DescriptionTracks

Reliable ML

Что такое Reliable ML?

Настало время объяснить, что было задумано при создании данного канала. Концепция Reliable ML – это о том, что делать, чтобы результат работы data science/big data команд был, во-первых, применим в бизнес-процессах компании-заказчика, а, во-вторых, приносил этой компании пользу.

Что для этого нужно?

- Уметь составлять грамотный план исследования и развития продукта, учитывающий дальнейшее применение модели. Для таких постов вводим тег #planning

- Различать подходы, направленные на прогноз и на управление параметрами модели в дальнейшем для изменения ее результата (например, управление периодом и форматом проведения промо-активностей для максимизации выручки компании). Для второй цели – которая на практике встречается гораздо чаще просто прогноза – важно ориентироваться в подходах причинно-следственного анализа. О том, что такое причинно-следственный анализ, чем он отличается от простой корреляции, зачем и как его применять в DS-задачах, мы рассказываем вам под тегом #causal_inference

- Принимать взвешенные решения о дальнейшем развитии проекта и его потенциальном финансовом эффекте. Для этого необходимо не только проработать качественный дизайн пилотного эксперимента для вашей модели, но и затем сделать корректную статистическую оценку эффекта пилота, а также расчет ожидаемого финансового эффекта. О технической составляющей этого процесса мы будем рассказывать вам под тегом #ab_testing, о выстраивании процесса управления рисками инвестиционных инициатив – под тегами #investment_process

- Уметь интерпретировать работу и результат модели как для технической команды, так и для конечного пользователя (бизнеса). Для этого мы рассказываем вам об интерпретируемости. Теперь все посты по Interpretable ML будут помечены тегом #interpretable_ml

- Уметь выбрать не только корректные технические метрики качества для решаемой задачи, но и сформулировать правильные бизнес-метрики, связанные с процессом применения модели, связать их с техническими метриками и итоговым финансовым результатом применения модели. Тут тег довольно очевидный - #metrics

Итак, концепция Reliable ML охватывает не только технические особенности ML (#tech), но и построение процессов работы DS и взаимодействия с бизнесом (#business) для достижения максимального финансового эффекта.

Причинно-следственный анализ в машинном обучении: итоги 2021 г.
Причинно-следственный анализ в машинном обучении
Причинно-следственный анализ в машинном обучении: итоги 2021 г.
Интерпретируемость в машинном обучении: итоги 2021 г.

Итоги года в Interpretable ML 2020: https://www.youtube.com/watch?v=8Mk7f41YY2Y
Итоги года в Causal Inference in ML 2020: https://www.youtube.com/watch?v=yy7YU5dMuQ8
Итоги года в Causal Inference in ML 2021: https://youtu.be/xkl5oXtsjTc?t=15049

Tracks6 →

Reliable ML AB Testing & Causal Inference Meetup

Reliable ML AB Testing & Causal Inference Meetup

Митап ODS Reliable ML по АБ-тестированию и Causal Inference - 17 декабря 2022 г.

causal_inferenceab_testing#machine_learningreliable_ml

31
Reliable ML

Reliable ML

Как управлять внедрением и развитием продвинутой аналитики, чтобы ML был применим в бизнес-процессе и приносил финансовую пользу.

2076+12
Interpretable & Causal ML

Interpretable & Causal ML

Цель трека - создание сообщества для решения актуальных проблем интерпретируемости моделей машинного обучения и выявления причинно-следственных связей в них.

1099+37
Interpretable ML

Interpretable ML

Интерпретация моделей машинного обучения: как объяснить результаты статистических моделей заказчику.

1
Causal Inference in ML

Causal Inference in ML

Цель трека - создание causal inference guide для data scientist-ов. Классические и современные подходы причинно-следственного анализа в применении к задачам машинного обучения.

8
Interpretable ML Track - Data Fest 2019

Interpretable ML Track - Data Fest 2019

Первая секция про интерпретируемость моделей машинного обучения в рамках ежегодного Data Fest.

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

Learn More