MLOps-архитектура рекомендательной платформы
Доклад принят в программу конференции
Целевая аудитория
Тезисы
Мы разрабатываем платформу для рекомендаций для всех компаний экосистемы Сбера, начиная от онлайн-кинотеатров до мира e-commerce. За прошедшие годы мы разработали универсальные подходы создания персонализированных рекомендаций.
В докладе поделюсь аспектами MLOps-архитектуры для запуска рекомендательных сценариев:
* как выглядит cloud-native-платформа для построения production-ready рекомендательных сценариев и почему это важно;
* какие MLOps-инструменты нужны для быстрого запуска достаточно сложных рекомендательных сценариев (от инструментов обработки больших данных до Feature Store и онлайн-моделей).
Архитектор рекомендательной платформы для экосистемы Сбера. Прошел более 10 лет тернистого пути в продуктовой разработке. Опыт охватывает как Highload-системы с 30+k RPS и кучей микросервисов, так и BigData/AI-проекты с сотнями терабайт данных. Последние 4 года сосредоточен на построении платформ запуска различных ML-решений в production. В основном пишет на Python/Golang и при первой же возможности обмазывает все контейнерами и облаками!
Видео
Другие доклады секции
BigData и инфраструктура машинного обучения (data engineering)
