Recommender systems are all around us nowadays. Suggesting products on Amazon, recommending movies to watch on Netflix and Youtube, personalized feed on Facebook - all these applications use quite advanced RecSys algorithms. In this talk, we'll explore both classic and modern ways of building recommender systems.

Огляд існуючих інструментів MLOps та ефективний пайплайн штучного інтелекту в публічних, гібридних і приватних хмарах для розробки та деплойменту індустріальних ML-аплікацій.

З мого досвіду впровадження Data Science рішень в різних компаніях, інженери доволі гарно розуміють теорію і вміють розробляти моделі. Причиною провалів більшості проектів, на мою думку, є проблеми з процесами, а саме неправильно виконана, або взагалі пропущена перша стадія проекту - постановка задачі. В доповіді поговоримо про те, як правильно перетворювати бізнес задачу на задачу Data Science так, щоб вона приносила найбільшу користь.

Огляд на застосунок AI в різноманітних мистецьких сферах та алгоритми, які для цього використовують.

• Обіг персональних даних в DATA/AI проектах та його законність за GDPR.
• Демонструємо GDPR compliance та продаємо західним B2B клієнтам.
• Фічі та фішки GDPR compliance для складних механік в data science проектах.

Про RnD та виклики у продукті http://zing.coach. Це мобільний застосунок, що виконує функцію персонального фітнес тренера. Zing, по суті, є спеціалізованим goal-oriented chatbot-ом, який враховує довгий контекст взаємодії з користувачем.

У доповіді ми розглянемо кілька підходів до побудови таких рішень та виклики що стоять на нашому шляху.

Talk audience: Primary Data Analysts, Data Engineers and less Product Owners, Data Scientists.

Technical Overview , Usecases, and Implemented Project Examples.

The talk will go through some real-world challenges of deploying and maintaining Machine Learnings in production and how to solve them.
• Scalable automated ML model deployments in production.
• Drift detection in ML models.
• Feature importance and interpretability.
• Monitoring and alerting of ML pipelines.