Аналитика Telegram-канала
Подписчики
32 102
Охват за 24 ч
8,2K
ER за 24 ч
25,52%
Публикаций
955
Динамика подписчиков
7 дней
30 дней
6 месяцев
Больше
11 ноя14 ноя17 ноя
Показаны последние 7 дней
Больше истории →
Охваты публикаций
30.1001.1107.1107.1111.1116.11
4,2K
Средний охват
8,6K
Лучший результат
Показаны 6 публикаций — последние в канале
Больше статистики →
Упоминания
577
Упоминаний
214
Из них репостов
229
Каналов
12
Упоминаний за 90 дней
0
Из них репостов
7
Каналов за 90 дней
Последние посты
3 из 955 2 из 955
Вернулся из Алматы под огромным впечатлением от Higgsfield.
Ребята просто невероятные. И атмосфера, и условия, и сама дата-команда. Дидар, который её собрал, - замечательный. Команда - умные, молодые, голодные ребята. А главное - то, насколько они преданы своему делу, насколько им всё это интересно и как они кайфуют от того, что делают.
Очень напомнило мне мои времена в Яндекс.Советнике, куда я пришёл первым аналитиком, когда Яндекс только купил этот стартап. Немного напомнило Blockchain.com и первый год работы в X5.
В ближайшее время выпустим видео с ребятами из команды аналитики Higgsfield.
Дидару, Алексу, Ерзату и всей команде - всяческих успехов!
ещё
8 591
76
123 675 16 ноя, 09:12
Учить студентов воспроизводить результаты научных статей - абсолютно правильная идея. Более того, удивительно, что такие курсы не стали обязательной частью ML-образования много лет назад.
Посмотрел новый подкаст, где руководитель ШАДа Яндекса обсуждает программу: Воспроизведение экспериментов из лучших современных статей. В ней могут поучаствовать студенты из любых ВУЗов. Вместе с менторами они в течение двух недель пытаются повторить результаты опубликованных исследований. И обнаруживают, что далеко не всегда это получается.
Проблема, на самом деле, фундаментальная.
Ещё в 2019 году вышла замечательная статья Are We Really Making Much Progress?, авторы которой исследовали прогресс в рекомендательных системах. Оказалось, что многие опубликованные результаты трудно воспроизвести, а некоторые современные нейросетевые подходы проигрывают гораздо более простым, но правильно настроенным алгоритмам.
Сейчас мы наблюдаем похожую историю с LLM. Новая модель выходит, разрывает существующие бенчмарки, объявляется очередным прорывом. Проходит несколько месяцев, появляются новые бенчи - и расстановка сил существенно (и каждый раз неожиданно!) меняется.
Игорь как раз выступал на Higgsfield Data Day с докладом. Похожие оценки - разные истории, как раз на близкую тему, о бенчмарках и интерпретации результатов.
Я в рамках собственного курса постоянно повторяю одну мысль: если ты умеешь измерять, изменять и откатываться обратно, ты можешь построить монотонно улучшаемую систему.
Результаты измерений должны быть воспроизводимыми. Иначе ты просто не знаешь, действительно ли твоя система стала лучше или тебе повезло с экспериментом.
И это касается далеко не только научных публикаций. Это один из краеугольных камней проектирования любых ML-систем: корректные метрики, честные бейзлайны, воспроизводимые эксперименты и возможность проверить каждое улучшение.
Воспроизводимости нужно учить студентов с самого начала. Причём не как отдельной академической дисциплине, а как фундаментальному инженерному навыку.
Самое интересное, что идея кажется совершенно очевидной. Но это как раз тот случай, когда смотришь на чужое решение и думаешь: почему мы сами не сделали этого десять лет назад?
ещё
8 197
162
16 277 11 ноя, 19:34
Начинаем через 7 минут, фотка с ребятами, которых привезли (и с Анатолием Карповым). Ребят спрашивали, не шахматисты ли они, потому что в списке у водителя среди прочих был известный шахматист.
ещё
964
10
4 10 7 ноя, 12:54
Продолжить анализ этого канала
- История роста подписчиков
- Просмотры и охваты публикаций
- Кто упоминает канал и кого упоминает он
- Похожие каналы и подбор для рекламы
Открыть аналитику
Демо до 14 дней