Proglib рассказывает про исследование, которое завирусилось в сети в формате рилса

import plexe

model = plexe.Model(
    intent="Предсказать тональность новостных статей",
    input_schema={"headline": str, "content": str},
    output_schema={"sentiment": str}
)

model.build(
    datasets=[your_dataset],
    provider="openai/gpt-4o-mini"
)

prediction = model.predict({
    "headline": "Прорыв в области ИИ",
    "content": "Учёные достигли впечатляющих результатов..."
})

pip install plexe

«Я часто вижу вакансии на Data Analyst/BI (SQL, дашборды), Data Engineer (пайплайны, ETL) и AI/ML Engineer (в основном развёртывание моделей и LLM). А вот классической роли Data Scientist — с фокусом на статистическое моделирование, дизайн экспериментов и комплексное решение задач — всё меньше.

Так компании просто разбивают эту «универсальную» роль на несколько специализированных? Или рынок ушёл от «единорога», который умеет всё сразу?

Как у вас обстоят дела с этой ролью? Всё ещё занимаетесь классической аналитикой и статистикой или перешли в более узкую специализацию?»

def multi_head_attention(X, W_q, W_k, W_v, W_o):  
    d_k = W_k.shape[-1]  
    Q = np.einsum('si,hij->hsj', X, W_q)  # (n_heads, seq_len, d_k)
    K = np.einsum('si,hik->hsk', X, W_k)  
    V = np.einsum('si,hiv->hsv', X, W_v)  
    scores = Q @ K.transpose(0, 2, 1) / np.sqrt(d_k)  
    weights = softmax(scores, axis=-1)
    output = weights @ V  
    projected = np.einsum('hsv,hvd->hsd', output, W_o)  
    return projected.transpose(1, 0, 2).reshape(seq_len, -1)