Machine Learning REPA: Reproducibility, Experiments and Pipelines Automation
Инструменты и практики управления экспериментами в Machine Learning, обеспечения воспроизводимости (Reproducibility) и автоматизации процессов.
Ссылка на прошлогодний трек
Расписание выступлений cпикеров и нетворкинга:
29 мая (11:00 - 14:00):
| 11:00 | Cветофор 2.0: страх и ненависть на пути от экселя к градиентному бустингу - Ксения Блажевич , Дмитрий Фокеев |
| 11:40 | MLOps Framework - Артем Коваль |
| 12:20 | Фреймворк для AutoML FEDOT - Николай Никитин |
| 13:20 | Мифическая воспроизводимость в ML разработке - Артем Трофимов |
05 июня (11:00 - 13:30):
| 11:00 | From MLFlow to LMFlow - Наиль Хусаинов |
| 11:40 | Тренды REProducible ML - Юлия Антохина |
| 12:20 | Что специалист по Data Science может подсмотреть у разработчиков - Дарья Пронина |
| 13:00 | Q&A - 4 главные ошибки в процессе разработки AI - Ксения Мельникова, Михаил Рожков |
Контакты спикеров:
| Имя/Фамилия/Компания | Контакты |
|
Ксения Блажевич |
E-mail: Ksenia.Blazhevich@leroymerlin.ru |
| Дмитрий Фокеев Менеджер продукта Леруа Мерлен Россия |
E-mail: Dmitriy.Fokeev@leroymerlin.ru |
| Дарья Пронина | ODS: daryaggg |
| Артем Трофимов | Telegram: @tyooma E-mail: tomato@yandex-team.ru |
| Наиль Хусаинов | Telegram: nkhusainov E-mail: nail.khusainov@leroymerlin.ru ODS: nkh |
| Юлия Антохина Data Scientist @ Mobile TeleSystems |
E-mail: julia.antokhina.ds@gmail.com |
| Ксения Мельникова Product Owner(Data/AI), SoftwareOne |
|
| Михаил Рожков Co-Creator, ML REPA Solution Engineer, Iterative.ai |
Telegram: mnrozhkov E-mail: mnrozhkov@gmail.com ODS: mnrozhkov |
| Артем Коваль | E-mail: artem.koval@clearscale.com ODS: Art Koval |
Доклады и активности секции
29 мая
Cветофор 2.0: страх и ненависть на пути от экселя к градиентному бустингу
Ксения Блажевич , Дмитрий Фокеев – Леруа Мерлен Россия
Леруа Мерлен - компания с большим количеством оффлайн процессов, в которые мы внедряем ML-решения.
В докладе расскажем о "Светофоре" - продукте для контроля качества поставок на складах. Поделимся проблемами, с которыми столкнулись на этапе его разработки и внедрения, а также тем, как мы справились с data drift и positive feedback loop.
На примере "Светофора" покажем, как в нашу дата-инфраструктуру вписался ставший "классическим" стек для продуктивизации ML-решений - Kubernetes, Airflow, DVC и собственный model registry на базе S3 и Postgres.
Q&A - Полезные инструменты ML REPA
ML REPA Speakers
Обсудим полезные инструменты, которые помогают в DS/ML/AI проектах. Поделимся своим опытом, устроим мозговой штурм с участниками сессии. Приходите со своими вопросами, историями и решениями!
05 июня
From MLFlow to LMFlow
Наиль Хусаинов – Леруа Мерлен Россия
У нас в LMRU (Леруа Мерлен Россия) за 2.5 года существования направления по работе с данными до прода были доведено множество ML-продуктов. И как любая другая дата команда - мы стремимся максимально стандартизировать и автоматизировать процесс продуктивизации ML-решений.
В данном докладе я расскажу:
- О нашем подходе к стандартизации структуры ML-решений (Инфраструктурные компоненты, структура VCS)
- Как мы обеспечиваем воспроизводимость результатов
- Как мы мониторим процесс переобучения моделей в проде
- Почему, перепробовав несколько популярных инструментов, мы пришли к не самому очевидному решению: написать свой Model Registry и как в него впоследствии вписался DVC
Q&A - 4 главные ошибки в процессе разработки AI
Ксения Мельникова, Михаил Рожков - ML REPA
Обсудим типичные ошибки и сложности, которые возникают в командах AI проектов. Поделимся своим опытом, устроим мозговой штурм с участниками сессии. Приходите со своими вопросами, историями и решениями!