Спикеры:
ГАРКАВЕНКО Данила Дмитриевич, преподаватель кафедры «Информационные системы и телекоммуникации» факультета информатики и систем управления МГТУ им. Н.Э. Баумана, руководитель направления внедрения инновационных продуктов ГАУ «Центр цифровизации образования»
ТИПСИН Евгений Андреевич, преподаватель кафедры «Информационные системы и телекоммуникации» факультета информатики и систем управленияМГТУ им. Н.Э. Баумана, ведущий программист EPAM Systems

Описание мастер-класса:
Гаркавенко Д.Д. «Разработка и внедрение рекомендательных систем на примере календаря мероприятий московского школьника»
Представьте, что вас взяли на работу в Департамент образования г. Москвы сделать амбициозный проект: разработать логику рекомендательной системы мероприятий, чтобы каждому ученику рекомендовались именно те мероприятия, которые ему будут интересны. Вам предоставили список всех мероприятий и активностей, которые проводятся для школьников, соответственно у вас есть все необходимые выгрузки из баз данных. Вам предстоит спроектировать модель рекомендательной системы и подробно описать логику ее работы для успешного внедрения в образовательную экосистему города. Для этого вам необходимо собрать проектную команду, провести необходимые исследования целевой аудитории, описать пользовательские сценарии, разработать логику системы и описать базовые алгоритмы. В первой части мастер-класса вы познакомитесь с основными этапами проектирования и разработки рекомендательных систем на основании реального проекта, реализуемого в настоящий момент.

Типсин Е.А. «Доставка моделей машинного обучения в продакшен»
Вы Data Science инженер большой компании, которому была поставлена задача разработки модели машинного обучения для решения сложной задачи. Вы успешно справились, модель готова, качество соответствует заявленным требованиям. В рамках университетского проекта мы бы считали задачу выполненной – демонстрируем руководителю, делаем отчет, выкладываем код на github и, возможно, где-нибудь публикуем результаты. Но для коммерческой компании требуется доставить обученную модель в продакшен, чтобы она могла приносить пользу компании и/или конечным пользователям сервиса. Доставка модели в продакшен сложный процесс, который должен учитывать работоспособность и надежность решения. Поэтому в большинстве случаев Data Science инженер вынужден полагаться на других специалистов. Будут рассмотрены основные этапы жизненного цикла доставки моделей в продакшен на реальном примере.

свернуть