Если бы вы нанимали Chief Data Officer'а в большую компанию, что бы вы ожидали от него и что спрашивали на входе?

А теперь представьте, что вы выбираете, в какую компанию пойти работать как Chief Data Officer. На что вы бы обращали внимание? (Помимо зарплаты и в каком городе офис))

Продолжая тему соревнований: МТС в своем канале пишет, что на их True Tech Champ можно будет как порешать задачки на алгоритмы, так и поучаствовать в битве роботов. Выглядит как довольно неплохой способ развлечься :)

По своему опыту с МТС True Tech проектами могу сказать, что коллеги очень круто вкладываются в проведение True Tech Champ и True Tech Conf, так что должно быть классно.

Визуализация, которой пользуются: правила для составления дашбордов

Красивый дашборд, все кивают, а решение принимают интуитивно. Видели? Я видел десятки раз. Проблема не в данных, а в том, что экран не отвечает на управленческий вопрос.

Как это починить:

1️⃣ Сначала вопрос, потом график. Что именно хотим решить: перераспределить бюджет, снять риск, ускорить воронку. Если вопроса нет, втыкание в дашборд в 90% случаев только ест время.

2️⃣ Один экран — один тезис. Если тезисов два, это два экрана. Концентрация конечна.

3️⃣ Единицы и масштабы без сюрпризов. Подписи в явных единицах, проценты форматированы, шкала с нуля, если это не разрушает смысл.

4️⃣ Сравнение обязательно. Вчера, план, соседний кластер. Без контекста цифра - это просто красивая цифра.

5️⃣ Действие в зависимости от данных. Внизу экрана if-else: если метрика падает - что делаем завтра, если растет - что усиливаем.

Практические проверки, которые реально помогают:

⚠️ Если смысл не считывается за 5 секунд, меняем визуал или выносим тезис в заголовок.

⚠️ Если по информации на экране нельзя принять решение, убираем декоративный шум и добавляем то, чего не хватает для принятия решения :)

⚠️ Если спорите о цифрах, а не о действиях, значит нет понятной операционализации метрики.

К сожалению, на совещаниях и комитетах, где уже нужно принять 5-10 решений за час-два, уже некогда копать. Если из вашего дашборда непонятно, что делать дальше, на этих встречах будут смотреть не на него, а на экспрессивность каждого оратора за столом и заботливо подготовленные и положенные на слайды графики, а значит решение станет еще дальше от реальных данных и появится лишний простор для манипуляций. Дашборды работают, когда вся организация использует как источник информации именно одни и те же дашборды, а не десяток различных картинок из десятка различных презентаций десятка заинтересованных лиц.

Как считать эффект от AI без магии

"Модель повысит прибыль на X процентов". Звучит бодро, но что именно считать и как не самообмануться? 🤔

Много раз наблюдал у DSов кейс: команда принесла красивый AUC и демо. Далее звучат вопросы руководителя: где деньги, какие риски и срок окупаемости? И тут все резко усложняется.

Если коротко, рабочая схема такая:

🎯 Сформулируйте бизнес-единицу эффекта: деньги / время / риск. Пример: плюс рубли к выручке, минус часы операции, минус вероятность дефекта.

🔗 Привяжите модель к решению: какое действие изменится? (раньше звонили всем - теперь звоним топ 20 процентов скоринга)

🧮 Посчитайте дельту: uplift к текущему подходу.

🧱 Оцените инфраструктурные издержки: железо, лицензии, люди, поддержка, деградация качества и дальнейшая поддержка.

🧪 Сделайте контрольный A/B-эксперимент, длительность не меньше одного бизнес цикла и достаточная для статзначимости допустимого для бизнеса прироста (как минимум покрывающего затраты, но обычно - дающего хороший ROI).

📊 Финал: P&L табличка на 12 месяцев: эффект - затраты = маржа. Сценарии: базовый, оптимистичный, пессимистичный.

Чудес не бывает: крутая модель без внедрения в процессы = просто презентация с красивыми картинками, а даже простая эвристика, встроенная в бизнес-процесс может давать реальный прирост денег 💸 Выбор, что делать (и что не делать) в основном диктуется в коммерческой компании экономикой.

Как вы сейчас считаете экономику своих ML внедрений? Что чаще всего стреляет в ногу - доступность и качество данных, точность моделей, процессы или ожидания?

Истории успеха - это часто истории выживших, уверовавших в себя после подмены причин и следствий 🤔

Читаешь или слушаешь: человек «поверил в себя», сделал «смелый шаг» - и вот она, карьера/экзит/прорыв. Красиво. Но за кадром остаются десятки тех, кто сделал то же самое и не взлетел. Мы читаем не правило, а исключение, у которого всё совпало: контекст, тайминг, люди рядом, удача.

Пара наблюдений из практики:

- Сверяйте урок с распределением, а не с яркой биографией. Если тезис не выдерживает «а что с теми, кто делал так же, но…», перед вами байка, а не принцип.

- Ищите контр-примеры. «Уровень менеджера измеряется стоимостью его ошибки» - звучит броско, пока не вспомнишь авиадиспетчера, оператора на АЭС, хирурга. Там ставка ошибки запредельна, но это не «самые большие менеджеры». Значит, метрика - мимо.

- Проверяйте переносимость правил. Лозунг «рискуй» в венчуре и в операционке критической инфраструктуры - разные виды спорта.

- Отделяйте агентность от везения. Да, усилия важны. Но одинаковые усилия в разных контекстах дают разный результат.

Ещё один неприятный угол: легче рассуждать о «силе воли» и «правильных решениях», когда тебя не прижимало жизнью. Кто не попадал жёстко, часто недооценивает роль случайности, здоровья, семейных обстоятельств, войны, регуляторики - всего, что сильнее любого «майндсета».

Это не повод перестать вдохновляться примерами. Просто держим в голове фильтр: история ≠ инструкция, яркая судьба ≠ доказательство правила. И главное - если вы сделали всё, что могли, а не получилось, это не автоматически «ваша вина». В игре всегда много факторов, часть из них вне нашего контроля.

А какие «красивые правила» вам приходилось пересматривать после столкновения с реальностью?

В этом году меня позвали в экспертный совет премии RuCode и я сразу согласился, во многом из интереса к тому, какие будут заявки, кто будет подаваться и с какими проектами :)

Оказалось, у премии аж 11 номинаций за популяризацию и использование ИИ. Так что возможностей проявить себя у участников много.

Поучаствовать могут:

образовательные и научные организации

преподаватели школ, СПО и вузов

школьники и студенты

разработчики и исследователи

популяризаторы науки и блогеры


На тему пробовать/не пробовать участвовать: раньше я довольно сдержанно относился ко всякого рода премиям, пока одна из них не дала мне классную карьерную возможность. Также может получиться и у вас: генеральный партнер премии - компания MWS (отвечающая за IT в экосистеме МТС), также в партнерах есть Сбер и Астра, так что есть возможность не только потешить эго и испытать соревновательный азарт, но и засветиться на HR-радарах крупных компаний

Заявку можно заполнить на сайте до 20 октября ⚡️

Возвращаюсь сейчас с data driven top 100 из Черногории (очень необычная конфа для топов аналитики и CDO без заготовленных докладов с максимумом нетворка и обсуждения реально интересных для руководителя тем). Вспомнил, насколько ж это круто три дня подряд плотно пообщаться с умными людьми из твоей сферы и с похожим бэкграундом.

Как отрефлексирую, напишу подробнее, но главное - решил еще больше времени уделять общению с коллегами по цеху, т.к. три дня конфы показали, насколько это дает и много ценных идей, и хорошую такую моральную поддержку :)

Как поступить в ШАД: часть 1

Все знают, что в Школу Анализа Данных Яндекса очень непросто поступить, но многие все равно туда очень хотят. Проблема в чем: желающих так много, что просто поговорить с ними недостаточно, приходится делать вступительные, которые за долгое время стали многоступенчатыми. Вопрос в том, что спрашивать на таких вступительных. Коллеги из Яндекса, когда много лет назад вводили экзамен, поступили просто: начали давать задачки на высшмат и алгоритмы, потому что это вроде как неплохо знать до обучения, и потому что понятно как проверять и дает относительно честный способ для ранжирования.

Отдельный момент, что человек, который разложит функцию в степенной ряд без ошибок, и человек, который где-то налажает в арифметике, не факт что имеют разный потенциал в изучении анализа данных и ML в частности. Но тут логика в другом: поступающих так много, что просто нужна какая-то процедура ранжирования, которая будет более-менее стабильна и к ней можно будет подготовиться.

Раньше подготовка (рассказываю на примере однокурсника с Физтеха) была устроена так: смотришь темы экзамена, обкладываешься учебниками по матану, линалу, теорверу и алгоритмам, и вспоминаешь изученное на Физтехе или в МГУ (сюрприз, после появления письменного экзамена просто того что ты там учился и все расшарил могло не хватить, надо было готовиться). И даже тогда были "залетные" ребята из других вузов, но их было мало и часто готовились они по принципу "иду к преподу с мехмата и прошу подсказать, что читать и что разбирать, чтобы такое решить". Надо заметить, что если препода с условного  мехмата такое спрашивал кто-то из, например, РУДН или МИСиС, препод обычно не отказывал в помощи (в тех историях, которые знаю). Потому что это настолько редкая и уникальная ситуация, что человек тянется к настолько дополнительным знаниям, что помочь такому человеку очень хочется.

Продолжение следует

Как поступить в ШАД часть 2

С тех пор много воды утекло, и теперь есть много всяких материалов в открытом доступе. Это и задания ШАД прошлых лет и инструкции, что нужно ботать и зачем. Так то теперь у гораздо большего числа людей есть возможность поступить, но надо будет ботать и тщательно выбирать, где.

Важная ремарка: понятно, что как и везде в жизни на экзаменах вы можете найти кого-то, кто поможет вам сжульничать. Я призываю вас ни в коем случае так не делать, потому что иначе вы во-первых будете чужим в дружной семье ШАДа, и это будет культурная трещина, которая с годами расползется дальше и вырастет до пропасти, а во-вторых это просто самообман.

Ну и, наконец, в репосте ниже есть несколько ссылок на материалы для подготовки к ШАД в открытом доступе от нашего лектора по математике в MLinside Сергея Жесткова. Кроме того, если вам прям хочется поработать с преподом и поучиться в группе с другими людьми, планирующими поступать в ШАД - у Сергея есть собственный проект где сейчас начинается новый поток.

Продолжение все еще следует, часть 3 будет чуть позже и там поделюсь своими любимыми задачками со вступительных ШАД

Генерируйте видео с Kandinsky 5.0 Video Lite в удобном интерфейсе

Как? Сейчас расскажем.

Kandinsky 5.0 Video Lite — новая open source модель для генерации коротких видео, которая по качеству обгоняет большинство открытых решений.

С помощью гайда от Cloud․ru можно настроить модель в удобном интерфейсе ComfyUI в сервисе Evolution Notebooks на GPU Nvidia V100 и использовать для реальных бизнес-задач.

Так дизайнеры и маркетинговые команды могут быстро создавать видео для презентаций, рекламных кампаний и прототипов, а модель будет всегда готова к работе.

Подробный гайд уже тут

Про конформизм и машинное обучение

Давным-давно я уже будучи преподом делал с командой студентов сервис для автоматического аннотирования текстов. Трансформеров и LLM тогда и в проекте не было, задача аннотирования сводилась к тому, чтобы выделять ключевые предложения, чтения которых достаточно для понимания смысла текста, а лучшими известными подходами были TextRank и LexRank - эдакие аналоги PageRank, но не на сайтах, а на предложениях.

Так вот именно тогда мы усвоили один важный урок: как получить желаемый результат сравнения алгоритмов, если в оценке задействованы асессоры. Для разметки валидационной выборки мы сделали веб-страничку, где асессор должен был сам выбирать ключевые предложения из текста. Задача показалась нам непростой для решения «с чистого листа», поэтому в качестве варианта по умолчанию мы подсвечивали те предложения, которые выбрала бы наша реализация TextRank. Надо ли говорить, какой алгоритм победил в сравнении на этой выборке с большим отрывом?

К сожалению или к счастью, люди обычно довольно легко соглашаются на предложенный им вариант или меняют его не слишком сильно. В частности, поэтому полезнее самому говорить, что вы от них хотите, чем играть с людьми в угадайку и надеяться получить предложение мечты: на работе, в отношениях или договариваясь, как провести время с друзьями. Ну а если вам надо просто собрать выборку для оценки качества - постарайтесь ни к чему не подталкивать ваших асессоров :)

Сегодня с утра порекомендовали посмотреть 4 серию 10 сезона Футурамы. Причина рекомендации прояснилась довольно быстро: один из персонажей там Георг Кантор, тот самый математик, создатель теории множеств, про которого еще Давид Гильберт говорил: «Никто не изгонит нас из рая, который основал Кантор».

Меня периодически спрашивают, родственники мы или нет, на что я честно отвечаю: «не знаю», хотя на кафедре высшей математики МФТИ меня учили в ответ на такой вопрос картинно посмущаться и застенчиво сказать: «ну какое это имеет значение?».

Фамилия не всегда работала в плюс: например, на пересдаче по матану в первом семестре, когда над феноменом Кантора на пересдаче по матану ржала раздающая билеты преп, было не очень приятно. С другой стороны, никогда не забуду лицо своей семинаристки по матану, когда на сдаче задания я сказал ей, что решил задачу со звездочкой в предположении верности континуум-гипотезы (попытки доказательства которой согласно легенде привели Георга Кантора в сумасшедший дом, хотя там конечно было много других факторов)