Подборка открытых вакансий 🔵

Middle ML-разработчик в VK team
Гибрид / Офис в Москве

Senior Data Science в МТС
Офис в Москве

Data Scientist в Beeline
Удаленно

Middle Data Engineer в 2GIS
Удаленно

Data Scientist в Мегафон

Data Engineer в Wildberries
Удаленно / Гибрид / Офис в Москве

Звучит также, как «у меня свой ИИ-стартап», где под капотом апишки различных моделей 😮‍💨

Подборка открытых вакансий 🔵

Data Scientist в 2GIS
Удаленно / Гибрид / Офис в Москве, Санкт-Петербурге, Новосибирске

Middle Data Scientist/Ai Engineer в Beeline
Удаленно / Гибрид / Офис в Москве

Стажер Data Science в Сбер
Офис в Новосибирске

Senior Data Analyst в Золотое Яблоко
Удаленно / Гибрид / Офис в Екатеринбурге

Data analyst в Магнит Tech
Удаленно / Гибрид / Офис в Москве, Краснодаре

Junior+/Middle Data Scientist в Самолет
Удаленно / Гибрид / Офис в Москве

Data Engineer в Korona Tech
Удаленно / Гибрид / Офис в Санкт-Петербурге

Senior/Middle ML researcher в VK Team
Гибрид / Офис в Москве

Разбор вопроса с собеседования в Netflix

➖Ты обучил новую модель рекомендаций.
Как ты убедишься, что она готова заменить старую?»

Простой и очевидный ответ: сравнить метрики на валидации и тесте. Но такой ответ не полный и не совсем верный.

Проблема в том, что даже если модель отлично показала себя локально, мгновенно заменять ею предыдущую модель – часто плохая идея.

Потому что воспроизвести реальные продакшен-условия офлайн крайне сложно, а высокие accuracy на val/test ещё не гарантируют успеха в проде.

Более надёжная стратегия, да и в целом стандартная практика – тестировать модель прямо в проде. Вот какие могут быть подходы:

🔷 A/B-тестирование
Входящие запросы распределяются неравномерно между legacy-моделью и candidate-моделью. Например:
90% трафика → старая модель
10% трафика → новая модель
Так ограничивается влияние candidate-модели и снижаются риски.

🔷 Canary-тестирование
В A/B-тестировании трафик распределяется случайно между всеми пользователями. В canary-подходе новая модель сначала показывается небольшой группе пользователей, а затем постепенно раскатывается дальше, если метрики хорошие.

🔷 Interleaved-тестирование
В этом подходе ответы смешиваются. Например, в рекомендательной системе Netflix: часть рекомендаций приходит от legacy-модели, а другая часть – от candidate-модели. При этом логируются downstream-метрики:
- CTR,
- «неполезная рекомендация»
- и другие – для последующего сравнения.

🔷 Shadow-тестирование
Все предыдущие методы влияют на пользователей (частично или полностью). Shadow-тестирование позволяет прогнать новую модель в продакшене без влияния на пользовательский опыт.

Как это работает: candidate-модель разворачивается рядом с legacy-моделью, затем получает те же запросы, но её ответы не показываются пользователям, а результаты просто логируются для анализа.

Зачем деплоить, а не тестировать офлайн?
Потому что продакшн окружение почти невозможно точно воспроизвести локально, а userfacing метрики измерить проблематично: клики, вовлечённость, конверсии – всё это недоступно.

Middle/Senior ML-разработчик в Яндекс
Гибрид / Офис в Москве

Предстоит: погрузиться в анализ графов, связывающих миллиарды идентификаторов устройств и пользователей; улучшать качество склейки, чтобы обеспечить максимально полную и точную картину поведения каждого пользователя Яндекса… Узнать подробнее 🔵

Команда Data Secrets поздравляет всех с наступающим Новым годом ❤️

2025 год подошёл к концу, самое время немного порефлексировать и подвести итоги, поэтому наша команда подготовила для вас небольшой квиз «Кто ты из мира ИИ?».

Спасибо, что остаётесь с нами, и не забывайте делиться результатами в чате.

Пока все еще отходят от тазиков с оливье, пора бы подвести итоги 2025 года и освежить в памяти технологические события за год:

Январь. DeepSeek-R1: хоть демонстрация этой модели была еще в ноябре 2024, полноценный выпуск состоялся в январе, поэтому R1 можно считать главным событием месяца. Полный разбор модели делали здесь.

Февраль. OpenAI официально анонсировала инструмент Deep Research, способный заниматься сбором, анализом и синтезом научной информации из интернета. Об этом кстати тоже делали разбор.

Март. Google представил Gemini 2.5 Pro с native reasoning, усиленной мультимодальностью и огромным контекстом (> 1 млн токенов).

Апрел. Первые полностью автономные научные системы: The AI Scientist-v2 – агентная система, способная формировать гипотезы, проводить эксперименты и создавать научные статьи.

Май. Google DeepMind представил AlphaEvolve – модель, использующую LLM-подходы для кодинга. Наш полный разбор можете почитать здесь.

Июнь. Mistral выпустили ризонинг-модель Magistral. По словам исследователей ответы можно получать в 10 раз быстрее, чем у конкурентов, если воспользоваться режимом Flash Answers.

Июль порадовал выходом Grok-4 с улучшенным voice mode. Новая модель хорошо умеет пользоваться браузером, интерпретатором кода и мультиагентностью.

В августе Anthropic релизнули Claude Opus 4.1 с приростов на SWE-bench в 2%. Но это не самый громкий релиз: OpenAI выпустили опенсорс модели.

Сентябрь. Qwen3-Max-Preview с триллионом параметров. По бенчмаркам бьет их предыдущего лидера Qwen3-235B-A22B-2507, а также Claude Opus 4 Non-Thinking и DeepSeek V3.1.

Октябрь знаменует созданием аналога Википедии, а именно Grokipedia. По словам Маска Grokipedia такая же непредвзятая, как и Grok 😏

Ноябрь. Kimi K2 Thinking, который успели окрестить как DeepSeek moment 2.0. Моделька выбивает SOTA на Humanity’s Last Exam и BrowseComp.

Декабрь. OpenAI выпустила GPT-5.2 – модель с расширенными reasoning-возможностями, агентными инструментами и улучшенным восприятием визуальных данных.

Что нас ждет в 2026 году? Прогноз от Стэнфордского университета

⭐ Разумеется, первое, о чем был прогноз – это AGI. А точнее, о том, что он не будет достигнут. Тем не менее мы продолжим видеть огромные инвестиции в ИИ-компании, особенно в центры обработки данных (ЦОД). По прогнозу одного из аналитиков, центры будут размещаться по всему миру, но есть и опасения: в какой-то момент не получится привязать все деньги мира к вливанию средств в ЦОД, что очень похоже на спекулятивный пузырь.

⭐ Уже другой проффесор считает, что в 2026 году все больше компаний будут говорить, что ИИ не продемонстрировал повышения производительности, за исключением таких областей, как колл-центры или разработка. Но мы также увидим новый пользовательский ИИ, помимо простого чата или браузера. Возможно, самих продуктов не увидим, но превью будет продемонстрировано. Этот же профессор считает, что в этом году фокус сместится на модели поменьше и качественнее, а также на подготовку более качественных датасетов.

⭐ Уже другой профессор Стэнфорда надеется увидеть в новом году смещение фокуса на “черный ящик”. По его словам, исследователи уже уделяют все больше внимания не инференсу, а внутренней архитектуре. Возможно, нас ждет все больше исследований, направленных на этот вопрос.

⭐ Немного печальный прогноз от доцента и старшего сотрудника: мы можем не достичь всего того, что надеемся переложить на ИИ, особенно учитывая, что от ИИ иногда может быть вред и экологические издержки. Старший научный сотрудник ждет реализма в отношении ИИ.

⭐ Некоторые ученые Стэнфорда полагают, что мы наконец-то увидим методы или приборы, которые будут отслеживать пользу/вред от использования ИИ. Возможно, это будет панель со статистикой, которая будет меняться не через годы, а раз в месяц. Так руководители смогут отслеживать реальную пользу от ИИ. По крайней мере на это надеется группа исследователей.

Вот уже подходит к концу первая неделя 2026 года, и пора бы составить небольшой стратегический рабочий план на Новый год 🚀

Вы наверняка могли заметить, что работа AI-инженера сильно изменилась за 12 месяцев, а чтобы оставаться востребованным специалистом, нужно продумать дальнейшие шаги.

Итак, мы нашли небольшую статью с советами, которые помогут вам расти на карьерном поприще:

1️⃣ Если вы плохо освоили или ещё даже не начинали затрагивать основы ML… то пора бы начать повторять базу: линейную алгебру, статистику и основные алгоритмы. Технологии всё время меняются, но «внутрянка» остаётся прежней: тензоры, градиенты и вероятности.

2️⃣ Развивайте свою специализацию. Этот совет 50/50: с одной стороны некоторым компаниям нужен специалист на все случаи жизни, а другим компаниям нужен узконаправленный разработчик, который глубоко знает LLM или разбирается в мультимодальных моделях. Если вы хотите быть узконаправленным специалистом, то углубляйте свои знания!

3️⃣ Знать – не значит делать. Если вы много читаете статей и в курсе последних трендов, то это не значит, что вы всё это знаете. Не забывайте много практиковаться.

4️⃣ Большинство из нас может не задумываться об экономии моделей и зря, особенно если это касается не личных проектов. Смотрите или читайте, как и где можно сэкономить, будь то расходы на GPU или оптимизация инференса, а если вы расскажете на собеседовании, как сэкономили деньги прошлого работодателя – цены вам не будет.

5️⃣ В эпоху, когда многие статьи штампуются одними и теми же мыслями и идеями, исследованиям не хватает оригинальности, поэтому одной из задач на этот год – формировать своё собственное видение! Кто знает, может ваша идея всколыхнёт индустрию…

6️⃣ Кстати, оригинальные идеи часто приходят при общении с кем-то (об этом же говорят многие исследователи вроде Джеффри Хинтона или Яна Лекуна). Так что развивайте свои профессиональные связи: ходите на конференции, участвуйте в опенсорс-проектах или помогайте коллегам.

Подытожим: фильтруем информацию, много общаемся, формируем своё видение и следим за новостями.

Самые высокие компенсации оказались у сотрудников OpenAI 🤑

По инсайдерской информации компания распределяет гораздо больше капитала на одного сотрудника, чем любой другой технологический стартап. Компенсация сотрудника OpenAI в среднем составляет около $1,5 млн на человека (!). Штат сейчас насчитывает примерно 4 000 сотрудников.

Анализ Wall Street Journal 18 других крупных технологических компаний показал, что средняя выплата акционерного капитала в OpenAI в 34 раза превышает типичные уровни компенсации до IPO за последние 25 лет.

По прогнозам аналитиков, новые расходы на компенсации составят 46% от выручки компании – это выше, чем у любой другой технологической фирмы до выхода на биржу.

Для сравнения: акционерная оплата Palantir составила 33% выручки в 2020 году, Google – 15% до IPO, а Facebook – всего 6%.

Такие высокие расходы объясняются тем, что OpenAI конкурирует за талантливых специалистов.

Если вы задумывались о карьерном переходе, то вот небольшая история от разработчика ПО в Google:

➡️ Инженер уже работал в компании обычным разработчиком. В Google постоянно проводятся различные митапы, хакатоны и другие активности. В очередной раз, когда поисковый гигант проводил хакатон, рассчитанный на то, чтобы разработчики смогли поработать над собственными проектами с использованием новых технологий – LLM, герой истории решил принять участие.

Он не удержался и записался на семидневный хакатон. Работа с LLM была для него в новинку, так как до этого он никогда не сталкивался с этой технологией. За время проведения хакатона инженер постепенно начал понимать узкие места и собственные пробелы в знаниях. Также он стал разбираться в базовых аспектах ИИ: например, как выстраивать инфраструктуру для LLM и как разрабатывать алгоритмы для агентских систем.

Проект не был революционным – это был небольшой прототип, который позволил «прощупать» основы. Инженер поэкспериментировал с созданием агентов и файнтюнингом. После этого хакатона многие коллеги перешли на роли, связанные с ИИ. Герой истории смог занять похожую должность лишь недавно – спустя полтора года после участия в хакатоне.

Чтобы глубже погрузиться в новую для себя технологию, инженер изучал новые инструменты: Claude Code, Gemini, ChatGPT Deep Research и NotebookLM. Также разработчик смотрел тематические лекции Андрея Карпати и много общался с более опытными коллегами.

Подборка открытых вакансий 🔵

Middle Data Scientist в 2GIS
Удаленно / Гибрид / Офис

Junior Data Analyst в Ozon
Офис в Москве

Senior/Middle ML Engineer в VK Team
Гибрид / Офис в Москве

Middle Data Engineer в Золотое Яблоко
Гибрид / Офис в Екатеринбурге

Data analyst/data science в Сбер
От 80.000₽
Офис в Иркутске

Data Scientist в Авито
Удаленно / Гибрид / Офис в Москве

Предстоит: собрать датасет для обучения ранкера с помощью LLM-разметки; обучить ранкер, ранжирующие поисковые объявления; обучить эмбеддинги для векторного поиска… Узнать подробнее 🔵