Вышел трейлер фильма Avatar: Fire and Ash от 20th Century Studios.
Страна: США Жанр: Боевик / Приключения / Фэнтези / Фантастика / Триллер Дата выхода: 19 декабря 2025
Описание: Семья Джейка и Нейтири переживает горе после смерти Нетеяма, сталкиваясь с новым агрессивным племенем На'ви, народом Ясеня, которым руководит огненный Варанг, по мере того как конфликт на Пандоре обостряется и появляется новый моральный ориентир.
Соцсети захватывает новый модный тренд — зубастые игрушки FUGGLER (Фагглер) . Разбираемся, откуда они взялись, и почему всё больше людей считает, что эти монстры очаровательны.
Плюшевые игрушки-монстры с человеческими зубами, страшными глазами и нелепым выражением лица. Все фуглеры разные по цвету, образу, настроению, текстуре и размеру. Есть совсем небольшие брелоки, примерно 5−9 сантиметров в длину, а есть полноценные игрушки до 40 см в высоту.
Их производит канадская компания Spin Master Ltd — один из крупнейших производителей игрушек, в том числе по популярным мультсериалам «Щенячий патруль», «Даша-путешественница» и другим. К развитию мира зубастых монстров компания подходит с душой: на официальном сайте производители не только собрали всех персонажей, но и описали образ и характер каждого, а также запустили целое телевидение фуглеров.
Секрет этой популярности кроется в общем тренде на тягу людей к «отвратительно прекрасным персонажам» вроде Хаги Ваги, Лабубу и Вакуку. Считается, что человечество так устало от идеальной картинки в соцсетях, безупречных «людей с обложек» и эстетичного вайба, что находит отдушину в заведомо деструктивном и неприятном.
Машинное обучение — технология, которая позволяет компьютеру самообучаться и распознавать закономерности. А помогают ему инженеры машинного обучения. Рассказываем, чем они занимаются, какие навыки им нужны и как войти в эту профессию.
Кто такой инженер машинного обучения
Инженер машинного обучения (ML-инженер — от англ. Machine Learning Engineer) — это специалист, который разрабатывает и внедряет алгоритмы, позволяющие программам обучаться на данных и принимать решения без явного программирования. Скажем, специалист по Data Science анализирует данные и строит модели, а ML-инженер оптимизирует их и интегрирует в реальные приложения.
Профессия находится на пересечении программирования, математики, статистики и прикладного машинного обучения. ML-инженер не просто строит модель, а делает так, чтобы она эффективно работала в продакшене, обрабатывала большие объемы данных, быстро реагировала на запросы пользователей и корректно обновлялась по мере поступления новых данных.
Чем занимается ML-инженер на практике
Работа ML-инженера включает сразу несколько направлений. В первую очередь это сбор и подготовка данных. Реальный мир далек от идеала, и данные часто приходят в сыром виде: с пропусками, ошибками и несоответствиями. Инженер должен очистить их, привести к единому формату и расширить с помощью внешних источников.
Следующий этап — выбор и обучение модели. Здесь инженер выбирает один или несколько алгоритмов, проводит эксперименты, настраивает параметры, оценивает качество. Он должен понимать, как работают линейные регрессии, деревья решений, градиентный бустинг, нейронные сети и уметь выбрать нужный инструмент под задачу.
Самое сложное и ответственное начинается после того, как модель готова. ML-инженер превращает ее в часть работающего приложения. Это означает упаковку модели в API, написание серверного кода, оптимизацию по скорости и памяти, мониторинг качества в реальном времени и повторное обучение по мере необходимости. Он также работает над масштабируемостью и надежностью, так как в реальных условиях модели должны обрабатывать тысячи или миллионы запросов ежедневно.
Кроме того, инженер взаимодействует с другими специалистами: аналитиками, продукт-менеджерами, разработчиками. Он объясняет, как работает модель, какие у нее ограничения, как интерпретировать результаты. Коммуникация — неотъемлемая часть его работы.
Какие навыки и знания нужны
Чтобы стать инженером машинного обучения, нужно сочетание теоретической базы и практических навыков:
Уверенное владение языками программирования, прежде всего Python. Большинство библиотек машинного обучения, таких как scikit-learn, TensorFlow, PyTorch, написаны именно на нем.
Знания математики, особенно линейной алгебры, теории вероятностей и математической статистики тоже играют важную роль. Без них невозможно понять, как и почему работает та или иная модель, как интерпретировать ее поведение и где могут возникнуть ошибки. Для повторения основ у нас есть отдельный бесплатный курс базовой математики.
Алгоритмы машинного обучения важно понимать на уровне реализаций: что такое переобучение, как работает регуляризация, какие метрики применимы для классификации, регрессии, кластеризации.
Также важно уметь работать с базами данных (SQL, NoSQL), системами хранения и обработки больших данных (Hadoop, Spark), знать основы DevOps и MLOps (Docker, CI/CD, Kubernetes, автоматизация моделей).
Плюсы и минусы профессии
➕ Востребованность и высокая оплата труда. Инженеры по машинному обучению — одни из самых востребованных специалистов в IT-сфере. Зарплаты выше среднего по рынку, особенно при наличии успешных проектов и глубоких знаний.
➕ Перспективность. ML активно применяется в медицине, финансах, ритейле, науке и других отраслях. Это дает широкие возможности для карьерного роста.
➕ Интеллектуальная работа. Работа подходит тем, кто любит решать сложные задачи и работать с данными.
➕ Богатая образовательная экосистема. По теме ML иного курсов, open-source инструментов, конференций и сообществ. Есть возможность постоянно учиться и обмениваться опытом.
➖ Высокий порог входа. Нужны глубокие знания математики, программирования, а также баз данных, алгоритмов и архитектур моделей.
➖ Работа бывает рутинной. Большую часть времени занимает обработка и подготовка данных, отладка моделей, а не изобретение революционных алгоритмов.
➖ Трудности с внедрением моделей. Не всегда удается успешно интегрировать модель в продукт. Требуются усилия по адаптации под инфраструктуру, масштабированию, мониторингу и учету бизнес-ограничений.
➖ Конкуренция. Растущая популярность профессии означает, что в крупных городах конкуренция среди кандидатов может быть высокой.
Зарплаты ML-инженеров
По данным Dream Job, средняя зарплата ML-инженеров в России за 2025 год составляет 165 000 рублей. Чаще всего зарплаты находятся в диапазоне от 100 000 до 230 000 рублей. Минимальная зафиксированная зарплата — 87 000 рублей, максимальная — 360 000.
Вилки джуниоров в машинном обучении, по данным HH Карьера, составляют от 70 000 до 110 000 рублей. Мидлов — от 220 000 до 250 000 рублей, а сеньоров — от 348 000 до 350 000 рублей.
Вот так выглядят зарплаты в профессии ML-инженер летом 2025 года.
1/2
Перспективы профессии
Машинное обучение используется в самых разных сферах: от финансов и медицины до логистики, маркетинга и развлечений. ML-инженеры разрабатывают алгоритмы для прогнозирования спроса, распознавания лиц, антифрод-систем и рекомендательных алгоритмов.
Спрос на таких специалистов продолжает расти, а уровень доходов остается одним из самых высоких на рынке. По данным исследования, наибольший спрос в сфере анализа данных и ML пришелся на последние четыре года — число предложений выросло в 2,5 раза.
Конечно, вход в профессию требует знаний, самообразования и реальных кейсов. Но те, кто готов учиться и двигаться вперед, найдут в этой области интересную работу с постоянными интеллектуальными вызовами и большими карьерными перспективами.
Как стать ML-инженером
Многие специалисты приходят в машинное обучение из смежных областей: математики, физики, программирования, аналитики. Часто у них есть техническое образование, хотя это необязательно. Важнее — желание учиться и практиковаться.
Один из самых надежных способов — пройти профильное обучение. Это может быть вуз, где есть направления по ИИ и анализу данных, или курсы, ориентированные на практику. Онлайн-платформы предлагают мощные программы, которые можно проходить параллельно с работой или учебой.
Например, стартовать в профессии поможет онлайн-курс «Инженер машинного обучения» Практикума — за 4 месяца вы изучите полный жизненный цикл модели машинного обучения и сможете строить продвинутые ML‑модели. Вы освоите Docker, FastAPI, Airflow, MLflow, Yandex Cloud и другие инструменты, добавите 7 ML-проектов в портфолио и получите диплом о профессиональной переподготовке.
Валера то шарил рукой под рулём, то, хмурясь, таращился в советский ещё атлас автодорог – от райцентра навигатор уже не видел сети, изредка кидая на экран сообщение об ошибке.
Антос вглядывался в мелькающие вдоль грунтовки тёмные стволы, не такие приветливые, как помнилось детством. В дошкольстве родоки на лето сбрасывали их в руки бабушки, в самую эту Орловку. Пыхтящий батин тихоход, ушастый запорожец, пёр надувшегося, лишённого компании друзей, Тошу и бледную Алёнку в сторону тёмной, пропахшей дрожжевым тестом и сушёными грибами бабкиной избы. Алёнка прижимала к себе куклу, щекастую Ворошиловградскую Валю, квакавшую «ма-ма» на каждом ухабе, и тихонько кашляла. Пожалуй, это было как раз последнее лето: обиженный изгнанием из города Тошка именно эту Валю и зашвырнул в тёмно-зеркальную болотину, пытаясь сравнять счёт с мировой несправедливостью. Лето тогда не досидели: Алёнка стала кашлять ещё больше, в городе слегла и совсем уже не вставала, а сентябрьский переезд к батиным родителям Тошки и заплаканной до черноты мамы случился уже без Алёнки. Оттуда, за шесть с малым сотен вёрст, в Орловку уже никто не ездил.
Валера остановил УАЗик, вылез на дорогу, выпустил в темнеющее небо табачный выдох.
– Что вот ей сдалась Орловка-то эта? Хрен доедешь же. – Ага, ты с Николавной ещё поспорь.
Ольга Николаевна Луконина, выпускающий этнографический редактор, недвусмысленно обвела мигающим пунктиром на экране Орловку и прилегающее к ней болото.
– Вот отсюда, мальчики, и расползаются у нас, по слухам, игоши. Выяснить, собрать материалы, лучше опровергнуть.
Возражать Оле-Лукойе в настроении чёрного зонтика смельчаков не было и теперь УАЗик чавкал глиной колеи, неизбежно приближаясь к выделенному фрагменту.
– Да вон уже, Валерыч, один поворот и приехали. – А я не знал, Петров, что ты у нас местный, - Валера заржал и принялся упихиваться за руль.
********
У дверей второй от леса избы маячила тонкая фигурка в белой в сумерках одежде.
– Лукойе говорила, деревня совсем брошенная… - с недоверием протянул Валера. – И она не всевидящая, - пожал плечами Антон.
Вблизи уже было видно, что стоит на крыльце девчонка моложе их самих, чуть не первокурсница, в фольклорном новёхоньком сарафане.
– Ребят, вы тоже историки из педагогического? – Не, писаки из обозрения, по жареные легенды, - Антон спрыгнул на землю, сверкая парадной улыбкой. – Ой, а наших не видели? Буханка такая, серая, в райцентр поехали. Я кстати Валя, Валёна. – Антон. – Валера.
Валера окинул взглядом шеренгу тёмных изб и сокрушенно присвистнул: – Запоздались-то, рук уже не видать, как на ночеву будем? – Так давайте в нашей, хоть со светом, мои, наверное из райцентра утром поедут. – Валёна распахнула дышащую свежей древесиной дверь в избу.
Парни накрыли немудрящий ужин на длинном дощатом столе. Валя от еды отказалась – дескать, вечеряла уже, и только, пожёвывая травинку с кисточкой соцветия, хохотала над Валериными шутками.
Загасив фонари, улеглись на лавках у того же стола, подложив под голову куртки.
********
Проснулся Антон от чувства, что кто-то тяжелым давит ему на всю грудь, не давая воздуху ни войти, ни выйти. В темноте, светясь, парило щекастое лицо Ворошиловградской куклы Вали, смотря сквозь него светлыми Алёнкиными глазами.
– Ма-ма, - попытался сказать Антон, но только почувствовал хлынувшую ему в рот болотную воду.
********
– Ну Оль Николавна, ну мне откуда знать, что он лунатик… Я просыпаюсь, а от избы только следы его к болоту… - переминался с ноги на ногу Валера перед сжимающей добела кулаки Лукониной.
Акрил- это в принципе твердый пластилин. что с вами не так, что вы не в состоянии сделать простейший предмет- кухонную столешницу? . Я сам, своими руками полировал оргстекло для рамы , фаску по 45, шириной 5-7 см.
"Заставить деньги работать" - на мой взгляд, важнейший принцип в инвестициях. Активно стараюсь этому научиться, но иногда результаты совсем не радуют.
Когда разбирал биржу Битгет, открыл для себя достаточно интересный инструмент - торговых ботов. Изначально тестировал простого сеточного бота: цена падает на Х% - бот покупает на 10% депозита, падает на 2Х% - бот еще покупает, растет цена - бот продает то, что накупил. То есть идеальная реализация формулы "покупай дешево, продавай дорого". Тестировал такого бота больше полугода, результат меня вполне устраивал:
Сумма небольшая, но в % получается очень солидно. Причем я наблюдал и просадку биткоина, даже в достаточно грустные моменты, прибыль сетки в основном перекрывала убытки от падения актива, а когда биток начал расти, получалось совсем хорошо.
Начал копаться дальше, сеточный бот - это хорошо, но есть же и более интересные варианты! В торговлю фьючами я даже через бота лезть не захотел, а вот добавить в спотовую торговлю элементы теханализа - должно же получиться еще лучше, чем банальная сетка? По крайней мере, "30-дневный проверенный APY" обещал просто шикарные цифры! Вот примерно такие:
Довольно солидный результат!
Еще более заманчивые цифры предлагали соседи по вкладке:
Ну а в такие результаты я не верю, но очень хотелось их получить:
Заходил я в данные стратегии почти 2 месяца назад, биткоин тогда торговался около $105к. Сейчас - больше $117к, да и 120к он пробивал. Так как стратегии "интеллектуальные", основанные на стабильных технических индикаторах, я же должен был заработать, правда?
Ну, трехзначную доходность я получил, но есть нюанс...
Как боты умудрились так "интеллектуально" слить мои деньги - я до сих пор не понимаю. Даже разбирая логи покупок и продаж - КАК они наторговали в минус на растущем активе, без возможности взять плечо? Понятно, что можно покупать на горках и продавать на ямках, но не думал, что такое мастерство покажут боты, построенные на широко используемых индикаторах.
Развлечение с ботами я на этом завершаю, переложу деньги в пулы ликвидности - там я хоть понимаю механизм возможных потерь))
