Berloga - науки и технологии

❓Почему "Валютные удалёнки" — лучший вариант твоего карьерного роста в IT. Любой разработчик кто успел поработать на российском рынке задаётся вопросом "а что дальше?". А этого "дальше" просто нет. Поясню. Максимальный карьерный рост который я видел своими глазами — из разработчика в тимлида. И то это происходит не часто. Почему? Обычно, современные айти компании работают "командами разработки", где каждая "команда" — 3-7 человек которые отвечают за какой-то отдельный внутренний сервис. Структура примерно такая: Типичная средняя компания: CEO / Владелец │ CTO (технологии) │ └── Тимлиды (по командам) ├── Разработчики (junior-middle–senior) ├── QA ├── Аналитика (BA / DA) ├── DevOps (иногда отдельно) └── и тд В бигтехе эта структура немного усложняется, но по сути добавляется 1-2 шага в иерархии. Вертикальный рост (в менеджмент) выглядит примерно так: Junior → Middle → Senior → Team-Lead → Head → CTO Вариант крутой и интересный, но есть минусы: - Он долгий - Если тебя уволили с топ-должности, найти новую очень трудно, тк они редкие - Привязка к месту (особенно на топ-позициях) Как быть? Есть вариант — горизонтальный рост! Junior → Middle → Senior → Senior+ → Senior++++ Минусы: - Нужно постоянно учиться - Придётся писать код (в эпоху ИИ уже не так актуально) Плюсы: + Быстрее (в разы) + Уволили - нашел новую работу без проблем + Можно работать удаленно + Можно совмещать несколько работ + Зарплаты больше. Тут поясню подробнее. Но ни для кого не секрет, что топ-разрабы всегда зарабатывают больше их руководителей. А ответственности у них меньше! Меньшая ответственность → меньше горит жопа → меньше стресса → больше свободного времени → есть возможность взять несколько работ (мы ведь контрактники-удалёнщики, нам никто не запрещает). ⏺ Опытный ML-NLP-разработчик получает $20,000+ \ мес ⏺ Опытный backend — $10,000+\мес А теперь представьте что у вас не одна такая работа, а 2-3 (с опытом люди совмещают и 4 и 5). Это уже геометрическая прогрессия))) 🌎 И для того чтобы открыть для вас возможности горизонтального роста, мы открыли направление Валютных Удалёнок (ВУ) у нас в школе. Что включает в себя прохождение программы: TL;DR: Трудоустройство "под ключ" на ВУ (Европа, США, ОАЭ, и тд), а именно: 1. Оформление и прокачка LinkedIn 2. Мощное резюме 3. Решение всех юридических нюансов 4. Английский язык (да мы его тоже прокачаем) 5. Допрокачка хард-скилов (если нужно) 6. Помощь с прохождением собесов 7. Практические советы и рекомендации 8. Групповые мероприятия, созвоны, обсуждения 9. Доступ к платформе с вопросами с собесов 10. Трудоустройство на несколько работа (если хочется) + помощь с совмещением (лайфхаки, советы, поддержка). Программа находится в разработке и будет дорабатываться в процессе трудоустройства первой группы, поэтому, скорее всего, в этот что-то ещё добавится. В команде — исключительно опытные валютные удалёнщики 😁 (и я, немного) Подать заявку на нашем сайте: Ссылка скрыта 📆 Старт группы - после майских праздников. ❗️ Заявки на первый поток принимаются до 1 мая.

Все никак не собирался написать, что курс по мегаминксу закончили. Вторая половина от Игоря была очень хороша :-) Ну и в целом курс состоялся исключительно благодаря Илье Осокину. Ну и тут с ним интервью вышло, не премините полюбопытствовать.

💸💸 Найм! 💸💸 Устал инициализировать претрейны весами Qwen? Приходи к нам, мы честно учим с нуля! Ищем Senior/Senior+ AI Engineer, а также продактов в RnD-команду! А если у вас есть небольшая команда и вы хотите прийти к нам полным составом — пишите, рассмотрим! 👥 О нас: Мы — управление экспериментальных систем машинного обучения (УЭСМО или RnD ML), разрабатываем прорывные AI-решения. 🤖 Native Omnimodality & VLA Создание нативных омнимодальных архитектур, новых способов кодирования и совместного обучения в доменах изображений, аудио, видео и т.д. Разработка принципиально новых представлений и кодирования информации, а также стрим VLA взаимодействия с роботами 🤖 🚀 LLM "bleeding edge" R&D Эксперименты с архитектурами LLM, оркестрация моделей, разработка прототипов агентных фреймворков и перспективных подходов к обучению, исследования по всему фронтиру современного LLM-строения. 🎙️ Native Speech & Audio Editing Разработка омнимодальной Full-Duplex архитектуры, которая слышит, говорит, нативно понимает перебивания и одновременно работает с речью, текстом и визуальной информацией. Проектирование архитектуры инструктивного редактирования в домене аудио. 🎼✨ 🧠 Omnimodal reasoning Задачи имплементации нативного латентного и омнимодального ризонинга в LLM и VLM. Мультимодальный reasoning и синхронизация потоков разных модальностей (audio–text–vision), включая стримы UI и VLA. 💻 Computer Operator Задачи управления компьютерами, телефонами, браузерами и т.п. Мы прицельно улучшаем работу моделей в этих задачах, используя передовые методы обучения (такие как online RL в средах). 🔎 Benchmarking Занимается передовыми исследованиями в области LLM и мультимодальных моделей, AI-агентов и LM-as-Judge. Создаем новые подходы к оценке, обучаем генеративные модели и исследуем их способности. Результаты представляем на ведущих конференциях высшего уровня А/А*, а также применяем в продуктах. 👩💻 Product Manager Ищем PM в команду, которая работает на переднем крае технологий. Никакой поддержки легаси — только R&D, early stage и high uncertainty. Здесь не работает подход «собрал требования — передал в разработку». Мы превращаем свежие исследования в MVP, структурируем хаос и проверяем гипотезы в условиях, когда готового решения нет. 🛠 Data Engineering Ищем дата-инженеров, которые будут выстраивать сложные мультимодальные пайплайны сбора, разметки, валидации данных для обучения моделей во всех перечисленных выше ML-стримах. 📩 В сообщении укажите, на какую позицию откликаетесь! Контакты для резюме: @VeronikaShel @dmiryy Если у вас остались вопросы по вакансиям — Технический стрим: @hukenovs Продуктовый стрим: @Valentina_Khlebutina #job #hiring

Что нужно знать про SDD (specification driven development) Вы наверняка это слышали. Дескать, сначала сделай план, потом пиши код. Ну, все очевидно 🙂 Но дальше начинают искать фреймворки, а их 100500 штук, и уже сложно разобраться, а что вообще нужно брать, что нет, и в чем там правда. Поэтому накину базы. По SDD принципиально есть всего два конкурирующих подхода. 1) Спецификации как источник правды. Сюда относятся все подходы и стартапы, которые делают вики-системы или генерят код по спекам. Типа, главное написать спеку, а код мы нашарашим. Спецификации храним и тщательно охраняем. 2) Код как источник правды. Тут тоже есть спецификации, но как одноразовые документы. Написал -> сделал код -> выкинул. А источником истины является код, и если тебе нужно сделать задачу, то ты быстро достаешь из него эфемерную спеку для описания работы, описываешь новую фичу, делаешь ее и далее у тебя снова есть только код. Фреймворк нужно выбирать в зависимости от того, к какому лагерю ты склоняешься. Я во втором.

Понятные ресурсы по ML и DL Как мы выяснили, не всегда самые расхайпленные курсы проходятся спокойно и на одном дыхании. А алгоритмы только и подкидывают нам свежий хайп. Из-за чего реально бриллиантовые руки курсы навсегда остаются на дне рекомендаций. Но есть и исключения - некоторые курсы как раз и приобретают свою аудиторию своей понятностью и давайте пробежимся по самым понятным курсам (спасибо за ваши ответы на мой пост) Много людей дошло до конца и даже что-то поняло, и поэтому опыт, собранный выгоревшими нейронами нашего комьюнити, можно попробовать переложить на себя: ▫️Машинное обучение от Евгения Соколова (ВШЭ) - для многих самый понятный курс по классическому ML. Очень подробно, разжевано, местами долго, но зато в голове остается понимание. Машинное обучение 1: 🎙 Плейлист 🌟 Вики Машинное обучение 2: 🎙 Плейлист 🌟 Вики 🐞 Конспекты 🪐 Гитхаб ▫️Базовый ML от Кантора (DMIA) - тоже топ для старта по мнению чата моему личному мнению. Простые понятные лекции и сами презентации. Единственное, прошу учесть, что в некоторых местах материал уже немного устаревший, но классика не устаревает 🤓 💡 Канал с лекицями 🔵 DMIA Industry 🔵 DMIA Production ML 🔵 DMIA Sport 🔵 DMIA DL ▫️Легендарный Сергей Николенко - у него есть хардкор на 4 семестра, но курс для первокурсников просто песня. Кстати, за его же аторством зачитанная до дыр книга про Глубокое обучение (писал про это тут) 🌿 Плейлист Машинное обучение 🫠 Плейлист Глубокое обучение 🧡 Курс для первокурсников ▫️ML Учебник и Тренировки от Яндекса - ни для кого не секрет, что Яндекс делает топовые и понятные образовательные продукты по базе. Отличные материалы + можно набить руку на приближенных к реальности задачах. 💻 Хэндбук по ML ✏️ Тренировки по ML ▫️По Константину Воронцову мнения разделились полярно🤓 Для кого-то - перегружено ненужной математикой и душно, для кого-то лучшая фундаментальная база. Советую брать вторым курсом, когда уже понимаете терминологию. Мозги прокачаются знатно ☁️ Легендарный ресурс с лекциями 🗓 И легендарнейший старый курс 🎃 Плейлист с лекциями посвежее ▫️Как же здесь без Александра Дьяконова и его очень понятных объяснений сложных концепций в блоге и на лекциях. Тут сложно было разметить приоритет, потому что почти не было упоминаний. Но по моему мнению это первое место! Глубокое обучение: 🎙 Плейлист 🌟 Гитхаб ПЗАД: 🎙 Плейлист 🌟 Гитхаб 🐞 Книга по ML 🪐 И конечно же блог! Давайте еще обратим внимание не только на классику! 🔸Не обойтись в первую очередь без хрестоматийных курсов от ODS во времена прайма: 🔵 mlcourse.ai с Юрой Кашницким 🔵 dlcourse.ai с Семеном Козловым 🔵 RL c Антоном Плаксиным 🔵 NLP от Валентина Малых 🔵 ML System Design от Дмитрия Колодезева 🔵 MLOps с Пашей Кикиным 🔸Лекции от DLS (Deep Learning School) - формат заходит не всем, но ноутбуки и презентации блестящие. Отдельный респект лехендам DLS ☀️ Сайт DLS 📲 Их курсы на Степике 🔸Лена Войта и ее NLP курс для ШАДа, считается абсолютным мастхэвом для тех, кто хочет влезает в работу с текстами 🌟 Курс на Github 🔸Пока говорим про ШАД, сразу Practical DL с Виктором Лемпицким 🔮 Репозиторий курса 🔸Andrew Ng как иностранная классика. Ну точно легенда. Самые понятные объяснения DL на свете, хоть и бесит, что он иногда по три раза повторяет одно и то же🕺 💌 Deep Learning Specialization 💌 Machine Learning 🔸Сюда же из иностранных Андрей Карпаты, который ушел с роли директора ИИ, чтобы записывать для нас видосики ⛵️ Neural Networks: Zero to Hero 🔸Бессмертная классика курсов из Стэнфорда, которые в свое время собрали весь хайп по CV и NLP на мировом уровне: 🔖 CS231n (CV) 🔖 CS224n (NLP) 🔸Ну и скрытый бриллиант Nando de Freitas (Oxford, 2014-2015). Его не найдешь поиском. Сетки там учат еще во времена, когда PyTorch не существовал, а писали на Lua Torch. Говорят, что курс передает интуицию и ФИЗИКУ того, как работают нейронки! 🌊 Плейлист на ютабе Забирайте в сохраненки, делитесь с друзьями и пишите в комментарии, что я не упомянул! Все равно не будете ботать @asisakov_channel #ml #dl #nlp #rl #systemdesign #courses

🚨VII Открытый чемпионат по скоростному интегрированию НИЯУ МИФИ «Интегрируй!» Участники на протяжении нескольких часов будут брать интегралы из различных разделов математики за ограниченное время, а также решать задачи из других разделов математики, сводящиеся к ИИ. 🔹Тех, кто не примет участие, приглашаем поболеть за своих друзей! Для этого можно зарегистрироваться как зритель или подписаться на группу в ВК, в ней будут публиковаться промежуточные итоги этапов, фотографии с мероприятия, а также вестись трансляция финала. 🤩Регистрация доступна по ссылке: тык

Что делать, если бродя по лесу вы вдруг забыли значение числа Пи? Спросить у ясеня не вариант: он больше по романтическим вопросам. А вот сосны могут дать правильный ответ! (запоздалый пост в честь дня Пи) Есть такая штука как игла Бюффона. Надо много раз бросать иглу на полосатый лист бумаги (расстояние между полосками должно быть больше длины иглы) и посчитать количество пересечений с линиями. Тогда по нехитрой формуле можно рассчитать число Пи Но зачем кидать иголку самому, если за вас могут это сделать сосны? Вот такую картину (слева) мне удалось заснять на снегу. Длина иголок, конечно, немного разная, но в остальном – идеальный эксперимент! Чертить полоски и считать иголки мне, правда, было лень, так что я попросил искусственный интеллект. Клод метнулся кабанчиком, распаковал питончик и посчитал все иголки, а также их пересечения. Нужную формулу он тоже знал и, подставив в неё числа, получил 3,17. На Луну с такой оценкой улететь не получится, но вполне неплохой результат, когда ваши ассистенты – сосны! Главное – иметь в лесу интернет и доступ к ИИ #математика@chelovek_nauk

Хочу порекомендовать канал @tarasov_math_blog Тарасов Алексей занимается дискретной оптимизацией, немножечко ML и использует это все для решения бизнес-задач. Блог получается сразу про всё. Из интересного - он сделал алгоритм огранки алмазов при помощи нелинейной оптимизации, здесь можно послушать, а здесь почитать. Решил проблему 13 шаров которой занимался еще Ньютон.

Сильная проблема 13 шаров. #математика #кейс Напишу про вторую свою крутую теорему. Есть известная задача про контактное число. В 1694 году Ньютон со своим коллегой Девидом Грегори поспорили, сколько можно расположить шаров одинакового радиуса вокруг центрального. В те времена люди еще не умели делать даже бильярдные шары, а только пушечные. Потому натурный эксперимент сделать было не просто. Ньютон считал, что можно только 12. Это красивое расположение в виде вершин икосаэдра. А Грегори считал, что возможно и 13 расположить. Он рассуждал так. От расположения шаров можно перейти к расположению сферических шапочек, радиусом в 30 градусов на сфере (проекция шара на центральный). Площадь всей сферы в ~ 14.9 раза больше площади отдельной шапочки. И если 14 может и не запихать, то 13 почему бы и нет. Проблему решили в 1953 году и доказали, что 13 расположить нельзя. Возник следующий вопрос, еще более сложный, а какой максимальный радиус должен быть у 13 шаров, чтобы их можно было расположить вокруг центрального с единичным радиусом так, чтобы они все касались центрального. Было известно расположение, которое наверняка давало наилучший результат. Но никто не умел доказывать это. Олег Мусин в 2007 году рассказал мне эту задачу и свою идею как её решать. Там надо было сделать очень сложный перебор графов и отсечь все ненужные. Я моментально понял, что идея работает и именно я могу её сделать. Мусин тогда покочевряжился, и сказал, что у него есть аспирант на примете, который ему запрогает. За пару лет этот аспирант и другие ничего сделать не смогли, и Мусин дал мне эту задачу решать. И мы её в итоге решили. В процессе работы мне пришлось погрузиться в тему оптимизации. И по сути, я написал свой нелинейный оптимизационный солвер с доказательством оптимальности найденного решения. Написал его, страшно сказать, на языке perl. Эта задача из области дискретной геометрии. Тут все задачи очень сложные, а новые результаты появляются очень редко. Подобным методом была ранее решения гипотеза Кеплера, Томасом Хейлсом. Мы бы с Мусиным могли бы взять. Олег Мусин в свое время решил проблему контактного числа шаров для размерности 4 А Марина Вязовская доказала подобную проблему для размерности 8 и получила за это Филдсовскую медаль. Компьютерного перебора правда эти оценки не использовали. Я посмотрел на то, что я решаю математические задачи прогерскими методами и понял, что я делаю в жизни что-то не то. Даже если я решаю задачи, мои решения довольно бесполезны с точки зрения продвижения науки. Чисто математическое доказательство ценится больше. И потому я стал искать куда двигаться дальше.