Заметки о данных, ИИ, ИТ
и безопасности
Без маркетингового тумана. Так, как я думаю о задачах в реальной работе с собственниками и руководителями.
Почему ИИ-проекты не доживают до результата: пять повторяющихся паттернов
Анализ типичных причин, по которым ИИ-инициативы останавливаются или не приносят обещанного эффекта - и что с этим делать.
ML-модели деградируют молча - и большинство компаний этого не замечает
Модель, которая была точной при запуске, постепенно перестаёт быть точной по мере того, как меняется мир. Почему мониторинг деградации модели не является опциональным, и как настроить его до того, как это превратится в инцидент.
BERT и новая планка для прикладного NLP
Что модель BERT меняет в практическом применении обработки текстов и почему это важно для компаний, которые работают с неструктурированными данными.
Узкий ИИ в продакшне: где граница между пилотом и работающей системой
Почему большинство ИИ-пилотов не доходят до продакшна и что нужно, чтобы модель работала в реальных условиях, а не только в демо.
ИИ-готовность: что компании путают с реальной подготовкой
Почему разрыв между интересом к ИИ и операционной готовностью к его внедрению гораздо больше, чем кажется после конференции или демо.
Почему ML-команды постоянно перестраивают одни и те же пайплайны
Скрытая стоимость машинного обучения в масштабе - не модели, а дублированная работа по инжинирингу признаков, которую каждая команда делает независимо. Что такое feature store и нужен ли он вам.
Машинное обучение в продакшене: разрыв между пилотом и масштабом
Почему ML-пилоты часто не превращаются в рабочие системы, и что нужно сделать иначе с самого начала.
Архитектура Transformer: новый универсальный базис для работы с последовательностями
Что означает появление архитектуры Transformer для компаний, которые думают о применении языковых моделей в своих процессах.
Разрыв между ML-экспериментом и производственной системой
Почему машинное обучение в jupyter-ноутбуке и машинное обучение в работающем продукте - это разные задачи с разными требованиями.
Инжиниринг признаков - это замаскированное бизнес-решение
Переменные, которые вы подаёте в модель машинного обучения - не чисто технический выбор. Они кодируют допущения о вашем бизнесе, которые заслуживают явной проверки.
Чатботы: между хайпом и первым практическим применением
В 2016 году все говорят о чатботах. Вот где они реально работают, а где - маркетинговое обещание.
TensorFlow и открытый исходный код: что изменилось для компаний
Почему открытие кода Google по машинному обучению меняет разговор с 'нам не по карману' на 'нам нужны данные и инженер'.