Построение ML-инфраструктуры (MLOps)

Низкая сложность
Доклад принят в программу конференции

Целевая аудитория

--

Тезисы

ML в продакшне уже не роскошь, а необходимость. Поэтому инструменты MLOps так важны для бизнеса.

Поговорим про: * подготовку широких датасетов на потоке из миллиардов примеров; * continual learning в рекомендательных системах; * построение model storage и feature store; * применение CatBoost в рантайме, тюнинг качества бустинга и использование GPU для его обучения.

Спикеры

Алексей Морозов
Руководитель группы модернизации нейросетей. Отвечает за разработку и поддержку Ads_PyTorch — фреймворка для обучения быстрых и глубоких онлайн-моделей в рекомендательных системах в отделе рекламы Яндекса. Разрабатывает архитектуру глубоких моделей, отвечающих всем требованиям к таймингам/latency на инференсе c максимальным качеством прогноза. Подтемы для консультации: * continual (вообще оно называется online) deep learning в рекомендательных системах; * разработка фреймворков для обучения continual-моделей; * построение правильных архитектур моделей с учётом всех требований в рантайме.

Другие доклады секции

Sec и Ops под нагрузкой. Делаем, чтобы работало
Юрий Семенюков
Юрий Семенюков

Инфосистемы Джет

Иван Колесников
Иван Колесников

Инфосистемы Джет

Антон Гаврилов
Антон Гаврилов

Инфосистемы Джет

Павел Яньков
Павел Яньков

Инфосистемы Джет

Евгений Анненков
Евгений Анненков

Инфосистемы Джет