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

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_schitaetsya

Meta, продукт которой упоминается в выпуске, признана в России экстремистской и запрещена.

Тайм-коды:

00:12 Начало выпуска

00:42 Тема выпуска

01:07 Гости — Кирилл Николаев и Роман Филев

01:24 Что такое знания и интеллект

04:55 Как знания получает наука

06:05 Как знания получают люди

07:34 Есть ли познание в неразумной жизни?

12:49 Методы познания у животных и человека

17:51 Рубрика «Зачем учить математику?»

24:04 Адаптивность и выживание

28:16 Любознательность как важный компонент интеллекта

30:26 Мозг современного человека и влияние быстрого контента

37:23 Самопознание у AI

44:17 Будущее AI и человечества — симбиоз?

50:25 Вывод

52:13 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 перспективы

как формируется стоимость рекламы и какое место тут занимает аналитика

инсайдерскую информацию о российском рекламном рынке

рекламные аукционы, другие механики продаж и аналитические ловушки

нейробиологию в рекламе

интеграцию рекламы в AI-продукты и ее будущее

и, 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_schitaetsya

Тайм-коды:

00:12 Начало выпуска

00:58 Тема выпуска

01:16 Гость — Роман Назаренко

01:39 Реклама глазами клиента — ведущих и гостя

06:25 Круто, ты попал на ТВ? Проблемы ТВ-рекламы и баннеров 

11:04 Виды рекламы, стоимость и причем тут аналитика

20:00 Российский рынок рекламы сегодня: инсайдерская информация

23:51 Реклама глазами закупщика: особенности аналитики в рекламе

25:48 Реклама глазами платформы: аукционы и другие механики продажи рекламы

33:07 Рубрика «Зачем учить математику?»

34:28 Аналитические ловушки в рекламе

39:43 Нейробиология в рекламе

41:26 Это перенимается: что из рекламной аналитики применяется в других сферах

43:45 Будущее рекламы: интеграция в AI-продукты

50:02 Вывод

52:11 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 выпуска

00:40 Тема выпуска

00:54 Гость — Александр Рыжков

01:06 Что такое Kaggle

03:09 «Олимпиада для взрослых»: задачи реального бизнеса на Kaggle

06:15 В поисках сокровищ: секреты компаний на Kaggle

10:14 Зачем участвовать в соревнованиях Kaggle

13:14 Как стать гранд-мастером Kaggle

17:15 Навыки будущего гранд-мастера Kaggle

21:01 AI-инструменты в Kaggle

23:32 Kaggle и математика

25:40 Рубрика «Зачем учить математику?»

27:01 Зачем Kaggle аналитикам

31:41 Чем соревнования Kaggle отличаются от прода

33:48 AutoML как инструмент для соревнований Kaggle и для бизнеса

44:42 Вывод

47:01 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 выпуска

00:49 Тема выпуска

01:09 Гость — Дмитрий Дагаев

01:28 Что такое теория игр (ТИгр)

03:30 Вся наша жизнь — игра?

07:28 Равенство Нэша

11:49 Дилемма заключенного

16:27 Ценовые войны

19:54 Моделирование «игр» и аукционы

25:51 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 стратегом

38:05 Применение ТИгр в аналитике

42:51 Индивидуализм vs. кооперация: кто какую стратегию выбирает

46:09 ТИгр в построении команд

51:31 Вывод

52:14 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_schitaetsya

Тайм-коды:

00:12 Начало выпуска

00:39 Тема выпуска

00:50 Гость — Андрей Сухань

​​01:05 В чем суть обучения

05:30 Рубрика «Зачем учить математику?»

06:14 Математики vs. гуманитарии

08:09 От математики к аналитике

09:25 Мотивация к постоянному обучению

11:26 Как выбирать, чему учиться

12:43 Книга, которая научит всему

14:14 Надо vs. хочу

19:00 Синдром вечного ученика

24:28 Чему сейчас учится Андрей

26:20 Что могут дать курсы, YouTube и AI

30:49 Почему в век AI все еще нужно учиться

35:34 Сто раз отмерь: как выбирать материал для изучения

39:20 Графовый подход к обучению

42:35 Рубрика «Что считается?»

42:56 Завершение выпуска