаундера стартапа с оценкой в десятки $ млн,
▪️Об уходе из Яндекса и открытии своего стартапа,
▪️О плюсах и минусах работы в больших компаниях и много другом.

Интервью с Эмели Драль выйдет сегодня в 20:00 по мск на нашем youtube-канале.

🔔Подписывайтесь и ставьте колокольчик, чтобы не пропустить новое видео!

#карьера
Правило трех гвоздей

Опытные сотрудники больших организаций (и особенно опытные руководители, у которых есть свое высшее руководство) хорошо знают классическую технику тайм-мендежмента, доставшуюся нам еще от наших дедов. Называется она "правило трех гвоздей".

Восходит она к байке про особенно успешного председателя колхоза, которого однажды спросили, как ему много лет удается справляться со своей работой. В ответ председатель указал на стену и торчащие в ней три гвоздя. Когда распоряжение приходило первый раз, он вешал его на первый гвоздь, когда приходило напоминание - перевешивал на второй, второе напоминание - на третий, и только распоряжения с третьего гвоздя он начинал исполнять. По словам председателя колхоза, большинство заданий руководства не доходило даже до второго гвоздя.

В наше время активных лидеров, трансформирующих большие организации и наводящих суету своей бьющей ключем энергией, адептов правила трех гвоздей не жалуют. И тяжело раскачиваются, и медленно как-то, да и что это вообще значит, что не побежали сразу исполнять, когда было дано задание. Часто такие сотрудники ассоциируются как раз с тем самым "болотцем", кому бы только чаи гонять и на перекуры ходить. Но суть лежит немножко глубже, достаточно посмотреть на все глазами сотрудника. Если вы просите человека что-то сделать, но потом никогда не спрашиваете результат, или спрашиваете через полгода, человек, потративший на это силы, не получает внимания к результатам своего труда. Это обесценивает его работу, появляется чувство "работы в стол". А в стол работать никто не любит, прям совсем никто. Три гвоздя - это естественная защитная реакция.

Вывод очень простой: если не нравятся сотрудники, работающие по правилу трех гвоздей, то придерживайтесь правила "поставил задачу - будь готов принять сделанную работу".

Теперь Хинтон не только отец Deep Learning, но и Нобелевский лауреат 🔥

Нобелевка за нейронки

Нобелевскую премию по физике выиграли Джеффри Хинтон и Джон Хопфилд. Премию присудили за "Фундаментальные открытия и изобретения, которые способствуют машинному обучению с искусственными нейронными сетями". При чём здесь физика - сложно понять. Похоже, комитет просто пытался хоть куда-то приткнуть нейронки, а физика тут ближе всего. Хотя, по-моему, тут больше бы подошла даже медицина - там хотя бы AlphaFold совершил прорыв в чём-то, а с открытиями в области физики из-за нейронок как-то негусто.

Возможно, причина в том, что Хопфилд всё-таки по образованию физик. Хотя его основной вклад в науку - изобретение сетей Хопфилда, рекуррентных сетей, которые во многом положили начало возрождению нейронных сетей в 80-х и 90-х.

Хинтон изобрёл метод обратного распространения ошибки для тренировки нейронок, который позволил тренировать многослойные сети. А студенты Хинтона - Илья Суцкевер и Алекс Крижевский, создали AlexNet. Именно она начала всю эту гонку нейронок, показав, что их можно масштабировать через тренировку на GPU.

В общем, хайп по нейронкам теперь проник и в Нобелевский комитет.

@ai_newz

Еще одна Нобелевка за AI

Кто-то шутил, а кто-то серьезно предполагал, что Нобелевскую премию по химии теперь дадут за AlphaFold. Ну что же, так и произошло: https://naked-science.ru/article/chemistry/nobelevka-po-himii-2024

Коллеги, поздравляю :) Теперь, занимаясь AI, не обязательно оставлять надежды на Нобелевку по естественным наукам 😁 И если Хинтон это пример, когда человек совершает эпические подвиги в науке уже много десятков лет, то AlphaFold показывает, что и прямо сейчас можно что-то крутое прикладное сделать и вскоре получить признание.

Думаю дальше у специалистов в AI будет становиться только больше и больше возможностей для самореализации.

Польщен вниманием к обучению «от человека с Физтеха», при том что мы запустили MLinside меньше месяца назад и учим только первую группу студентов, а Karpov.Courses работает уже несколько лет 😂

Но, как говорится, лучше с 7 класса мыслить формулами, чем мыслить формулами из 7 класса :)

«Человек с физтеха вам не всегда поможет войти в IT. Он с седьмого класса мыслит математическими абстракциями. Если вы так не делаете, вам нужен тот, кто прошел этот путь самостоятельно», — рассуждает сооснователь karpov.courses Михаил Серегин, выпускник психфака МГУ и номинант рейтинга Forbes «30 до 30». Основанная им, его другом Бесланом Курашовым и тоже выпускником психфака Анатолием Карповым школа стала лидером в нише обучения data science, или науке о данных — области, в основе которой анализ больших массивов информации и создание моделей, например для прогнозирования спроса.

С 2020 по 2023 год выручка karpov.courses выросла с 18 млн до 417 млн рублей, а среди клиентов появились корпорации, которые готовы платить за обучение своих сотрудников востребованным навыкам работы с данными.

Теперь основатели думают о выходе в новые ниши и обсуждают слияние со стратегическими инвесторами.

О том, как выпускники психфака создали заметную школу data science, читайте на сайте Forbes

📸: Анатолий Карпов (Фото DR)

Об индивидуальности понятия «хороший курс»

Однажды мы проводили очную встречу со студентами нашей специализации по ML на Coursera. Ко мне подошел один парень и спросил: почему в России, когда обучают ML, выливают на студента несколько ведер математики, это же совершенно невыносимо. Там именно было сравнение, что вот в западных курсах в течение курса выливают по чашечке, а в Российских вообще не щадят.

Я удивился, наш первый курс был введением в математику и Python, но не то чтобы там было много всего и сложно (на мой судъективный взгляд), наоборот старались облегчить. В ответ на мое удивление парень сказал, что конечно у нас очень много математики, но все равно курс лучше, чем другие курсы по ML на Курсере. Я опять же поинтересовался, а чем же ему самый первый курсеровский курс не угодил (авторства Andrew Ng). Получил шедевральный ответ: да курс вообще дно, там какой-то кореец его читает

Когда я, ошалев от ситуации, сказал что это стенфордский профессор и основатель Курсеры, парень смутился и растворился под хохот толпы других задававших вопросы

Но для себя я запомнил на всю жизнь, что для некоторых людей хороший курс, это когда читает не кореец. Так что нужно быть очень внимательным к оценкам каких-либо курсов слушателями - аргументация, если ее попросить, может вас сильно удивить :)))

#образование

🎉Подкаст про машинное обучение с Женей Соколовым вышел, лайк, подписка, репост :)))

🔥Посмотрите хотя бы только на тайм-коды, чтобы оценить, каким насыщенным вышел диалог:

0:00 - Искусственный интеллект, машинное обучение и data science
3:42 - Начало ML и должен ли ИИ подражать человеку
15:39 - Что не получалось: обучение нейросетей и экспертные системы
20:40 - Классические методы ML
24:42 - ML в играх
28:01 - Как ML спасает жизни
34:39 - Как ML зарабатывает деньги компаниям
40:42 - Возвращение нейросетей: Deep Learning
49:23 - Свёрточные нейросети, рекуррентные нейросети и трансформеры
54:21 - Генеративно-состязательные нейросети
57:01 - Какое оборудование нужно для ML
1:01:48 - Хорошо ли живется специалистам в машинном обучении
1:05:45 - Прогнозы на будущее и подготовка кадров


Смотреть на YouTube: https://youtu.be/q740GwAd9fU?si=iFjFaePGWTKeWCla

Смотреть на VK Видео: https://vk.com/video-228552366_456239023

Немного об итогах опроса

Зачем вообще я его проводил
В разные моменты карьеры мне посчастливилось заниматься всеми перечисленными задачами: многими своими руками, другими - в рамках задач моих подразделений. Это привело к тому, что я давно хотел сделать достаточно исчерпывающий курс по приложениям ML в бизнесе. Мы с Никитой Зелинским (CDS из Big Data МТС) провели первый такой курс весной в МФТИ и ВШЭ и сейчас готовим к запуску адаптированную версию у нас в школе MLinside.

Но одно дело наполнить курс на основе своего опыта и ранжирования задач по экономическому эффекту для бизнеса, и совершенно другое - узнать, а какие задачи ML видят вокруг люди. И здесь было несколько интересных открытий.

Больше денег - меньше хайпа
Самой редко вспоминаемой оказалась история про оптимизацию затрат, которая часто приносит огромный эффект в деньгах. Например, если у вас есть бюджет в 5, 10, 50, 100 млрд рублей в год на расширение сети магазинов в ритейле, базовых станций в телекоме, банкоматов в банке, оптимизация на несколько процентов уже дает огромный эффект в абсолюте.

Работает это так: вы строите модель, которая прогнозирует эффект, а дальше решаете задачу оптимизации поверх этих прогнозов. Иногда оптимизация простая часть и решение строится жадным алгоритмом, а иногда требуется что-то посложнее, но прогнозная модель в основе решения как правило остается. Самые дотошные могут заметить, что сравнивать эффект нужно не с отсутствием оптимизации, а с оптимизацией без ML, но даже так эффекты остаются большими за счет масштаба задачи.

Много хайпа - не очень много денег
Чаще всего вспоминали рекомендательные системы и поиск. В случае с поиском есть конечно небольшое количество компаний в мире, которые нашли там сверхприбыли (и то за счет рекламы), для остальных же поиск не сильно денежная вещь в плане эффектов. Что касается рекомендаций, то даже обожаемый всеми Netflix никогда не репортил публично (на моей памяти, буду рад, если кто-то поправит) эффект от рекомендаций больше 4% от своей выручки. На практике же даже в ритейле подтвержденный A/B тестами эффект в 1-2% на количество покупок и отсутствие статзначимого эффекта на выручку - вполне стандартная история. Конечно, если посчитать какой-нибудь last-click/first-click без учета каннибализации, элементарно нарисовать двузначные эффекты в процентах, а без А/В или с «грамотно организованным» вообще можно показать любые числа. Одна проблема - бизнес больше зарабатывать от этих упражнений в счете не станет.

В чем же секрет популярности рекомендательных систем? Я думаю в том, что мы любим делать то, что любим, а не то, что больше всего надо. В рекомендациях есть где развернуться - тут вам и матричные разложения, и факторизационные машины, и бустинги, и сетки, и reinforcement learning, да и A/B сразу надо учиться быстро проводить. Короче, очень интересно. Не буду отрицать, что я бы сам из всего перечисленного выбрал бы заниматься рекомендациями (и часто выбирал :)). Но к определенному перекосу в восприятии эффектов Data Scientist’ами развитость рекомендательных систем точно приводит.

Опять же, самые дотошные скажут, что таргетирование рекламы это те же рекомендации с правильным взвешиванием, и будут правы. Так что конечно получить большие эффекты можно, но на масштабах всего CRM в компании или в рекламном бизнесе.

Еще одно очень важное наблюдение: рекомендации в контентных сервисах это то, без чего сейчас не получится быть конкурентоспособным. В наше время это базовый инструмент взаимодействия с контентом наряду с поиском, поэтому тут хороший вопрос, что считать эффектом, когда весь бизнес без хороших рекомендаций становится бессмысленным. Ну представьте TikTok без рекомендаций - шляпа какая-то :) Так что с рекомендациями и поиском все сложно: вроде если попытаться посчитать, получается совсем не восторг, а если подумать, часто без них и вообще нельзя.

С остальными задачами тоже есть, что обсудить, но эти поля слишком узки, и кажется я уже приближаюсь к лимиту на длину поста

#ML_in_business

Выложил тизер следующего выпуска нашего подкаста ТехТок. Подписывайтесь на канал, чтобы не пропустить :)

https://youtu.be/TsExpU2C_xg?si=nx3-CtbVU4u2YiPJ

#ML_in_business
🤔Провожу у себя в школе машинного обучения эксперимент: запускаю курс, где будут систематизированы и разобраны топ-10 с точки зрения величины экономического эффекта применений машинного обучения в бизнесе. Это задачи, которые встречаются постоянно в разных компаниях, почти во всех сферах, где активно применяется ML. Конечно это не то же самое, что самому получить этот опыт, но курс должен сильно ускорить процесс погружения и научить смотреть на задачи ML со стороны бизнеса. Ну и кроме того, настолько разносторонний опыт собирается самостоятельно много лет, а тут все будет рассказано сразу: самому интересно как концентрированные в один курс 15 лет опыта ML повлияют на слушателей.

Чтобы курс как можно сильнее перекликался с потребностями аудитории, нам очень нужны добровольцы для участия в опросе и интервью. Буду очень благодарен всем, кто откликнется 🙏

Онлайн-созвон с командой MLinside👥
Проводим исследование аудитории

↪️Как мы уже говорили ранее, сейчас идет активная подготовка к запуску курса «ML в бизнесе».

В DS/ML 60-70% успеха – это доменная экспертиза. Именно поэтому большинство джунов не берут на работу. Ни один руководитель на практике не будет ставить вам задачи типа «сделай мне регрессию или классификацию на этом датасете" - это слишком просто:)

На курсе мы как раз дадим вам практику работы именно в бизнесе. А также расскажем и покажем, как вы сможете помогать компаниям зарабатывать на ML💸

Эта программа отлично подойдет тем, кто:
▪️освоил базу ML и хочет дальше углубляться в машинное обучение,
▪️не имел коммерческого опыта и хочет практиковаться в применении ML на реальных кейсах,
▪️имел недостаточно опыта работы в бизнесе и чувствует нехватку экспертизы в этой сфере для дальнейшего карьерного роста.

🗣️Для того, чтобы выявить ваши ключевые потребности и понять, что вы хотите получить на курсе «ML в бизнесе», мы решили провести опрос аудитории👇
[ Пройти опрос ]

У каждого участника опроса появится возможность поделиться своим опытом в ML и пообщаться с командой MLinside в формате онлайн-созвона.

Благодаря вашим ответам мы сможем улучшить наполнение курса и доработать программу, чтобы дать вам максимум знаний!

Будем рады пообщаться с каждым из вас и узнать друг друга лучше🤝