ML Baldini • Nikita Boyandin

Как заработать $8 млн, рискнув всего $5 тысяч Представьте самолёт на 300 мест. Авиакомпания продаёт на него 304 билета. На первый взгляд кажется, что кто-то в компании не умеет считать. Но на самом деле это не ошибка, а вполне осознанное решение на основе статистики. Разберём, как здесь работает наш любимый Data Science) По историческим данным, вероятность того, что конкретный пассажир придёт на рейс, составляет 95%. Если продать ровно 300 билетов, самолёт почти наверняка полетит с пустыми местами, а пустое кресло после взлёта скорее всего уже невозможно продать. Поэтому авиакомпания продаёт 304 билета и принимает небольшой риск, что придут вообще все. Количество пришедших пассажиров можно описать биномиальным распределением: - 304 независимых события; - два возможных исхода: пришёл или не пришёл; - вероятность прихода - 95%. Нас интересует вероятность того, что на рейс придёт больше 300 человек. То есть: P(X > 300) = P(301) + P(302) + P(303) + P(304) После расчётов получаем вероятность примерно 0,014%. Это около одного перебронированного рейса на 7200 подобных рейсов. Кажется, что риск небольшой. Но насколько это выгодно в деньгах? Допустим, авиакомпания выполняет 10 000 таких рейсов. На каждом она продаёт четыре дополнительных билета: 10 000 × 4 = 40 000 дополнительных билетов. При средней цене билета $200 получаем: 40 000 × $200 = $8 000 000 дополнительной выручки. При этом математическое ожидание количества пассажиров, которым не хватит места, составляет всего около 1,66 человека на все 10 000 рейсов. Даже если каждому выплатить компенсацию, оплатить отель и пересадить на следующий рейс, расходы могут составить меньше $5000. С точки зрения математики выбор очевиден: рискнуть $5000 ради потенциальных $8 млн. Именно поэтому овербукинг существует. Вот и любите этот ваш DS.

Топ 6 ошибок в резюме, из-за которых вас могут не позвать на собеседование Можно быть сильным специалистом, но получать мало откликов просто потому, что из резюме это непонятно. HR не будет работать самостоятельно искать ваши сильные стороны. Вот шесть ошибок, на которые я обращаю внимание: 1. Слишком длинное резюме Любое резюме больше 3-4(если вы не лид) страниц вряд ли будет релевантным и будьте уверены, что HR даже половины не прочитает. Оно выглядит как то, что вы не умеете выделять главное и четко показывать, почему именно вы идеальный кандидат 2. Нерелевантный опыт Если вы откликаетесь на AI/LLM позицию, то не нужно заполнять резюме проектами с классикой или с CV. Если вы настолько крутой специалист, что у вас есть проекты на каждую из областей, то напишите отдельные резюме на каждый домен 3. Отсутствие результата Тут одно слово - метрики. Именно на чаще всего смотрит работодатель, потому что ничего вас не опишет лучше, чем цифры 4. Нет чёткой позиции чем вы занимались в проектах Для каждого вашего проекта, который указан в резюме, вы четко должны рассказать ваше участие в конечном результате. Конечно, есть личные проекты, но в остальных вы обязаны четко понимать вашу роль 5. Отсутствие ссылок на портфолио или отсутствие самого портфолио Часто встречаю, что есть определенные проекты и/или ачивки, но на них нет ссылок не на гите, ни где-либо еще. Чтобы не выглядеть воздуханом, приложите какой-нибудь ресурс, который подтвердит вашу работу 6. Отсутствие структуры и выделения Выделяйте важные пункты в своем резюме, обязательно структурируете его, чтобы самая релевантная информация сразу попадала на глаза рекрутора Какие пункты резюме для вас еще важны и на что вы чаще всего обращаете внимание?)

Как работает агентский RAG? Обычный RAG работает достаточно просто: вопрос -> поиск документов -> ответ LLM Пользователь задаёт вопрос, система находит похожие фрагменты в векторной базе и передаёт их модели. Проблема в том, что никто не проверяет: а найденные документы вообще отвечают на вопрос? Например, пользователь спрашивает: Может ли подрядчик работать удалённо из другой страны? Для нормального ответа могут понадобиться: • политика удалённой работы; • договор с подрядчиками; • список разрешённых стран; • налоговые ограничения. Обычный RAG может найти только первый документ и уверенно сгенерировать неполный ответ. Что меняет агентский RAG Он добавляет между поиском и генерацией агента, который может принимать решения. Теперь схема выглядит так: вопрос -> поиск -> проверка -> решение -> повторный поиск или ответ После retrieval агент оценивает: • релевантны ли найденные документы; • достаточно ли информации; • нет ли противоречий; • нужно ли искать в другом источнике; • стоит ли переформулировать запрос. Если контекста недостаточно, система не отвечает сразу, а пробует другой путь. Три основные возможности 1. Routing Агент сам выбирает источник: • документы; • SQL-база; • интернет; • API; • несколько источников одновременно. 2. Query refinement Если запрос слишком общий, агент переписывает или разбивает его на несколько подзапросов. Например: «Правила удалённой работы» «Ограничения для подрядчиков» «Работа сотрудников из других стран» 3. Self-evaluation После поиска агент проверяет качество контекста. Если документ устарел, не отвечает на вопрос или противоречит другому источнику, запускается новая итерация поиска. По сути: Обычный RAG: нашёл -> ответил. Агентский RAG: нашёл -> проверил -> попробовал ещё раз -> ответил. Но агентский RAG нужен не всегда Каждая дополнительная итерация означает: • ещё один вызов LLM; • большую задержку; • дополнительные токены; • более сложную отладку; • менее предсказуемое поведение. Если у вас простые FAQ и чистая база знаний, обычный RAG будет быстрее и дешевле. И важный момент: агент не исправит плохой retrieval. Именно поэтому в пайплайне любого RAG так важны хороший датасет и четко собранная БД 💗 - на еще один обзор

Как меняются собеседования и процесс найма со стороны программистов За последние несколько лет рынок IT сильно поменялся: если раньше ты мог написать open to work на линке и закинуть свое резюме в вакансии, которые нравятся именно тебе, то сейчас поиск работы сильно поменялся и начинается он задолго до того, как ты начинаешь искать вакансии(и вообще в целом начинаешь ли ты их искать?) Шаг 0. Нетворк Как ни странно, ничего лучше этого пока не придумали. Когда ты только начинаешь задумываться о смене работы, берем и начинаем шерстить контакты, причем не только близких знакомых, но и HR, если раньше мы могли на них забить, то сейчас нужно чуть ли не папку создавать, потому что только они знают какие вакансии реальные Шаг 1. Реферальные программы Собираем список компаний, куда мы хотим и ищем людей, которые работают в этих компаних, чем выше по должности, тем лучше. Рефералки один из немногих все еще работающих способов, с помощью которого можно пройти через сотни других резюме и ATS сразу к человеку Шаг 2. Ваше резюме К сожалению, если вы не из вышки и мфти, вы попадаете в огромную кипу резюме, таких же крутых как и вы. Нужно четко и, желательно, в одной странице показать, почему вы крутой кандидат. Так что когда вы участвуете в хакатонах, всегда сохраняйте сертефикаты об участии, даже если вы ничего не делали, всегда под соревнование можно будет собрать сильный репозиторий или поправить ошибки в уже существующем Шаг 3. Резюме под вакансию Если вы уже начали откликаться по вакансиям, то постарайтесь, чтобы ваше резюме максимально соответствовало позиции и уровню, на который вы идете. Понятно, что на позицию LLM инженера нерелевантно будет cv проекты, но многие люди забывают, что те проекты, которые были релевантны на junior+ и middle, будут требовать другого позиционирования на позицию Senior, так как будет важно понимание продукта и метрик, которые удалось достичь Шаг 4. Подготовка к собеседованию Твоя подготовка должна начинаться хотя бы за неделю, а лучше за две. Спасает то, что сейчас собесы разделены по секциям и в условном Яндексе или Авито тебя будут спрашивать либо только алгосы, либо ML Шаг 5. Даже после получения оффера не заканчивай работать над своим личным профилем Сейчас мы находимся в эпохе сокращений и оптимизации, поэтому тебе нужно всегда быть на готове и иметь релевантный опыт уже исходя твоей новой позиции. Лучший вариант, когда твои проекты в магистратуре попадают к тебе на kaggle или гит, чтобы не тратить время дважды Не нужно выходить на новую работу и сразу готовиться к следующей. Но стоит сохранять результаты проектов, фиксировать достижения и понимать, как меняется ваша ценность на рынке. Тогда поиск работы начнется не с попытки вспомнить, чем вы занимались последние три года, а с уже собранного и понятного профессионального опыта.

Вчера одна сборная играла в футбол, а вторая старалась не пропустить. Аргентинцы вчера играли скорее в регби, а испанцы должны были забивать еще в основное время, но им не хватало последнего удара. Очень рад, что ЧМ наконец то закончился и можно восстановить свой режим❤️ PS спасибо яндексу и кинопоиску за организацию такого классного просмотра PPS теперь из рандомных вещей дома у меня есть 2 аргентинских флага

Мои мысли по магистратуре(часть 1)🍺 Примерно летом прошлого кода я начал задумываться, куда поступить, и у меня был ряд вопросов к себе и к магистратуре. PS считаю, что в магистратуру нужно идти сразу после бакалавриата, так как свободное время после условного года простоя потом не захочется разменивать Вопрос к себе: нужно ли оставаться в той же сфере, учиться еще 2 года или же попробовать новую сферу и стать более крутым специалистом? Мой ответ: не понятно какие плюсы даст новая сфера, да и рабочий опыт цениться намного сильнее сейчас в нашей сфере, чем академический(тут понятно, что не всегда, но для обычных людей уж точно). Новая сфера потребует кучу времени на изучение, а этого времени, к сожалению, нет. Пожелания к магистратуре🍑 1. Чтобы была онлайн 2. Чтобы давала отсрочку от армии 3. Хорошая программа 4. Уклон ближе к работе, больше практических заданий 5. Нетворк, сильное комьюнити вокруг вуза 6. Не конский ценник Ну и тут для меня такой набор программ😐 1. Вышка ИИ 2. AI Talent hub от ИТМО 3. МФТИ управление продуктом 4. ЦУ онлайн МЛ Также есть суперские программы от вышки, например СКН или программы от Сколтеха, но мы упираемся опять в свободное время 💗 - если хотите вторую часть

Вот и всё. Неплохая получилась история. Интересная, весёлая, порой немного грустная, а главное — поучительная… Вот и закончились мои 4 года в финансовом университете и теперь я дипломированный специалист. За это время было всякое: тусовки, бессонные ночи перед контрольными и экзаменами, отношения) Хочется сказать спасибо всем, кто участвовал в становлении меня как человека и специалиста, и надеюсь, что когда-нибудь я смогу помочь этому прекрасному вузу, как и он мне💗 А теперь придётся идти дальше) Если хотите пост про мой выбор магистратуры и в целом логики, которой я придерживался, то напишите комментарий или поставьте реакцию, автору будет очень приятно👍

Я моп или не моп, вот в чем вопрос?)

Вот и 22) Сложно описать этот год словами, еще сложнее что-то загадывать в следующем(но я уже загадал)))). Главное, что у меня получилось собрать окружение тех людей, с которыми мне очень комфортно и на которых я могу положиться, так что не сбавляем обороты и кайфуем от жизни дальше❤️

Топ-15 сайтов для подготовке к собесу, когда до него осталось три дня😎 Сейчас очень много подборок ресурсов по подготовке к собесам, но часто, когда времени мало, ты не успеваешь пройти все темы. Поэтому ниже я подготовил свой топ-ресурсов, который будет полезен каждому: 1. Когда сказали, что на кодинге будет мл задачи 2. Быстрые вопросы про LLM и docker в виде карточек 3. Архитектура AI-агентов, когда нужно выделиться 4. Понимание процессов в команде и разработке(методичка от моего бро) 5. Как правильно выбирать компанию 6. Хендбук от яндекса по мл, самая лучшая теория 7. Кейсы по MLSD, которые точно спросят 8. Если совсем все забыл и теорию надо вспоминать с нуля 9. Все, что тебе нужно знать про промпты 10. Практика по коду, меняя душная, чем на leetcode 11. Деплой и лучшие практики 12. Самое визуальное обьяснение LLM 13. Лучшая статья про трансформеры 14. Как работают нейронные сети 15. Все, что нужно быстро вспомнить про вероятности 💗 - если нужно больше таких подборок

Легендарный продукт NAASralli))) #Мем