Data Halloween 2024

	Thu, 31 October 2024, 19:00 (GMT+03:00)
	Russia, Saint Petersburg, Херсонская улица 12-14, 6 этаж
	Free
	Stream available

Tags: meetup data science

В программе вас ждут:

🎃 Доклад «Алло, Эйнштейн? Создание call-ботов на базе LLM в 2024 году» | Никита Венедиктов, NLP Researcher в RAFT

Что если бы у вас была возможность позвонить Альберту Эйнштейну и задать ему вопрос о теории относительности? В этом докладе спикер поделится опытом создания голосовых ботов, которые позволяют «общаться» с легендарными личностями прошлого. Также обсудим технические сложности и потенциальные области применения — от образования до интерактивных развлечений. Подробно рассмотрим процесс разработки call-ботов на основе больших языковых моделей, интеграцию технологий преобразования текста в речь (TTS) и речи в текст (STT) для создания реалистичных голосовых взаимодействий, а также применение мультимодальных моделей. Этот доклад будет интересен всем, кто хочет заглянуть в будущее коммуникаций и понять, как технологии могут оживить историю.

🎃 Воркшоп «Сервис машинного обучения с нуля, или Создаём Франкенштейна» | Марк Паненко, CDS в Ozon Банк

Во время воркшопа соберём требования, обсудим ограничения и задизайним архитектуру сервиса машинного обучения. Постараемся за полчаса сделать то, что обычно занимает две недели. Будет весело!

🎃 Доклад «HRBert2.0: Улучшаем векторизацию вакансий и резюме»| Козлов Алексей, ML-инженер в Работа.ру, и Тайчинов Евгений, ML-инженер в Работа.ру

Спикеры расскажут о построении эмбеддингов вакансий и резюме и о том, как эти эмбеддинги используются в Работа.ру. Обсудим нюансы составления разметки, сбора данных для обучения и выбора архитектуры модели. Разберём опробованные подходы и узнаем, что сработало, а что нет. Также более детально рассмотрим использование навыков для улучшения векторизации.

🎃  «ML-платформа: что это за зверь и как его приготовить?» | Сиракан Багдасарян, MLOps-инженер в Ozon Банк

Из доклада узнаем:

• что такое ML-платформа: зачем нужны такие системы и кто их использует;
• из каких основных компонентов состоит ML-платформа: от управления данными до деплоя моделей;
• что из себя представляют популярные Open-source-решения: плюсы, минусы и подводные камни;
• почему компании создают свои ML-платформы и в каких случаях это оправдано.