newsmode
search
Меню
Категории
apps Все forward_to_inbox Cold Email / Outbound gps_fixed Positioning travel_explore Customer Discovery rocket_launch Founder / YC auto_awesome Applied AI / LLM analytics SaaS Strategy trending_up Growth / Distribution build Indie / Bootstrap support_agent Conversational AI
Теги (топ-30)
AI Agents ·275 Ai Adoption ·192 Frontier Models ·163 Founder-Led Sales ·159 Conversational AI ·153 Outbound Sales ·150 Sales Automation ·144 Ai Infrastructure ·130 Go To Market ·128 Customer Experience ·125 Developer Tools ·122 Venture Funding ·122 Founder Mindset ·119 SaaS Metrics ·114 Product-Market Fit ·111 Enterprise Ai ·96 LLM Evals ·91 Career Advice ·89 Cold Email ·88 LLM Engineering ·86 Growth Strategy ·78 Saas ·75 Productivity Metrics ·74 Ai Products ·72 No Code Chatbots ·71 Ai Automation ·70 Customer Discovery ·69 Bootstrapping ·68 Content Creation ·67 Solopreneurship ·67
Источники
a16z Aaron Ross — Predictable Revenue Andrej Karpathy Andrej Karpathy — BearBlog Andrew Chen Anthropic News Botpress Blog Clay Blog Ethan Mollick — One Useful Thing Eugene Yan First Round Review Hamel Husain HubSpot Sales Blog Intercom / Fin Blog Justin Welsh Kyle Poyar — Growth Unhinged Latent Space Lavender Blog Lenny's Newsletter Not Boring Paul Graham Essays Rob Walling SaaStr Simon Willison Stratechery Teresa Torres — Product Talk The Bootstrapped Founder Tomasz Tunguz Voiceflow Blog Working Theorys
Прогресс перевода 1953/2270 · 86%
inboxВсе translateПереведено bookmarkХочу прочесть thumb_upПонравилось radio_button_uncheckedНепрочитанные check_circleПрочитал

Applied AI / LLM · 30

rss_feed Latent Space translateRU

Shopify’s AI Phase Transition: 2026 Usage Explosion, Unlimited Opus-4.6 Token Budget, Tangle, Tangent, SimGym — with Mikhail Parakhin, Shopify CTO

Михаил Парахин, CTO Shopify (ранее CEO бизнес-юнита Microsoft, включавшего Windows, Edge, Bing и рекламу), рассказывает swyx из Latent Space о том, как 20-летняя компания стоимостью $200 млрд полность

Agentic Engineering Ai Adoption Ml Engineering
14598 сл.
rss_feed Hamel Husain translateRU

Estimating vRAM – Hamel’s Blog - Hamel Husain

Хэмел Хусейн делится практическими формулами для прикидочной оценки объёма vRAM, необходимого для обучения и инференса LLM. Он отталкивается от калькулятора Зака Мюллера и дополняет его поправками на

LLM Engineering Ml Engineering Production Ml
539 сл.
rss_feed Hamel Husain translateRU

TorchServe – Hamel’s Blog - Hamel Husain

Хэмел Хусейн делится впечатлениями от экспериментов с TorchServe — инструментом для развёртывания моделей PyTorch. Среди плюсов: автоматическая батчёвка запросов, версионирование моделей, встроенное л

Deployment Pipeline Ml Engineering Production Ml
516 сл.
rss_feed Hamel Husain translateRU

Transcribe & Diarize Videos – Hamel’s Blog - Hamel Husain

Статья описывает процесс транскрибирования видео с разделением по спикерам (диаризацией). Автор объясняет, что OpenAI Whisper не поддерживает диаризацию, и предлагает использовать связку yt-dlp для ск

Data Science Ml Engineering Open Source
638 сл.
rss_feed Hamel Husain translateRU

FastAPI – Hamel’s Blog - Hamel Husain

Hamel Husain рассматривает FastAPI как веб-фреймворк на Python для развёртывания прототипов ML-моделей. По его впечатлениям, для небольших моделей (менее 200 МБ) FastAPI отлично подходит и оказывается

Developer Tools Ml Engineering Production Ml
1256 сл.
rss_feed Hamel Husain translateRU

Basics – Hamel’s Blog - Hamel Husain

Заметки Hamel Husain о развёртывании моделей через TensorFlow Serving на примере трансформера для классификации отзывов IMDB. Автор обучает простую модель (657 758 параметров, точность ~86% на валидац

Deployment Pipeline Ml Engineering Production Ml
2097 сл.
rss_feed Eugene Yan translateRU

Improving Recommendation Systems & Search in the Age of LLMs

Обзор того, как индустриальные рекомендательные системы и поиск эволюционировали за последний год под влиянием больших языковых моделей. Автор разбирает четыре направления: архитектуры с LLM/мультимод

LLM Engineering Ml Engineering RAG
8580 сл.
rss_feed Eugene Yan translateRU

39 Lessons on Building ML Systems, Scaling, Execution, and More

Юджин Ян делится 39 уроками с ML-конференций 2024 года, охватывающими построение эффективных ML-систем, масштабирование, исполнение и работу с пользователями. Среди ключевых идей: важность правильно в

LLM Evals Ml Engineering Production Ml
1953 сл.
rss_feed Eugene Yan translateRU

How to Interview and Hire ML/AI Engineers

Юджин Ян и Jason делятся опытом проведения собеседований и найма на ML/AI-роли, рассматривая процесс интервью как систему, которая должна быть надёжной и валидной. Из технических навыков они оценивают

Career Advice Hiring Ml Engineering
4393 сл.
rss_feed Eugene Yan translateRU

Don't Mock Machine Learning Models In Unit Tests

Юджин Ян объясняет, почему привычные практики юнит-тестирования плохо ложатся на ML-код: в обычном софте логика пишется руками, а в ML она выучивается из данных и зашита в саму модель. Поэтому моки вн

Developer Tools Ml Engineering Production Ml
1218 сл.
rss_feed Eugene Yan translateRU

More Design Patterns For Machine Learning Systems

Юджин Янь делится девятью паттернами проектирования ML-систем, которые он наблюдал на практике: однократная обработка сырых данных, human-in-the-loop для сбора меток, аугментация данных, hard negative

Ml Engineering Production Ml Recommendation Systems
4181 сл.
rss_feed Eugene Yan translateRU

Autoencoders and Diffusers: A Brief Comparison

Юджин Ян сравнивает автоэнкодеры и диффузионные модели, показывая их сходства и ключевое различие. Автоэнкодеры — это нейросети, обученные воспроизводить вход на выходе через узкое горлышко (bottlenec

Deep Learning Generative Models Ml Engineering
628 сл.
rss_feed Eugene Yan translateRU

Writing Robust Tests for Data & Machine Learning Pipelines

Юджин Ян разбирает, почему тесты для пайплайнов данных и машинного обучения часто ломаются — причём не из-за ошибок в коде, а из-за того, что сами тесты хрупки к изменениям данных и логики. На примере

Data Engineering Ml Engineering Production Ml
4103 сл.
rss_feed Eugene Yan translateRU

Data Science Project Quick-Start

Юджин Янь делится уроками о том, как эффективно стартовать data science-проекты, чтобы не платить «процентами» при выводе в продакшен. Он советует сначала понять «зачем» и контекст задачи, затем зафик

Data Science Ml Engineering Productivity Metrics
1494 сл.
rss_feed Eugene Yan translateRU

System Design for Recommendations and Search

Юджин Ян разбирает типовой системный дизайн промышленных рекомендательных и поисковых систем, описывая его через матрицу 2×2: оффлайн против онлайн и retrieval против ranking. В оффлайн-среде обучаютс

Ml Engineering Production Ml Recommendation Systems
2569 сл.
rss_feed Eugene Yan translateRU

The Metagame of Applying Machine Learning

Юджин Янь сравнивает применение машинного обучения в индустрии с «метаигрой» — игрой вокруг самой игры, где побеждают за счёт внешних знаний и факторов (примеры: камень-ножницы-бумага, StarCraft и син

Career Advice Machine Learning Ml Engineering
2426 сл.
rss_feed Eugene Yan translateRU

Choosing Problems in Data Science and Machine Learning

Юджин Ян разбирает, как выбирать задачи для команды дата-сайентистов: из 20 задач отобрать 3-8 для 8 человек. Основной инструмент — cost-benefit анализ, где выгода измеряется ростом выручки или сокращ

Cost Benefit Analysis Ml Engineering Prioritization
2505 сл.
rss_feed Eugene Yan translateRU

How to Write Design Docs for Machine Learning Systems

Это вторая часть ответа Eugene Yan на вопрос о том, как писать design-документы для проектов по data science и машинному обучению. Автор утверждает, что главная цель такого документа — заставить автор

Ml Engineering Technical Documentation Writing Online
3118 сл.
rss_feed Eugene Yan translateRU

How to Write Better with The Why, What, How Framework

Юджин Ян рассказывает, как письменная работа помогает решать правильные задачи правильным способом — на примере культуры письма в Amazon, где перед запуском AWS инженеры 18 месяцев писали документы о

Ml Engineering Technical Documentation Writing Online
1936 сл.
rss_feed Eugene Yan translateRU

Feature Stores: A Hierarchy of Needs

Юджин Янь разбирает, что такое feature store, и предлагает рассматривать его возможности как иерархию потребностей по аналогии с пирамидой Маслоу. В основании — доступ к признакам (поиск, переиспользо

Feature Stores Ml Engineering Production Ml
4007 сл.
rss_feed Eugene Yan translateRU

DataTalksClub - Building an ML System; Behind the Scenes

Юджин Ян рассказывает о выступлении на конференции DataTalks.Club, где он описал архитектуру ML-системы, построенной для крупнейшей больничной группы Юго-Восточной Азии. Данные из больниц шифруются, п

Healthcare Ai Ml Engineering Production Ml
1055 сл.
rss_feed Eugene Yan translateRU

How Reading Papers Helps You Be a More Effective Data Scientist

Юджин Ян рассказывает, как чтение научных статей делает дата-сайентиста эффективнее. Он приводит пример коллеги, которая, прочитав о подходе LinkedIn (kNN + SVM для очистки меток), помогла команде дов

Data Science Learning In Public Ml Engineering
1273 сл.
rss_feed Eugene Yan translateRU

My Notes From Spark+AI Summit 2020 (Application-Agnostic Talks)

Юджин Ян делится конспектами с конференции Spark+AI Summit 2020 (24–26 июня), сосредоточившись на докладах, не привязанных к конкретным приложениям. Ник Пентрит из IBM рассказал о четырёх способах пов

Data Engineering Deep Learning Ml Engineering
2162 сл.