25 сентября 2021 года Яндекс приглашает на первый в этом году офлайн-митап от Яндекс.Дзена. На мероприятии будут обсуждать рекомендательные системы. В этот раз сделают фокус на объяснимости. Для участия в митапе необходимо зарегистрироваться по ссылке.
Известно, что модели машинного обучения — это чёрные ящики, и далеко не всегда понятно, как они принимают решения и почему выдают именно такие прогнозы. Среди прочего, на митапе поговорят о том, как выстраивать рекомендательные системы, чтобы их работа была чуть понятнее, какими методами исследовать их устройство. Участников также ждёт нетворкинг, подарки и мастер-класс по приготовлению бургеров.
Митап пройдёт в ресторане KetchUp по адресу: Кузнецкий мост, 6/3. Количество мест ограничено из-за пандемии — пригласят тех, кому мероприятие ближе всего по профилю и опыту. Подтверждение вашего участия офлайн (или же отказ в нём) вы получите отдельным письмом за три дня до мероприятия. Онлайн-трансляция мероприятия не предусмотрена.
Программа
- Контролируемые рекомендации.
- Классический подход к кандидатам для ранжирования в рекомендательных системах обычно такой — набор HNSW по эмбеддингам пользователей и карточек, популярные карточки, похожие по разным эвристикам на пользователя карточки (например, статьи автора, которого юзер ранее кликал). У HNSW есть ряд проблем — эмбеддинги не всегда «качественные», учитывают не все сигналы, кандидаты плохо контролируемы. В этом докладе расскажут, как Яндекс поборол эти проблемы и как их замерять.
- Next-level recommendations: как сделать модель второго уровня в рекомендациях.
- В Авито рекомендации занимают центральное место в продукте — это первое, что видит пользователь, заходя в приложение. Поэтому специалисты постоянно работают над улучшением качества моделей. В докладе расскажут о том, как Авито перешли к двухуровневому ранжированию рекомендаций при помощи Catboost, какие фичи выстрелили и как решили проблемы с производительностью. И, конечно же, о том, как это повлияло на метрики.
- Объяснимые рекомендации и эксплорейшн.
- Почти всегда для рекомендательных систем невозможно объяснить, почему они выдали именно такой результат. Почему это плохо? К каким проблемам это приводит? Как можно сделать рекомендации объяснимыми, не потеряв в качестве? Как измерять качество объяснений? Важно ли это для пользователей? Спикеры поговорят об этом, а также будут готовы ответить на любые вопросы гостей.