Деннис Хассан на Saint HighLoad++ 2025

MLOps-архитектура рекомендательной платформы

BigData и инфраструктура машинного обучения (data engineering)

Python

Бэкенд / другое

Архитектурные паттерны

Критерии выбора технологий для проекта

Архитектуры / другое

Рекомендации / ML

Микросервисы

23 июня, 11:10, «Зал №3 Розовый зал»

Google Outlook Apple

Доклад принят в программу конференции

Мнение Программного комитета о докладе

Доклад посвящен MLOps-архитектуре рекомендательной платформы Сбера. В докладе рассказывается, как мы выстроили cloud-native-инфраструктуру, ускоряющую запуск персонализированных сценариев, и какие инструменты использовались — от Feature Store до онлайн-моделей.

Целевая аудитория

ML- и MLOps-инженеры. Архитекторы.

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).

Деннис Хассан

Сбер

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!