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🤝

🚀 MLinside на конференции «Матемаркетинг 2024» — встречаемся 8 ноября!

Уже совсем скоро, 7 и 8 ноября, в Москве стартует «Матемаркетинг» — масштабная конференция по маркетинговой и продуктовой аналитике с более чем 120 докладами, панельными дискуссиями и экспертными сессиями! 🤯

👥 Кому стоит посетить конференцию?
• Программисты: Если вы хотите расширить свои навыки и использовать ML для более интересных задач на текущем месте работы.
• Аналитики: Если вы стремитесь к карьерному росту и хотите узнать, как ML может улучшить вашу работу.
• Менеджеры: Если вы хотите научиться правильно взаимодействовать с командами ML и управлять проектами более эффективно.

🗓️8 ноября в 15:00 в рамках секции ML в бизнесе от MLinside эксперты поделятся своим опытом и знаниями о том, как машинное обучение меняет работу различных специалистов:

• Виктор Кантор (MLinside) — расскажет о 7 главных способах внедрения ML и их экономическом эффекте.
• Даниил Родионов (МТС) — поделится фреймворком для оценки маркетинговых эффектов с помощью ML.
• Дмитрий Фролов (МТС) — обсудит оптимизацию закупки рекламы и управление ценами bid-а.
• Арина Смирнова (X5 Group) — на примере кейсов покажет, как big data и ML-таргетинг усиливают работу с клиентами.
• Радослав Нейчев (МФТИ) — разберет, как за один день создать прототип RAG и быстро оценить результаты.

📍 Адрес оффлайн-мероприятия: Москва, Раменский бульвар, 1 (Кластер Ломоносов).

✨Откройте для себя последние тренды, обменивайтесь опытом с экспертами и повышайте свою квалификацию.

🔗 https://matemarketing.ru

ML целый день

Только что закончил читать лекцию студентам ФКН ВШЭ про задачи и методы unsupervised learning и осознал, насколько запредельно крутой день у меня сегодня был.

Начался он в 10 утра с чтения двухчасовой лекции в школе управления Сколково про задачи и методы AI от самых основ до того, как нас всех захлестнул Deep Learning, как работает ChatGPT и какие трудности внедрения AI возникают сейчас. Я рискнул добавить кое-каких математических деталей и был шокирован тем, что вовлечение аудитории как будто только выросло по сравнению с сугубо бизнесовой лекцией. Резкий контраст с утверждением Хокинга (со ссылкой на издателя) о том, что каждая формула, включенная в книгу, уменьшает число её читателей вдвое :)

Далее я взял трехчасовое интервью (со всеми перерывами и лирическими отступлениями, а когда смонтируем будет часа полтора-два) у совершенно потрясающего ML рисечера (пока подержу интригу, ждите выпуск на YouTube). Вышел интересный, объемный и полный инсайтов разговор :)

И наконец, получил огромное удовольствие от чтения лекции студентам Вышки. Специально накидал побольше интересного (и местами непростого) материала, чтобы самому не скучать. И внезапно вовлечение было прям на очень высоком уровне для этого контента 😁

Основной вывод во всех трех случаях (в двух я был докладчиком, а в одном в основном слушателем): можно обсуждать хоть какую узкую или более сложную, чем ожидается от ситуации, тему, но если рассказчику она реально интересна, слушатели охотно заражаются этим интересом. И это классно ❤️