Дмитрий Симаков, лидер команды ML 2:0, 🧬 Sber AI Lab в интервью для Science Mail раскрывает цикл исследований:
«Всё начинается с практической потребности, уходит в поиск научного решения и возвращается обратно — уже в виде пилота и внедрения. Два разных мира превращаются в один непрерывный процесс».
🏆 Его команда получила бронзу в номинации «R&D-прорыв года» на RnD премии Сбера за решение - приоритезатор банковских продуктов.
⚙️Суть решения - Py-Boost 💡:
🔘Multioutput GBDT на GPU (CuPy/Numba) - одна модель для всех продуктов вместо отдельных
🔘SketchBoost ускоряет обучение для multitask (multilabel, multitask regression)
🔘Анализирует сочетания продуктов (сочетаемость, совместное использование, joint значимость)
💡Почему Py-Boost 💡 удобен для исследований?
Классические библиотеки на C++/CUDA сложно модифицировать и разбирать. Py-Boost — это Python + GPU с читаемым кодом и поддержкой экспорта в ONNX/Treelite, так что один и тот же стек подходит и для экспериментов, и для продакшена.
➡️В такой модели работы бизнес-задача почти сразу становится научной гипотезой, а успешное исследование — готовым продуктом.
🔥 - если вам близка такая связка ML-исследований и продакшена!
❤ @sb_ai_lab