А еще вышел перевод книги Валеры и Арсения по ML System Design на русский язык. Валера утверждает, что перевод «вроде нормальный», предлагаю оформить предзаказ и проверить :))

Ну а кроме шуток, Валера очень удачно выбрал тему для книги, потому что прочитать её будет полезно и взрослым синьорным ребятам, и всяким директорам, и продактам, и даже начинающим. Так что очень рекомендую как настольную книгу для всех, кто имеет отношение к машинному обучению.

Почти закончен перевод нашей книги на русский язык.

Уже доступен предзаказ, сама книга будет в продаже с 26 января.

Предзаказ - промокод на 35%

Почему использовать опыт лучших не всегда хорошая идея

Когда я учился на первом курсе в МФТИ, у нас уже преподавал очень умный то ли магистрант, то ли уже аспирант, который в свое время был звездой олимпиад по программированию, а дальше уже серьезно увлекся математикой. Многие, кто его знают, до сих пор описывают его как абсолютно гениального человека, но мой рассказ будет не о нем. Для определенности назовем его Даниил (имя не заменено, все совпадения специальны :)

Мы с однокурсниками были очень горды, когда оказывались в обществе Даниила и могли с ним пообщаться и преисполниться мудростью, поэтому внимали очень внимательно. И вот, как-то раз Даниил высказал такую непопулярную точку зрения: говорит, мол, непонимаю, зачем люди записывают конспект лекции. Серьезно, так и сказал. И продолжил: "зачем что-то записывать, чтобы потом прочитать и понять, я вот сразу прихожу послушать и понять".

Один из моих однокурсников настолько впечатлился, что решил со следующего же дня делать "как Даниил". Он приходил на лекции, хмурил брови, и то ли слушал и о чем-то думал, то ли делал вид. Так он провел весь семестр, пока на сессии не выяснилось, что так он нифига и не понял.

Оказалось, что без выдающихся интеллектуальных способностей даже для физтеха, метод работает плохо. О том, почему обучение намного эффективнее, когда что-то записываешь (и особенно, когда перед экзаменом не просто читаешь книгу или коспект, а пытаешься воспроизводить сам, причем именно рассуждение, а не картинку с закорючками чисто на фотографической памяти), написано уже немало. А вот о том, что оптимизировать свое время на обучение безопаснее, когда ты быстро соображаешь и уже имеешь некоторый кругозор в изучаемом направлении, как-то обычно не говорят.

Похожая ситуация с историями про студентов, которые не ходят на занятия весь семестр, приходят только на экзамен и там отвечают все идеально. Да, такие есть. Но шанс, что именно вы таким будете, конечно, не равен нулю, но и не сказать, что высок.

Также дело обстоит с историями в духе "пришел к владельцу бизнеса и обосновал, что меня надо повысить до СЕО". Бывает такое, когда получилось. И на одного, у которого получилось, будет сто тех, у кого не получилось, не говоря уже про миллион тех, кто не попробовал.

Словом, жить в RPG с огромным открытым миром и возможностью не соблюдать общепринятые условности это очень круто, но за пределами этих самых условностей вместе с огромными возможностями для успеха появляются и огромные возможности для провала. Поэтому, слушая очередной совет мегауспешного кого-нибудь, важно не забывать, что риск неудачи тоже целиком на вас самих, и как-то его тоже закладывать.

Представьте себе коммуналку, в которой живут только аналитики. Как вы думаете, о чём там будут говорить?

Если подумали исключительно про цифры, то зря 🙂

Потому что мы в Авито собрали в Телеграме комьюнити «Коммуналка аналитиков», чтобы посмотреть, что будет.
Получилось очень даже интересно. Оказалось, аналитики с удовольствием пишут обо всём вокруг профессии:

✍️ Рассказывают о рабочих буднях

✍️ Хвастаются успехами и вспоминают фейлы

✍️ Постят мемы

✍️ Запускают опросы и собирают бинго

✍️ Шутят

✍️ Делятся лайфхаками

✍️ Создают серьёзные посты про аналитику

✍️ И-и-и обсуждают другие штуки, которые сложно классифицировать

Подписывайтесь на канал и читайте недушную аналитику 😉

Про продуктивность в декабре

Есть два преподавателя, с которыми у нас много совместных проектов, и которые в начале декабря взяли билеты на самолеты и улетели в отпуск. Но, справедливости ради, один предупреждал заранее о своих планах.

Мы с ребятами связаны, к счастью, не только трудовыми узами, но и дружескими, так что я, разумеется, на них сразу набычил. Говорю, а не офигели ли вы не работать до талого в таком чудесном месяце как декабрь. Ну надо же, люди заводят себе какие-то дела и планы в жизни, кроме наших совместных рабочих.

Но, так или иначе, к концу декабря я не только понял ребят, но и сообразил, что надо было делать также. Продуктивность улетела в ноль, тревога обо всем, что вовремя не доделано, стала максимальной и парализующей работу.

Главное, что хочется сказать в этих обстоятельствах - помните, что люди не железные, и вы тоже человек, отдыхать тоже надо. Так что когда в очередной раз будете негодовать, почему коллеги свалили в отпуск, подумайте о том, а не шарят ли они побольше вашего в этой жизни :)

Все-таки Никита Зелинский очень продуктивный автор. Так сходу и не припомню, где еще за год запостили столько содержательных инсайдов и инсайтов

#ML
Подборка полезного про DS/ML в канале (не кейсами же едиными) — длиннопост по результатам опроса в честь годовщины

1. Про антифрод
2. Критика соц-дем фич и как надо
3. Опасность фичей-счетчиков с рейсом
4. Стат свойства PSI и как сравнивать распределения
5. Критика квартальных и децильных фич
6. ID как фича — плохая идея?
7. Чуть-чуть про adversarial examples
8. Как облажаться с инференсом модели
9. Не все ошибки это плохо
10. Почему Knowledge Graphs оказались тупиковой веткой в Reading Comprehension
11. Как внедрить модель на голом SQL
12. Как объегорить манагера с метриками в задачах регрессии
13. Трансформерные и foundation модели для временных рядов
14. Успех внедрения модели часто зависит от канала доступа к клиентам
15. Опасность библиотек для RecSys — все считают даже базовые метрики по-разному (можете посадить любого собеседующего в лужу)
16. Про пакетные менеджеры в python
17. Старый (2020) но топовые туториал с KDD по связи офлайн- и онлайн-метрик в рекомах
18. Ускорение расчета фич
19. Сначала метрика, потом под нее выбирается лосс — не наоборот
20. Чуть-чуть про WARP-лосс
21. Row_number() vs rank() бывает важно
22. Мультиагентные системы 90х годов XX века
23. Обзор по темпоральным графовым сетям
24. Кейс когда понадобилась модельная архитектура
25. Обзор по алайменту LLM за июль 2024
26. Простой квик вин в кредитном скоринге
27. Кейс про генерацию фич для комплаенс — из названий компаний
28. Калибровка Venn-ABERS
29. Бустрап и ЦПТ в инженерной сейсмометрии с фото с автором
30. Про то что мы не должны забывать что работаем с вычислительными машинами
31. Кейс про графовый attention от корифеев, в котором нашли ошибку, но и сами налажали, как выяснилось уже в комментариях после репоста в дружественные каналы
32. --
33. О пользе дата-аналитиков
34. Про формы нормализации данных
35. Снова про антифрод и как его делать
36. Зачем в LaL псевдолейбеллинг
37. Одна из самых важных моделей почти везде
38. Про расследование для поиска таргета
39. Про landing.ai
40. Чуть-чуть про XAI (explainable AI)
41. Про foundation model для табличных (!) данных
42. МТС-ные курсы про RecSys и. Новый релиз RecTools
43. Интерпретабельность графовых трансформеров
44. В каких редчайших рейсах кластеризация имеет смысл
45. Micrograd
46. Снова про названия компаний
47. Про ФЛК
48. Про связь Binary cross-entropy и NDCG
49. Обзор за март 2025 по нейронкам в RecSys
50. Связь logloss и ROCAUC
51. Как остаться без штанов генеря бенчмарк для своего RAGа
52. Трансформер на golang
53. Как не надо визуализировать данные
54. Как надо визуализировать данные
55. Про актуальность опровержения SMOTE
56. Как ранжируются платные объявления в Авито
57. Схема обучения SASRec
58. Про A/B
59. Трансформер в рекомендациях
60. Как в десять раз сэкономить на API LLM
61. Наш курс по ИИ-агентам
62. Как не надо в антифрод
63. Как появился мой канал
64. Наглядная статистика
65. Логарифмирование таргета помогает или вредит ?
66. Как KPI на внедрение LLM заставляют наводить порядок в данных
67. Наш курс по базе ML
68. Как не надо в прогноз спроса
69. Кейс про особенности инференса на Канадщине
70. eSASRec — наша статья на RecSys2025
71. LLM вдвое эмпатичнее врачей
72. Рекомендации музыки в Звуке
73. Нанобанана
74. Чуть-чуть про RL
75. Подборка по агентам
76. Скачать видео с YouTube без смс и регистрации
77. Воркшоп про дизайн рекомендательных интерфейсов
78. Можно ли по эмбеддингу восстановить текст ?
79. Видео с RecSys 2025
80. Кейс-менеджмент в кейс телефонных мошенников
81. Про матчинг ФЛ
82. Про схемы валидации моделей и связанные с ней мифы
83. Про гороскопы в моделях
84. Про деградацию моделей

DS leadership до руководящих позиций: часть 1 - стадия попадания в профессию

Мне хотелось написать, что лидершип (предлагайте кстати в комментах нормальный перевод на русский, не звучащий как курс инфоцыган) начинает требоваться задолго до того, как вы впервые становитесь руководителем, и привести в пример отличия миддла от джуна: самостоятельность, ответственность за результат и способность доводить задачу до конца.

Но тут я понял, что ведь уже в студенте, который только изучает DS, это уже либо проявляется, либо нет. Один студент долго расспрашивает, а сколько баллов он получит за домашки от итоговой оценки за курс, а другой просто делает все домашки, причем старается сделать качественно и изящно, со всякими звездочками или на современный лад «с honor track». Один студент читает один источник, другой несколько разных изложений темы, сравнивая, и отвечая себе на вопрос, а почему это одно и то же, сказанное разными словами. Один запоминает формулу, а другого интересует, как она выводится. Один гуглит, как что-то применяется, другой просто жалуется, что ему это не рассказал препод, третий и вовсе об этом не задумывается.

В чем основное отличие? В принятии ответственности за себя: свои знания, то, что умеешь, востребованность как специалиста, удовольствие от изучения чего-то нового, будущую карьеру. Я глубоко убежден, что не стоит брать ответственность за других людей как руководитель, пока не взял за себя самого :)

К каким качествам это свести? Я бы назвал для начала такие:
1. Вовлеченность в предмет (интересно, как все работает и зачем нужно, не заучивает, а создает в голове карту и ориентируется)
2. Стремление к некоторому excellence (тоже не знаю, какое слово тут лучше подобрать)
3. Разносторонний взгляд на предмет
4. Понимание того, что под капотом
5. Понимание практической применимости изученного
6. Проактивность (сам задает вопросы, сам идет разбираться дальше и искать другие источники)
7. Принятие своей ответственности за свой результат

Но все это общие вещи, никак к DS не привязанные. Какую специфику добавляет именно Data Science тематика? На мой взгляд, ответ очень простой: если вам интересно только как алгоритм имплементировать или откуда берутся формулы, на которых он работает, это здорово, но безамбициозно. Что же отличает человека, который будет расти в DS? Ему интересно, а как стоит задача и зачем это все. Логистическая регрессия? Градиентный бустинг? Супер, а зачем их обучают? А как используют прогнозы? А как измеряют эффект? А что более важно - алгоритм, признаки или постановка задачи? А чем бизнесовая постановка задачи отличается от математической (в виде задачи оптимизации)? А как взаимодействовать с заказчиком так, чтобы ваша работа была полезна и не ушла «в стол»? Все это либо интересно, и вас мучает настоящая жажда этих знаний, и вы рветесь ее удовлетворять гугля, смотря доклады на митапах, мучая вопросами друзей-руководителей и LLMки, либо нет. И в случае, если нет, скорее всего ваша позиция формулируется как «мне это пока рано, с меня спрашивают за другое - как работает и как библиотеки использовать». И это справедливый тезис, никоим образом не надо игнорировать то, что от вас уже требуется, вопрос именно в том, хватает ли вас на что-то сверх базы.

Важная ремарка: если это все у вас пока не проявилось, это не значит, что не проявится в будущем. Интерес штука такая - не всегда сразу как дамбу прорвало, когда-то ему нужно время, чтобы вырасти. Но как только действительно становится интересно «а что там дальше» и появляется время не только на то, что от вас на текущем уровне ожидается, как только просыпается аппетит к тому, чтобы разобраться, как решаются задачи бизнеса и как решать все более масштабные задачи, в этот момент и начинается путь руководителя в DS (а не в момент назначения тимлидом).

Выводы после перехода из топов в предприниматели

Скоро будет два года, как я покинул топ-менеджерскую роль, и уже чуть больше года работает моя школа MLinside. За это время мы обучили около 350 наших первых слушателей в B2C и B2B программах, а я успел почувствовать как удовольствие от нового занятия, так и некоторую ностальгию по работе топом в крупной компании. Все-таки адреналина там было полно. В этой серии постов я опишу три основных инсайта, полученных мной при переходе из топов в предприниматели.

Инсайт 1: чтобы кто-то пытался вам навязать чувство вины, что вы сами не взяли на себя работу руководителя, коллеги или вовсе еще не поставленную никому из команды задачу, не обязательно работать в компании.

Ну знаете, есть такая красивая сказка для эксплуатации трудящихся: проактивность. Это про то, что если вы вовлеченный и инициативный член команды, то вас не надо просить что-то делать или ставить вам задачи, вы сами их себе найдете, сами составите план, придете с видением результата для апрува и со статусом дальше по мере реализации.

Почему я называю это «сказкой»? Конечно, не потому, что так не бывает. Бывает еще как, много раз участвовал в таком в разных ролях - и сотрудника, и руководителя. История в другом: проактивность это логично, когда вы претендуете на рост зоны ответственности, должности и вознаграждения, но продают-то всем сотрудникам. Кроме того, инициатива это логично, когда она поощряется, а когда сначала её давят на корню, а потом удивляются, почему ж это она не проявилась в другом направлении (которое проактивный сотрудник еще и сам должен угадать) - это ж просто нелогично.

А еще так можно загоняться самому и загонять других людей до бесконечности, что отчасти стало причиной появления полусерьезного обратного направления мысли - пропассивности 😁

Так вот, если вы, покидая свою корпоративную роль, думаете, что этого в вашей жизни больше не будет - не тут-то было. Это вообще не про найм, не про менеджмент и не про плохого или хорошего работодателя, а про договариваться на берегу. В любом, даже волонтерском или благотворительном проекте найдутся желающие объяснить вам, что надо было самому сделать за других людей их работу, а в свои обязанности взять то, о чем не договаривались. И это будет еще более дико, чем за зарплату биг босса :)

Каков вывод? Уходя откуда угодно, помните, что от себя не убежишь. Если есть проколы с выстраиванием личных границ, то дело не в работе или не только в работе. И в любом случае придется эти границы учиться выстраивать.

Выводы после перехода из топов в предприниматели: часть 2

Инсайт 2: а вот если вы - предприниматель, то все, что вы не догадались себе сами поставить как задачу, а оно бы пригодилось, действительно ваша ответственность. Но это не страшно :)

Пример: готовим к запуску лендинг курса, понимаем, что Новый год скоро, а блок «подарить другу» и саму механику мы не продумали. Плохо? Не очень хорошо. Важно? А вот это заведомо непонятно. Во-первых, много ли людей на НГ дарит курсы? Во-вторых, а как близко к празднику будет запуск? Чем ближе, тем больше вероятность, что потребность в подарках уже закрыта.

Нет, конечно бывает и что просчет очень большой. Но «не страшно» это не значит «нет последствий». Это значит, что если вы предприниматель и ваша недальновидность итак уже наказала вас рублем, то не обязательно удесятерять это страдание еще и нервами.

Это все ведет к важному выводу: ошибки и провалы это нормально. Если их вообще нет, значит вы взялись за слишком простую задачу. Но, разумеется, нужно приоритизировать, какие из ошибок насколько страшны и болезненны, и в связанных с ними процессах проявлять больше внимания, чтобы минимизировать риски.

Выводы после перехода из топов в предприниматели: инсайт 3

После перехода в предприниматели нужно заново учиться формировать команду и руководить ей.

Обычно как устроено: дорастаешь до руководителя в нашей уютной айтишечке, опыт руководства набираешь, думаешь, что тебе точно уже можно людей доверить. А на деле жил в своем довольно узком пузыре. И стоит встретиться с другими людьми - сразу упс, а непонятно, как с ними взаимодействовать эффективно.

Отдельный реверанс теплоте и ламповости айтишки. После нее сотрудники из неайтишных специальностей абьюзят всю твою ламповость на изи, потому что она моментально распознается как слабость. Сразу становится ясно, что босс дурачок, на котором можно ездить. Но это лишь один аспект.

Если кратко составить топ различий в работе с командой, то я бы выделил такие:

1. Работа не только с представителями твоей специальности или специальностей близких к ней (сложность привлечения в команду и оценки работы, различие культур управления, необходимость большей формализации задач)

2. Невозможность пылесосить с рынка самые дорогие кадры, пока компания не станет достаточно большой

3. Необходимость глубже вникать в мотивацию людей: кому важно внимание, кому достижения, кому деньги, кому масштаб. Это было важно и в найме, но сейчас ощущается еще жестче.

4. Прямая ответственность за результат и как следствие прямая заинтересованность в эффективной работе команды. В найме, особенно в большой компании, KPI ставится как правило криво, компенсация к нему привязывается тоже криво, в итоге реально в том, чтобы что-то работало прямо-таки максимально эффективно руководитель не заинтересован. Даже наоборот есть разного рода «запасы на случай аврала, необходимости совершить подвиг или оптимизации» . Ну например для сотрудников, которых держать особо не хочется, и увольнять лень, в больших компаниях есть даже довольно циничный термин - консервы. Они попадают под раздачу, когда кем-то «надо» пожертвовать. Бюджеты тоже защищаются с запасом. Почему? Попробуйте защитить без и, когда у всех срежут часть при оптимизации, вы потом ничего не сделаете (в отличие от заложивших запас), и вас уволят. Вот все эти вещи делают руководство в найме далеким от эффективности для бизнеса. Поэтому если как-то руководите людьми, вроде работает, руководство умеете вовремя порадовать успехами - то и ладно. В роли предпринимателя же наоборот от эффективности вас как руководителя напрямую зависит ваш заработок. И тут конечно искренне хочется учиться из любой доступной вам группы людей уметь сделать слаженно работающую команду. Но это, видимо, длинный путь, я пока только в его начале.

Программирование с резиновой уточкой и DS-ревью

Недавно рассказывал жене про программирование с резиновой уточкой, и она мне сказала: а напиши про это в канал, это куда интереснее, чем вот это все про руководство и предпринимательство из последних постов. Наверняка, часть аудитории это правда позабавит.

Есть такой подход к программированию - программирование с резиновой уточкой. Когда ставишь на рабочий стол резинового утёнка и, когда что-то в твоем коде не работает, начинаешь ему объяснять, а как должно было быть, и что ты написал в коде.

Ответит утёнок, очевидно, только самым увлеченным программистам, а в общем случае расчет на то, что часто уже когда просто объясняешь свое решение кому-то другому, сам понимаешь, где допустил ошибки при реализации. Поэтому слушатель не обязательно должен быть живым человеком, подойдет и резиновая уточка.

Кстати, на этом же принципе может быть построена процедура ревью в DS команде. Не эйчарского, с оценкой работы и повышениями, а ближе к код-ревью - когда надо проверить решение. Например, когда я работал в Yandex Data Factory, у нас было два вида DS-ревью: light-review и hard-review. И если hard версия предполагала вычитывание кода коллегой, и перепроверку как изначальных предположений, так и подготовки данных, построения модели, ее валидации, то вот light версия предполагала просто последовательный рассказ о том, зачем, что и как делалось. Коллега в этом случае был продвинутой версией резиновой уточки, т.е. все-таки кое-какие вопросы тоже задавал 🙂

P.S.: если вам не нравятся резиновые уточки, то что ж вы за человек есть другие популярные модификации - например, парное программирование с котом.

Мой хороший друг Рома Доронин начал вести свой канал про AI. С Ромой мы познакомились при необычных обстоятельствах на Ямале, оказавшись в жюри хакатона по AI. Это была потрясающая поездка, в которой уместились и хакатон, и знакомство с местной кухней, и чтение лекции по ML в кальянной, оборудованной в частном доме, и баня в гаражах, и даже ночной дрифт и развороты на 180 градусов на ладе гранте с очень душевным таксистом. Только на оленях не покатались, но что поделать, придется теперь когда-нибудь повторить поездку.

Однако помимо всех этих веселых приключений и любви к бане нас с Романом связывает и общий интерес к AI. Рома фаундер нескольких компаний в этой сфере и уже достаточно опытный стартапер. В своем канале он рассказывает интересные вещи про историю развития AI, поэтому всем небезразличным рекомендую подписаться :)

Август 1955 года — Джон Маккарти впервые использует термин artificial intelligence в заявке на проведение летнего семинара. Это первое официальное появление термина AI в истории.

А уже летом 1956 года, на том самом Dartmouth Summer Research Project в Ганновере, группа учёных под руководством Маккарти всерьёз рассчитывала создать основы искусственного интеллекта буквально за одно лето.

“We think that a significant advance can be made… if a carefully selected group of scientists work on it together for a summer.”

Как мы знаем, спустя почти семьдесят лет (заявка была подана в 1955 году — это важно, потому что нужно было получить финансирование), история развивалась иначе и куда медленнее, чем рассчитывал Маккарти с коллегами.

Я вижу изящным начать этот канал с отсылки к истокам, поскольку здесь я планирую уделять значительное внимание истории машинного обучения — в попытке понять, как мы вообще оказались в нынешней точке развития AI.

Меня зовут Роман Доронин. Я создал несколько компаний в сфере AI и уже больше десяти лет работаю с прикладным машинным обучением.

Добро пожаловать в канал — давайте вместе разбираться, как развивался искусственный интеллект, кто его создает и что ждёт нас впереди

На фото: Ученые, которые предложили провести Дартмутскую конференцию в 1956 году. Слева направо: Джон Маккарти, Марвин Мински, Клод Шеннон и Натаниэль Рочестер

Теги в канале:

#history - посты о истории AI/ML
#person - история людей, которые строят нашу индустрию
#playbook - полезные советы по использованию современных моделей

Перезапуск специализации по ML: как было на Курсере, только с современной программой

С 2016 по 2022 год более 200 тысяч человек прошло через нашу с коллегами специализацию "Машинное обучение и анализ данных" на Coursera, выпущенную под брендом МФТИ и Яндекса. Курсы специализации практически стандартом в изучении Machine Learning на целых шесть лет, а стоило все это удовольствие всего 4999 рублей в месяц. Но с тех пор набор тем, которые нужно знать начинающему Data Scientist'у или ML-инженеру, существенно изменился. Поэтому мы с командой MLinside переосмыслили специализацию и выпускаем ее новую версию, причем по той же цене, что была четыре года назад.

Список курсов мы подбирали очень внимательно, со всей заботой о том, чтобы изучивший все видеолекции и выполнивший все задания слушатель смог построить карьеру в сфере AI. Начинаем с пререквизитов и классического машинного обучения, далее знакомимся с глубоким обучением и особенно горячей сейчас темой AI-агентов. После переходим уже к суровым будням коммерческого применения AI: A/B тестам, MLOps и ML System Design. А чтобы курсы не устаревали от того, как быстро развивается в наши дни AI, уже вышедшие курсы мы будем продолжать обновлять, а главное - дополнять. Ближайшая аналогия здесь - основной сюжет и побочные квесты в компьютерных играх. Курсы мы выпускаем с тем набором материалов, которые составляют "основной сюжет", но с течением времени будет появляться все больше опциональных лекций и заданий ("побочных квестов").

Наша миссия - дать широкому кругу людей, интересующихся AI, доступ к курсам топового уровня. Материал курсов специализации довольно непростой: в основу всех курсов, кроме вводного, положены материалы занятий в сильнейших российских ВУЗах - МФТИ, МГУ, ВШЭ, ИТМО. Здесь не будет обещаний, что "каждый может стать data scientist". Но тот, кто справится с материалом, сможет.

На специализацию УЖЕ можно оформить подписку: https://mlinside.ru/specializaciya

На текущий момент готовы подготовительный модуль (математика и python) и classic ML, до конца января планируем выпустить DL (значительная часть материала уже готова), до конца февраля - AI агентов. Оставшиеся курсы тоже будут выходить с похожей периодичностью.

Как большой поклонник математического творчества Эрдёша очень доволен новостью :)
https://www.reddit.com/r/INCOGNITO_live/s/335czXfLiB