Разговариваем с ML-инженером о том, как на самом деле работают нейросети, ChatGPT и современные LLM. Обсудим вкат в профессию и карьеру в машинном обучении, работу в крупных компаниях, обучение моделей, RAG, компьютерное зрение, внедрение ИИ в продукты и ответим на самые популярные и самые тупые вопросы про искусственный интеллект.

Файлик-роадмап который обсуждали на стриме можно взять тут: https://boosty.to/aboba168/posts/6451865c-e7b7-4f79-a24b-3fb972ad320c

Таймкоды:

0:00 – Знакомство с Глебом и его путь в ML

2:20 – Медицинский ML и проект МосМед

9:45 – Биотех и анализ белковых последовательностей

17:20 – Техническая пауза и вопросы зрителей

19:45 – Корпоративные LLM, вайб-кодинг и риски генерации кода

22:10 – Как обучаются модели на больших датасетах

29:20 – Ошибки ML-инженера и специфика работы

34:35 – Как Глеб учился ML и с чего начинать сейчас

39:30 – Необходимая математика, Python и инструменты

47:20 – Линейная алгебра на примере медицинских снимков

54:15 – Эмбеддинги, понижение размерности и визуализация

57:20 – A/B-тесты и статистическая проверка моделей

1:01:20 – Подготовка и очистка данных

1:04:25 – Какие архитектуры и технологии стоит учить

1:10:45 – Вход в ML, стажировки и первая работа

1:17:15 – Kaggle как бесплатная практика

1:19:10 – Как работает фотопоиск Wildberries

1:24:20 – Портфолио, пет-проекты и достижения на Kaggle

1:31:35 – Соревнования и R&D в машинном обучении

1:35:20 – От RNN к трансформерам и LLM

1:42:15 – Self-attention, encoder/decoder и авторегрессия

1:47:20 – Где учить математику и что спрашивают на собеседованиях

1:54:50 – Рабочий процесс и устройство ML-команд Wildberries

2:02:55 – Как оценивают качество ML-фичи

2:06:20 – Инфраструктура обучения и MLOps

2:11:30 – Почему не всегда нужны огромные универсальные модели

2:14:45 – Как развиваются VLM/LLM: Qwen, OCR и качество данных

2:22:05 – Рынок труда и конкуренция в ML

2:26:40 – Что спрашивают на ML-собеседованиях

2:31:20 – Непрерывное обучение и устаревание технологий