IASAedu 🇺🇦

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.

Junior MLOps Engineer interview: Model Monitoring in MLOPs#Edu_preparationЧому моніторинг важливий у MLOPs, і які метрики слід відстежувати?Моніторинг ML-моделей — це безперервний процес спостереження за поведінкою, продуктивністю та споживанням ресурсів моделі після її розгортання в production-середовищі.На відміну від традиційного програмного забезпечення, ML-моделі мають властивість деградувати з часом. Це відбувається через те, що реальні дані та поведінка користувачів постійно змінюються. Моніторинг є критично важливим, оскільки він дозволяє вчасно виявити падіння точності, гарантує надійність прогнозів для бізнесу, а також слугує тригером для автоматичного запуску пайплайнів перенавчання (retraining).Для забезпечення стабільної роботи системи, MLOps-інженери відстежують три основні групи метрик:• Метрики продуктивності (Model Performance):Оцінюють якість роботи моделі на реальних даних. Відстежуються класичні показники: Accuracy, Precision, Recall, F1-score (для класифікації) або RMSE (для регресії). Їх зниження — перший сигнал, що модель потребує уваги.• Метрики дрейфу (Drift Metrics):Аналізують зміни у вхідних даних для пояснення причин деградації моделі.Data drift (дрейф даних) — змінився статистичний розподіл вхідних даних (наприклад, з'явився новий сегмент користувачів).Concept drift (дрейф концепцій) — змінився сам зв'язок між даними та результатом (те, що вважалося нормою вчора, сьогодні вже не актуально).Інструменти: Evidently AI, WhyLabs, Fiddler AI.• Інфраструктурні метрики:Контролюють технічне "здоров'я" системи.Відстежується затримка відповідей (Latency), використання обчислювальних ресурсів (CPU, GPU, RAM) та пропускна здатність. Це гарантує, що система витримує навантаження, а хмарні витрати не виходять за межі бюджету.

Як дофамін підсадив тебе на соцмережі: річ не в задоволенні, а в звичці#Edu_hacksЗдогадуємося, ти чув про дофамін, або, як кажуть у медіа, «молекулу задоволення», через яку ми нібито відчуваємо справжню ейфорію та прилипаємо до екранів. Що, якщо це неправда і причина далеко не в цьому?Розвінчуємо міфи Припустимо, річ справді в тому, що дофамін приносить відчуття кайфу. Чому ж тоді після години гортання стрічки ти почуваєшся таким розбитим? Відповідь проста: дофамін - це не про задоволення, а про бажання його отримати. Він змушує нас хотіти і діяти. Якщо дія ще й виконана успішно, дофамін скаже мозку: «О, це треба буде повторити!». Згадаймо ще той факт, що скролінг соцмереж майже не вимагає зусиль, а кожний наступний мем ще більше підігріває твій інтерес. Так, дофамін любить новизну.Кожен рілз як міні несподіванкаОт лежиш ти о 2-й ночі, думаєш: «От ще 10 хвилинок подивлюсь інстаграм, і піду спати». Минула година, а ця нескінченна стрічка рілзів не закінчується. Вітаємо, ти потрапив у дофамінову пастку, яку старанно придумували компанії, щоб затримати твою увагу. З кожним новим мемом чи тіктоком виділяється маленька доза цього гормону, яка змушує ще раз проскролити стрічку. Причому ти заздалегідь не знаєш, що побачиш перед собою в наступні кілька секунд. Це ще одна пастка, так званий ефект слот-машини. Алгоритми в соцмережах розроблені так, щоб кожного разу нам випадав ще більш захопливий і неочікуваний контент (ті самі сюрпризи для дофаміну). Дофамін і звичкиЯкщо рука постійно тягнеться до телефона, а думка полежати і поскролити соцмережі не вилітає з голови - це сигнал того, що дофамін закріпив у твоїй голові нейронні зв'язки і сформував звичку. Так, вона неприємна, проте, використавши цей принцип та вище перелічені властивості цієї речовини, ти зможеш її викорінити і замінити корисною. У наступних постах ти дізнаєшся про закони формування нових звичок та як же все-таки зменшити час, проведений за думскролінгом.

Junior MLOps Engineer interview: Reproducibility #Edu_preparationЯкі підходи використовуються для забезпечення відтворюваності в MLOps?Відтворюваність (Reproducibility) — властивість MLOps-системи, яка гарантує, що будь-який результат моделювання може бути повторений іншим спеціалістом або автоматизованою системою з використанням того самого коду, набору даних і конфігурації середовища.Щоб забезпечити відтворюваність, у MLOps застосовують кілька основних підходів:• Версіонування та походження даних (Data Versioning & lineage):Оскільки обсяги даних, як правило, великі для зберігання у системах контролю версій типу Git, використовується підхід “data as code”. У цьому випадку версіонуються не самі файли, а їхні ідентифікатори (хеші або метадані), які посилаються на конкретний незмінний знімок (snapshot) датасету у сховищі даних.• Версіонування коду та управління конфігураціями (Code & Configuration versioning):У MLOps версіонуванню підлягають не лише фінальні моделі, а й увесь набір артефактів: код обробки даних, тренувальні пайплайни та конфігураційні файли. Завдяки прив’язці кожного артефакту до конкретного Git commit hash та збереженню гіперпараметрів у декларативних форматах (YAML/JSON), забезпечується повна простежуваність і можливість відтворити будь-який експеримент.• Контейнеризація та керування середовищем (Environment management):​Навіть ідентичний код і дані можуть давати різні результати через відмінності у версіях бібліотек, операційної системи або драйверів. Для вирішення проблеми “works on my machine” використовується контейнеризація (Docker). Docker дозволяє упакувати все середовище запуску в один образ, щоб модель завжди працювала однаково в будь-якому середовищі.• Трекінг експериментів та менеджмент метаданих (Experiment tracking):Для того, щоб кожен запуск моделі мав свій повний контекст експерименту, використовуються системи трекінгу експериментів (MLflow, Weights & Biases). Вони зберігають зв’язок між усіма компонентами запуску: версією даних, Git commit hash, Docker-образом, random seeds та отриманими метриками. Це дозволяє відновити повну історію будь-якого експерименту та проаналізувати результати в будь-який момент.