Telegram statistics channel - @iasa_edu

Junior MLOps Engineer interview: Canary VS Blue-Green#Edu_preparationЯка різниця між стратегіями розгортання Canary та Blue-Green?Коли ми випускаємо нову версію ML-моделі в продакшен, головна мета — зробити це без ризику «покласти» систему для користувачів. Для безпечного оновлення найчастіше використовують дві стратегії:1. Blue-Green Deployment (Миттєве перемикання)Підтримуються два абсолютно ідентичні середовища.• Blue (поточне) — стабільна версія моделі, яка зараз обробляє 100% реального трафіку.• Green (нове) — середовище, куди розгортається нова версія.Коли Green повністю протестовано, балансувальник навантаження миттєво перемикає всі 100% трафіку з Blue на Green.Плюси: Найбезпечніший і найшвидший відкат (rollback). Якщо нова модель зламалася, ви просто перемикаєте трафік назад на Blue за секунду.Мінуси: Дорого. Вам потрібно тимчасово підтримувати x2 інфраструктури (ресурсів).2. Canary Deployment (Поступове розгортання)Нова версія моделі («канарка») розгортається паралельно зі старою, але на неї спрямовується лише крихітна частина реального трафіку (наприклад, 5%).Якщо моніторинг показує, що з моделлю все добре (немає помилок, затримка в нормі), відсоток трафіку поступово збільшують: 5% -> 25% -> 50% -> 100%.Плюси: Мінімізація ризиків. Якщо нова модель видає погані прогнози, це вплине лише на 5% користувачів, а не на всіх одразу. Економніше за Blue-Green.Мінуси: Більш складне налаштування маршрутизації трафіку та моніторингу. Розгортання займає більше часу.Blue-Green — це про швидке перемикання та миттєвий відкат ціною подвоєних ресурсів.Canary — це про обережне, поступове тестування на реальних користувачах із мінімізацією шкоди у разі помилки.

Звичка за 21 день: розвінчуємо головний міф#Edu_hacksБерешся за нову звичку і уявляєш, як через 21 день вона стає частиною твого життя? Маленький спойлер: не так швидко. Пропонуємо розібратися, звідки взялося це магічне число і чому це міф.Трохи історіїВ 1950-х роках жив собі американський пластичний хірург Максвелл Мальц. Проводячи операції, чоловік помітив цікаву закономірність: його пацієнти звикали до змін у тілі приблизно за 21 день. Це спостереження Мальц занотував у своїй книзі «Psycho-Cybernetics», де пояснив, що на звикання до змін іде щонайменше 21 день. Всілякі гуру мотивації та коучі підхопили це магічне число і почали розповідати людям, що всього за 3 тижні їх життя зміниться. Але є одне АЛЕ: вони успішно забули про «щонайменше» (сподіваємось, ти ще ні).Що ж каже наука?Якось психологиня Філіппа Лаллі вирішила перевірити висновок хірурга. Протягом 12 тижнів вона вивчала 96 людей, які формували нову звичку. У результаті красива історія про число 21 виявилась міфом, адже для її формування людям знадобилося від 18 до 254 днів, а в середньому учасники набували нову звичку за 66 днів. Як ти бачиш, конкретної цифри не існує. Все залежить від складності звички, самої людини та її оточення. Розуміємо, звучить демотивуюче, але є гарні новини.• Якщо ти пропустив один-два дні, не впадай у відчай. Психологиня каже, що цей пропуск не вплине на формування звички жодним чином. Головне, щоб на 3 день ти спробував ще раз.• Навіть неідеальна чи помилкова повторювана дія так само ефективно закріплює звичку і доводить її до автоматизму. Тому відпусти перфекціонізм та просто сфокусуйся на процесі.Варто пам'ятати, що звичка - це не про «все або нічого». Користуйся порадами, наведеними в минулих дописах, і можливо якась нова корисна дія справді зробить твоє життя кращим.

Junior MLOps Engineer interview: Model Retraining Automation in MLOps #Edu_preparationЯк автоматизувати цикл перенавчання моделей у MLOps?Перенавчання моделей (model retraining) — процес повторного навчання вже існуючої моделі машинного навчання на нових або оновлених даних. Його метою є підтримка актуальності моделі та високої якості прогнозів у змінному середовищі.З часом моделі втрачають ефективність через зміни в даних (data drift і concept drift), тому в MLOps важливо забезпечити їх регулярне оновлення в автоматичному режимі.Основні підходи до реалізації перенавчання:• Тригери перенавчання:Події або умови, які автоматично запускають процес повторного навчання моделі в MLOps-пайплайні.Існує кілька основних типів тригерів:1) За розкладом (Schedule-based): Регулярне перенавчання через фіксовані інтервали часу.2) За новими даними (Event-based): Запуск при надходженні нових даних.3) За якістю моделі (Performance-driven): Запуск при падінні метрик.4) За дрейфом даних (Drift-driven): Запуск при зміні розподілу даних.• Автоматизований MLOps-пайплайн (Continuous training):Після спрацювання тригера запускається автоматизований процес перенавчання моделі без ручного втручання. Основні етапи:1) Data Validation: перевірка нових даних на якість та відповідність схемі.2) Model Training: навчання моделі на оновлених даних із фіксацією параметрів і метрик.3) Model Evaluation: порівняння нової моделі з поточною продакшн-версією.4) Model Registry: реєстрація кращої моделі як затвердженої версії.5) Deployment: розгортання моделі в продакшені (canary або shadow підхід).• Monitoring & feedback loop:Після розгортання модель продовжує відстежуватися в продакшені. Контролюються її якість, затримка відповідей (latency) та можливі ознаки data drift. Отримані метрики використовуються як зворотний зв’язок і можуть автоматично ініціювати новий цикл перенавчання.

Як закріпити звичку?#Edu_hacksЧи доволі часто ви стикалися із ситуацією, що от, буду більше читати, наприклад, адже мені це допоможе покращити навички, — і вже склали план, як реалізувати це? Спершу все йде чудово, але за наявності найменшої перешкоди повертається на початок?Почнемо з того, що звичка — це пророблений довготривалий процес, який має плинути, незважаючи на поставлену ціль. Розглянемо декілька методів, як його вибудувати.1. Спростіть процес набуття звичкиЗазвичай людина інстинктивно обирає те, що не вимагає багато зусиль. Тому в цьому випадку можна полегшити першочергове закріплення дії: зменшивши масштаб планів (наприклад, з «прочитати книжку ввечері» до «прочитати кілька сторінок»), а також скориставшись правилом «двох хвилин» (спершу не приділяти справі понад дві хвилини). Також варто опанувати певне «мистецтво початку»: не слід ставити мету втілити щось грандіозне на старті формування звички, а треба просто вміти розпочинати її щодня.2. Насолоджуйтесь прогресомТе, від чого ми отримуємо насолоду, допомагає доволі швидко змінити поведінку. Особливо якщо негайно здобувати певну нагороду: наприклад, можна вести трекер звички і щодня після її виконання закреслювати відповідне віконце у календарі. Даний крок надасть стимул продовжувати її надалі. Якщо пропустили один день, намагайтеся повернутися до графіка якнайшвидше. Ніколи не пропускайте двічі поспіль, щоб не сформувати нову негативну звичку.

ІТ стажер Центру супроводження корпоративної мережі та телефонії#Edu_internshipТвій шанс увійти в IT через інфраструктуру, мережі та реальні бізнес-процеси в одному з найбільших банків України.UKRSIBBANK BNP Paribas Group відкрили набір на позицію ІТ-стажера в напрямку супроводження корпоративної мережі та телефонії.Що на тебе чекає:• Адміністрування та обслуговування обладнання Teams Rooms для відеоконференцій• Консультація співробітників щодо налаштування відеозв’язку• Моніторинг роботи обладнання та швидке реагування на проблеми• Робота з інфраструктурою зв’язку в корпоративному середовищіЩо отримаєш:• Офіційне працевлаштування та стабільну зарплату• Термін роботи — 18 місяців• Медичне страхування та страхування життя• 25 днів відпустки + додаткові вихідні• Регулярний перегляд зарплати• Доступ до навчальних програм (SQL, BI, Data, Agile тощо)• Можливість міжнародної мобільності в межах BNP Paribas Group• Частково дистанційний формат роботи• Програми підтримки ментального та фізичного здоров’яКого шукають:• Повна вища технічна освіта• Англійська на рівні читання документації та комунікації• Впевнений користувач ПК (Windows, периферія)• Базове розуміння мереж передачі даних• Розуміння принципів роботи систем відеозв’язку• Відповідальність і системністьЯк потрапити:• Податися на вакансію• Пройти етапи відбору (CV → співбесіда)Це last call — можливість зайти в продуктову ІТ через маркетинг і одразу працювати на результат.

Junior MLOps Engineer interview: Model & Concept Drift#Edu_preparationЩо таке дрейф моделі і як його виявляти?Дрейф (Drift) — це явище, коли продуктивність розгорнутої ML-моделі з часом погіршується, оскільки реальні дані починають відрізнятися від тих, на яких вона навчалася. Розрізняють два основні типи дрейфу:• Дрейф даних (Data / Feature Drift):Змінюється статистичний розподіл вхідних даних. Наприклад, цільова аудиторія вашого сервісу стала старшою, або змінилися масштаби цін. Закономірності ті самі, але самі дані виглядають інакше.• Дрейф концепцій (Concept Drift):Змінюється фундаментальний зв'язок між вхідними даними та результатом. Те, що модель вважала правильним раніше, більше не працює. Класичний приклад: зміна купівельної поведінки клієнтів або поява нових, раніше невідомих схем шахрайства.Як виявляти дрейф у продакшені?Для цього налаштовують моніторинг, який працює в реальному часі або за розкладом. Основні методи:1. Порівняння розподілів: Система постійно порівнює свіжі дані (inference data) з еталонними даними, на яких тренували модель (baseline).2. Статистичні тести: Щоб математично довести наявність дрейфу, використовують такі метрики та тести, як:• KS-test (тест Колмогорова-Смірнова)• PSI (Population Stability Index)• Дивергенція Дженсена-Шеннона3. Автоматизація (Tools): Замість ручного написання скриптів MLOps-інженери використовують готові інструменти: Evidently AI, WhyLabs або Fiddler AI.Коли інструмент фіксує дрейф, що перевищує допустимий поріг, система надсилає алерт і може автоматично запустити пайплайн перенавчання (retraining) моделі на свіжих даних.

Як подружитися з корисною звичкою: перші 2 кроки#Edu_hacksВпевнені, що фраза "почну з понеділка" звучала коли-небудь з твоїх уст, проте чи дотримався ти хоч раз своєї обіцянки? Так, набувати корисні звички справді не так просто, проте не все втрачено. Погляньмо на процес формування шкідливої, щоб почерпнути кілька корисних трюків.4 кроки формування звичкиПроцес створення звички зазвичай складається з 4 етапів:стимул -> прагнення -> відповідь -> винагорода. До прикладу, працюючи над складним проєктом, ти зайшов у глухий кут. Розчарування, що виникає в процесі, є стимулом для мозку шукати трішки радості. В тебе виникає природне прагнення заглянути в інстаграм (відповідь на стимул), і ось стрічка рілзів - твоя винагорода. Насправді мозку байдуже, корисна звичка чи шкідлива - дофамін однаково робить своє.Крок 1: працюємо зі стимуламиІншими словами, стимули - це своєрідні підказки для нашого мозку, які спонукають його запустити певну поведінку. А чому б не сказати мозку прямо чого ти хочеш? Говори про свої наміри конкретно: не "хочу почати бігати", а "я буду бігати вранці о 9 в парку неподалік".Загальна формула така:Я [робитиму це] о [час] в [місце].Ще один спосіб - пов'язати нову звичку з теперішніми. Наприклад, після ранкової кави я почитаю книгу протягом 15 хвилин (можеш почати навіть з 5).Тобтопісля [нинішня звичка] я робитиму [нова звичка].Крок 2: обхитрюємо дофамінЕфект трюків, зазначених вище, можна значно посилити, якщо ти приручиш дофамін. Жодного секрету, просто поєднуй приємне з корисним. До речі, в цьому випадку соцмережі можуть стати в пригоді. Скажімо, ти хочеш щодня вирішувати по одній алгоритмічній задачці з програмування. Домовся із собою: "Після того, як я вирішу завдання, я зі спокійною душею погортаю стрічку 15 хвилин".Ніхто не забороняє зробити навпаки: можеш навіть ввести для себе певний мотиваційний ритуал, який налаштує на виконання непростої звички. Якщо ти помічав за собою, що краще зосереджуєшся, коли слухаєш музику, спробуй ввімкнути її перед тим, як сісти за певну задачу.Спробуй вже сьогодні обрати одну звичку та пропиши для неї стимул і винагороду. Це займе 2 хвилини, проте значно підвищить шанс почати. Але самого старту недостатньо: наступного разу розберемо, як все-таки не кинути її після першого тижня.

Junior MLOps Engineer interview: Model Monitoring and Reliability in Production#Edu_preparationЯк впровадити моніторинг моделі у виробничому середовищі?Впровадження моніторингу моделі у виробничому середовищі — процес безперервного відстеження її продуктивності, якості та стабільності з метою своєчасного виявлення проблем і підтримки ефективної роботи. На відміну від традиційного програмного забезпечення, ML-моделі потребують моніторингу не лише коду, а й статистичних показників даних.​Процес впровадження складається з наступних етапів:• Визначення ключових метрик (Performance metrics):На цьому етапі встановлюються критерії, за якими оцінюється успішність роботи моделі. Моніторинг поділяється на два ключові напрямки:1. Моніторинг якості моделі (Model performance monitoring)Відстежує, наскільки добре модель виконує свої передбачення у продакшені за допомогою метрик якості (accuracy, precision, recall, F1-score тощо).2. Моніторинг продуктивності системи (System / Operational monitoring)Відповідає за технічний стан і стабільність роботи сервісу, включаючи latency, throughput та error rate.• Збір та логування даних (Data logging / Data collection)На цьому етапі організовується систематичний збір і збереження вхідних даних, передбачень, фактичних значень та метаданих запитів, що дозволяє аналізувати поведінку моделі в реальних умовах, своєчасно виявляти деградацію якості, досліджувати причини помилок і забезпечувати відтворюваність результатів для діагностики й аудиту.• Налаштування інструментів та візуалізації (Monitoring tools & Visualization)На цьому етапі метрики та логи візуалізуються через дашборди (Prometheus, Grafana або хмарні сервіси) для моніторингу в реальному часі. Використання спеціалізованих інструментів (Evidently AI, Whylogs) дозволяє оперативно виявляти Data Drift та аномалії, перетворюючи технічні дані на зрозумілу картину для контролю якості та стабільності моделі.• Налаштування системи сповіщень (Alerting system)На цьому етапі налаштовується система сповіщень (Alerting system): встановлюються порогові значення для автоматичного надсилання алертів (Slack, Telegram, PagerDuty) про падіння точності, аномалії в даних або технічні збої. Це дозволяє швидко реагувати на інциденти без необхідності постійного ручного моніторингу дашбордів.• Аналіз та прийняття рішень (Analysis & Action)Це фінальний етап моніторингу, на якому після отримання сповіщень проводиться аналіз причин проблем (Root Cause Analysis), визначається, чи це технічний збій або деградація моделі через зміни в даних (data drift, concept drift), і на основі цього приймаються рішення: rollback, перенавчання моделі або зміни в пайплайні для підтримки стабільності та якості моделі в продакшені.

Як скоротити час, який ти проводиш у соцмережах?#Edu_hacksСоцмережі зазвичай використовують як легкий спосіб зниження стресу, тривожності та нудьги, що підвищує ризик виникнення залежності. Але чи варто постійно до цього вдаватись, якщо думки «ще 10 хвилинок» можуть перерости у більше ніж годину?Розглянемо декілька методів, якими можна скористатись, щоб не доходити до думскролінгу. 1. Зробити користування додатками незручнимДоволі багато соцмереж та додатків, у яких можна залипнути, відомі своїм яскравим фоном та спрощеним для користувача інтерфейсом. У даному способі ускладни процес входу та їх користування: створи додаткові умови для того, щоб зайти у програму (пароль), налаштуй постійну реєстрацію тощо.2. «If(mood) -> action» У даному способі спираючись на обставини, обирай виконати щось інше, ніж думскролінг. Наприклад, якщо тобі нудно, можеш розвʼязати якусь задачу і так далі. Важливо, що спершу необхідно вибирати більш спрощені завдання чи буденні справи для набуття звички. 3. Використання запахуСпробуй поставити недалеко від себе річ з доволі різким запахом й у випадку залипання зроби кілька вдихів цього аромату. Під час думскролінгу ти випадаєш із плину часу, і оскільки нюх - це єдине відчуття, що не проходить через «фільтр мозку», воно допомагає привернути увагу на зовнішні чинники.4. Дифузне візуальне зашумленняДаний метод працює за рахунок конкуренції за ресурси візуальної памʼяті. Якщо ти бачиш, що залипаєш, спробуй перевести свою увагу на предмет з хаотичною, нестандартною структурою та почни швидко переводити зіниці у різні сторони.

Creative Marketing Internship у Universe Group#Edu_internshipТвій шанс увійти в маркетинг через реальні задачі та попрацювати з глобальним продуктом.Universe Group відкрили набір на оплачуване стажування в продукті Ruut — це digital-коуч у ніші фітнесу та recovery.Що на тебе чекає:• Робота з реальними задачами команд Design, User Acquisition та Growth• Аналіз креативів і генерація нових ідей• Формування та тестування гіпотез• Дослідження аудиторії та трендів (TikTok, Reels)• Досвід performance-маркетингу на Tier-1 ринкахЩо отримаєш:• 3 місяці оплачуваного стажування• Офлайн у Києві або Варшаві• Менторство від фаундерів і сильна команда поруч• Швидкий розвиток і можливість отримати оферКого шукають:• Системне мислення і проактивність• Розуміння контент-трендів• Емпатію до користувача• Англійську B2+Як потрапити:• Податися до 17 квітня• Пройти CV + відеовізитівку• Виконати тестове• Фінальна співбесідаЦе last call — можливість зайти в продуктову ІТ через маркетинг і одразу працювати на результат.