ML BORODA (Михаил Бородастов)
@ml_boroda
с 31.05.2026
Более 6 лет запускаю AI/ML продукты в промышленности, финтехе и на маркетплейсах. Перешел в продуктовый менеджмент из Data Science. https://t.me/mlboroda
1 подписчик
0 подписок
В банках задача антифрода решается с применением следующих подходов:
1. Ключевая метрика — GINI (преобразованный ROC AUC)
Кардинальная смена работы. Кто из нас не задумывался об этом?
Все продукты с применением AI/ML можно условно разделить на 2 типа.
В классической продуктовой разработке обычно можно четко описать ожидаемый результат. Функциональность проверяется относительно исходных требований к логике работы системы.
Роль ML Product Manager предполагает тесное взаимодействие с командой Data Scientist-ов. Мне удалось поработать с 50+ DS-ми в разных компаниях. Ниже опишу важные качества, которыми обладали самые сильные ребята.
LLM работает с токенами. На каждом шаге генерации ответа модель выдает вектор логитов.
Когда вы выводите ML-продукт на B2B рынок, вы почти всегда проходите одну и ту же цепочку:
В Wildberries я отвечал за техническую секцию собеседований на роль Technical Product Manager AI/ML-продуктов. В посте расскажу, как проводил собесы.
На слайде архитектура и родмап построения цифровых двойников в промышленности. (Цемент, руда, газ, алюминий, бумага — 5 доменов, с которыми удалось поработать)