Practical ML

Опыт применения ML в реальных задачах Яндекса

PracticalMLDLYandexData Science

Машинное обучение существует в двух мирах. Один из них — это мир исследований и научных статей. Другой — мир настоящего продакшена: с высокой нагрузкой, требованиями по быстрому времени ответа и другими ограничениями реальной жизни.

В Яндексе принято проводить исследования, не забывая об использовании в сервисах и пользе для людей. Команды Яндекса поделятся опытом в разных продуктах и расскажут о применении ML в промышленных масштабах.

4 июня, 11-17:00

Нетворкинг с ML-инженерами Яндекса в Spacial Chat 
Встроенный голосовой ввод в Алисе, CatBoost, Go, YaLM и другие команды

11 июня, 12-15:30

Просмотр докладов и Q&A-сессии в Spacial Chat

12:00 - Прогноз времени проезда маршрута в Яндекс Пробках — Илья Хохлов
12:50 - Трансформеры для обобщения поведения пользователей Яндекс Такси — Эрнест Глухов
13:35 - Машинное обучение и персонализация в поиске auto.ru — Илья Бойцов
14:25 - Построение модели релевантности текстовой и видео-информации — Александр Шишеня

18 июня, 12-18:00

Просмотр докладов и Q&A-сессии в Spacial Chat

12:00 - Проблемы приготовления гигантских моделей — Михаил Хрущев
13:20 - Отзывы в поиске организаций на Яндекс Картах — Андрей Данильченко
14:05 - Находим ключевые особенности организаций в отзывах на Яндекс Картах — Олег Варенье
15:00 - Трансформеры для персонализации — Кирилл Хрыльченко
16:15 - Как мы ускорили внедрение фичей в ранжировании — Эмиль Каюмов
17:00 - Как программисты перепридумали поиск для себя — Алексей Степанов

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

Социальные сети и полезные группы:
Яндекс для разработчиков в VK
Яндекс для разработчиков в TG
Яндекс для разработчиков в FB
Telegram-канал с вакансиями для разработчиков в Яндекс

Track program

Проблемы приготовления гигантских моделей

Проблемы приготовления гигантских моделей

Гигантские языковые модели очень полезны. Но так ли легко их обучить? На деле - сложно, они обучаются медленно, нестабильно, со случайным результатом. В этом видео мы делимся опытом решения этих проблем в YaLM.

221
Как программисты перепридумали поиск для себя

Как программисты перепридумали поиск для себя

Расскажем как мы улучшаем поиск по запросам связанным с программированием. Какие модели внедрили и какие ошибки совершили.

211+1
Прогноз времени проезда маршрута в Яндекс Пробках

Прогноз времени проезда маршрута в Яндекс Пробках

Расскажем, как устроены пробки в Яндексе: как из сигналов пользователей получается прогноз времени на маршруте и как оцениваем качество такого прогноза. Отдельно расскажем про то, что делаем для улучшения сервиса.

853+2
Машинное обучение и персонализация в поиске auto.ru

Машинное обучение и персонализация в поиске auto.ru

В докладе я расскажу о том как мы внедряли машинное обучение в поисковый движок auto.ru. Поговорим о деталях построения ранжирующих моделей, о том как мы в команде проводим эксперименты и доставляем модели в production.

442
Построение модели релевантности текстовой и видео-информации

Построение модели релевантности текстовой и видео-информации

Расскажу как построили нейросетевые модели для отображения текстовых статей и видео в общее пространство для поиска по релевантности и добились головокружительного роста качества, обучаясь только на логовых данных.

222+1
Трансформеры для обобщения поведения пользователей Яндекс Такси

Трансформеры для обобщения поведения пользователей Яндекс Такси

Для получения эмбедингов пользователей Яндекс Такси мы применили трансформер поверх их поездок. В докладе расскажем, как обучили трансформер, про интерпретацию эмбедингов и про результаты на реальных кейсах.

444+1
Как мы ускорили внедрение фичей в ранжировании

Как мы ускорили внедрение фичей в ранжировании

В этом докладе мы расскажем про то, как устроено ранжирование ресторанов в Яндекс Еде и как мы организовали процесс быстрого внедрения новых фичей.

541
Отзывы в поиске организаций на Яндекс Картах

Отзывы в поиске организаций на Яндекс Картах

Мы смогли сильно улучшить релевантность поиска организаций на Яндекс Картах за счет использования нейросетей на отзывах. Я расскажу о том, какие подходы мы пробовали, к каким выводам пришли и причем тут стриптиз-бары.

331
Находим ключевые особенности организаций в отзывах на Яндекс Картах

Находим ключевые особенности организаций в отзывах на Яндекс Картах

Отзывы — инструмент, который помогает пользователям с выбором организации. В докладе вы узнаете о том, как Яндекс учился читать отзывы за пользователей, а потом рассказывать им что прочитал на Яндекс Картах.

322
Трансформеры для персонализации

Трансформеры для персонализации

В докладе вы узнаете про персонализацию поиска и рекламы в Яндексе: отказ от раннего связывания, contrastive learning, мульти-таск для клика и конверсии, декомпозицию на оффлайн и real-time, debiasing кликовых данных.

321

Related Tracks

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