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

Our website uses cookies, including web analytics services. By using the website, you consent to the processing of personal data using cookies. You can find out more about the processing of personal data in the Privacy policy