⭐️⭐️ 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