Заметки о данных, ИИ, ИТ
и безопасности
Без маркетингового тумана. Так, как я думаю о задачах в реальной работе с собственниками и руководителями.
Реальная стоимость NLP-пайплайна до того, как вы купились на демо
Что на самом деле требует поддержки в промышленной NLP-системе - от разметки данных до контроля качества в продуктиве.
Дрейф модели: почему ML-система деградирует без видимых сбоев
Модели машинного обучения в продакшне теряют точность со временем - тихо, без ошибок и алертов. Что такое дрейф и как за ним следить.
От хайпа к стоимости inference: почему ИИ надо считать как производственную функцию
Как перейти от оценки ИИ по демонстрационному эффекту к оценке по реальной экономике запуска модели в продуктиве.
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.