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

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:

1. О нашем подходе к стандартизации структуры ML-решений (Инфраструктурные компоненты, структура VCS)
2. Как мы обеспечиваем воспроизводимость результатов
3. Как мы мониторим процесс переобучения моделей в проде
4. 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!