Заметки о данных, ИИ, ИТ
и безопасности
Без маркетингового тумана. Так, как я думаю о задачах в реальной работе с собственниками и руководителями.
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.
GDPR: девять месяцев спустя и первый крупный штраф
В январе 2019 года Google получил штраф 50 млн евро по GDPR. Разбираю, что это значит и почему «у нас есть политика конфиденциальности» - это не соответствие требованиям.
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.
Разбивать монолит: почему порядок важнее скорости
Как планировать миграцию от монолитной архитектуры без остановки операций - о последовательности, рисках и точках отката.
Kubernetes и операторы: что это и зачем думать об этом сейчас
Что такое операторная модель в Kubernetes, почему она стала центральным способом управления сложными приложениями в кластере и что это значит для архитектуры.
Версионирование API - это управление контрактами, а не техническая формальность
Почему у каждого API должна быть политика версионирования и что происходит с интеграциями, когда её нет.
ETL-пайплайн - это производственная линия, и мониторить её надо соответственно
Почему отказ ETL-процессов - это операционный инцидент, а не техническая неполадка, и как выстраивать наблюдаемость за потоками данных.
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 в производстве требует процессов ещё до появления MLOps
Почему компании, которые серьёзно занимаются машинным обучением, неизбежно приходят к необходимости версионировать не только код, но и данные, модели и эксперименты.
Почему оценки IT-проектов почти всегда ошибочны - и что с этим делать
Разрыв между оценочными и фактическими сроками IT-проектов - известная и устойчивая проблема. Разбор структурных причин, по которым это продолжается, и практик, которые её уменьшают.
Утечка данных: что делать в первые 72 часа
Практический разбор того, как компании реагируют на инциденты с персональными данными - и почему большинство делает это неправильно.
API-first для внутренних систем: зачем это важно до того, как их стало много
Строить внутренние инструменты и системы с подходом API-first - это не лишняя работа. Это дисциплина, которая предотвращает интеграционный хаос, который большинство компаний потом годами распутывают.