Код Желтый

+9

⚡️ Как ускорить A/B-тест с несколькими метриками, не ломая статистику В продуктовых экспериментах часто одна целевая метрика. Но бывает сложнее: например, хотим увеличить выручку, но не готовы раскатывать, если просела конверсия в покупку. Значит, метрик будет несколько, и нужно контролировать вероятность хотя бы одной ложноположительной ошибки. Классическое решение в таком случае — поправка Бонферрони. Делим общий уровень значимости поровну между метриками. Это просто, но не всегда эффективно: если одна метрика требует сильно больше пользователей, именно она определяет длительность всего теста. В нашей лаборатории прикладной статистики предложили не делить уровень значимости поровну, а распределять его оптимально. Контроль ошибки первого рода сохраняется, а размер выборки в наших теста…

+8

🎉 Нашим речевым технологиям — 10 лет Вот какой путь мы проделали за все время: 🔸 2016: на рынке появляются первые модели распознавания речи, и мы начинаем заниматься исследованиями. 🔸 2019: запустили собственный TTS и голосового ассистента Олега. 🔸 2022—2023: перешли к более гибким LLM-based диалоговым системам: роботы стали не просто отвечать по сценарию. 🔸 2024—2026: эра audio-native AI: работаем над Audio-to-Audio и Speech LLM, выложили T-One в open source, запустили платформу для создания голосовых роботов. Индустрия переизобрела голосовых роботов минимум трижды, и на каждой волне мы были локомотивом, который предоставлял технологию. В карточках рассказываем подробнее, как это было.

Если нейросеть уже может создать почти что угодно, зачем искусству все еще нужен человек? Во втором выпуске подкаста «ТехноБалкон» переходим от лазеров к искусству. Вместе с художницей, программистом и преподавателем Центра искусства и науки Университета ИТМО Эллиной Геннадьевной обсуждаем: → Станет ли умение писать промпты новым художественным навыком. → Кто в итоге отвечает за произведение, созданное нейросетью. → Как ИИ-искусство порождает научные открытия. И, конечно, пытаемся заглянуть в будущее и понять, что ждет творчество в мире, измененном искусственным интеллектом. Заглядывайте на наш балкон, чтобы вместе разобраться, на что способно будущее: → Ютуб → ВКонтакте → RUTUBE → Яндекс Музыка → Аудиоплатформы

+6

Упаковали нейросетевые модели ранжирования в open-source библиотеку В рекомендательных системах ранжирование чаще всего реализовано на градиентных бустингах LightGBM или CatBoost. Нейросетевые модели обещают больше, но порог входа высокий: нужно переписать процессинг признаков, написать цикл обучения, собрать инференс. Мы сделали scikit-rank — библиотеку, которая упаковывает нейросетевые модели ранжирования в scikit-learn-совместимый интерфейс. Теперь можно попробовать нейроранкер в существующем пайплайне с минимальными изменениями кода.  В карточках — зачем это нужно, как устроено и какие модели поддерживаются. А подробнее — на Хабре. Библиотека на GitHub #recsys #ml #opensource #scikitlearn #ranking

🔒 Как проектировать системы так, чтобы защита не требовалась? Узнаем на конференции о практическом сдвиге в защите Security Shift. ИБ- и ИТ-команды из Т-Банка, Лаборатории Касперского и Яндекса покажут на практике, как архитектурные процессы заменяют классические средства защиты информации — от принципов SbD к рабочим инструментам. В программе — доклады, воркшопы и дискуссии: от архитектурных решений и ошибок дизайна до реальных атак и новых векторов угроз. А эксперты Standoff Bug Bounty расскажут о формате кибериспытаний: чем они отличаются от поиска отдельных уязвимостей, как провести такой формат в вашей компании и какую пользу результаты принесут бизнесу. 📅 16 октября 📍 Москва, штаб-квартира Т-Банка Регистрируйтесь и зовите всех, кто тоже создает безопасные системы — количество …

+7

💻 Почему ни одна Python-библиотека для конфигурации не закрывает все задачи В прошлый раз мы разобрали , как индустрия пришла к современным подходам управления конфигурацией в Python — от хардкода до типизированных схем. А теперь разберем, что рынок реально предлагает сегодня.  В карточках рассмотрели четыре инструмента — python-decouple, Dynaconf, Hydra, pydantic-settings — и проверили каждый по семи требованиям: много источников, мерж с контролем, типобезопасность, валидация значений, понятные ошибки, секреты на уровне схемы, отладка. А подробный разбор и сводную таблицу ищите на Хабре.  Спойлер: ни один инструмент не закрывает все требования, поэтому мы написали свою библиотеку. О ней расскажем в следующем посте.