Eine Plattform ist kein Selbstzweck: Wann man ML-Entwicklung vereinheitlicht und wann man aufhört – diskutiert beim "IT Picnic"
Auf der Konferenz "IT Picnic" teilte Sergey Kuznetsov, Leiter der Entwicklung von Empfehlungs- und Suchplattformen bei MWS, Einblicke darüber, wann man eine vollständige ML-Plattform aufbaut und wann man auf Bibliotheksebene stehen bleibt. Er veranschaulichte dies anhand von drei Fällen: der Vereinheitlichung von Empfehlungssystemen, Scoring-Modellen und dynamischer Preisgestaltung. Die wichtigste Erkenntnis ist, dass eine Plattform nur dann gebaut werden sollte, wenn sie ihre eigenen Kosten durch wiederholte Aufgaben rechtfertigt.
Sergey Kuznetsov von MWS (ein Teil von MTS) diskutierte die Entwicklung des maschinellen Lernens und stellte fest, dass Teams mit ihrem Wachstum Praktiken ansammeln, die zu Bibliotheken und später zu Plattformen werden können. Er präsentierte drei Fälle: Erstens die Vereinheitlichung von etwa zehn Empfehlungssystemen zu einer einzigen Plattform, die Datenformate, Experimente und Pipelines standardisierte; zweitens die Nutzung einer Plattform für Scoring-Modelle zur Automatisierung von Datenvorbereitung und Training, die im Laufe der Zeit Tausende verifizierter Merkmale ansammelte; drittens der fehlgeschlagene Versuch, eine universelle Plattform für dynamische Preisgestaltung zu schaffen, die im Vergleich zur Entwicklung einer kundenspezifischen Lösung für einen großen Kunden als zu kostspielig erachtet wurde. Er betonte, dass die Plattformbildung Risiken und Kosten birgt und sich nur dann lohnt, wenn derselbe Prozess häufig wiederholt wird. Die wertvollsten Vermögenswerte sind nicht spezifische Modelle, die sich schnell ändern, sondern die Infrastruktur, Tools und Schnittstellen, die bestehen bleiben.
Quelle: Habr — хаб ML —
Original