Привет! На связи Евгения Анкудинова, дата-сайентист в Avito и преподаватель курса «DL-инженер» 👋🏻
Вы могли слышать, что Deep Learning — это одно из направлений внутри Machine Learning. Часто может быть непонятно, чем же тогда отличаются друг от друга задачи, которые решают ML и DL-инженеры. Попробуем ответить на этот вопрос на примере стандартной задачи классификации.
DL-инженеры точно так же сталкиваются с этим типом задач. Однако детали реализации сильно зависят от того, какой тип данных необходимо классифицировать.
Допустим, вы хотите сделать маршрутизатор запросов в техническую поддержку: автоматически распределять вопросы пользователей по нужным сотрудникам. Запросы скорее всего приходят в виде текста — тогда вам подойдут NLP-модели, например, трансформеры.
😐 Хорошо, если у компании уже собрано достаточное количество данных (десятки тысяч), на которых вы можете обучить модель. Но что делать, если данных просто десятки? Тогда можно рассмотреть LLM и технику few-shot, которая позволит работать с тем набором данных, который вам доступен.
😐 Следующий шаг: LLM работают медленно. Вам может потребоваться оптимизация модели. Или можно сделать ход конём и сгенерировать данные для обучения при помощи LLM. Но как обучиться на этих ненастоящих данных так, чтобы на реальных модель работала хорошо?
Все эти вопросы и дилеммы составляют рутину решения задачи DL-инженером. Фактически ваш рабочий день состоит из разумного применения всей информации, которой вы обладаете, чтобы качественно выполнить поставленную вам задачу. И чтобы каждый пользователь всё-таки получил ответ на свой вопрос от технической поддержки 🙂
Благодаря нашему курсу «DL-инженер» вы узнаете, как подбирать архитектуру модели под вашу конкретную задачу, познакомитесь с основами оптимизации моделей и узнаете про различные подходы к решению классических и не только задач.
🔸 Записаться на курс: simulative.ru/dl-engineer
📊 Simulative