Successfully reported this slideshow.
Your SlideShare is downloading. ×

.NET Fest 2018. Владимир Кубицкий. Создание и использование алгоритмов машинного обучения в проектах ЛУН

.NET Fest 2018. Владимир Кубицкий. Создание и использование алгоритмов машинного обучения в проектах ЛУН

Есть ли место машинному обучению в продукте по недвижимости? Я расскажу о том, как, начиная с нескольних простых эвристических модулей, которые определяли, является ли контактное лицо брокером или владецьцем недвижимости, мы перешли к использованию десятков ML моделей, в результате чего смогли существенно уменьшить количество жалоб от наших клиентов.

Есть ли место машинному обучению в продукте по недвижимости? Я расскажу о том, как, начиная с нескольних простых эвристических модулей, которые определяли, является ли контактное лицо брокером или владецьцем недвижимости, мы перешли к использованию десятков ML моделей, в результате чего смогли существенно уменьшить количество жалоб от наших клиентов.

More Related Content

More from NETFest

Related Books

Free with a 30 day trial from Scribd

See all

.NET Fest 2018. Владимир Кубицкий. Создание и использование алгоритмов машинного обучения в проектах ЛУН

  1. 1. from heuristics to dozens production models in proptech Vova Kubytskyi LUN 1
  2. 2. 2
  3. 3. 3
  4. 4. 4
  5. 5. в числах 5
  6. 6. 10 000 сайтов индексируем 6
  7. 7. 6 000 000 объявлений в сутки 7
  8. 8. 100 000 000 посещений в год 8
  9. 9. 1 200 000 000 9 изображений храним 175 000 ГБ классифицируем в год
  10. 10. 20 190 000 000 рекламок откручено 10
  11. 11. 11
  12. 12. 12
  13. 13. 13
  14. 14. 14
  15. 15. 15
  16. 16. группировка изображений 16
  17. 17. 17
  18. 18. 18
  19. 19. 19
  20. 20. 20
  21. 21. Hamming distance to subsample size 12 14 16 18 22,648 21 3,934 632167
  22. 22. ORB – Oriented FAST(kp) & Rotated BRIEF (des) pHash HEngine C++ 22
  23. 23. результат – 0.97 F1 score 23
  24. 24. 24
  25. 25. классификация изображений 25
  26. 26. 26
  27. 27. 27
  28. 28. 28
  29. 29. 29
  30. 30. 30
  31. 31. caffe (2014) 31 “LeNet” from Berkeley 5000 images
  32. 32. 34 класса изображений 32
  33. 33. результат – 0.96 F1 score 33
  34. 34. 56% 67% 78% 89% 100% вклад подсистем в группировщик объявлений 34
  35. 35. группировка объявлений 35
  36. 36. 36
  37. 37. 37
  38. 38. результат – 0.99 F1 score 38
  39. 39. 39
  40. 40. 40
  41. 41. 41
  42. 42. 42
  43. 43. 43
  44. 44. 44
  45. 45. 45
  46. 46. 46
  47. 47. 47
  48. 48. 48
  49. 49. 49
  50. 50. 50
  51. 51. значимый эффект 51
  52. 52. количество жалоб на посредников 52
  53. 53. 53
  54. 54. 54
  55. 55. 55
  56. 56. внедрение и поддержка 56
  57. 57. • гипотеза • сверхбыстрая проверка нужности • сбор выборки • построение алгоритма • создание модуля • обработка данных • вывод ветки в А/В тест • продакшн / улучшение / утилизация 57
  58. 58. привет 58
  59. 59. 59
  60. 60. 60
  61. 61. 61
  62. 62. 62
  63. 63. 63
  64. 64. 64
  65. 65. наружная реклама 65
  66. 66. 66
  67. 67. 67
  68. 68. 68
  69. 69. а что, если бы мы могли 69
  70. 70. 70
  71. 71. OpenCV TensorFlow (fine-tuned faster_rcnn_inception_v2) + custom tracker + custom post-processor71
  72. 72. flatfy & lun artificial intelligence researchers 72
  73. 73. a special or instinctive aptitude or ability for doing something well 73
  74. 74. 74
  75. 75. Cпасибо 75 за внимание fb.com/kubytskyi

×