Как мы сделали рекомендации, отказались от подрядчика и заработали денег Нейронные сети и искусственный интеллект (data science)
Lead ML Engineer. Руководит командой мэтчинга и рекомендаций в X5 Digital. Отвечает за полный цикл разработки ML-решений для онлайн-канала торговых сетей компании.
Ранее работал в билайн. Основные специальности: NLP, ранжирование и мэтчинг, анализ процессов.
Тезисы
Наши рекомендации позволили компании отказаться от коробочного решения подрядчика и принесли дополнительных денег. Расскажу, как подходить к этой задаче, чтобы достигнуть положительного результата для всех типов клиентов и при этом без колоссальных затрат на инфраструктуру для ML.
Будет:
1. почему мы решили отказаться от подрядчика?
2. с чего можно начинать? Смотрим, что у подрядчика под капотом;
3. когда простые методы не работают?
4. как отбирать модели, исходя из требований?
5. как учесть изменчивость интересов пользователей?
6. как извлечь пользу из плохой модели, совместив ее с хорошей?
