Приглашаем на RecSys Meetup!

28 августа будем обсуждать трендовые технологии больших данных и машинного обучения: от передовых архитектур для построения Semantic IDs до тонкостей балансировки интересов пользователей и продавцов маркетплейса с помощью онлайн-доранжирования и байесовской оптимизации.

Программа митапа

🟣 Трансформеры в персональных рекомендациях: от гипотез до AB-тестирования. Поговорим о проверке и применении гипотез в offline и nearline процессе BERT4Rec на главной странице Wildberries: регулярные запуски head-to-head AB-тестов, онлайн инференс на Triton, поиск баланса между оффлайн метриками и реальным онлайн-эффектом.

🟣 Semantic IDs: архитектура и наш опыт внедрения. Обсудим Semantic IDs: ключевые архитектуры (RQ-VAE, RQ-KMeans), наш уникальный опыт построения и вызовы продуктивизации, включая динамику каталога и поддержку стабильности представлений.

🟣 Как мы обучаем CLIP-ы для текстовых тегов. Разберемся, как мы в Wildberries & Russ обучаем CLIP-модели на большом скейле данных и как это можно использовать для задачи подбора тегов к картинкам.

🟣 Онлайн-доранжирование и байесовская оптимизация в товарных рекомендациях. Поговорим о том, как с помощью онлайн-доранжирования и байесовской оптимизации можно улучшить опыт использования маркетплейса для тех и других одновременно.

Регистрация по ссылке.

🗓 28 августа, 18:00 мск • Онлайн / Офлайн (Москва)

Minority drift

Мы все наверно сталкивались с явлением датадрифта после выкатки в прод модельки без частого преобучения. По сути, попадая в ситуацию, когда статистические свойства данных, поступающих на вход модели на инференсе в реальном времени, начинают отличаться от данных, на которых модель обучалась.

Один из способов этого избежать - это заранее убрать признаки, которые будут разлетаться в проде, например я про это писал в посте про PSI

Коллеги по цеху пошли дальше в этом плане и решили провести вебинар на 2 часа вместе с Team Lead из Yandex на практике учиться распознавать виды Minority Drift, делать модели устойчивыми к дрейфу и оценивать деградацию и финансовые риски.

Когда:

▫️6 октября, ПН
▫️19:00 по мск
▫️2 часа

Что будет на уроке:

1️⃣Виды Minority Drift в продакшен данных: Class-wise, Conditional, Subpopulation, Hidden Drift

2️⃣Оценка деградации моделей и финансовых потерь на практике

3️⃣Методы стабилизации признаков и моделей: PSI и KL-дивергенция

4️⃣Контроль качества — построение Fairness Metrics

Преподает Дмитрий Сафонов, Data Science Team Lead в Яндексе.

Урок для Data Scientists, Classic ML и NLP-инженеров. Нужны базовые знания основ машинного обучения, математики и программирования.

➡️ Записаться на урок