@deep_school
DeepSchool
Telegram-канал @deep_school: 10,8 тыс. подписчиков, 2,7 тыс. просмотров на пост, оценка 56
56CВыше, чем у 5 из 10 каналов категории
Середина категории 43–65Этот канал 56
- 10,8 тыс.
- Подписчики
- 2,7 тыс.
- Медиана просмотров за 30 дней
- 25,0%
- Просмотры / подписчики за 30 дней
- 6
- Постов за 30 дней
Данные на 19 ноября 2026 г.
Про практическое применение больших языковых моделей и компьютерного зрения: как строить агентов, RAG-системы и ML-пайплайны, которые работают не только в тестах, но и под нагрузкой в продакшене. Среди материалов — разбор многошагового поиска в RAG-системах, статья про Document Layout Reasoning, подкаст с руководителем NLP-лаборатории Контура про жизнь ML-моделей в продакшене, а также запуск курса LLM System Design с задачами по чат-ботам, клиентскому саппорту и локальным сервисам. На 30 сентября: подписчиков 10,7 тыс. — меньше медианы категории, постов за 30 дней вышло 7 — реже медианы категории, а ER держится на 26,9 % — выше медианы категории. Истории из практики компаний чередуются с техническими разборами подходов генерации изображений вроде Flow Matching и советами по детекции объектов на видео.
описание каталога О канале от автора
Это канал школы deepschool.ru. Здесь мы будем: - напоминать вам теорию ML/DL в виде коротких постов, - задавать вопросы с собеседований, - рассказывать про полезные фреймворки - и делиться советами, которые помогут вам в работе. @deepschool_support
Частые вопросы
- Сколько подписчиков?
- Подписчиков — 10,8 тыс. Медиана просмотров поста — 2,7 тыс. Просмотров на подписчика — 25,0%. Данные на 19 ноября 2026 г.
- Как часто выходят посты?
- За 30 дней вышло постов: 6 — это несколько раз в неделю. Данные на 19 ноября 2026 г.
- Есть ли у канала галочка Telegram?
- Галочки Telegram нет.
- Кто ведёт страницу канала в каталоге?
- Пока никто. Если это ваш канал — заберите страницу: сможете отвечать на отзывы и видеть её статистику.
Это ваш канал?
Подтвердите владение — точные метрики и что улучшить, ответы на отзывы от лица канала и бейдж владельца на странице.
Подтвердить владениеЗаймёт минуту: пост с кодом или бот в администраторах
Ваша страница в tg.place
Знаете владельца?
Перешлите ему это сообщение — он подтвердит права и заберёт накопленное: статистику страницы и ответы на отзывы.
10 77410 722
19 нояб.10 752+1 за день
Наведите на график или проведите пальцем — покажем день.
| Из чего складывается | |
|---|---|
| Вовлечённость | 13,3 из 30 |
| Качество роста | 16,6 из 20 |
| Реакции и пересылки | 8,7 из 15 |
| Регулярность | 3,6 из 12 |
| Доверие | 5,3 из 8 |
| Отзывы | недостаточно данныхотзывов пока нет |
Оценка 56 — по 5 показателям из 6: остальные пока не измерены. Методология
Последние посты
- Что происходит с запросами, когда сервис рестартится? Представим, что мы разрабатываем сервис pdf-to-text. Нам загрузили документ на десять страниц. Девять из них обработаны, осталась последняя. И тут сервис получает сигнал об остановке (SIGTERM): приехало обновление или понадобилось уменьшить количество подов. Если завершение процесса не обработано и приложение сразу остановится, клиент получит ошибку. И совсем не важно, что мы уже почти всё сделали. В идеале нам бы хотелось получить до остановки сервиса возможность дообработать последнюю, десятую страницу и отдать ответ клиенту. Здесь как раз и нужно корректное завершение работы, или graceful shutdown. Сервис перестаёт принимать новые запросы, а уже принятым даёт время завершиться. В нашем случае приложение дообрабатывает документ и отправляет ответ клиенту. Если используете FastAPI с Uvicorn, базовый механизм уже встроен. Uvicorn обрабатывает SIGTERM, закрывает сокет для новых подключений и ждёт завершения текущих запросов. Затем приложение выполняет cleanup, например, закрывает соединения с внешними сервисами. В FastAPI эту логику можно разместить в lifespan:
from contextlib import asynccontextmanager from fastapi import FastAPI @asynccontextmanager async def lifespan(app: FastAPI): print("Запуск приложения") yield # Закрываем соединения и освобождаем ресурсы. print("Завершение работы приложения") app = FastAPI(lifespan=lifespan)Таймауты Ждать завершения запроса можно бесконечно, и по умолчанию Uvicorn именно так и делает. Поэтому ожидание стоит ограничить флагом — timeout-graceful-shutdown. Снаружи тоже есть лимит. docker stop по умолчанию даёт контейнеру 10 секунд, Kubernetes — 30 (terminationGracePeriodSeconds). Если приложение не успеет завершить запросы и cleanup, придёт SIGKILL. Его перехватить нельзя, и процесс просто убьют. Поэтому таймаут Uvicorn вместе с cleanup должен укладываться в отведённое на остановку время. А что с новыми запросами? Пока один экземпляр дочитывает наш PDF, балансировщик должен направлять новые запросы на другие поды. В Kubernetes с этим есть свои нюансы: под может получить SIGTERM раньше, чем перестанет получать трафик. Обычно это решают небольшой паузой перед остановкой через preStop. И если экземпляр всего один, на время рестарта простой неизбежен. ⚫️Graceful shutdown — лишь одна из деталей, о которых нужно помнить при деплое. На курсе DLOps проходим весь путь: от FastAPI и Docker до Kubernetes, Triton и мониторинга. 🪔 DeepSchool - Инвариантность в машинном обучении При обучении нейросети распознавать котиков, товары в корзине или автомобильные детали мы хотим, чтобы она игнорировала минорные изменения (например, порядок товаров, ракурс или освещение). Другими словами, обладала инвариантностью. ✅Сегодня мы разберём несколько способов, с помощью которых можно добиться инвариантности, а также ответим на следующие вопросы: — что такое инвариантность — как заложить устойчивость к изменениям в структуре сети — что такое DeepSets и как работать с множествами — каким образом научить сеть игнорировать минорные особенности при обучении — что представляют собой сиамские нейросети и Contrastive Loss — как заставить модель «упаковать» похожие объекты рядом в пространстве эмбеддингов, если описать трансформацию сложно — и в каких ещё постах нашего блога встречается идея инвариантности 😉 Читайте новую статью по ссылке! 👈🏼 А чтобы лучше разобраться в современных архитектурах и подходах к решению задач Computer Vision — приходите на курс CV Rocket. До 30 ноября действует скидка 20%.
- Реклама
- ⏰ Встречаемся через 3 часа Сегодня на примере агента, который исправляет ошибку в репозитории, посчитаем, во что обходятся решения по работе с контекстом. Разберём, когда выгодно сжимать историю, выносить данные во внешнюю память или передавать задачу другому агенту. Обсудим, почему высокий cache hit rate не гарантирует экономии и как сравнивать архитектуры, если результаты разных запусков отличаются. А также представим обновлённую программу курса LLM и подарим скидки участникам лекции 🎁 Регистрируйтесь в боте и приходите сегодня в 11:00 МСК!
- Экономика контекста: сколько стоит работа агента Когда LLM-агент решает задачу в несколько шагов, на каждом шаге модель получает контекст: инструкции, историю действий, результаты вызова инструментов, данные из памяти. Чем дольше агент работает, тем больше токенов уходит на каждый запрос и тем дороже обходится решение задачи. Сократить расходы можно разными способами: сжимать историю, хранить данные во внешней памяти, передавать подзадачи другой модели, использовать кэширование. Но каждый из них влияет на качество и скорость агента и не всегда даёт экономию. Например, если сильно сократить контекст, агенту может понадобиться больше шагов, и в итоге задача обойдётся дороже. Какую информацию агент получает на каждом шаге, определяет харнесс, то есть программная обвязка вокруг модели. Мы подготовили лекцию, на которой разберём, как он устроен и как выбрать архитектуру под свою задачу с учётом качества, стоимости и задержек. На лекции вы узнаете: — как харнесс управляет информацией, доступной агенту: от наблюдений и результатов инструментов до памяти и передачи задач — из чего складывается стоимость многошагового агента и почему короткий контекст или высокий cache hit rate не гарантируют экономии — когда выгодно сохранять историю, сжимать контекст, извлекать сведения из внешней памяти или передавать подзадачу другой модели — как сравнивать архитектуры харнессов по качеству, стоимости, задержкам и вариативности повторных запусков В конце представим обновлённую программу курса «LLM», где вы научитесь дообучению, элайменту, построению RAG, агентских-систем и деплою. Всем участникам лекции подарим скидки на обучение 🎁 🙋♂️ Спикер — Антон Удалов, руководитель направления прикладных AI-решений в MAGNIT TECH 📅 Среда, 4 ноября, в 11:00 МСК Регистрируйтесь в боте и до встречи в среду на лекции!
- LLM от токенизации до бенчмарков Подготовили подборку статей про то, как устроены LLM, как их дообучают и как проверяют. 1. Токенизация и эмбеддинги: как буковки превращаются в циферки 2. FlashAttention 2, 3 и 4: как attention перестал так сильно упираться в память GPU 3. От PPO и RLHF к DPO, GRPO и GSPO: как устроен post-training 4. LLM для агента: промпт или дообучение: когда хватит большой модели с промптом, а когда выгоднее дообучить маленькую 5. Как настроить LLM-as-a-judge: критерии, проверка на человеческой разметке и работа с расхождениями 6. Большой обзор бенчмарков: можно ли хоть чему-то верить Про устройство LLM и их обучение рассказываем на курсе LLM. До 1 ноября вы можете присоединиться со скидкой 20%! 🔥
- Как устроены LLM и как с ними работать Если хотите перейти в LLM или брать связанные с ними задачи в своей команде — приходите на новый поток курса LLM! За 4 месяца вы разберётесь в устройстве современных LLM и пройдёте полный цикл работы с ними: от архитектуры и дообучения до построения RAG, агентов, деплоя и ускорения инференса. После курса вы сможете выбирать подходы под свою задачу и понимать, что нужно изменить, если готовое решение не работает из коробки. На протяжении обучения вас будут поддерживать опытные инженеры из продуктовых команд. Они проведут онлайн-лекции, проверят домашние задания, дадут развёрнутый фидбек и ответят на вопросы на Q&A-сессиях и в чате. 📅 Курс стартует 11 ноября 🔥 Присоединяйтесь со скидкой 20% до 1 ноября Изучайте программу на сайте и записывайтесь на новый поток!
- Как сегодня дообучают LLM: от PPO и RLHF к DPO, GRPO и GSPO Предобучение даёт языковой модели знания, но этого не всегда достаточно, чтобы она хорошо следовала инструкциям и решала сложные задачи. В новой статье рассказываем, как устроен post-training LLM и как развивались методы дообучения с подкреплением 👨🏼💻 Из статьи вы узнаете: - зачем нужны SFT и RLHF и как работает алгоритм PPO; - как DPO позволяет обучать модель на предпочтениях без отдельной Reward Model; - как устроены GRPO и GSPO и почему для reasoning-моделей стали использовать автоматически проверяемые награды (RLVR). Разбираем основные идеи на простых примерах и с математикой. Читайте статью по ссылке! Про устройство LLM и их обучение рассказываем на курсе LLM. До 25 октября вы можете присоединиться со скидкой 20%! 🔥
- У кого учиться Computer Vision Скоро стартует последний поток CV Rocket в формате онлайн-лекций. Это возможность задать вопросы опытным инженерам прямо на занятиях, перенять их опыт и лучшие практики для решения сложных задач. Познакомьтесь с теми, кто будет вести лекции: Андрей Шадриков, Verigram — руководит командой распознавания лиц. Расскажет, как решать задачи metric learning Дмитрий Раков, 2GIS — руководит CV-командой в картах. Ранее возглавлял ML-команду разработки беспилотных поездов Анастасия Старобыховская, Лаборатория Искусств и ИИ при Европейском Университете — руководит лабораторией, создаёт проекты и ведёт исследования в области культурного и исторического наследия Борис Зимка, Яндекс — специализируется на CV и OCR. Обучает Vision Language Models читать и понимать текст на изображениях Дарья Воронкина, Onecell — руководит разметкой медицинских данных и построением аналитики. Улучшает пайплайны данных для расчёта бизнес-метрик Дмитрий Чудаков, 2GIS — занимается CV и 3DCV в картографических продуктах. Разберёт детекцию объектов и секреты успешных архитектур Роман Филонов, VK Видео — разрабатывает систему анализа видеоконтента и работает с генеративными моделями изображений Илья Башаров, Сбер — возглавляет CV-команду видеоаналитики реального времени. Расскажет о трекинге и выборе модели под конкретную задачу Глеб Рязанцев, Wildberries — Senior CV-инженер в команде поиска по фото Виталий Угнивенко, НЛМК-IT — руководит CV-направлением и проектирует системы компьютерного зрения для металлургии 🎓 Спикеры проверят ваши домашние задания и лично дадут развёрнутый фидбэк. В общем чате и на офисных часах, которые проходят несколько раз за курс, с ними можно обсуждать вопросы по программе и кейсы с работы. 🚀 Старт — 14 октября. Присоединяйтесь со скидкой 5% до 13 октября Изучайте программу на сайте и записывайтесь на последний онлайн-поток!
- Осталось 3 часа до воркшопа по BentoML Сегодня с Анастасией Старобыховской разберёмся как упаковать модель в BentoML, поднять инференс-сервер и организовать к нему доступ. На воркшопе вы узнаете: — как передать готовую модель без погружения в репозитории backend-команды — как упаковать модель с помощью BentoML и поднять инференс-сервер — как обращаться к модели из внешнего кода — когда BentoML не подходит и что использовать вместо него У вас будет возможность упаковать модель самостоятельно в режиме реального времени! А также всем участникам подарим скидки на последний поток курса CV Rocket! 🎁 🕕 Регистрируйтесь и приходите сегодня в 12:00 МСК
- Инференс-сервер своими руками: воркшоп по BentoML Обучить модель — это половина работы. Дальше встаёт вопрос: как её отдать? Как backend-команда будет к ней обращаться? Лезть в чужие репозитории и встраиваться в их инфраструктуру — не всегда вариант. Мы подготовили воркшоп, на котором покажем, как упаковать модель в BentoML, поднять инференс-сервер и организовать к нему доступ. На воркшопе разберём: — как передать готовую модель без погружения в репозитории backend-команды — как упаковать модель с помощью BentoML и поднять инференс-сервер — как обращаться к модели из внешнего кода — когда BentoML не подходит и что использовать вместо него Воркшоп — это когда вы сначала слушаете, а потом сразу делаете. Анастасия Старобыховская, руководитель лаборатории «Искусство и ИИ» в ЕУСПб, сначала расскажет теоретическую часть, а потом разобьёт участников на небольшие группы для самостоятельной работы, будет подключаться к каждой и помогать с затыками. У вас будет возможность упаковать модель самостоятельно в режиме реального времени! И в конце вместе обсудим решение и типичные ошибки. А также всем участникам подарим скидки на последний онлайн-поток курса CV Rocket! 🎁 Чтобы не терять времени на воркшопе, установите docker/python/свою любимую IDE, если ещё нет 📅 Встречаемся в субботу, 10 октября в 12:00 МСК! Регистрируйтесь по ссылке и до встречи на воркшопе!
О канале в цифрах
- Создан
- 30 мая 2021 г.
- Фото
- 95
- Видео
- 3
- Файлы
- 1
- Ссылки
- 520
По данным Telegram на 19 ноября 2026 г.
Отзывы
Оставить отзыв
Отзывов пока нет. Ваш будет первым.
Реклама