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! 

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