> ## Content Index > Fetch the complete content index at: https://admin.kod.ru/llms.txt > Use this file to discover other available public pages before exploring further. # E-CUP 2026 Students: 3 задачи, 9 победителей, 7,2 миллионов призовых - URL: https://admin.kod.ru/ozon-tech-e-cup-2026-students/ - Published: 2026-10-26T06:58:53.000Z - Updated: 2026-10-26T07:03:39.000Z - Description: В третьем сезоне E-CUP участвовали только студенты: 614 команд решали задачи на реальных данных Ozon, призовой фонд составил 7,2 млн рублей. - Author: Гайк Даллакян - Tags: Новости Ozon Tech подвел итоги третьего сезона ML-соревнования E-CUP и вручил победителям 7 200 000 ₽ на большой сцене ИТ-конференции E-CODE. В этом году E-CUP организовали в формате Students — принять участие могли только студенты бакалавриата, специалитета и магистратуры. Начинающие ML-специалисты попробовали свои силы в задачах, близких к промышленному контуру команды Ozon Tech. Участники строили решения на реальных данных Ozon в трех направлениях: искали дубли товаров, разрабатывали модели для контроля качества и прогнозировали ценность пользователей поиска*.* Всего на E-CUP зарегистрировались 1 782 участника и объединились в 614 команд. В финал вышли 15 команд, а 9 победителей определили на питч-сессиях с экспертами Ozon Tech. > «Ozon постоянно развивается, совершенствуя технологии и создавая удобные продукты для покупателей, продавцов и партнеров. Для этого важно смотреть шире привычных рамок, и мы особенно ценим, как молодые, талантливые студенты берутся за сложные кейсы: без оглядки на устоявшиеся шаблоны, с желанием проверять смелые гипотезы и предлагать неожиданные решения. Их свежий взгляд помогает по-новому подойти к задачам, с которыми Ozon Tech работает каждый день: от поиска дублей товаров до прогнозирования поведения пользователей. > > В этом сезоне мы сделали соревнование полностью студенческим, но сохранили главный принцип E-CUP — реальные данные, прикладные кейсы и экспертиза Ozon Tech. Для участников это способ получить соревновательный опыт и обратную связь от экспертов, показать свой уровень потенциальным работодателям, а для нас продолжить системную работу над развитием технологий», — **Регина Стародубцева, менеджер проекта.** ### **Три задачи — три сценария из ML-продакшена** Участники могли выбрать задание из трех треков. У них был месяц, чтобы разработать решение, получить обратную связь от экспертов Ozon Tech и доработать свой проект. В течение соревнования команда Ozon Tech устраивала сессии вопросов и ответов с жюри. Для участников также организовали закрытый чат, где можно было обмениваться идеями и мнениями, искать поддержки и вдохновения. В «Матчинге товаров» предлагалось разработать модель, которая определяет одинаковые товары по текстовой информации карточек. Дополнительно участники могли использовать LLM с открытой лицензией для переразметки данных при условии воспроизводимости решения. «*Матчинг товаров может показаться простой задачей. Но на деле это шумные названия, разные описания одного и того же товара, фотографии с разных ракурсов и масса пограничных случаев, где даже разметчики не всегда сходятся во мнении. Было приятно видеть, насколько зрело участники подошли к задаче. Некоторые решения ребят мы точно возьмем на вооружение. Особенно ценно было познакомиться с командами лично на питчинг-сессии: услышать, как они рассуждали и какие гипотезы проверяли. Нескольким участникам мы уже сделали офферы на стажировку в нашу команду», — Анастасия Киргизова, руководитель отдела по продукту и технологиям «Матчинг товаров»* В треке «Контроль качества» участники создавали классификатор c генерацией комментариев на основе VLM. Модель должна была учитывать текст карточки, изображения и использовать LLM- и VLM-модели с открытой лицензией. Задача моделировала реальные сценарии автоматической модерации товаров на маркетплейсе. Третий трек «Ценность пользователей поиска» посвятили прогнозированию будущей активности покупателей. По обезличенной истории действий в Поиске и Каталоге участникам нужно было предсказать суммарную стоимость заказов пользователя за следующие 30 дней. > «В задаче прогнозирования LTV нет одного очевидного пути к решению. Сложное поведение пользователей (редкие и дорогие покупки, отток и сезонность) можно учитывать разными способами: например, с помощью классического ML и иерархических моделей или нейросетевых методов. Участники показали, насколько по-разному можно подойти к задаче и как объединить несколько методов в единое решение», — **Даниил Ануфриев, математик-разработчик команды пользовательского опыта поиска и построения запроса.** Ценность E-CUP в том, что недостаточно просто обучить модель и получить метрики. Нужно выбрать стратегию, работать с данными, следить за позицией в лидерборде, искать точки роста и в финале убедительно презентовать решение экспертам индустрии. Результат участия — ML-кейс, который можно добавить в портфолио и использовать как первый шаг к карьере. ### **Лучшие решения на сцене E-CODE** Основная часть соревнования проходила онлайн. По итогам лидерборда в каждом треке определили по пять лучших решений — всего 15 финалистов. Они представили свои проекты на очных питч-сессиях перед экспертами Ozon Tech. После защиты решений жюри выбрало по три победителя в каждом направлении. Оглашение итогов и награждение прошли на главной сцене E-CODE 2026 — ежегодной масштабной конференции Ozon Tech для ИТ-специалистов. Призы студентам вручал СТО Ozon Антон Степаненко. E-CUP помогает сокращать дистанцию между университетским образованием и индустрией: студенты получают возможность работать с прикладными задачами. А Ozon Tech знакомится с новым поколением ML-специалистов. Это создает среду, в которой профессиональный рост начинается еще во время обучения, а сильные студенты получают возможность проявить себя через реальные результаты, а не только академические достижения Реклама. ООО "ИНТЕРНЕТ РЕШЕНИЯ". Erid: 2VtzqxcMLxM