Хо-хо-хо! Принесли подарки дайджест самых интересных публикаций за последние месяцы. На случай, если вы пропустили.


🟣 Статьи на Хабр

⭐️ Как отдавать миллионы картинок за миллисекунды и не падать ни на секунду?
Иван Волков, CTO CDN MediaBasket, поделился, как сократить путь запроса до минимума, равномерно распределять данные, выдерживать отказы серверов и масштабироваться под ежедневный рост.

⭐️ Как настроить Nginx, чтобы выдержать DDoS
Практические настройки, лимитирование трафика, кэширование, метрики и логи для быстрого анализа от Сергея Черкашина, руководителя команды защиты от DDoS.

⭐️ Исследуем SharedFlow: emit vs tryEmit, replay и bufferCapacity
Александр Гирев экспериментировал с SharedFlow из Kotlin на реальных примерах, чтобы понять разницу между операторами и влияние параметров на поведение потока данных.

⭐️ CLIP + LLM в проде: мультимодальный «Поиск по фото» для маркетплейса
Никита Романов рассказал, как команда внедрила SigLIP 2, Qdrant и LLM в прод, обучила модель уточнять запросы текстом и улучшила качество поиска без потери скорости.

⭐️ Код vs менеджмент: серия статей о тимлидстве
Денис Ульянов поделился опытом перехода из разработчика в руководители:

➡️ Почему управлять людьми сложнее, чем писать код
➡️ Как мы собрали свою методологию разработки
➡️ Фазовый переход: как из инженера стать руководителем
➡️ Как создать и удержать эффективную команду

🎤 Доклады

➕ Golang Meetup от Wildberries & Russ
Три доклада: иерархические стейт-машины для бизнес-логики, единая платформа для событий Databus и указатели в Go — от аллокации до GC.

💜 Посты, которые вы могли пропустить

⭐️ Архитектурные решения в Wildberries & Russ — как устроен процесс архитектурного ревью: кто принимает решения, какие критерии помогают избежать субъективности

⭐️ Делегировать нельзя сделать самому — когда задачу нужно сделать самому, а когда стоит делегировать команде

⭐️ Как мозг обманывает нас в проектах — разбираемся с когнитивными искажениями в работе и как принимать не просто быстрые, но и эффективные решения

⭐️⭐️ Детектор AI-сгенерированных изображений: от идеи до честной оценки качества

В новой Хабр-статье Татьяна Кутузова, ML Engineer в Trust & Safety, рассказала, как команда подошла к созданию AI-детектора: от выбора архитектуры и данных до продуктовых границ и сценариев применения.

А ещё:

🟣 CV-классификация в условиях сильного дисбаланса классов и редких positive-примеров;
🟣 формирование датасета: реальные фото товаров и изображения генеративных моделей;
🟣 анализ ошибок через confusion matrix вместо ориентации на агрегированные метрики;
🟣 выбор метрик под задачу: precision, recall, specificity, F-beta, пороги;
🟣 разрыв между offline-валидацией и реальным качеством модели в продакшне.

➡️ Читать

⚠️⚠️⚠️ Вакансии для аналитиков!

➡️ Product Analyst в Поиск
middle/гибрид

Ищем аналитика с сильной экспертизой в A/B-тестировании и работе с большими данными. От кандидата ждем умение не только провести сложный эксперимент, но и построить под него надежную инфраструктуру для анализа. Ключевые задачи — глубокая статистическая проверка гипотез, обработка больших объемов данных и создание понятных дашбордов для стейкхолдеров.

👀 Откликнуться

➡️ Product Analyst в Портал продавцов
junior/удаленно

Вам предстоит самостоятельно проектировать эксперименты, извлекать и обрабатывать данные, а также находить статистически значимые инсайты для продуктовых решений. Мы ценим умение не только писать сложный SQL и чистый Python-код, но и глубоко понимать логику экспериментов.

👀 Откликнуться

➡️ Продуктовый аналитик в Рекомендации
middle/гибрид

Ищем аналитика данных с глубокой экспертизой в проведении A/B-тестов, владением Python (Pandas, NumPy, Scikit-learn, StatsModels) для статистического анализа и SQL для работы со сложными запросами и большими данными (ClickHouse, Spark, Airflow, Trino). Опыт визуализации данных в Redash или Apache Superset будет ключевым для успешной работы в нашей команде.

👀 Откликнуться