Как разработать модель виртуальной примерки и превратить ее в работающий продукт? Как научить рекомендательную систему лучше понимать моду? Как балансировать разные бизнес-метрики?
За последнее время у нас накопилось несколько интересных кейсов о том, как ML помогает нам переосмыслять ключевые сценарии в фешен-екоме — от выбора похожих товаров до виртуальной примерки и ранжирования в каталоге с фокусом на бизнес-метрики.
Приглашаем послушать опыт коллег и присоединиться к обсуждению на митапе 23 апреля.
Спикеры и темы:
🎤 Дмитрий Борисов, Data Scientist Lamoda Tech
«Эволюция similar-рекомендаций: как мы переосмыслили ленту похожих товаров»
🎤 Искандер Сафиулин, Senior Data Scientist Lamoda Tech
«Примерь онлайн: как разработать свою модель виртуальной примерки»
🎤 Бислан Ашинов, Data Scientist Lamoda Tech
«Смешать, но не взбалтывать: как балансировать разные бизнес-метрики в каталоге и поиске»
Мероприятия сообщества
Кратко о мероприятии
- Для кого
- дата-сайентисты, ML-инженеры, инженеры рекомендательных систем, специалисты модной электронной коммерции
- Основные темы
- наука о данных, рекомендательные системы, виртуальная примерка, бизнес-метрики, модная электронная коммерция
- Что получите
- понимание применений ML в модной электронной коммерции, знание эволюции рекомендательных систем, понимание балансировки метрик
- Формат программы
- meetup, производственные кейсы, глубокие технические доклады