Опівночні Балачки №41: Рекомендаційні системи, ч.1. Побудова рекомендаційних систем, їх складові і оцінку якості

В гостях – Дмитро Войтех, СТО @ S-PRO

▶️ Youtube – Крізь
🍏 Apple Podсasts – хащі
🎧 Spotify – лісового
🖇️ Інші платформи – бога

Тайм-коди:
* 0:30 - 1:18 — рекомендаційна система для банок на донати - поповнюйте рахунки Повернись Живим
* 1:19 - 5:45 — Дмитро (ex-Giphy, CTO@S-PRO) розказує, чому він хороша людина на поговорити про рекомендаційні системи
* 5:46 - 8:10 — чутки про те, в який ML/AI хочуть вкладати гроші європейські компанії
* 8:10 - 11:43 — визначимо проблему рекомендацій, говоримо про задачу отримання інформації (information retrieval)
* 11:44 - 12:20 — чому задачу рекомендацій варто розбивати на підсистеми
* 12:21 - 17:15 — candidate generation – бази даних, векторні індекси, текстові індекси
* 17:16 - 19:20 — що таке precision та recall, скільки потрібно сіньйорів…
* 19:21 - 22:20 — чому фільтрувати кандидатів в рекомендації є хорошою ідеєю
* 22:21 - 30:50 — на чому тренувати рекомендаційну систему: не забудьте полайкати наш подкаст на вашій улюбленій платформі!
* 30:51 - 40:45 – для чого потрібні офлайн та онлайн метрики; роздумуємо про інтуїцію метрик для оцінки якості рекомендацій
* 40:46 - 46:50 — чому Mean Reciprocal Rank (MRR) — ймовірно, не найкращий вибір для метрики, говоримо про Expected Reciprocal Rank (ERR) — чому структура гріда рекомендацій має значення
* 46:51 - 47:45 – Click Through Rate (CTR)
* 47:46 - 49:55 — говоримо про customer satisfaction та функції втрат для тренування рекомендаційної системи
* 49:56 - 55:28 — проблема feedback loop, exploration vs exploitation, рандомізуємо рекомендації; багаторукі бандити
* 55:29 - 57:28 — робимо паузу; оутро і канал 'Kyiv Data Science’; чекайте продовження в наступному випуску!

Ми в твітері o_balachky
Музика: streambeats | @stasgavrylov