Локально и без аккаунта. Аккаунта нет, регистрация не нужна: введённое в инструменты остаётся в localStorage браузера и на сервер не уходит.
Свой счётчик считает открытия страниц и дочитывания: уезжает адрес и десятая доля текста. Без cookies и чужих счётчиков, IP не хранится, Do Not Track уважается. Как это проверить
Репозиторий портала не выложен, «открытым кодом» мы его не зовём. Открыто это:
Пользуюсь вероятностью и статистикой, а не только средним значениемПонимаю, чем распределение отличается от среднего, и почему выборка бывает нерепрезентативной.
Достаю данные сам и понимаю, откуда они взялисьПишу нетривиальный SQL и знаю, какие поля в источнике врут.
Пишу воспроизводимый код анализа, а не одноразовый ноутбукМой результат повторяется на другой машине и через месяц.
Готовлю признаки и понимаю, что данные грязные всегдаПроверяю пропуски, выбросы и утечку целевой переменной до обучения.
Начинаю с простой модели и сравниваю всё с нейУ меня есть базовое решение, которое надо было превзойти, а не только нейросеть.
Обычные ошибки
Считать среднее ответом: распределение прячет и хвост, и перекос выборки.
Верить метрике из ноутбука: без честного разделения выборки она завышена.
Тянуть нейросеть туда, где хватало правила: поддержка дороже, а выигрыша нет.
Перевожу задачу бизнеса в задачу обучения — или честно говорю, что модель здесь не нужнаУ меня есть проекты, которые я предложил закрыть, потому что хватало правила из трёх условий.
Ставлю эксперимент так, чтобы его результату можно было веритьСчитаю мощность заранее и знаю, что такое подглядывание в промежуточные результаты.
Держу нагрузку и стоимость вывода моделиЗнаю, во что обходится один запрос, и умею уменьшить это число.
Вижу риски модели: данные, приватность, вред от ошибкиМогу назвать, кому и как навредит ошибка моей модели, и что мы с этим сделали.
Объясняю результат людям, которые не читают графиковПосле моего доклада принимают решение, а не просят «прислать презентацию».
Обычные ошибки
Подглядывать в промежуточные результаты и останавливать эксперимент на удобном месте: выводы рассыпаются.
Прятать неопределённость: одно число без разброса читается как обещание.
Спорить об архитектурах моделей вместо задачи: заказчику нужен ответ, а не сравнение.
Курсы. Поиск объединяет публикации по учебным трекам и сравнивает запрос с названиями, описаниями, тегами, заголовками и фрагментами материалов.
Материалы. Этот режим ранжирует отдельные статьи и видео, когда вы уже знаете тему или название.
Текст запроса не отправляется на сервер или во внешнюю ML-систему. Это статистическая модель, а не генеративный AI: она рекомендует существующее и ничего не придумывает.
