MLinside

ML Kata: разбираем главные вопросы 75 минут на задачу по ML System Design, случайная команда и незнакомый контекст. Поэтому у участников возникают вопросы. Давайте разбираться: ▪️На кого рассчитана ML Kata? ML Kata — не экзамен для экспертов, которые знают всё наизусть. Не нужно заранее готовиться к задаче или перечитывать всю литературу по System Design. Главное — уметь разобраться в задаче и применить знания. ▪️А если я не работал с этим доменом? Это нормально. Незнакомый контекст — часть ML Kata. В работе легко оказаться в пузыре собственного опыта: если долго решать похожие задачи, знакомые подходы начинают казаться универсальными. На ML Kata сначала нужно разобраться в условиях задачи, а уже потом выбрать подход. Это проверка того, умеете ли вы думать за пределами привычного контекста. ▪️Команду нужно собирать заранее? Нет. Команды формируются на ML Kata. Вы окажетесь рядом с людьми с разным опытом: придётся быстро договориться о подходе, распределить роли и собрать решение. ▪️А если в команде будут люди с разным уровнем опыта? Это нормально. У одного участника сильнее ML, у другого — архитектура, у третьего — декомпозиция, у четвёртого — коммуникация и презентация. Задача команды — объединить эти компетенции в одно решение. Разный опыт — часть тренировки, а не помеха. ▪️А если мы не успеем решить задачу за 75 минут? Ограничение по времени — часть формата. За 75 минут важно определить главное, расставить приоритеты и обосновать свои решения. В незнакомой задаче легко подумать: «У бигтеха делают так — значит, и нам подойдёт». Но ML System Design не сводится к воспроизведению известных паттернов. Важно понять требования и ограничения кейса. ▪️Что я получу от участия? ML Kata даёт возможность выйти за пределы привычного контекста и проверить, как вы принимаете решения, когда готового ответа нет. А ещё — потренировать командную работу: разобраться в задаче, договориться о подходе и защитить решение. ML Kata — возможность проверить, насколько хорошо вы умеете построить решение, когда готового ответа нет. Следующая ML Kata скоро. Бронируйте место и решайте задачу с Валерием Бабушкиным

Andrew Ng назвал 4 навыка, которые нужны AI-инженеру 14 августа Andrew Ng опубликовал в X свою AI Engineering Skills Map – карту навыков AI Engineering. Вместе с командой он проанализировал более 10 000 вакансий, провёл десятки интервью с AI-экспертами, hiring managers и рекрутерами, изучил данные опросов и другие источники, чтобы определить навыки, которые будут наиболее важны для разработчиков не только сегодня, но и в ближайшем будущем. Andrew Ng – один из самых известных специалистов в области машинного обучения. Он преподаватель Стэнфорда, основатель Google Brain и DeepLearning.AI, сооснователь Coursera и бывший руководитель AI-направления Baidu. Его онлайн-курс по машинному обучению стал одним из первых массовых образовательных продуктов в этой области и помог сделать ML доступным для миллионов людей. Мы перевели и собрали основные идеи его статьи: Карта навыков AI Engineering 1. Создание и развёртывание AI-приложений Главное отличие AI-приложений от традиционного ПО – непредсказуемость результатов. Когда мы отправляем запрос LLM, заранее неизвестно, какой ответ получим. То же самое касается моделей глубокого обучения: мы не знаем точно, какое предсказание модель сделает на новых данных. Поэтому AI-инженеру недостаточно знать, как использовать LLM, RAG, context engineering или agentic workflows. Нужно уметь измерять, направлять и контролировать поведение AI-систем. Ключевой навык здесь – выстраивать дисциплинированные циклы evals и error analysis, которые позволяют находить ошибки и постепенно улучшать систему. 2. Фундаментальные знания Software Engineering AI-агенты не отменяют software engineering – наоборот, делают его ещё важнее. Разработка ПО всегда связана с компромиссами между стоимостью, масштабируемостью, надёжностью, скоростью, безопасностью и приватностью. Понимание фундаментальных принципов помогает увидеть эти компромиссы и принимать более качественные решения при выборе стека, проектировании архитектуры, хранилищ данных и тестировании. Andrew Ng отдельно отмечает проблему vibe coding: если разработчик не понимает основ software engineering, он не сможет эффективно направлять coding agent и оценивать решения, которые тот предлагает. Чем лучше вы понимаете software engineering, тем точнее можете управлять AI-агентами. 3. Использование coding agents Эффективная работа с coding agents становится ключевым навыком для каждого разработчика. Важно понимать, как работают агенты, знать их ограничения и уметь выбирать, где дать им автономность, а где необходимо вмешаться. Для этого нужно уметь управлять контекстом агента, находить баланс между планированием и выполнением, использовать verifiers и evals, работать с чёткими спецификациями и при необходимости координировать нескольких агентов. При этом важно постоянно экспериментировать с новыми инструментами: agentic coding развивается настолько быстро, что лучшие практики регулярно меняются. 4. Определение того, что создавать Если coding agent получает чёткую спецификацию, он всё лучше справляется с её реализацией. Поэтому роль инженера постепенно смещается от вопроса «как это реализовать?» к вопросу «что именно нужно создавать?» Здесь на первый план выходят продуктовое мышление, понимание бизнес-контекста и целей клиентов. AI даёт инженерам больше самостоятельности: можно самому находить проблемы и возможности, быстро создавать MVP и проверять идеи на пользователях. Но важно понимать, когда стоит двигаться быстро, а когда — остановиться и потратить больше времени на качественную реализацию. Что объединяет все четыре навыка? Постоянное обучение AI продолжает быстро меняться, поэтому разработчикам приходится постоянно осваивать новые инструменты, подходы и best practices. Именно поэтому Andrew Ng считает, что AI Engineering – это не отдельная узкая специализация, а набор навыков, которые постепенно понадобятся всем разработчикам: от full-stack и data engineers до DevOps, ML и AI-инженеров. А какой из этих навыков вы считаете самым важным сегодня?

База ML или Специализация: какой путь в ML подойдет именно вам? В ML можно двигаться по разным траекториям – и в MLinside мы как раз предлагаем два формата обучения: «База ML» и специализацию «Искусственный интеллект и анализ данных». Они частично пересекаются по темам, но рассчитаны на разные цели, уровень подготовки и формат обучения. Поэтому сегодня разберёмся, чем они отличаются и какой вариант подойдет именно вам. Сайт курса База ML: mlinside.ru/...026 Сайт Специализации "Искусственный интеллект и анализ данных": mlinside.ru/..._26

Можно ли научиться проектировать ML-системы по лекциям? Можно понять принципы, но навык появляется только тогда, когда приходится принимать решения самому. Именно поэтому на ML Kata не будет формата «послушали спикера и разошлись». Вы получите реальную задачу, будете проектировать решение в команде, спорить, искать компромиссы и защищать свою архитектуру. Во время воркшопа команды сопровождает Валерий Бабушкин. Но его задача – не подсказывать правильный ответ. Он будет задавать вопросы, которые заставляют посмотреть на систему глубже: ▪️действительно ли вы решаете нужную проблему; ▪️не ушли ли в детали слишком рано; ▪️какие ограничения забыли учесть; ▪️где ваше решение может не сработать в реальном продукте. По сути, вы проходите тот же процесс, что и ML-команды в индустрии, только за несколько часов вместо недель обсуждений. Именно так и формируется насмотренность, которой невозможно научиться в теории. Если давно хотелось попробовать себя в роли ML System Designer и плюсом получить обратную связь от человека, который строил реальные ML-системы мирового уровня, – ML Kata для вас. Успейте занять место: mlinside.ru/...026