ML в продакшене: почему аналитикам и бэкенду сложно договориться

Узкотематические секции

Поисковые системы
GO
Рекомендации / ML
ML

Доклад принят в программу конференции

Мнение Программного комитета о докладе

Мы пользуемся Aviasales, но понимаем ли мы, по каким принципам нам рекомендуются билеты? В докладе расскажут именно об этом. Как от хороших рекомендаций перейти к лучшим, на примере совместного непростого путешествия ML и бэкенд команд.

Целевая аудитория

Инженеры, которые сталкиваются с проблемами внедрения и эксплуатации ML-инструментов в продакшене. Будет полезно послушать и data scientist’ам про боли, которые возникают при внедрении их трудов.

Тезисы

Самый дешевый билет не всегда лучший для пользователя. В Авиасейлс мы внедрили ML-скоринг, чтобы ранжировать билеты по вероятности покупки. По пути столкнулись с data drift, разными источниками данных, провалами в нефункциональных требованиях и неожиданным ростом лэтенси. В докладе разберем, как прошли путь от первых экспериментов до продакшн-версии нашей модели, как выстроили единый источник правды и нашли общий язык с аналитиками. Поделюсь реальными ошибками, решениями и выводами, которые помогут вам избежать проблем при внедрении ML в продакшн.

Сергей Лавров

Авиасейлс

Руководитель команды бэкенд-разработчиков, отвечающих за поисковой движок в Авиасейлс. Развивает основной продукт компании, принимает сложные технические решения на стыке cost-effectiveness и SLA.
5 лет занимается внедрением ML-решений на бэкенде. До Авиасейлс работал во Вконтакте над системами детекции спама, а на текущем месте первой задачей Сергея стало создание скора авиабилетов на основе машинного обучения. Хорошо понимает, как эффективно интегрировать ML в высоконагруженные системы и какие технические и бизнес-компромиссы это влечёт за собой.

Видео