Practical ML 2023

Опыт применения ML в реальных задачах Яндекса

PracticalMLDLYandex

Рады встретиться с вами офлайн на наших мероприятиях в Москве! 

Записи докладов 26 мая можно посмотреть онлайн по ссылке

Расписание онлайн-программы в наших комнатах в Spatial.chat

27 мая

12:50  Екатерина Глазкова “Нейросетевое составление образов”

13:45  Расим Ахунзянов “Калибровка камеры к лидару”

14:25  Евгений Комаров “Многорукие бандиты в Яндекс Лавке”

15:00  Владислав Савинов “Геймификация сбора данных для ML во внутренних сервисах”

28 мая

12:00  Михаил Щекалёв “Машинное обучение и управление ассортиментом в магазинах”

12:30  Даниил Бурлаков “Внедрение трансформеров в Яндекс Музыку”

13:30  Анастасия Беззубцева “Чистые метки для ML” 

14:15  Вадим Кохтев “Как мы перезапускали рекомендации Авто.ру”

15:00  Андрей Данильченко и Никита Киселев “Поиск организаций по смыслу”

Если у вас есть вопросы и предложения → @a_mokrushina (DevRel Яндекса)

Социальные сети и полезные группы:

Tg-канал про активности для ML
Яндекс для разработчиков в VK
Telegram-канал с вакансиями для разработчиков в Яндекс


 

Track program

Многорукие бандиты в Яндекс Лавке

Многорукие бандиты в Яндекс Лавке

Решение задачи эксплорейшена в рекомендациях с помощью многоруких бандитов на главной странице Яндекс Лавки

42
Как мы перезапускали рекомендации Авто.ру

Как мы перезапускали рекомендации Авто.ру

В докладе расскажу про архитектурные компоненты рекомендаций, какие подходы к рекомендациям уже внедрили и какие продуктовые решения на его основе уже улучшают опыт пользователей.

Геймификация сбора данных для ML во внутренних сервисах

Геймификация сбора данных для ML во внутренних сервисах

Во внутренних сервисах существует проблема сбора датасетов для обучения: на фоне внешних продуктов RPS не такой большой, логов меньше, а пользователи-сотрудники реже оставляют отзывы о работе сервиса, так как зачастую спешат решить рабочую задачу. В докладе расскажу, как мы в команде внутреннего поиска собирали данные для улучшения ранжирования при помощи геймификации и какие уроки из этого вынесли.

Машинное обучение и управление ассортиментом в магазинах

Машинное обучение и управление ассортиментом в магазинах

В Яндекс Еде сведения о наличии и количестве продуктов мы получаем от самого магазина, но всегда ли они соответствуют действительности? В докладе мы расскажем, как происходит управление остатками и когда в ML-приложениях необходим глобальный контроль.

Внедрение трансформеров в Яндекс Музыку

Внедрение трансформеров в Яндекс Музыку

Расскажем бэкграунд о том, как работает моя волна и где там можно использовать большой трансформер. Поделимся деталями по построению и обучению модели.

Поиск организаций по смыслу

Поиск организаций по смыслу

Расскажем о том, как мы построили нейросетевой поиск, чтобы хорошо отвечать на сложные запросы. А также, как мы научились объяснять пользователям, почему мы показываем именно эти организации и объекты.

Нейросетевое составление образов

Нейросетевое составление образов

Поговорим про задачу составления образов из ассортимента маркетплейса. Обсудим мотивацию, сложности работы на реальных данных, способы замера качества и архитектурные решения.

Калибровка камеры к лидару

Калибровка камеры к лидару

Расскажу, как мы решили задачу поиска положения камер относительно лидаров с помощью нейронных сетей, что позволило сделать процесс масштабируемым и более простым. При условии, что на беспилотной машине и роботе-курьере установлено от 5 до 7 камер и от одного до трёх лидаров.

Чистые метки для ML

Чистые метки для ML

Related Tracks

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