🩵Как выглядит полный цикл работы Data Scientist Представьте типичный день: у сервиса растет отток клиентов. Бизнес в панике и приходит к команде с проблемой: «Хотим, чтобы пользователи уходили реже». Именно с проблемой, а не готовой ML-задачей — это важный аспект работы.  Как объясняют Константин Лапин, методист программ Центра «Пуск» МФТИ, и Антон Пчелинцев, академический руководитель программы, запрос «снизить отток» еще не означает, что компании обязательно нужна ML-модель.  ⏺Может хватить аналитики для рекомендации решений. ⏺Может понадобиться модель, которая будет прогнозировать вероятность ухода клиента. ⏺А может оказаться, что даже хороший прогноз ничего не изменит, если у бизнеса нет инструментов для удержания клиентов и текущий продукт на перешел точку перегиба и пошел на спад популярности либо сезонности. Поэтому первый этап работы инженера данных — понять: ⏺что именно хочет получить заказчик,  ⏺какие данные доступны,  ⏺насколько они качественные,  ⏺есть ли ограничения,  ⏺как будем оценивать результат.  И только после этих шагов формулировать конкретную задачу.  Потом начинается самое интересное — работа с данными! Это как собирать грибы в лесу — нужно найти, очистить, проверить, привести к единому формату. И если все сделать правильно, то будет вкусное блюдо. А если сделать небрежно, то… Не будем о грустном! Иногда приходится делать шаг назад, чтобы шагнуть вперед. «Например, при обучении модели выясняется, что имеющихся данных недостаточно для решения задачи. Тогда приходится пересматривать подход к сбору данных или саму постановку задачи. Работа в Data Science — не линейная схема “сделал шаг 1, потом шаг 2, потом получил результат”. Это итеративная работа, где решения на одном этапе постоянно влияют на остальные». Когда задача понятна, а данные подготовлены, можно выбирать модель. Но здесь тоже нет универсального плана действий. «Например, модель дает более точный прогноз, но съедает столько вычислительных ресурсов, что компания просто не сможет нормально ее использовать. Надо уметь обосновывать свой выбор: почему этот подход подходит для задачи, по каким метрикам оценивать результат и на какие компромиссы придется идти.  Модель может хорошо решать ML-задачу, но не решать бизнес-задачу. Она будет бесполезной или даже вредной для бизнеса. Поэтому приходится смотреть сразу на оба уровня».  Дальше — внедрение. Казалось бы, что там внедрять? Раскатал на прод и поехали! Но здесь есть важная разница: «Обучить модель и сделать модель частью продукта — очень разные задачи». В разных компаниях полный цикл работы устроен по-разному.  В небольшой команде инженер данных  может пройти почти весь путь сам: обсудить бизнес-задачу, исследовать данные, обучить модель и участвовать во внедрении модели в продукт. В большой компании задачи чаще делятся между специалистами: аналитиком, Data Engineer, ML Engineer, MLOps Engineer. Границы между ролями при этом не абсолютны. Даже если специалист отвечает только за один участок, ему нужно понимать весь цикл и видеть, как его решения влияют на остальные этапы, т.е. что он получает на входе и что от него ждут на выходе. И как раз на этом построено обучение в онлайн-магистратуре МФТИ «Науки о данных». Сначала студенты осваивают отдельные навыки. Потом объединяют их в более сложных задачах. А в итоге работают над собственными проектами: сами формулируют задачу, исследуют данные, выбирают решение, обучают модель, определяют метрики, интерпретируют результаты и учитывают реальные ограничения.  Напоминаем, что вы можете записаться на бесплатную консультацию, если остались вопросы по обучению Data Science.  👉Записаться на консультацию

⚙️🤩 Студенты МФТИ разработали систему для поиска ошибок в CAD-моделях Представьте: инженер спроектировал деталь, все размеры сходятся, геометрия корректна. А уже при подготовке к производству выясняется, что инструмент не достает до нужного участка или стенка детали слишком тонкая. Модель приходится дорабатывать.😬 Чтобы находить такие проблемы раньше, команда TechCAD. AI создала систему автоматической проверки технологичности CAD-моделей. В основе проекта — связка геометрического анализа, машинного обучения и технологических правил. 💻 Как это работает: 1. XGBoost анализирует 29 признаков геометрии и определяет предполагаемый способ изготовления детали: токарную, фрезерную или листовую обработку. На отдельной выборке из 4819 моделей точность классификации составила 99,83%. 2. DFM-алгоритмы проверяют конструкцию по 99 технологическим правилам. Например, выявляют слишком тонкие стенки, малые радиусы гиба или неудачное расположение отверстий. 3. LLM с использованием RAG формирует рекомендации на основе найденных нарушений и инженерной базы знаний. При испытании MVP на 50 CAD-моделях система обнаружила 62% нарушений, подтвержденных экспертом. Медианное время автоматического анализа составило 6,2 минуты. 🤔 Интересный технический нюанс: даже при точности классификатора 99,83% система может пропустить нарушение, если соответствующего правила еще нет в каталоге или для проверки недостаточно данных о производственном процессе. Команда продолжает развивать TechCAD. AI. В статье на Хабре подробно разобрали архитектуру продукта, выбор ML-модели, работу RAG и результаты испытаний — в том числе то, что пока не получилось. 🧠🔜 Читайте полный разбор TechCAD.AI на Хабре

Что общего у музыки, космоса и медицины? Музыкальные подборки, телескопы и МРТ объединяет работа с данными. Часть задач в этих направлениях решают специалисты по Data Science. Посмотрим на реальные задачи, чтобы понять, где сегодня применяется Data Science и чем занимается специалист: от рекомендательных систем до диагностики заболеваний. Это примеры из вводного урока курса «Карьера в Data Science» с Дмитрием Золотухиным, CDO и преподавателем МФТИ. 🎧 Подбирать музыку, фильмы и товары Специалисты по Data Science работают с рекомендательными системами. Например, музыкальный сервис может подбирать треки по истории прослушиваний и предлагать подкасты с учетом предпочтений пользователя. Онлайн-кинотеатр — показывать фильмы и сериалы в зависимости от поведения человека. А интернет-магазин — рекомендовать товары на основе того, что пользователь уже выбирал. 🚆 Находить дефекты в поездах Еще одна задача — распознавание дефектов в железнодорожном транспорте. Например, в локомотиве система может детектировать проблемы с тормозными системами.  🔭 Искать небесные объекты на снимках Data Science используют и в астрономии. Одна из задач — ускорить поиск небесных объектов по снимкам из телескопов. Такой поиск вручную может занимать много времени. AI помогает ускорить работу и точнее находить нужные объекты.  🛒 Повышать конверсию в магазинах Еще одна задача — понять, как увеличить конверсию человека, который пришел в магазин, в покупателя. Причем такая аналитика уже вышла за пределы Ozon, Wildberries и других онлайн-маркетов. Ее используют и в физических магазинах — например, в «Пятерочке», «Магните» и «Перекрестке». 🌾 Прогнозировать объем урожая У Сбера есть AI-решение, которое прогнозирует и детектирует объем урожая на полях. Здесь работает не одна ML-модель, а целый каскад: пайплайн сразу из четырех разных AI-решений. ⛑️Обнаруживать раковые опухоли на МРТ В медицине одна из задач Data Science — обнаружение раковых опухолей по снимкам МРТ. Причем и эта задача, и рекомендательные системы до сих пор остаются востребованными направлениями: их пока нельзя назвать окончательно решенными, работа над этими задачами продолжается. Если хотите подробнее разобраться в профессии и карьерных треках Data Science, посмотреть лекции преподавателей МФТИ по Big Data, машинному обучению и рекомендательным системам — забирайте бесплатный курс «Карьера в Data Science 2026».