Не ожидал подарка от МИД РФ, конечно, но приятно. Лишь бы согласовали 👍👍

Ходили на квест во вселенной Cyberpunk 2077. Супер крутое погружение, хоть и сюжет затянут. Советую 🍿

Ссылка: https://mir-kvestov.ru/quests/questy-cyberpunk

Щас решил почитать комменты под интервью на разных площадках:

📱 YouTube - 129 комментариев, 4.7к просмотров
📱 VK - 8 комментариев, 17к просмотров
💙 RuTube - 0 комментариев, < 150 просмотров

Похоже на то, что РосКомНадзор заблокировал не тот *-Tube

Зачем нужны тестировщики в ML?

Машинное обучение - очень широкое направление, сегодня я хочу кратенько рассказать вам про рекомендательные системы.

Впервые я начал работать с RecSys в Predicto.ru, в котором мы делали модели прогнозирования интересов пользователей для онлайн-кинотеатров.

Помню одну из задач, когда я четыре дня на двух мониторах смотрел одновременно по 16 серий сериала "Интерны". Так мы пытались понять, когда кинотеатр помечает сериал "просмотренным", чтобы перестать его рекомендовать.

В целом я, хоть и не был глубоко погружен в таинство генерации самих рекомендаций, но старался по-максимуму ухватиться за эту тему.

В основном я тестировал качество выдачи фильмов/сериалов пользователям, но также создал очень прикольную систему мониторинга рекомендаций: сколько фильмов (тайтлов, если выражаться языком онлайн-кинотеатра), которые мы отдали пользователю, пользователь реально увидел.

Причем увидел != посмотрел, моей задачей было сверить визуальные данные от Яндекс Метрики с данными нашей генерации от RecSys.

То есть мы считали число пересечений тайтлов между данными, который мы сгенерировали для пользователя, и информацией от Метрик Яндекса, которые говорили нам, какие именно афиши фильмов пользователь по итогу увидел в своей персональной подборке на сайте онлайн-кинотеатра.

С помощью этой системы вскрылась проблема, что до 15% сгенерированных рекомендаций не доходило до пользователя, хотя на них тратились немалые ресурсы.

Это один из примеров того, зачем именно нужны тестировщики в ML 📱