Провалы в решении задач по анализу данных

В машинном обучении совершается всё больше прорывов, постоянно появляются новые методы, решаются новые задачи, запускаются новые продукты и сервисы. Создаётся ощущение, что задачи решаются сами — достаточно собрать данные и обучить модель, а дальше всё будет замечательно. Мы бы хотели напомнить нашим мини-воркшопом, что всё не так просто! Существует огромное количество способов провалить проект, связанный с анализом данных — и мы постараемся рассказать о некоторых из них. – Валерий Бабушкин, X5 Retail Group: "Как мы не сделали рекомендательную систему в банке" Как собрать команду профессионалов, потратить милионы и ничего не сделать. Рекомендательные системы — одно из важных применений машинного обучения, и многие компании, которые работают с клиентами, заинтересованы в их внедрении. В докладе речь пойдёт об истории такого внедрения — как собрали команду профессионалов, потратили миллионы рублей, но всё пошло не так. – Илья Поляковский, JetBrains: "Python-notebook для воспроизводимого анализа: что нам не нравится в ноутбуках и как мы пытались это исправить " Ноутбуки – удобный инструмент для экспериментов, но только не в тех случаях, когда нужно воспроизвести результаты и поделиться ими. Неочевидный порядок исполнения ячеек, "hidden state" процесса исполнения, практически нечитаемый код - все это неотъемлимые части разработки в ноутбуках. Мы попытались придумать альтернативу, и этот рассказ о том, что из этого получилось. –Наталия Козловская, Яндекс.Такси: "Продвижение тарифов повышенного класса в Яндекс.Такси" Перед многими компаниями встает задача продвижения премиальных продуктов, в случае Яндекс.Такси - тарифов повышенного класса. Одно из решений - дать пользователю скидку на поездки в тарифе повышенного класса на какое-то время, в течение которого пользователь сможет оценить преимущества данного тарифа и после окончания действия скидки продолжит им пользоваться. Чтобы уменьшить затраты на такие акции необходимо выдавать их таргетированно, то есть тем пользователям, кто склонен к тому, чтобы продолжить пользоваться. В докладе будет рассказано о том, как предсказывать эффект, который невозможно пронаблюдать, как оценить качество, какие эксперименты потребовались для решения и о сложностях, с которыми столкнулись.