Заметки о данных, ИИ, ИТ
и безопасности
Без маркетингового тумана. Так, как я думаю о задачах в реальной работе с собственниками и руководителями.
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'.
AlphaGo и сдвиг окна ожиданий от ИИ
Победа AlphaGo над Ли Седолем - это не только технический результат. Это момент, после которого разговор об ИИ перестаёт быть только про распознавание.
TensorFlow в открытом доступе: что это меняет для не-исследователей
Google открыл TensorFlow в ноябре 2015-го. Разбираю, что это значит для компаний, которые не занимаются академическими исследованиями.
TensorFlow и переход машинного обучения из исследований в инженерную дисциплину
Что открытый релиз TensorFlow меняет для компаний: пайплайн, воспроизводимость и развёртывание становятся основным вопросом, а не алгоритмы.
Классификация текста как практический базовый уровень для предприятий
До того как волна глубокого обучения изменила NLP, классическая классификация текста уже решала реальные задачи. Что умеет, где останавливается и как начать.