Запрос счета
Напишите нам
Задайте вопрос, напишите пожелания или оставьте отзыв
Я принимаю Политику обработки персональных данных
Заявка на спонсорство
Я принимаю Политику обработки персональных данных
Как адаптировать ML модель под изменение поведения пользователя и повысить качество на примере умной колонки SberBoom
Тезисы
В докладе мы поговорим о том, как различается поведение пользователя на устройствах с экраном и без, а также о том, какие изменения в ML пайплайне определения намерения пользователя были сделаны, чтобы учесть эти различия для умной колонки SberBoom и повысить качество.
Доклад будет интересен DS специалистам Middle+ и Техлидам. Слушатели смогут понять, как изменение условий бизнес задачи (выход новых устройств) может повлиять на выбор ML инструментов для ее решения.
Доклад будет интересен DS специалистам Middle+ и Техлидам. Слушатели смогут понять, как изменение условий бизнес задачи (выход новых устройств) может повлиять на выбор ML инструментов для ее решения.
В докладе мы поговорим о том, как различается поведение пользователя на устройствах с экраном и без, а также о том, какие изменения в ML пайплайне определения намерения пользователя были сделаны, чтобы учесть эти различия для умной колонки SberBoom и повысить качество.
Доклад будет интересен DS специалистам Middle+ и Техлидам. Слушатели смогут понять, как изменение условий бизнес задачи (выход новых устройств) может повлиять на выбор ML инструментов для ее решения.
Доклад будет интересен DS специалистам Middle+ и Техлидам. Слушатели смогут понять, как изменение условий бизнес задачи (выход новых устройств) может повлиять на выбор ML инструментов для ее решения.
Видеозапись доклада
Появится здесь после конференции
Информация о спикере
Прохор Гладких
Data Science Team Lead, SberDevices
Закончил МФТИ ФОПФ. Работал 6 лет разработчиком C++ в компаниях 3DLiga, Mentor Graphics и Megaputer. Занимался в числе прочего построением производительных алгоритмов для высоконагруженной системы обработки текстовой информации PolyAnalyst™️, тогда же начал заниматься NLP. Автор мобильных приложений: "Победи ЕГЭ 2015", "Цвета и фигуры для малышей", "Gimme Collage".
В компании Iponweb (AdTech) разрабатывал модели предсказания CTR, CVR. Работал с большими данными на кластерах Spark, Hadoop.
В Сбере создал с нуля центр компетенции по обработке документов в банке (NLP) — команду из 6 DS'ов. Автор DL-фреймворка для обработки документов — AutoNER. Сейчас фреймворком пользуются больше 10 DS-команд в Сбере и экосистеме банка.
С начала 2022 года работает в должности Data Science Team Lead в команде SmartNLP SberDevices. Команда SmartNLP разрабатывает "мозг" виртуального ассистента Салют. Значительно улучшил качество основной модели NER Салюта, разработал модель определения намерения пользователя для новых устройств SberBoom/SberBoomMini.
В компании Iponweb (AdTech) разрабатывал модели предсказания CTR, CVR. Работал с большими данными на кластерах Spark, Hadoop.
В Сбере создал с нуля центр компетенции по обработке документов в банке (NLP) — команду из 6 DS'ов. Автор DL-фреймворка для обработки документов — AutoNER. Сейчас фреймворком пользуются больше 10 DS-команд в Сбере и экосистеме банка.
С начала 2022 года работает в должности Data Science Team Lead в команде SmartNLP SberDevices. Команда SmartNLP разрабатывает "мозг" виртуального ассистента Салют. Значительно улучшил качество основной модели NER Салюта, разработал модель определения намерения пользователя для новых устройств SberBoom/SberBoomMini.
- Прохор ГладкихData Science Team Lead, SberDevicesЗакончил МФТИ ФОПФ. Работал 6 лет разработчиком C++ в компаниях 3DLiga, Mentor Graphics и Megaputer. Занимался в числе прочего построением производительных алгоритмов для высоконагруженной системы обработки текстовой информации PolyAnalyst™️, тогда же начал заниматься NLP. Автор мобильных приложений: "Победи ЕГЭ 2015", "Цвета и фигуры для малышей", "Gimme Collage".
В компании Iponweb (AdTech) разрабатывал модели предсказания CTR, CVR. Работал с большими данными на кластерах Spark, Hadoop.
В Сбере создал с нуля центр компетенции по обработке документов в банке (NLP) — команду из 6 DS'ов. Автор DL-фреймворка для обработки документов — AutoNER. Сейчас фреймворком пользуются больше 10 DS-команд в Сбере и экосистеме банка.
С начала 2022 года работает в должности Data Science Team Lead в команде SmartNLP SberDevices. Команда SmartNLP разрабатывает "мозг" виртуального ассистента Салют. Значительно улучшил качество основной модели NER Салюта, разработал модель определения намерения пользователя для новых устройств SberBoom/SberBoomMini.
Все доклады секции