DeepSchool — логотип Telegram-канала

@deep_school

DeepSchool

Telegram-канал @deep_school: 10,8 тыс. подписчиков, 2,7 тыс. просмотров на пост, оценка 56

Искусственный интеллект
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 владение

Займёт 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.

Подписчики+28 за 77 дней
10 77410 722
19 нояб.10 752+1 за день

Наведите на график или проведите пальцем — покажем день.

Из чего складывается
Вовлечённость13,3 из 30
Качество роста16,6 из 20
Реакции и пересылки8,7 из 15
Регулярность3,6 из 12
Доверие5,3 из 8
Отзывынедостаточно данныхотзывов пока нет

Оценка 56 — по 5 показателям из 6: остальные пока не измерены. Методология

Последние посты

  • 1,4 тыс.17 пересылок17 реакцийОткрыть в Telegram
    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
  • 2,4 тыс.49 пересылок35 реакцийОткрыть в Telegram
    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
  • 2,5 тыс.6 пересылок12 реакций3 комментарияОткрыть в Telegram
    ⏰ 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!
  • 2,9 тыс.24 пересылки21 реакцияОткрыть в Telegram
    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!
    Пост канала «DeepSchool» от 2 ноября 2026 г.
  • 3,1 тыс.163 пересылки33 реакцииОткрыть в Telegram
    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%! 🔥
  • 3,6 тыс.18 пересылок16 реакций2 комментарияОткрыть в Telegram
    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!
    Пост канала «DeepSchool» от 22 октября 2026 г.
  • 4,1 тыс.132 пересылки54 реакции2 комментарияОткрыть в Telegram
    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%! 🔥
  • 3,9 тыс.22 пересылки22 реакцииОткрыть в Telegram
    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!
    Пост канала «DeepSchool» от 12 октября 2026 г.
  • 2,9 тыс.2 пересылки10 реакцийОткрыть в Telegram
    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
  • 3,3 тыс.24 пересылки22 реакции1 комментарийОткрыть в Telegram
    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!
    Пост канала «DeepSchool» от 7 октября 2026 г.

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
Оценка

От 40 символов. Опубликуем после проверки.

Отзыв виден всем, владелец канала не может его удалить.

Отзывов пока нет. Ваш будет первым.

Реклама

Похожие

Ещё по теме