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 выпуска
00:18 Тема выпуска
01:22 Гость выпуска — Олег Бартунов
01:45 PostGres и вклад Олега в него
06:15 Умные данные: что меняется в базах данных и что их ждет в ближайшее время
13:48 AI-изация в PostGres, Tengri Data Platform и аналитических инструментах Т-Банка
20:23 Данные со смыслом: что такое NooData и почему за ней будущее
25:56 Как собирать нооданные
29:32 Мы станем ИИ?
29:52 Как изменилось образование и как взрослым развиваться в эпоху AI
33:18 Рубрика «Базовый минимум или роскошный максимум»
35:54 Автономность и адаптивность: базы данных будущего
38:08 Инженеры данных и системные аналитики всё? Будущее профессий
40:14 Опыт Т: аналитика и использование данных в Шопинге
45:21 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 продуктов
Зачем Яндекс.Метрика внедряет AI-ассистента и что он умеет прямо сейчас
Как устроена мультиагентная архитектура и зачем нужна целая команда AI-агентов
Могут ли аналитические AI-ассистенты быть инструментом для непрофессионалов
Какие данные нужны AI-агентам для качественного анализа
Что 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_schitaetsya

Тайм-коды:
00:12 Начало выпуска
01:17 Тема выпуска
01:25 Гость выпуска — Сергей Денисов
01:53 Чем именно Сергей занимается в Яндекс.Метрике
03:04 Как анализировать аналитические продукты
10:06 Почему Яндекс.Метрика пошла по пути внедрения AI-ассистентов
11:03 Data driven профессии: кто теперь пользуется данными
12:35 Рубрика «Базовый минимум или роскошный максимум»
21:28 Как будут развиваться AI-ассистенты в аналитике
24:31 Что уже делает AI-ассистент в Яндекс.Метрике
26:02 Какие данные нужны AI-агентам для качественного анализа
35:42 Мультиагентная архитектура AI-ассистента в Яндекс.Метрике
38:16 Будущее AI-ассистента в Яндекс.Метрике
42:03 Что в аналитике не будет автоматизировано
47:00 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 рынок
зачем Сбер выложил Kandinsky в опенсорс и что это дало
что внутри LLM: разбираемся как именно генерируется текст, картинки и видео
мультимодальность vs. омнимодальность — следующий виток технологий
какие генеративные модели сегодня самые продвинутые + личный опыт использования
как компании экономят миллионы на автоматизации процессов с GenAI
где GenAI усиливает людей, а где — становится риском
кто отвечает за ошибки генеративок
правда ли LLM тупеют и что будет, если кормить их плохими данными
ближайшее будущее GenAI

Говорим 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_schitaetsya

Тайм-коды:
00:12 Начало выпуска
01:24 Гость выпуска — Денис Димитров
01:33 Тема выпуска
01:44 От математики к AI, от теории к практике: путь Дениса Димитрова
03:09 Главные факторы развития AI
05:48 Создание и развитие нейросети Kandinsky
06:48 Зачем выкладывать свою нейросеть в опенсорс
08:19 Как и какие генеративные модели используют Даня и Денис
11:46 Чем отличается работа LLM с изображениями и с текстом
15:12 Фундаментальная модель как основа для продукта
16:51 Интеграция генеративных моделей в рабочие процессы
18:25 Когда генеративные модели приносят вред и кто несет ответственность
20:53 Генеративные модели в обучении
21:36 Рубрика «Базовый минимум или роскошный максимум»
25:36 Чем отличаются мультимодальная и омнимодальная модели
26:55 Способы проверки качества генеративных моделей
29:29 LLM для бизнеса: гонка на мировой арене vs. продуктовый подход
32:58 Ближайшее будущее генеративного AI
34:54 Авторское право и генеративные модели
36:40 Как создается и обрабатывается датасет моделей
37:49 Генеративные модели тупеют? Как влияют некачественные данные
41:36 Выводы
42:39 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 бессилен
зачем нанимать джунов, если у всех есть LLM
какие задачи аналитиков пора отдать машинам
какие навыки станут обязательными для аналитиков ближайшего будущего
может 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_schitaetsya

Тайм-коды:
00:12 Начало выпуска
01:31 Тема выпуска
01:42 Гость выпуска — Виктор Кантор
03:02 Путь Виктора Кантора в ML
04:23 Что AI сейчас может, а что не может делать для бизнеса
08:26 Зачем нанимать джунов, если есть AI?
09:28 Рутина аналитиков, которую можно передать AI
12:07 AI, который приносит деньги
13:56 AI заменит топ-менеджеров?
19:15 AI + аналитик: как изменится профессия
22:57 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 как
37:07 Как Даня нанимает аналитиков-стажеров
40:30 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 выпуска
01:17 Тема выпуска
01:29 Гость — Евгений Ивашкевич
01:37 Между физикой и музыкой: неделимое в жизни Евгения
04:34 От директора по рискам к ректору Центрального Университета (ЦУ)
08:45 Рубрика «Зачем учить математику?»
10:40 Математический подход в бизнесе
14:03 Дизрапт в образовании: почему важно учить навыкам
19:46 Специалист vs. генералист
20:40 Массовое образование — не всегда хорошо?
23:01 Что значит готовить профессионалов для бизнеса
27:13 STEM-подход в образовании
29:22 A/B-тесты на студентах
30:40 Сколько стоит запустить университет
31:18 Цель ЦУ
32:03 Метрики качества образования в ЦУ
33:55 ЦУ и другие вузы — конкуренция или партнерство?
38:19 Настоящее и будущее ЦУ: направления и программы
39:55 Что такое «университет 3.0»
43:11 Вывод
44:13 Совет от Евгения
45:02 Рубрика «Что считается?»
45:36 Завершение выпуска