Метрика для AI-аналитика

AI-ассистенты в аналитике — уже не будущее, а наше настоящее. Как «цифровые коллеги» устроены изнутри? Могут ли они заменить живого аналитика, или их роль — быть мощным инструментом в наших руках? В этом выпуске говорим об аналитических AI-агентах с Сергеем Денисовым, который отвечает за аналитические продукты в Яндекс Рекламе (тот самый человек, который стоит за развитием Яндекс.Метрики). Заглянем под капот и узнаем:В чем сложность анализа аналитических продуктовЗачем Яндекс.Метрика внедряет AI-ассистента и что он умеет прямо сейчасКак устроена мультиагентная архитектура и зачем нужна целая команда AI-агентовМогут ли аналитические AI-ассистенты быть инструментом для непрофессионаловКакие данные нужны AI-агентам для качественного анализаЧто в аналитике невозможно автоматизировать В общем, мы продолжаем разбираться, как использовать искусственный интеллект как свою суперсилу. А в вашей работе AI-ассистенты уже базовый минимум или все еще роскошный максимум? Делитесь в нашем телеграм-канале https://t.me/eto_schitaetsyaТайм-коды:00:12 Начало выпуска01:17 Тема выпуска01:25 Гость выпуска — Сергей Денисов01:53 Чем именно Сергей занимается в Яндекс.Метрике03:04 Как анализировать аналитические продукты10:06 Почему Яндекс.Метрика пошла по пути внедрения AI-ассистентов11:03 Data driven профессии: кто теперь пользуется данными12:35 Рубрика «Базовый минимум или роскошный максимум»21:28 Как будут развиваться AI-ассистенты в аналитике24:31 Что уже делает AI-ассистент в Яндекс.Метрике26:02 Какие данные нужны AI-агентам для качественного анализа35:42 Мультиагентная архитектура AI-ассистента в Яндекс.Метрике38:16 Будущее AI-ассистента в Яндекс.Метрике42:03 Что в аналитике не будет автоматизировано47:00 Рубрика «Что считается?»47:36 Завершение выпуска

Генеративный AI уже меняет работу аналитиков, продактов, дизайнеров и других digital-спецов, и в этом выпуске мы, наконец, честно разбираемся, где за технологиями стоит реальная польза, а где — пока только красивые демки.Практическое применение генеративного искусственного интеллекта обсуждаем с Денисом Димитровым — управляющим директором по исследованию данных в Сбере и одним из главных создателей Kandinsky и GigaChat.В выпуске:как рождаются фундаментальные модели и почему именно они двигают рынокзачем Сбер выложил Kandinsky в опенсорс и что это далочто внутри LLM: разбираемся как именно генерируется текст, картинки и видеомультимодальность vs. омнимодальность — следующий виток технологийкакие генеративные модели сегодня самые продвинутые + личный опыт использованиякак компании экономят миллионы на автоматизации процессов с GenAIгде GenAI усиливает людей, а где — становится рискомкто отвечает за ошибки генеративокправда ли LLM тупеют и что будет, если кормить их плохими даннымиближайшее будущее GenAIГоворим про будущее, которое уже работает в проде. Легко, честно и с примерами, которые каждый сможет перенести в свою работу и, вообще, в жизнь.Что считается в эпоху генеративного AI? Делитесь в нашем телеграм-канале https://t.me/eto_schitaetsyaТайм-коды:00:12 Начало выпуска01:24 Гость выпуска — Денис Димитров01:33 Тема выпуска01:44 От математики к AI, от теории к практике: путь Дениса Димитрова03:09 Главные факторы развития AI05:48 Создание и развитие нейросети Kandinsky06:48 Зачем выкладывать свою нейросеть в опенсорс08:19 Как и какие генеративные модели используют Даня и Денис11:46 Чем отличается работа LLM с изображениями и с текстом15:12 Фундаментальная модель как основа для продукта16:51 Интеграция генеративных моделей в рабочие процессы18:25 Когда генеративные модели приносят вред и кто несет ответственность20:53 Генеративные модели в обучении21:36 Рубрика «Базовый минимум или роскошный максимум»25:36 Чем отличаются мультимодальная и омнимодальная модели26:55 Способы проверки качества генеративных моделей29:29 LLM для бизнеса: гонка на мировой арене vs. продуктовый подход32:58 Ближайшее будущее генеративного AI34:54 Авторское право и генеративные модели36:40 Как создается и обрабатывается датасет моделей37:49 Генеративные модели тупеют? Как влияют некачественные данные41:36 Выводы42:39 Рубрика «Что считается?»43:35 Завершение выпуска

Врываемся в новый, специальный сезон! Записали его прямо на «Матемаркетинге» — крупнейшей конференции по маркетинговой и продуктовой аналитике в России. Ее спикеры стали гостями нашего подкаста, а говорили мы с ними об AI.Мы позвали людей, которые работают на самых разных участках AI-фронтира, чтобы охватить как можно больше интересного для аналитиков и около-аналитических профессий в этом стремительно меняющемся явлении. Это суперсжатый вью, который мы выпускаем, пока он не успел устареть.В этом выпуске с ведущим экспертом по ML в России Виктором Кантором обсуждаем:что AI уже делает для бизнеса, а где он пока бессилензачем нанимать джунов, если у всех есть LLMкакие задачи аналитиков пора отдать машинамкакие навыки станут обязательными для аналитиков ближайшего будущегоможет ли AI заменить топ-менеджеров (и кого он точно не заменит)Разбираемся, как AI меняет профессии (аналитиков, ML-щиков, разработчиков, продактов и, вообще, всех, кто работает с данными и продуктом) и погружаемся в новые правила найма (привет тем, кто проходит собесы с помощью нейросетей!). А еще в этом сезоне у нас новая, трендовая рубрика. Как послушаете, делитесь впечатлениями в нашем телеграм-канале https://t.me/eto_schitaetsyaТайм-коды:00:12 Начало выпуска01:31 Тема выпуска01:42 Гость выпуска — Виктор Кантор03:02 Путь Виктора Кантора в ML04:23 Что AI сейчас может, а что не может делать для бизнеса08:26 Зачем нанимать джунов, если есть AI?09:28 Рутина аналитиков, которую можно передать AI12:07 AI, который приносит деньги13:56 AI заменит топ-менеджеров?19:15 AI + аналитик: как изменится профессия22:57 Рубрика «Базовый минимум или роскошный максимум»26:48 AI-ассистенты в работе и личной жизни — добро или зло?34:46 Найм в новых реалиях: кого и как37:07 Как Даня нанимает аналитиков-стажеров40:30 Рубрика «Что считается?»42:28 Завершение выпуска

Это заключительный выпуск сезона, и мы символично записали его в сердце образования — кампусе Центрального университета (ЦУ). Все-таки весь сезон мы говорили о науке и математичности, обсуждали обучение, эксперименты и тому подобное. Гость выпуска — ректор ЦУ Евгений Ивашкевич. Вместе мы обсудили современное высшее образование, роль математики в нем и как бизнес может быть вовлечен в образование. А еще: как можно из ученого стать директором по рискам, а потом ректором университета;эффективен ли научный подход в бизнесе;зачем банку создавать вуз;что такое предпринимательский университет;чем студенты ЦУ отличаются от выпускников классических вузов;сколько стоит запустить университет и по каким метрикам можно понять, что он успешен;какое образование ждет нас в будущем.Слушайте, обязательно делитесь своими мыслями по теме и впечатлениями обо всем сезоне в нашем телеграм-канале https://t.me/eto_schitaetsya. Ну, а мы скоро вернемся с новыми идеями, темами и гостями! Тайм-коды:00:12 Начало выпуска01:17 Тема выпуска01:29 Гость — Евгений Ивашкевич01:37 Между физикой и музыкой: неделимое в жизни Евгения04:34 От директора по рискам к ректору Центрального Университета (ЦУ)08:45 Рубрика «Зачем учить математику?»10:40 Математический подход в бизнесе14:03 Дизрапт в образовании: почему важно учить навыкам19:46 Специалист vs. генералист20:40 Массовое образование — не всегда хорошо?23:01 Что значит готовить профессионалов для бизнеса27:13 STEM-подход в образовании29:22 A/B-тесты на студентах30:40 Сколько стоит запустить университет31:18 Цель ЦУ32:03 Метрики качества образования в ЦУ33:55 ЦУ и другие вузы — конкуренция или партнерство?38:19 Настоящее и будущее ЦУ: направления и программы39:55 Что такое «университет 3.0»43:11 Вывод44:13 Совет от Евгения45:02 Рубрика «Что считается?»45:36 Завершение выпуска

Как рождаются знания и что это вообще такое? Можно ли описать весь мир с помощью математики? Почему природа, не имея интеллекта, все же «учится»? И главное — можем ли мы ускорить этот процесс и стать теми, кто переиграет природу?В этом выпуске мы говорим о том, как рождаются новые знания: от простых бытовых наблюдений до научных прорывов и алгоритмов машинного обучения. Обсудим, что такое сознание и самопознание, зачем нам математика и как она стала инструментом для понимания реальности. А еще попробуем заглянуть в будущее и предсказать, когда AI обретет самопознание, а человек — цифровое бессмертие.Обсуждаем все это с Кириллом Николаевым, директором по аналитике Т-Технологий,и Ромой Филевым, руководителем отдела экспериментов и Data Science Consulting в Т-Банке.Приготовьтесь, будет и наука, и философия, и немного фантастики, и очень много поводов задуматься. Ведь у природы времени хоть отбавляй, а у нас с вами — нет. Но 53 минуты-то, найдется? Слушайте и обязательно делитесь своими мыслями по теме в нашем телеграм-канале https://t.me/eto_schitaetsyaMeta, продукт которой упоминается в выпуске, признана в России экстремистской и запрещена.Тайм-коды:00:12 Начало выпуска00:42 Тема выпуска01:07 Гости — Кирилл Николаев и Роман Филев01:24 Что такое знания и интеллект04:55 Как знания получает наука06:05 Как знания получают люди07:34 Есть ли познание в неразумной жизни?12:49 Методы познания у животных и человека17:51 Рубрика «Зачем учить математику?»24:04 Адаптивность и выживание28:16 Любознательность как важный компонент интеллекта30:26 Мозг современного человека и влияние быстрого контента37:23 Самопознание у AI44:17 Будущее AI и человечества — симбиоз?50:25 Вывод52:13 Рубрика «Что считается?»52:55 Завершение выпуска

В этом выпуске мы решили отойти от строго математических тем и теорий и поговорить о рекламе — это ведь тоже целая наука, и математики в ее основе не мало. Разбираемся, как работает рынок рекламы изнутри, почему аналитика должна стоять во главе формирования рекламных бюджетов и что из рекламной аналитики стоит перенять продуктовой.Обсуждаем:рекламу глазами клиента, закупщика и платформы: три разные перспективыкак формируется стоимость рекламы и какое место тут занимает аналитикаинсайдерскую информацию о российском рекламном рынкерекламные аукционы, другие механики продаж и аналитические ловушкинейробиологию в рекламеинтеграцию рекламы в AI-продукты и ее будущееи, конечно, главный вопрос рубрики «Зачем учить математику?» — без нее в рекламе никуда.Погружаемся в мир рекламы с нашим гостем — Романом Назаренко, который отвечает за DWH в Т-Банке и рулит аналитикой рекламы T-Ads.Выпуск будет полезен аналитикам, маркетологам и всем, кто хочет понимать, почему реклама — это не только креатив, но и строгая наука. Слушайте, вдохновляйтесь и делитесь своими мыслями об аналитике в рекламе в нашем телеграм-канале https://t.me/eto_schitaetsyaТайм-коды:00:12 Начало выпуска00:58 Тема выпуска01:16 Гость — Роман Назаренко01:39 Реклама глазами клиента — ведущих и гостя06:25 Круто, ты попал на ТВ? Проблемы ТВ-рекламы и баннеров 11:04 Виды рекламы, стоимость и причем тут аналитика20:00 Российский рынок рекламы сегодня: инсайдерская информация23:51 Реклама глазами закупщика: особенности аналитики в рекламе25:48 Реклама глазами платформы: аукционы и другие механики продажи рекламы33:07 Рубрика «Зачем учить математику?»34:28 Аналитические ловушки в рекламе39:43 Нейробиология в рекламе41:26 Это перенимается: что из рекламной аналитики применяется в других сферах43:45 Будущее рекламы: интеграция в AI-продукты50:02 Вывод52:11 Рубрика «Что считается?»52:37 Завершение выпуска

В этом выпуске разбираемся с одной из самых известных платформ для специалистов по анализу данных и машинному обучению — Kaggle. Что это вообще такое и нужно ли оно вам?Спойлер: Kaggle — это как олимпиада для взрослых, но не столько ради медалей и призов (хотя и они там имеются), сколько ради реального профессионального роста.Как стать гранд-мастером Kaggle и почему это работает лучше любого резюме? Что Kaggle дает аналитикам и зачем сражаться за тысячные доли после запятой в метриках? Что общего Kaggle имеет с реальными бизнес-задачами и как AutoML делает ML-щика даже из тех, кто не умеет в ML?Обсуждаем все это с нашим гостем, который уже 14 лет в Kaggle, единственным в России четырехкратным гранд-мастером Kaggle, победителем Kaggle AutoML Гран-При 2024 и руководителем R&D-юнита в AI-лаборатории Авито — Александром Рыжковым.Слушайте, вдохновляйтесь и делитесь в нашем телеграм-канале https://t.me/eto_schitaetsya своим опытом на Kaggle!Тайм-коды:00:12 Начало выпуска00:40 Тема выпуска00:54 Гость — Александр Рыжков01:06 Что такое Kaggle03:09 «Олимпиада для взрослых»: задачи реального бизнеса на Kaggle06:15 В поисках сокровищ: секреты компаний на Kaggle10:14 Зачем участвовать в соревнованиях Kaggle13:14 Как стать гранд-мастером Kaggle17:15 Навыки будущего гранд-мастера Kaggle21:01 AI-инструменты в Kaggle23:32 Kaggle и математика25:40 Рубрика «Зачем учить математику?»27:01 Зачем Kaggle аналитикам31:41 Чем соревнования Kaggle отличаются от прода33:48 AutoML как инструмент для соревнований Kaggle и для бизнеса44:42 Вывод47:01 Рубрика «Что считается?»47:20 Завершение выпуска

В новом выпуске говорим про ТИгр. И нет, это не о полосатых обитателях лесов и саванн и не о Т-Играх Т-Банка. Речь о теории игр. Разбираем, как предсказывать поведение других и быть всегда на шаг впереди, когда выгоднее действовать в своих интересах, а когда кооперироваться, и что нужно, чтобы стать хорошим стратегом по жизни. А еще: как теоретико-игровые механики могут не только бустануть бизнес, но и повысить ВВП целой страны? Было ли равновесие Нэша в «Играх разума»? И как «Теория большого взрыва» учит нас моделировать «игры»? В общем, интересно будет явно не только аналитикам. Обсуждаем все это с Дмитрием Дагаевым — заведующим Лаборатории исследований спорта факультета экономических наук НИУ ВШЭ, доцентом РЭШ, который уже много лет преподает теорию игр. Слушайте и делитесь в нашем телеграм-канале https://t.me/eto_schitaetsya, в какие игры играете вы. P.S. Все же уже поняли, что мы не про компьютерные игры? В общем, ждем ваших кейсов применения теории игр!Тайм-коды:00:12 Начало выпуска00:49 Тема выпуска01:09 Гость — Дмитрий Дагаев01:28 Что такое теория игр (ТИгр)03:30 Вся наша жизнь — игра?07:28 Равенство Нэша11:49 Дилемма заключенного16:27 Ценовые войны19:54 Моделирование «игр» и аукционы25:51 Научный киноляп: неравновесие Нэша в «Играх разума»28:07 ТИгр в «Теории большого взрыва», или Что нужно учитывать при моделировании «игр»30:44 Как построить корректную модель «игры»33:14 Рубрика «Зачем учить математику?»35:20 Как стать хорошим стратегом38:05 Применение ТИгр в аналитике42:51 Индивидуализм vs. кооперация: кто какую стратегию выбирает46:09 ТИгр в построении команд51:31 Вывод52:14 Рубрика «Что считается?»52:56 Завершение выпуска

В этом выпуске говорим о самообразовании. Зачем в век AI продолжать учиться? Что такое «синдром вечного ученика» и как не попасть в его ловушку? Где баланс между «надо» и «хочу»? Как эффективнее обучаться и чем в этом помогает математический склад ума?Все это обсудили с человеком, который ни на день не перестает учиться и успел до 30 попасть в тот самый рейтинг Forbes, победив в категории «Управление». В гостях у нас CDO Райффайзенбанка в России Андрей Сухань.Андрей поделился своими подходами к обучению, а вы делитесь своими — в нашем телеграм-канале https://t.me/eto_schitaetsyaТайм-коды:00:12 Начало выпуска00:39 Тема выпуска00:50 Гость — Андрей Сухань​​01:05 В чем суть обучения05:30 Рубрика «Зачем учить математику?»06:14 Математики vs. гуманитарии08:09 От математики к аналитике09:25 Мотивация к постоянному обучению11:26 Как выбирать, чему учиться12:43 Книга, которая научит всему14:14 Надо vs. хочу19:00 Синдром вечного ученика24:28 Чему сейчас учится Андрей26:20 Что могут дать курсы, YouTube и AI30:49 Почему в век AI все еще нужно учиться35:34 Сто раз отмерь: как выбирать материал для изучения39:20 Графовый подход к обучению42:35 Рубрика «Что считается?»42:56 Завершение выпуска

В этом выпуске говорим об AI с точки зрения науки и математики. Обсуждаем, как в этой сфере проходят исследования, что общего они имеют с аналитикой, кто может ими заниматься и зачем компании создают внутри целые AI-центры. А еще попробуем расставить точки над «и» в вопросе, чем же отличается работа в продукте, в RnD и в исследованиях.У нас так много вопросов! Как в исследованиях применяют LLM? Почему AI-исследователи не думают о продукте? Что такое God feeling ресерчера и как его развить?Все ответы есть у гостя этого выпуска — руководителя Research направления AI-Центра Т-Банка, победителя рейтинга Forbes «30 до 30» в категории «Наука и технологии» 2025, Даниила Гаврилова. Слушайте и делитесь своими впечатлениями в нашем телеграм-канале https://t.me/eto_schitaetsyaТайм-коды: 00:11 Начало выпуска00:45 Тема выпуска01:02 Гость — Даниил Гаврилов01:50 Что такое ресерч в AI03:35 Думают ли в ресерче о пользователях?04:26 Мотивация в ресерче и выбор направления исследований07:46 Кто работает в ресерче09:25 Майндсет и навыки исследователя в AI11:16 Почему важно не концентрироваться на результате14:49 Gut feeling: роль интуиции в ресерче15:57 Нужно ли быть гением математики для ресерча в AI17:03 Рубрика «Зачем учить математику?»17:31 Методы и гипотезы в ресерче22:02 Что считать финальным продуктом ресерча25:20 Рецензирование исследований26:28 Как оценить значимость исследования29:03 Расставляем точки над «и»: отличия ресерч-отдела от RnD30:44 Применение LLM в исследованиях35:43 Что именно исследует AI-Центр Т-Банка36: 55 Отличия ресерч-отделов в разных компаниях37:52 Зачем компаниям свой ресерч39:23 Выводы40:20 Рубрика «Что считается?»40:34 Завершение выпуска