Data Science Meetup | Купер.тех

24 апреля соберемся на нашем Data Science митапе в московском офисе Купера, чтобы послушать доклады о хардовых и нетривиальных подходах, которые мы применяем для создания продукта.

● «Как мы делали матчинг в Купере» – Николай Чугунников, Machine Learning Engineer, Купер.тех

В своем докладе расскажу, как автоматизировать процесс создания карточек новых товаров и значительно сократить затраты. Внедрение товаров при интеграции нового ретейлера или обновлении ассортимента может быть трудоемким. Однако, используя уже существующие карточки, мы можем находить точные совпадения с новыми предложениями. Это не только ускоряет процесс, но и помогает избежать дублирования товаров в базе.

● «Uplift Space Oddity, или как запустить ML-космолёт и не упасть» – Екатерина Апраксина, Machine Learning Engineer, Купер.тех

Расскажу про путь ML-системы: от «как собрать Uplift из спичек и желудей» до «как создать множество качественных аплифтов». Вы узнайте, как автоматизация Uplift-моделирования помогает нам сократить TTM, маркетинговые затраты, количество кода.

● «Как делать рекомендации не с нуля» – Александр Лоскутов, Machine Learning Team Lead, Купер.тех

В сети доступно много информации о том, как сделать хорошие рекомендательные системы, регулярно выходят статьи о новых технологиях в этой области. Однако с применением этих знаний в реальном продукте могут возникнуть проблемы. Если ваши рекомендации уже работают, и базовые модели внедрены, как двигаться дальше? Как планировать развитие и оценивать результаты в краткосрочной и долгосрочной перспективе? В этом докладе я поделюсь нашим опытом создания рекомендательной системы в Купере: нашими попытками ответить на эти вопросы, а также успехами и неудачами на этом пути.

Теги: data science bigdata ml ai ml/ai