Reliable ML (Data Fest 2023)

Секция Reliable ML - о том, как сделать так, чтобы результаты работы дата-команд приносили прибыль

data_fest_online_2023reliable_ml

В этот раз в нашей секции Reliable ML доклады разделились на два дня:

Первый день секции  - практически полностью посвящен теме ML System Design. Послушаем практические кейсы дизайна и построения ML систем: успешные внедрения, фейлы и уроки из них, фреймворки и рекомендации от экспертов. В этот день также стартовал контест ML System Design Doc Challenge.

Второй день секции - ориентирован на темы Interpretable ML, Causal Inference in ML, Data Centric AI. Завершением дняь и всей секции является финал контеста ML System Design Doc Challenge. Участники презентуют свои решения, а зрители и менторы совместно определяют победителей.

Track program

Автоматизация процесса заведения новых товаров в маркетплейсе с использованием ML

Автоматизация процесса заведения новых товаров в маркетплейсе с использованием ML

Евгений Финогеев

Опыт составления дизайн документа при проектировании МЛ системы. Прогнозирование продаж в магазинах

Опыт составления дизайн документа при проектировании МЛ системы. Прогнозирование продаж в магазинах

Михаил Масагутов

Опыт составления дизайн документа при проектировании МЛ системы.Сервис кластеризации магазинов

Опыт составления дизайн документа при проектировании МЛ системы.Сервис кластеризации магазинов

Любава Ткаченко

Как построить real-time ML на криптобирже

Как построить real-time ML на криптобирже

Андрей Денисенко

Алгоритм маршрутизации без компромисса между качеством и скоростью

Алгоритм маршрутизации без компромисса между качеством и скоростью

Максим Берёзов

Паттерны инференса ML-моделей

Паттерны инференса ML-моделей

Павел Филонов

Тестовое ML System Design Interview

Тестовое ML System Design Interview

Павел Филонов

Метрики и функции потерь при дизайне систем машинного обучения

Метрики и функции потерь при дизайне систем машинного обучения

Валерий Бабушкин

Reliable ML: Устойчивость моделей после выкатки в прод

Reliable ML: Устойчивость моделей после выкатки в прод

Дмитрий Колодезев

Дебаты: Fullstack Data Scientist или DS & ML Engineer – стоит ли разделять роли?

Дебаты: Fullstack Data Scientist или DS & ML Engineer – стоит ли разделять роли?

Даниил Дранга

FailConf – DS: почему бывает так больно

FailConf – DS: почему бывает так больно

Дмитрий Раевский

Библиотека ExplainitAll. Как интерпретируемый ИИ объясняет генерацию трансформеров

Библиотека ExplainitAll. Как интерпретируемый ИИ объясняет генерацию трансформеров

Захар Понимаш,Виктор Носко

Explainable AI: что, как и зачем

Explainable AI: что, как и зачем

Сабрина Садиех

Корреляция не подразумевает причинно-следственную связь. А что подразумевает?

Корреляция не подразумевает причинно-следственную связь. А что подразумевает?

Григорий Чернов

Bayes in the Wild

Bayes in the Wild

Максим Кочуров

Байесовский подход к АБ-тестам на примере теста конверсии

Байесовский подход к АБ-тестам на примере теста конверсии

Кристина Лукьянова

Предварительная обработка и поиск аномалий во временных рядах

Предварительная обработка и поиск аномалий во временных рядах

Юрий Кацер

Бутстрапирование временных рядов

Бутстрапирование временных рядов

Артем Ерохин

Bag-of-tricks того, как сделать ваш ML-пайплайн более reliable

Bag-of-tricks того, как сделать ваш ML-пайплайн более reliable

Богдан Печёнкин

ML System Design Doc Challenge – Финал

ML System Design Doc Challenge – Финал

Марина Завгородняя

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