Ended 6 months ago

Data Halloween 2023 | Санкт-Петербург, 27 октября, офлайн день

Приветствуем Вас на офлайн встрече в Санкт-Петербурге (в Лектории Газпром нефти) в рамках Data Halloween 2023!

Название площадки: Лекторий Газпром нефти

Адрес: Виленский пер., 14

Время проведения:  17:30 - 21:00(мск)

Доступ на площадку: Для пропуска на территорию площадки может потребоваться показать приглашение в почте и подтвердить личность (права, паспорт)

Приветствуем на дне живых выступлений Data Halloween 2023!
Если вы хотите посетить лекции очно, вам необходимо зарегистрироваться и получить подтверждение на вашу почту. Трансляция будет доступна на ODS.AI Youtube.

В программе вас ждут выступления:

Давидько Владимир, Data Scientist at Работа.ру
"Ужасы в зарплатах , и как их избежать"

Тезисы:
 Основання тема доклада - моделирование вилки зарплат для резюме и вакансий. 
Такой сервис будет полезен Соискателям, особенно начинающим свой рабочий путь, оценить примерный уровень оклада,  на который он может рассчитывать в зависимости от профессии, а так же, что немаловажно, навыков которые у него есть. Также сервис будет полезен Работодателям, чтобы адекватно по рынку оценить требуемую для них позицию, и выставить тот уровень зарплат, которые не будет отталкивать потенциальных Соискателей.

В докладе разберем разные подходы моделирования, которые можно применить для такого сервиса, расскажем о их преимуществах и недостатках.  Основной подход следующий:  масштабируем сервис  по всем профессиям и навыкам с помощью эмбеддингов из FastText, и поддаем их как вход в линейную регрессию с остальными параметрами (локация, график работы). Лин. Регрессия хоть и уступает по метрикам другим моделям, зато дает возможность интерпретировать результат конечному пользователю достаточно точно, и к примеру понять что нужно изменить соискателю в его профиле или какие навыки еще освоить чтобы расчитывать на более высокую зарплату. 

Себало Артем, Data Scientist at  Работа.ру
"Открываем дверь в мир темных сил машинного обучения: Zero-shot classification для безжалостных неперсонализированных рекомендаций"

Тезисы:
- Как мы получаем zero-shot способности
- Отличия zero-shot от few-shot
- Как собираются неперсонализированные рекомендации на сайте поиска работы
- Углубляемся в отличия между персонализированными и неперсонализированными рекомендациями
- ИИ собирает подборку "Работа для женщин"


Артем Топоров, Lead ML в Rogii
"Погружение в мистические глубины: решение задачи геонавигации с помощью Metric Learning и Computer Vision в нефтегазовой и горнодобывающей промышленности"

Тезисы:
 С помощью алгоритмов машинного обучения определяем наше текущее местоположение под землей, решая задачу геонавигации.
Геонавигация играет критическую роль в нефтегазовой индустрии и горнодобывающей промышленности. Она позволяет точно определить местоположение и ориентацию скважины в подземных условиях, что, в свою очередь, обеспечивает эффективное бурение и добычу полезных ископаемых. 
Рассмотрим применение Metric Learning и Computer Vision для решения данной задачи.
 

Козлов Алексей, Data Scientist at АО «Кольская ГМК»
"Машинное обучение в промышленном процессе растворения никеля: проклятие данных, машинное колдовство и темное предсказание"

Тезисы:
1. Описание технологии: растворение никеля является важным процессом в промышленности, который требует высокой точности и эффективности.
2. Обозначение целей: использование машинного обучения для улучшения качества процесса растворения никеля и повышения его эффективности.
3. Способы достижения: анализ данных, разработка моделей машинного обучения, оптимизация процесса на основе полученных результатов.
4. Чем управляем? Мы управляем процессом растворения никеля и его параметрами, такими как температура, давление и концентрация химических веществ.
5. Как собирались данные? Данные были собраны из различных источников, включая датчики и логи процесса, а также результаты анализа химических образцов.
6. Построение модели: мы использовали алгоритмы машинного обучения,  для построения модели, которая может предсказывать оптимальные параметры процесса.
7. Адова автоматика: мы разработали систему автоматического управления, которая использует модель машинного обучения для оптимизации процесса растворения никеля.
8. Магия управления: благодаря использованию машинного обучения, мы смогли достичь более точного и эффективного процесса растворения никеля, что привело к улучшению качества продукции и экономической выгоде для компании.

Cookies help us deliver our services. By using our services, you agree to our use of cookies.