Это считается

Что ждет базы данных, аналитику и нас самих в эпоху искусственного интеллекта? Как и зачем превращать «умные данные» в «данные со смыслом»? Останемся ли мы в будущем людьми или сольемся, наконец, с бесконечно вечным? В завершающем сезон выпуске, записанном на конференции «Матемаркетинг», мы говорим с человеком-легендой — Олегом Бартуновым, который стоял у истоков СУБД в России, открыл Postgres для всего мира и основал Postgres Professional. В этом выпуске:· Эволюция данных: от Big Data к Smart Data и NooData· AI-агенты в базах данных: что они меняют· AI-изация в Postgres и аналитических инструментах Т· Базы данных будущего: какими они будут· Воспитание AI: почему ИИ нужно учить, как ребенка, и какие знания ему нужны· Как изменится работа инженеров данных и аналитиков в эпоху AI· Правда ли ИИ — наша следующая ступень развития Развиваем тему в комментариях нашего телеграм-канала https://t.me/eto_schitaetsya — присоединяйтесь. А тех, кто дослушает выпуск до конца, ждет новогодний сюрприз от нас!Тайм-коды:00:12 Начало выпуска00:18 Тема выпуска01:22 Гость выпуска — Олег Бартунов01:45 PostGres и вклад Олега в него06:15 Умные данные: что меняется в базах данных и что их ждет в ближайшее время13:48 AI-изация в PostGres, Tengri Data Platform и аналитических инструментах Т-Банка20:23 Данные со смыслом: что такое NooData и почему за ней будущее25:56 Как собирать нооданные29:32 Мы станем ИИ?29:52 Как изменилось образование и как взрослым развиваться в эпоху AI33:18 Рубрика «Базовый минимум или роскошный максимум»35:54 Автономность и адаптивность: базы данных будущего38:08 Инженеры данных и системные аналитики всё? Будущее профессий40:14 Опыт Т: аналитика и использование данных в Шопинге45:21 Рубрика «Что считается?»46:10 Завершение выпуска 46:43 Новогоднее поздравление

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