Подготовка, deploy и эксплуатация моделей AI/ML на Python в задачах, требующих принятия надежных решений в реальном времени Офлайн 2021
Подготовка к эксплуатации. Как и зачем декомпозировать модель в pipeline. Как эмулировать поток запросов и данных. Как тестировать и валидировать модель. Метрики, позволяющие оценивать надежность предсказаний. Что хочет видеть бизнес-заказчик при приемке модели.
Эксплуатация. С какими запросами в процессе вывода и эксплуатации приходится сталкиваться. Маршрутизация запросов. Распараллеливание исполнения запросов. Конкуренция моделей. Версионирование данных и моделей. Мониторинг и алертинг. Валидация данных и признаков. Сохранение признаков для быстрого переобучения.
Типичные ошибки. Почему Python не является узким местом при исполнении моделей в реальном времени. В каких местах возникают ошибки. Где есть ресурс для обеспечения требуемой производительности при принятии решений в реальном времени.
Дата-сайентист, питон-разработчик, кандидат тех. наук, 9 научных публикаций. Занимался прецизионными измерениями объектов ж/д-инфраструктуры и труб большого диаметра. Проект Fabrique.ai - самый интересный.
20+ лет опыта создания высоконагруженных систем веб-аналитики, рекламных платформ, систем медиаизмерений, социологических панелей, распределенной скоринговой системы.