Машинное обучение часто воспринимают как работу над моделью: есть данные, алгоритм, обучение и результат. В крупных компаниях основная сложность постепенно перемещается в другое место. Одни и те же данные приходится готовить для разных проектов, модели — регулярно переобучать, эксперименты — проверять, а найденные решения — переносить между командами.
На «ИТ-Пикнике» Сергей Кузнецов, руководитель разработки платформы рекомендаций и поиска MWS, показал на трех кейсах, почему в одних случаях лучше работать с полноценной ML-платформа, а в других — выгоднее остановиться на уровне библиотеки.
Когда отдельные решения становятся слишком дорогими
По мере развития ML-разработки команды постепенно накапливают собственные подходы, инструменты и удачные решения. Пока таких проектов немного, этого достаточно, но, когда похожие задачи начинают возникать в разных отделах компании, появляется необходимость объединить накопленный опыт и использовать его повторно.
