Что бы мы не делали, если бы не было ML/AI?
Спикер: Григорий Фрольцов
Как использовать машинное обучение там, где это нужно, быстро его внедрять и получать понятный эффект от измерения результата, на основе опыта Купера.
ML (Machine learning) — это большая подобласть AI. Включает механики глубокого обучения, охватывает огромное количество областей знаний и использует под капотом такие технологии, как бустинг, регрессия и др. AI стремится достичь или превзойти человеческие возможности в разных областях.
Цель сегодня — показать, где действительно нужен ML на примере нескольких кейсов и сравнить с линейными решениями.
1. Прогнозирование оттока пользователей.
Линейное решение простое: если клиент давно не заказывал, напомнить о себе. ML-подход технологически сложнее, но дает лучший результат для бизнеса. Здесь мы прогнозируем, совершит ли пользователь заказ на товар или услугу в следующий период времени, и на основе этого разрабатываем план удержания.
2. Прогнозирование спроса.
За каким количеством товаров или услуг пользователи обратятся к вам в компанию? Линейный подход основан на простой экстраполяции: вчера купили 5 единиц продукции, сегодня купили 10, завтра купят какое-то еще количество. ML учитывает больше факторов: на уровне пользователя мы прогнозируем сезонности, цены, динамику продаж, сколько товаров и услуг может быть проданы в следующий момент времени.
3. Uplift-моделирование.
Что сделает пользователь, если совершит какое-то целевое действие на сервисе? В линейном решении пользователь открыл каталог, нашел товар или услугу, а мы прогнозируем несколько таких действий, одним из которых является перемещение товара в корзину. ML помогает предсказать действия пользователя на основе похожих сценариев взаимодействия с продуктом.
Каков цикл внедрения ML-решений? Он включает следующие этапы:
1. Формирование идеи
2. Разработка линейного решения и гипотезы
1. Проведение эксперимента для оценки линейного решения
1. Анализ результатов эксперимента
1. Разработка ML-решения
Эта схема универсальна, но сложна в реализации. Каждый этап требует серьезных знаний и навыков. Важно не пропускать ни один из этапов при внедрении ML в производство. Схема служит напоминанием о ключевых пунктах процесса, а не детальной инструкцией.
Какой тренд дальше и куда вы движемся?
Взаимодействие Machine2Machine, использование выходных данных одних ML-моделей как входных для других. Это позволяет решать все более сложные задачи, хоть пока и не без ошибок.
Спикер: Григорий Фрольцов
Как использовать машинное обучение там, где это нужно, быстро его внедрять и получать понятный эффект от измерения результата, на основе опыта Купера.
ML (Machine learning) — это большая подобласть AI. Включает механики глубокого обучения, охватывает огромное количество областей знаний и использует под капотом такие технологии, как бустинг, регрессия и др. AI стремится достичь или превзойти человеческие возможности в разных областях.
Цель сегодня — показать, где действительно нужен ML на примере нескольких кейсов и сравнить с линейными решениями.
1. Прогнозирование оттока пользователей.
Линейное решение простое: если клиент давно не заказывал, напомнить о себе. ML-подход технологически сложнее, но дает лучший результат для бизнеса. Здесь мы прогнозируем, совершит ли пользователь заказ на товар или услугу в следующий период времени, и на основе этого разрабатываем план удержания.
2. Прогнозирование спроса.
За каким количеством товаров или услуг пользователи обратятся к вам в компанию? Линейный подход основан на простой экстраполяции: вчера купили 5 единиц продукции, сегодня купили 10, завтра купят какое-то еще количество. ML учитывает больше факторов: на уровне пользователя мы прогнозируем сезонности, цены, динамику продаж, сколько товаров и услуг может быть проданы в следующий момент времени.
3. Uplift-моделирование.
Что сделает пользователь, если совершит какое-то целевое действие на сервисе? В линейном решении пользователь открыл каталог, нашел товар или услугу, а мы прогнозируем несколько таких действий, одним из которых является перемещение товара в корзину. ML помогает предсказать действия пользователя на основе похожих сценариев взаимодействия с продуктом.
Каков цикл внедрения ML-решений? Он включает следующие этапы:
1. Формирование идеи
2. Разработка линейного решения и гипотезы
1. Проведение эксперимента для оценки линейного решения
1. Анализ результатов эксперимента
1. Разработка ML-решения
Эта схема универсальна, но сложна в реализации. Каждый этап требует серьезных знаний и навыков. Важно не пропускать ни один из этапов при внедрении ML в производство. Схема служит напоминанием о ключевых пунктах процесса, а не детальной инструкцией.
Какой тренд дальше и куда вы движемся?
Взаимодействие Machine2Machine, использование выходных данных одних ML-моделей как входных для других. Это позволяет решать все более сложные задачи, хоть пока и не без ошибок.
tgoop.com/productsense/2612
Create:
Last Update:
Last Update:
Что бы мы не делали, если бы не было ML/AI?
Спикер: Григорий Фрольцов
Как использовать машинное обучение там, где это нужно, быстро его внедрять и получать понятный эффект от измерения результата, на основе опыта Купера.
ML (Machine learning) — это большая подобласть AI. Включает механики глубокого обучения, охватывает огромное количество областей знаний и использует под капотом такие технологии, как бустинг, регрессия и др. AI стремится достичь или превзойти человеческие возможности в разных областях.
Цель сегодня — показать, где действительно нужен ML на примере нескольких кейсов и сравнить с линейными решениями.
1. Прогнозирование оттока пользователей.
Линейное решение простое: если клиент давно не заказывал, напомнить о себе. ML-подход технологически сложнее, но дает лучший результат для бизнеса. Здесь мы прогнозируем, совершит ли пользователь заказ на товар или услугу в следующий период времени, и на основе этого разрабатываем план удержания.
2. Прогнозирование спроса.
За каким количеством товаров или услуг пользователи обратятся к вам в компанию? Линейный подход основан на простой экстраполяции: вчера купили 5 единиц продукции, сегодня купили 10, завтра купят какое-то еще количество. ML учитывает больше факторов: на уровне пользователя мы прогнозируем сезонности, цены, динамику продаж, сколько товаров и услуг может быть проданы в следующий момент времени.
3. Uplift-моделирование.
Что сделает пользователь, если совершит какое-то целевое действие на сервисе? В линейном решении пользователь открыл каталог, нашел товар или услугу, а мы прогнозируем несколько таких действий, одним из которых является перемещение товара в корзину. ML помогает предсказать действия пользователя на основе похожих сценариев взаимодействия с продуктом.
Каков цикл внедрения ML-решений? Он включает следующие этапы:
1. Формирование идеи
2. Разработка линейного решения и гипотезы
1. Проведение эксперимента для оценки линейного решения
1. Анализ результатов эксперимента
1. Разработка ML-решения
Эта схема универсальна, но сложна в реализации. Каждый этап требует серьезных знаний и навыков. Важно не пропускать ни один из этапов при внедрении ML в производство. Схема служит напоминанием о ключевых пунктах процесса, а не детальной инструкцией.
Какой тренд дальше и куда вы движемся?
Взаимодействие Machine2Machine, использование выходных данных одних ML-моделей как входных для других. Это позволяет решать все более сложные задачи, хоть пока и не без ошибок.
Спикер: Григорий Фрольцов
Как использовать машинное обучение там, где это нужно, быстро его внедрять и получать понятный эффект от измерения результата, на основе опыта Купера.
ML (Machine learning) — это большая подобласть AI. Включает механики глубокого обучения, охватывает огромное количество областей знаний и использует под капотом такие технологии, как бустинг, регрессия и др. AI стремится достичь или превзойти человеческие возможности в разных областях.
Цель сегодня — показать, где действительно нужен ML на примере нескольких кейсов и сравнить с линейными решениями.
1. Прогнозирование оттока пользователей.
Линейное решение простое: если клиент давно не заказывал, напомнить о себе. ML-подход технологически сложнее, но дает лучший результат для бизнеса. Здесь мы прогнозируем, совершит ли пользователь заказ на товар или услугу в следующий период времени, и на основе этого разрабатываем план удержания.
2. Прогнозирование спроса.
За каким количеством товаров или услуг пользователи обратятся к вам в компанию? Линейный подход основан на простой экстраполяции: вчера купили 5 единиц продукции, сегодня купили 10, завтра купят какое-то еще количество. ML учитывает больше факторов: на уровне пользователя мы прогнозируем сезонности, цены, динамику продаж, сколько товаров и услуг может быть проданы в следующий момент времени.
3. Uplift-моделирование.
Что сделает пользователь, если совершит какое-то целевое действие на сервисе? В линейном решении пользователь открыл каталог, нашел товар или услугу, а мы прогнозируем несколько таких действий, одним из которых является перемещение товара в корзину. ML помогает предсказать действия пользователя на основе похожих сценариев взаимодействия с продуктом.
Каков цикл внедрения ML-решений? Он включает следующие этапы:
1. Формирование идеи
2. Разработка линейного решения и гипотезы
1. Проведение эксперимента для оценки линейного решения
1. Анализ результатов эксперимента
1. Разработка ML-решения
Эта схема универсальна, но сложна в реализации. Каждый этап требует серьезных знаний и навыков. Важно не пропускать ни один из этапов при внедрении ML в производство. Схема служит напоминанием о ключевых пунктах процесса, а не детальной инструкцией.
Какой тренд дальше и куда вы движемся?
Взаимодействие Machine2Machine, использование выходных данных одних ML-моделей как входных для других. Это позволяет решать все более сложные задачи, хоть пока и не без ошибок.
BY ProductSense
Share with your friend now:
tgoop.com/productsense/2612