- A
- A
- A
- АБB
- АБB
- АБB
- А
- А
- А
- А
- А
Адрес: 109028, г. Москва, Покровский бульвар, д. 11, S909
Основная задача базовой кафедры – расширить сотрудничество Сбера с факультетом компьютерных наук по подготовке высококвалифицированных ИТ-специалистов для решения задач в сфере искусственного интеллекта и финансовых технологий.
Кафедра объединяет высокий научно-исследовательский и педагогический потенциал факультета компьютерных наук НИУ ВШЭ с обширным практическим опытом, глубокой экспертизой и накопленными прикладными и теоретическими знаниями в области решений на основе искусственного интеллекта, предоставляемыми сотрудниками Сбера.
Создание кафедры стало продолжением магистерской программы «Финансовые технологии и анализ данных», открытой в 2017 году совместно ФКН НИУ ВШЭ и Сбером.
Основные функции кафедры:
- Разработка учебно-методических материалов на основе индустриальных кейсов с участием Сбера;
- Привлечение лучших специалистов Сбера к проведению обязательных дисциплин, дисциплин по выборку и факультативов для студентов факультета компьютерных наук НИУ ВШЭ;
- Организация и проведение профильных хакатонов для студентов с возможностью прохождения победителями сокращенной процедуры отбора при приеме на работу в Data Science подразделения Сбера;
- Организация и проведение воркшопов и конференций с участием студентов, позволяющих, в том числе, сформировать представление о карьерных траекториях в сфере разработки решений на основе искусственного интеллекта;
- Обеспечение трудоустройства выпускников (первого и второго года) и студентов факультета компьютерных наук ВШЭ на более высокие стартовые позиции в Data Science подразделениях Сбера;
- Формирование центра компетенций и обмен экспертизой в целях методологической поддержки других образовательных программ Сбера.
Главные российские ИТ-тренды - 2024
Чернозатонская Е. В., Фуколова Ю. В., Комаров М. М. и др.
М.: Издательский дом НИУ ВШЭ, 2023.
Beklaryan A. L., Akopov A. S.
Lecture Notes in Computer Science. 2025. Vol. 14476. P. 273-280.
Vasilev A., Volodkevich Anna, Kulandin D. et al.
In bk.: RecSys '24: Proceedings of the 18th ACM Conference on Recommender Systems. Association for Computing Machinery (ACM), 2024. P. 1191-1194.
Shabalin A., Meshchaninov V., Chimbulatov E. et al.
arxiv.org. Computer Science. Cornell University, 2024
Открытая лекция «Оценка рекомендательных систем, бенчмарки»
Рекомендательные системы стали неотъемлемой частью нашей повседневной жизни – интернет-магазины, стриминговые сервисы, социальные сети и поисковые системы. Их интеллектуальность, качество выдаваемых рекомендаций постоянно растет даже приятно удивляет. Это достигается за счет постоянного совершенствования используемых алгоритмов и подходов в ядре рекомендательной системы – моделях машинного обучения.
Постоянно выходят научные статьи с очередными убийцами текущих State-of-the-art моделей, однако на практике далеко не каждый новый алгоритм побивает бизнес-цели работающих в проде решений. Почему так происходит? Как правильно выбрать лучший алгоритм для своей рекомендательной системы до вывода в прод и избежать потенциальных экономических потерь при выборе? По каким критериям важно сравнивать модели, которые генерируют миллионы рублей дохода в месяц
В рамках лекции ответим на эти вопросы, а также рассмотрим подводные камни, возникающие в пайплайне решения задачи рекомендаций на основе реального опыта.
Спикер: Денис Куландин, Лидер разработки библиотеки рекомендательных алгоритмов Replay, Сбер
Дата и время: четверг, 14 ноября, 18:10
Место: Покровский б-р 11, аудитория R305
