A menudo se piensa que el aprendizaje automático funciona sobre un modelo: hay datos, un algoritmo, entrenamiento y un resultado. En las grandes empresas, la principal complejidad se traslada gradualmente a otra parte. Se deben preparar los mismos datos para diferentes proyectos, los modelos deben volver a entrenarse periódicamente, los experimentos deben verificarse y las soluciones encontradas deben transferirse entre equipos.
En el IT Picnic, Sergei Kuznetsov, jefe de desarrollo de la plataforma de búsqueda y recomendación MWS, mostró con tres casos por qué en algunos casos es mejor trabajar desde esta plataforma creciente hasta convertirse en una plataforma ML completa, y en otros es más rentable permanecer en el nivel de la biblioteca.
Leer más
|
@habr_ai