Как мы сделали рекомендации, отказались от подрядчика и заработали денег

Нейронные сети и искусственный интеллект (data science)

Python
Критерии выбора технологий для проекта
Machine Learning

Доклад принят в программу конференции

Мнение Программного комитета о докладе

Доклад посвящён решению классической проблемы выбора — заказывать разработку или делать самим. В процессе будет рассказано про то, как анализировать заказанное решение, планировать своё и про технологическую основу получившегося ML-решения в продакшне.

Целевая аудитория

Data Scientist'ы, продакт-менеджеры и все, кто начинает делать рекомендации in-house с нуля или отказывается от коробочных решений.

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?

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.

X5 Digital

X5 Digital — часть крупнейшего ретейлера страны X5 Group. Компания развивает платформу цифровых продуктов для экспресс-доставки из онлайн-гипермаркета Vprok.ru, а также занимается цифровизацией собственной сети дарксторов. Команда крутых инженеров разрабатывает онлайн-платформу, с помощью которой доставлены уже 50+ миллионов заказов.

Видео

Другие доклады секции

Нейронные сети и искусственный интеллект (data science)