La plataforma no es un fin en sí mismo: cuándo unificar el desarrollo de ML y cuándo detenerse, debatido en 'IT Picnic'

Sergey Kuznetsov, de MWS (parte de MTS), habló sobre la evolución del desarrollo de machine learning (ML), señalando que a medida que los equipos crecen, acumulan prácticas que pueden convertirse en bibliotecas y luego en plataformas. Presentó tres casos: primero, la unificación de unos diez sistemas de recomendación en una única plataforma, que estandarizó formatos de datos, experimentos y pipelines; segundo, el uso de una plataforma para modelos de scoring que automatizaba la preparación de datos y el entrenamiento, acumulando con el tiempo miles de características verificadas; tercero, un intento fallido de crear una plataforma universal de precios dinámicos, que se consideró demasiado costosa en comparación con desarrollar una solución personalizada para un cliente importante. Enfatizó que la plataformización conlleva riesgos y costos, y solo vale la pena cuando el mismo proceso se repite con frecuencia. Los activos más valiosos no son los modelos específicos, que cambian rápidamente, sino la infraestructura, las herramientas y las interfaces que perduran.