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

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