Advertise on podcast: Это считается

Врываемся в новый, специальный сезон! Записали его прямо на «Матемаркетинге» — крупнейшей конференции по маркетинговой и продуктовой аналитике в России. Ее спикеры стали гостями нашего подкаста, а говорили мы с ними об AI. Мы позвали людей, которые работают на самых разных участках AI-фронтира, чтобы охватить как можно больше интересного для аналитиков и около-аналитических профессий в этом стремительно меняющемся явлении. Это суперсжатый вью, который мы выпускаем, пока он не успел устареть. В этом выпуске с ведущим экспертом по ML в России Виктором Кантором обсуждаем: что AI уже делает для бизнеса, а где он пока бессилензачем нанимать джунов, если у всех есть LLMкакие задачи аналитиков пора отдать машинамкакие навыки станут обязательными для аналитиков ближайшего будущегоможет ли AI заменить топ-менеджеров (и кого он точно не заменит) Разбираемся, как AI меняет профессии (аналитиков, ML-щиков, разработчиков, продактов и, вообще, всех, кто работает с данными и продуктом) и погружаемся в новые правила найма (привет тем, кто проходит собесы с помощью нейросетей!).  А еще в этом сезоне у нас новая, трендовая рубрика. Как послушаете, делитесь впечатлениями в нашем телеграм-канале https://t.me/eto_schitaetsya Тайм-коды: 00:12 Начало выпуска 01:31 Тема выпуска 01:42 Гость выпуска — Виктор Кантор 03:02 Путь Виктора Кантора в ML 04:23 Что AI сейчас может, а что не может делать для бизнеса 08:26 Зачем нанимать джунов, если есть AI? 09:28 Рутина аналитиков, которую можно передать AI 12:07 AI, который приносит деньги 13:56 AI заменит топ-менеджеров? 19:15 AI + аналитик: как изменится профессия 22:57 Рубрика «Базовый минимум или роскошный максимум» 26:48 AI-ассистенты в работе и личной жизни — добро или зло? 34:46 Найм в новых реалиях: кого и как 37:07 Как Даня нанимает аналитиков-стажеров 40:30 Рубрика «Что считается?» 42:28 Завершение выпуска

Генеративный AI уже меняет работу аналитиков, продактов, дизайнеров и других digital-спецов, и в этом выпуске мы, наконец, честно разбираемся, где за технологиями стоит реальная польза, а где — пока только красивые демки. Практическое применение генеративного искусственного интеллекта обсуждаем с Денисом Димитровым — управляющим директором по исследованию данных в Сбере и одним из главных создателей Kandinsky и GigaChat. В выпуске: как рождаются фундаментальные модели и почему именно они двигают рынокзачем Сбер выложил Kandinsky в опенсорс и что это далочто внутри LLM: разбираемся как именно генерируется текст, картинки и видеомультимодальность vs. омнимодальность — следующий виток технологийкакие генеративные модели сегодня самые продвинутые + личный опыт использованиякак компании экономят миллионы на автоматизации процессов с GenAIгде GenAI усиливает людей, а где — становится рискомкто отвечает за ошибки генеративокправда ли LLM тупеют и что будет, если кормить их плохими даннымиближайшее будущее GenAI Говорим про будущее, которое уже работает в проде. Легко, честно и с примерами, которые каждый сможет перенести в свою работу и, вообще, в жизнь. Что считается в эпоху генеративного AI? Делитесь в нашем телеграм-канале https://t.me/eto_schitaetsya Тайм-коды: 00:12 Начало выпуска 01:24 Гость выпуска — Денис Димитров 01:33 Тема выпуска 01:44 От математики к AI, от теории к практике: путь Дениса Димитрова 03:09 Главные факторы развития AI 05:48 Создание и развитие нейросети Kandinsky 06:48 Зачем выкладывать свою нейросеть в опенсорс 08:19 Как и какие генеративные модели используют Даня и Денис 11:46 Чем отличается работа LLM с изображениями и с текстом 15:12 Фундаментальная модель как основа для продукта 16:51 Интеграция генеративных моделей в рабочие процессы 18:25 Когда генеративные модели приносят вред и кто несет ответственность 20:53 Генеративные модели в обучении 21:36 Рубрика «Базовый минимум или роскошный максимум» 25:36 Чем отличаются мультимодальная и омнимодальная модели 26:55 Способы проверки качества генеративных моделей 29:29 LLM для бизнеса: гонка на мировой арене vs. продуктовый подход 32:58 Ближайшее будущее генеративного AI 34:54 Авторское право и генеративные модели 36:40 Как создается и обрабатывается датасет моделей 37:49 Генеративные модели тупеют? Как влияют некачественные данные 41:36 Выводы 42:39 Рубрика «Что считается?» 43:35 Завершение выпуска

AI-ассистенты в аналитике — уже не будущее, а наше настоящее. Как «цифровые коллеги» устроены изнутри? Могут ли они заменить живого аналитика, или их роль — быть мощным инструментом в наших руках?  В этом выпуске говорим об аналитических AI-агентах с Сергеем Денисовым, который отвечает за аналитические продукты в Яндекс Рекламе (тот самый человек, который стоит за развитием Яндекс.Метрики).   Заглянем под капот и узнаем: В чем сложность анализа аналитических продуктовЗачем Яндекс.Метрика внедряет AI-ассистента и что он умеет прямо сейчасКак устроена мультиагентная архитектура и зачем нужна целая команда AI-агентовМогут ли аналитические AI-ассистенты быть инструментом для непрофессионаловКакие данные нужны AI-агентам для качественного анализаЧто в аналитике невозможно автоматизировать   В общем, мы продолжаем разбираться, как использовать искусственный интеллект как свою суперсилу. А в вашей работе AI-ассистенты уже базовый минимум или все еще роскошный максимум? Делитесь в нашем телеграм-канале https://t.me/eto_schitaetsya Тайм-коды: 00:12 Начало выпуска 01:17 Тема выпуска 01:25 Гость выпуска — Сергей Денисов 01:53 Чем именно Сергей занимается в Яндекс.Метрике 03:04 Как анализировать аналитические продукты 10:06 Почему Яндекс.Метрика пошла по пути внедрения AI-ассистентов 11:03 Data driven профессии: кто теперь пользуется данными 12:35 Рубрика «Базовый минимум или роскошный максимум» 21:28 Как будут развиваться AI-ассистенты в аналитике 24:31 Что уже делает AI-ассистент в Яндекс.Метрике 26:02 Какие данные нужны AI-агентам для качественного анализа 35:42 Мультиагентная архитектура AI-ассистента в Яндекс.Метрике 38:16 Будущее AI-ассистента в Яндекс.Метрике 42:03 Что в аналитике не будет автоматизировано 47:00 Рубрика «Что считается?» 47:36 Завершение выпуска

Что ждет базы данных, аналитику и нас самих в эпоху искусственного интеллекта? Как и зачем превращать «умные данные» в «данные со смыслом»? Останемся ли мы в будущем людьми или сольемся, наконец, с бесконечно вечным?  В завершающем сезон выпуске, записанном на конференции «Матемаркетинг», мы говорим с человеком-легендой — Олегом Бартуновым, который стоял у истоков СУБД в России, открыл Postgres для всего мира и основал Postgres Professional.   В этом выпуске: · Эволюция данных: от Big Data к Smart Data и NooData · AI-агенты в базах данных: что они меняют · AI-изация в Postgres и аналитических инструментах Т · Базы данных будущего: какими они будут · Воспитание AI: почему ИИ нужно учить, как ребенка, и какие знания ему нужны · Как изменится работа инженеров данных и аналитиков в эпоху AI · Правда ли ИИ — наша следующая ступень развития   Развиваем тему в комментариях нашего телеграм-канала https://t.me/eto_schitaetsya — присоединяйтесь. А тех, кто дослушает выпуск до конца, ждет новогодний сюрприз от нас! Тайм-коды: 00:12 Начало выпуска 00:18 Тема выпуска 01:22 Гость выпуска — Олег Бартунов 01:45 PostGres и вклад Олега в него 06:15 Умные данные: что меняется в базах данных и что их ждет в ближайшее время 13:48 AI-изация в PostGres, Tengri Data Platform и аналитических инструментах Т-Банка 20:23 Данные со смыслом: что такое NooData и почему за ней будущее 25:56 Как собирать нооданные 29:32 Мы станем ИИ? 29:52 Как изменилось образование и как взрослым развиваться в эпоху AI 33:18 Рубрика «Базовый минимум или роскошный максимум» 35:54 Автономность и адаптивность: базы данных будущего 38:08 Инженеры данных и системные аналитики всё? Будущее профессий 40:14 Опыт Т: аналитика и использование данных в Шопинге 45:21 Рубрика «Что считается?» 46:10 Завершение выпуска  46:43 Новогоднее поздравление

Мы продолжаем экспериментировать, и у нас новый необычный сезон. Посвятим его математичности и всему, что с ней связано. Про что это? Про любовь аналитиков (и не только) к математике, про образование, эксперименты, критическое мышление и многое другое.  Начнем с олимпиад. Спойлер: этот выпуск не только для школьников и студентов (хотя им тоже очень советуем послушать!). Что нового в олимпиадах, как меняются поколения в digital-профессиях и для чего взрослым инвестировать свое время в образовательный движ — обсудим с Юлей Гуровой, членом жюри Всероссийской олимпиады по экономике и членом методкомиссии олимпиады DANO.  А еще в этом выпуске мы, наконец, дошли до понимания сути кварков, о которых все сезоны говорил Даня.  Интрига сезона — изменились не только темы и рубрики, но и состав ведущих! Как послушаете, делитесь впечатлениями в нашем телеграм-канале https://t.me/eto_schitaetsya  Тайм-коды: 00:00 Начало подкаста 00:19 Темы сезона и выпуска 01:28 Гостья — Юля Гурова 02:04 Как попасть в олимпиадную движуху 05:08 Олимпиады как путь поступления 07:23 Эволюция олимпиад. DANO 08:54 Кто может участвовать в олимпиадах и зачем нужны хакатоны 14:24 TikTok, Chat GPT и новое поколение участников олимпиад 18:44 Рубрика «Зачем учить математику» 21:41 Зачем олимпиады вузам и компаниям 26:57 Как выбирать женихов, работу и будущих сотрудников 29:15 Хочу создать олимпиаду: как действовать 31:57 Команда олимпиады: кто и что делает 33:53 Зачем профессионалам инвестировать время и силы в олимпиады 39:26 Как именно внести свой вклад в развитие олимпиад 41:20 Советы школьникам и их родителям 43:06 Рубрика «Что считается» 44:44 Подводим итоги

Наша команда в полном составе — на технической конференции по продуктовой аналитике Aha 2025! Этот спецвыпуск мы записали прямо со сцены, да еще и перед живой аудиторией. Вашему вниманию его аудиоверсия. Тема, под стать сезону, околонаучная. Обсудили, что из математических предметов университета пригодилось нам в жизни и в работе (разобрали конкретные кейсы!) и как сами вузы могут помочь аналитикам вывести исследования на новый уровень.  Вспомнили прошлое и заглянули в мир RnD вместе с Кириллом Кочневым — руководителем направления продуктовой аналитики в HeadHunter, и Жорой Сукасяном — руководителем экосистемной аналитики в Т-Банке. Если не успели пообщаться с нами вживую на конференции, с удовольствием обсудим ваши кейсы в нашем телеграм-канале https://t.me/eto_schitaetsya Тайм-коды: 00:00 Начало выпуска 01:01 Тема выпуска 01:22 Гости — Кирилл Кочнев и Жора Сукасян 02:13 Кто где учился и что вынес из универа для работы и жизни 07:29 Метод дихотомии 08:14 Метрическое пространство 09:29 Математическая оптимизация 11:09 Алиса: что у нее под капотом 16:05 Экономические модели в аналитике 18:59 Золотое сечение 21:18 Теория игр и равновесие Нэша 22:29 RnD: на стыке науки и бизнеса 25:58 Исследования на аутсорсе 26:36 Как выбрать, кому отдавать исследования на аутсорс 28:27 Как работать с учеными 34:44 Трудности перевода: язык науки и язык бизнеса 37:55 Зачем учить математику 39:12 Что считается 39:27 Кейс от слушателя 41:01 Завершение выпуска

Продолжаем углубляться в математичность и все, что с ней связано. В этом выпуске поговорим про критическое мышление. Когда в сомнениях есть польза, нужно ли разбираться в теме, чтобы о ней рассуждать, как невидимый дракон связан с формулой Байеса и зачем аналитикам (и не только) интеллектуальная скромность и интеллектуальное мужество?  Все это обсудим с Викторым Горбатовым — тренером по критическому мышлению и аргументации, автором более 30 научных статей и двух учебных пособий по логике, в прошлом преподавателем НИУ ВШЭ.  Ну и, самое главное, разберемся, как критическое мышление развивать — будем практиковаться прямо в эфире! Приготовили для вас классные упражнения. Слушайте, делайте, а потом делитесь в нашем телеграм-канале https://t.me/eto_schitaetsya, как получается применять критическое мышление в жизни и работе. А если хотите еще больше углубиться в тему, заглядывайте в телеграм-канал Виктора Горбатова https://t.me/podumai2 Тайм-коды: 00:00 Начало подкаста 00:56 Тема выпуска 01:07 Гость — Виктор Горбатов 01:30 Что такое критическое мышление 03:00 Три компонента критического мышления 05:40 Важна ли экспертность 10:19 Перенос критического мышления на другие области 12:19 Критическое мышление и генетика 13:24 Интеллектуальные скромность и мужество 15:18 Критическое мышление в аналитике 19:25 Притча про невидимого дракона 22:28 Формула Байеса — икона критического мышления 26:57 Упражнение «Калибровка уверенности» 32:32 Упражнение «Голландская книга» 34:36 Как Даня и Юля применяют критическое мышление в работе 36:16 Метод «Пять почему» 37:16 Правило «7-38-55» 39:38 Рубрика «Что из вуза пригодилось в жизни» 40:58 Как проверить себя здесь и сейчас 44:38 Рубрика «Что считается» 44:59 Завершение выпуска

В этом выпуске говорим об AI с точки зрения науки и математики. Обсуждаем, как в этой сфере проходят исследования, что общего они имеют с аналитикой, кто может ими заниматься и зачем компании создают внутри целые AI-центры. А еще попробуем расставить точки над «и» в вопросе, чем же отличается работа в продукте, в RnD и в исследованиях. У нас так много вопросов! Как в исследованиях применяют LLM? Почему AI-исследователи не думают о продукте? Что такое God feeling ресерчера и как его развить? Все ответы есть у гостя этого выпуска — руководителя Research направления AI-Центра Т-Банка, победителя рейтинга Forbes «30 до 30» в категории «Наука и технологии» 2025, Даниила Гаврилова.  Слушайте и делитесь своими впечатлениями в нашем телеграм-канале https://t.me/eto_schitaetsya Тайм-коды:  00:11 Начало выпуска 00:45 Тема выпуска 01:02 Гость — Даниил Гаврилов 01:50 Что такое ресерч в AI 03:35 Думают ли в ресерче о пользователях? 04:26 Мотивация в ресерче и выбор направления исследований 07:46 Кто работает в ресерче 09:25 Майндсет и навыки исследователя в AI 11:16 Почему важно не концентрироваться на результате 14:49 Gut feeling: роль интуиции в ресерче 15:57 Нужно ли быть гением математики для ресерча в AI 17:03 Рубрика «Зачем учить математику?» 17:31 Методы и гипотезы в ресерче 22:02 Что считать финальным продуктом ресерча 25:20 Рецензирование исследований 26:28 Как оценить значимость исследования 29:03 Расставляем точки над «и»: отличия ресерч-отдела от RnD 30:44 Применение LLM в исследованиях 35:43 Что именно исследует AI-Центр Т-Банка 36: 55 Отличия ресерч-отделов в разных компаниях 37:52 Зачем компаниям свой ресерч 39:23 Выводы 40:20 Рубрика «Что считается?» 40:34 Завершение выпуска

В этом выпуске говорим о самообразовании. Зачем в век AI продолжать учиться? Что такое «синдром вечного ученика» и как не попасть в его ловушку? Где баланс между «надо» и «хочу»? Как эффективнее обучаться и чем в этом помогает математический склад ума? Все это обсудили с человеком, который ни на день не перестает учиться и успел до 30 попасть в тот самый рейтинг Forbes, победив в категории «Управление». В гостях у нас CDO Райффайзенбанка в России Андрей Сухань. Андрей поделился своими подходами к обучению, а вы делитесь своими — в нашем телеграм-канале https://t.me/eto_schitaetsya Тайм-коды: 00:12 Начало выпуска 00:39 Тема выпуска 00:50 Гость — Андрей Сухань ​​01:05 В чем суть обучения 05:30 Рубрика «Зачем учить математику?» 06:14 Математики vs. гуманитарии 08:09 От математики к аналитике 09:25 Мотивация к постоянному обучению 11:26 Как выбирать, чему учиться 12:43 Книга, которая научит всему 14:14 Надо vs. хочу 19:00 Синдром вечного ученика 24:28 Чему сейчас учится Андрей 26:20 Что могут дать курсы, YouTube и AI 30:49 Почему в век AI все еще нужно учиться 35:34 Сто раз отмерь: как выбирать материал для изучения 39:20 Графовый подход к обучению 42:35 Рубрика «Что считается?» 42:56 Завершение выпуска

В новом выпуске говорим про ТИгр. И нет, это не о полосатых обитателях лесов и саванн и не о Т-Играх Т-Банка. Речь о теории игр. Разбираем, как предсказывать поведение других и быть всегда на шаг впереди, когда выгоднее действовать в своих интересах, а когда кооперироваться, и что нужно, чтобы стать хорошим стратегом по жизни.  А еще: как теоретико-игровые механики могут не только бустануть бизнес, но и повысить ВВП целой страны? Было ли равновесие Нэша в «Играх разума»? И как «Теория большого взрыва» учит нас моделировать «игры»? В общем, интересно будет явно не только аналитикам.  Обсуждаем все это с Дмитрием Дагаевым — заведующим Лаборатории исследований спорта факультета экономических наук НИУ ВШЭ, доцентом РЭШ, который уже много лет преподает теорию игр.  Слушайте и делитесь в нашем телеграм-канале https://t.me/eto_schitaetsya, в какие игры играете вы.  P.S. Все же уже поняли, что мы не про компьютерные игры? В общем, ждем ваших кейсов применения теории игр! Тайм-коды: 00:12 Начало выпуска 00:49 Тема выпуска 01:09 Гость — Дмитрий Дагаев 01:28 Что такое теория игр (ТИгр) 03:30 Вся наша жизнь — игра? 07:28 Равенство Нэша 11:49 Дилемма заключенного 16:27 Ценовые войны 19:54 Моделирование «игр» и аукционы 25:51 Научный киноляп: неравновесие Нэша в «Играх разума» 28:07 ТИгр в «Теории большого взрыва», или Что нужно учитывать при моделировании «игр» 30:44 Как построить корректную модель «игры» 33:14 Рубрика «Зачем учить математику?» 35:20 Как стать хорошим стратегом 38:05 Применение ТИгр в аналитике 42:51 Индивидуализм vs. кооперация: кто какую стратегию выбирает 46:09 ТИгр в построении команд 51:31 Вывод 52:14 Рубрика «Что считается?» 52:56 Завершение выпуска

В этом выпуске разбираемся с одной из самых известных платформ для специалистов по анализу данных и машинному обучению — Kaggle. Что это вообще такое и нужно ли оно вам?Спойлер: Kaggle — это как олимпиада для взрослых, но не столько ради медалей и призов (хотя и они там имеются), сколько ради реального профессионального роста. Как стать гранд-мастером Kaggle и почему это работает лучше любого резюме? Что Kaggle дает аналитикам и зачем сражаться за тысячные доли после запятой в метриках? Что общего Kaggle имеет с реальными бизнес-задачами и как AutoML делает ML-щика даже из тех, кто не умеет в ML? Обсуждаем все это с нашим гостем, который уже 14 лет в Kaggle, единственным в России четырехкратным гранд-мастером Kaggle, победителем Kaggle AutoML Гран-При 2024 и руководителем R&D-юнита в AI-лаборатории Авито — Александром Рыжковым. Слушайте, вдохновляйтесь и делитесь в нашем телеграм-канале https://t.me/eto_schitaetsya своим опытом на Kaggle! Тайм-коды: 00:12 Начало выпуска 00:40 Тема выпуска 00:54 Гость — Александр Рыжков 01:06 Что такое Kaggle 03:09 «Олимпиада для взрослых»: задачи реального бизнеса на Kaggle 06:15 В поисках сокровищ: секреты компаний на Kaggle 10:14 Зачем участвовать в соревнованиях Kaggle 13:14 Как стать гранд-мастером Kaggle 17:15 Навыки будущего гранд-мастера Kaggle 21:01 AI-инструменты в Kaggle 23:32 Kaggle и математика 25:40 Рубрика «Зачем учить математику?» 27:01 Зачем Kaggle аналитикам 31:41 Чем соревнования Kaggle отличаются от прода 33:48 AutoML как инструмент для соревнований Kaggle и для бизнеса 44:42 Вывод 47:01 Рубрика «Что считается?» 47:20 Завершение выпуска

В этом выпуске мы решили отойти от строго математических тем и теорий и поговорить о рекламе — это ведь тоже целая наука, и математики в ее основе не мало. Разбираемся, как работает рынок рекламы изнутри, почему аналитика должна стоять во главе формирования рекламных бюджетов и что из рекламной аналитики стоит перенять продуктовой. Обсуждаем: рекламу глазами клиента, закупщика и платформы: три разные перспективы как формируется стоимость рекламы и какое место тут занимает аналитика инсайдерскую информацию о российском рекламном рынке рекламные аукционы, другие механики продаж и аналитические ловушки нейробиологию в рекламе интеграцию рекламы в AI-продукты и ее будущее и, конечно, главный вопрос рубрики «Зачем учить математику?» — без нее в рекламе никуда. Погружаемся в мир рекламы с нашим гостем — Романом Назаренко, который отвечает за DWH в Т-Банке и рулит аналитикой рекламы T-Ads. Выпуск будет полезен аналитикам, маркетологам и всем, кто хочет понимать, почему реклама — это не только креатив, но и строгая наука. Слушайте, вдохновляйтесь и делитесь своими мыслями об аналитике в рекламе в нашем телеграм-канале https://t.me/eto_schitaetsya Тайм-коды: 00:12 Начало выпуска 00:58 Тема выпуска 01:16 Гость — Роман Назаренко 01:39 Реклама глазами клиента — ведущих и гостя 06:25 Круто, ты попал на ТВ? Проблемы ТВ-рекламы и баннеров  11:04 Виды рекламы, стоимость и причем тут аналитика 20:00 Российский рынок рекламы сегодня: инсайдерская информация 23:51 Реклама глазами закупщика: особенности аналитики в рекламе 25:48 Реклама глазами платформы: аукционы и другие механики продажи рекламы 33:07 Рубрика «Зачем учить математику?» 34:28 Аналитические ловушки в рекламе 39:43 Нейробиология в рекламе 41:26 Это перенимается: что из рекламной аналитики применяется в других сферах 43:45 Будущее рекламы: интеграция в AI-продукты 50:02 Вывод 52:11 Рубрика «Что считается?» 52:37 Завершение выпуска

Как рождаются знания и что это вообще такое? Можно ли описать весь мир с помощью математики? Почему природа, не имея интеллекта, все же «учится»? И главное — можем ли мы ускорить этот процесс и стать теми, кто переиграет природу? В этом выпуске мы говорим о том, как рождаются новые знания: от простых бытовых наблюдений до научных прорывов и алгоритмов машинного обучения. Обсудим, что такое сознание и самопознание, зачем нам математика и как она стала инструментом для понимания реальности.  А еще попробуем заглянуть в будущее и предсказать, когда AI обретет самопознание, а человек — цифровое бессмертие. Обсуждаем все это с Кириллом Николаевым, директором по аналитике Т-Технологий, и Ромой Филевым, руководителем отдела экспериментов и Data Science Consulting в Т-Банке. Приготовьтесь, будет и наука, и философия, и немного фантастики, и очень много поводов задуматься. Ведь у природы времени хоть отбавляй, а у нас с вами — нет. Но 53 минуты-то, найдется?  Слушайте и обязательно делитесь своими мыслями по теме в нашем телеграм-канале https://t.me/eto_schitaetsya Meta, продукт которой упоминается в выпуске, признана в России экстремистской и запрещена. Тайм-коды: 00:12 Начало выпуска 00:42 Тема выпуска 01:07 Гости — Кирилл Николаев и Роман Филев 01:24 Что такое знания и интеллект 04:55 Как знания получает наука 06:05 Как знания получают люди 07:34 Есть ли познание в неразумной жизни? 12:49 Методы познания у животных и человека 17:51 Рубрика «Зачем учить математику?» 24:04 Адаптивность и выживание 28:16 Любознательность как важный компонент интеллекта 30:26 Мозг современного человека и влияние быстрого контента 37:23 Самопознание у AI 44:17 Будущее AI и человечества — симбиоз? 50:25 Вывод 52:13 Рубрика «Что считается?» 52:55 Завершение выпуска

Это заключительный выпуск сезона, и мы символично записали его в сердце образования — кампусе Центрального университета (ЦУ). Все-таки весь сезон мы говорили о науке и математичности, обсуждали обучение, эксперименты и тому подобное. Гость выпуска — ректор ЦУ Евгений Ивашкевич. Вместе мы обсудили современное высшее образование, роль математики в нем и как бизнес может быть вовлечен в образование. А еще:  как можно из ученого стать директором по рискам, а потом ректором университета;эффективен ли научный подход в бизнесе;зачем банку создавать вуз;что такое предпринимательский университет;чем студенты ЦУ отличаются от выпускников классических вузов;сколько стоит запустить университет и по каким метрикам можно понять, что он успешен;какое образование ждет нас в будущем. Слушайте, обязательно делитесь своими мыслями по теме и впечатлениями обо всем сезоне в нашем телеграм-канале https://t.me/eto_schitaetsya. Ну, а мы скоро вернемся с новыми идеями, темами и гостями!  Тайм-коды: 00:12 Начало выпуска 01:17 Тема выпуска 01:29 Гость — Евгений Ивашкевич 01:37 Между физикой и музыкой: неделимое в жизни Евгения 04:34 От директора по рискам к ректору Центрального Университета (ЦУ) 08:45 Рубрика «Зачем учить математику?» 10:40 Математический подход в бизнесе 14:03 Дизрапт в образовании: почему важно учить навыкам 19:46 Специалист vs. генералист 20:40 Массовое образование — не всегда хорошо? 23:01 Что значит готовить профессионалов для бизнеса 27:13 STEM-подход в образовании 29:22 A/B-тесты на студентах 30:40 Сколько стоит запустить университет 31:18 Цель ЦУ 32:03 Метрики качества образования в ЦУ 33:55 ЦУ и другие вузы — конкуренция или партнерство? 38:19 Настоящее и будущее ЦУ: направления и программы 39:55 Что такое «университет 3.0» 43:11 Вывод 44:13 Совет от Евгения 45:02 Рубрика «Что считается?» 45:36 Завершение выпуска

Под конец 2024-го мы решили знатно пошуметь и записать нестандартный сезон.  В этом коротеньком спешле мы не будем обсуждать IT и digital. Тренд на офлайн и цифровой детокс добрались и до нас!  В ближайших пяти выпусках будем исследовать аналитику непривычных для нас сфер и направлений. Начнем со спортивной.  Как собирать данные на стадионе и может ли хороший аналитик спасти среднюю команду, — обсудим с Владиславом Шуфинским, автором телеграм-каналов NBA Atlantics и «Цифры в спорте».  Но прежде, чем подписаться на каналы Влада, проверьте подписку на наш телеграм-канал — https://t.me/eto_schitaetsya Проверили? Теперь подписывайтесь на Влада  https://t.me/s/numbers_in_sport https://t.me/nbaatlantic Тайм-коды: 0:00 Начало подкаста 01:10 Гость — Влад Шуфинский 01:35 Спортивная аналитика: что считаем 04:23 Историческая справка 07:13 Спортивная аналитика работает на длительной дистанции 09:38 Авторитет у аналитики в спорте 11:40 Задачи спортивного аналитика 13:08 Аналитика для сбора команды 15:59 Кейс аналитиков в Ливерпуле: от провала до успеха 18:03 Трекинг и ивент-данные в спортивной аналитике 20:35 Типы данных в спортивной аналитике 22:00 Ручная разметка данных — специфика спортивной аналитики 23:15 Взаимодействие аналитиков и тренерского цеха  24:42 xG – метрика 27:43 Анализ конкурентов в спорте 29:12 Как аналитика повлияла на баскетбол 30:33 Анализ пенальти в футболе 33:39 Пределы аналитики в спорте 35:52 Драфты NBA 38:35 Рубрика «Это перенимается»  43:18 Подводим итоги