Это рубрика #амби_ток, в которой мы говорим с экспертами из разных сфер. Знакомьтесь с ML-инженером безопасности в Яндекс Go и преподавателем ФКН ВШЭ — Филиппом Ульянкиным. Он ведёт канал Записки Ппилифа о машинном обучении, программировании и жизни.
Мы поговорили с ним и узнали:
• Какие ошибки и мифы мешают начинающим в Data Science?
• Зачем программисту глубокое знание академической математики?
• Станет ли ИИ угрозой для программистов в 2025?
💬 О канале
Я начал вести канал, потому что захотел вернуть формат стены VK. Когда друзья перешли в Telegram, я стал писать туда о том, что мне интересно.
Профессиональный контент разбавляю кружочками с винных фестивалей, потому что цель — не медиа про ИИ, а свободное общение.
💼 Карьера и преподавание
По образованию я экономист. На старших курсах заинтересовался ML и прошёл специализацию от Физтеха и Яндекса.
Сначала вёл факультативы для младшекурсников. Потом попал в летнюю школу по Байесовским методам, где познакомился с Женей Соколовым, спросил про возможность преподавать, прошел тут же мини-собеседование и стал семинаристом курса по анализу данных на проекте ФКН Data Culture.
На курсах стараюсь объяснять сложные вещи простым языком. Делюсь своим опытом из индустрии. При обсуждении переобучения рассказываю о своих ошибках на работе, а при разговоре об АБ-тестах — о запуске последнего эксперимента.
Важно понимать академическую математику. Это знание помогает чинить модели и адаптировать их под новые задачи.
☝️Ошибки и мифы в Data Science
Мифов и ошибок много. Митапы, медиум и хабр — это хорошо, но информацию лучше перепроверять по более достоверным источникам.
Тренды быстро меняются, поэтому новые методы часто переоценивают. Капсульные сети и сети Колмогорова-Арнольда не оправдали ожиданий, тогда как трансформеры изменили индустрию. Сохраняйте скепсис, но будьте в курсе новинок.
Переоценён, на мой взгляд, соревновательный дата-саенс. Сложные ансамбли (блендинг, стекинг) создают проблемы с поддержкой и воспроизводимостью.
ML-дизайн и воспроизводимость недооценены, но ситуация меняется, и этим аспектам уделяют всё больше внимания.
📢 Вызовы Data Science в 2025 и роль ИИ
Для квалифицированных специалистов ИИ — помощник. Он ускоряет работу (генерация кода, визуализаций), но требует контроля за ошибками.
Многие боятся, что ИИ заменит программистов и аналитиков, но это не так. Программировать, то есть понимать и разрабатывать алгоритмы — полезно. Если ИИ заменит человека, у него останутся хотя бы мозги.
Новые ИИ-инструменты появляются каждый месяц, и курсы по промптингу быстро устаревают. Для понимания трендов в ИИ рекомендую Situational Awarness Леопольда Ашенбрененера и относительно свежий AI-2027.
💻 Влияние работы с данными на жизнь
Скорее, это мешает. Возникает маниакальное желание затрекать всю свою жизнь — изучать показания с фитнес-браслетов, записывать калории и расходы. Важно не переборщить и не превратить свою жизнь в спринты.
Стараюсь анализировать данные в своей жизни в рамках разумного. Для меня антипримером в этом плане стал Стивен Вольфрам. Он даже на прогулке работает, а его статья про эффективность поражает.
📎 Советы новичкам
Рекомендую много разговаривать. Ходить по разным митапам вроде датафеста, общаться с людьми из индустрии, проходить курсы.
В 2021 году я писал пост о том, как вкатиться в мир дата-саенса. Мысли из его первой части про то, какими бывают профессии в ML и какие навыки для них нужны, всё ещё актуальны 🙂