AI&BigData Lab. Варвара Красавина "Оптимизация поиска в системе LeadScanner с помощью автоматического выделения ключевых слов и словосочетаний"

•

0 likes•929 views

23.05.15 Одесса. Impact Hub Odessa. Конференция AI&BigData Lab Варвара Красавина (Computational Linguist, YouScan) "Оптимизация поиска в системе LeadScanner с помощью автоматического выделения ключевых слов и словосочетаний" Мы расскажем об алгоритме извлечения ключевых слов и словосочетаний из текста с помощью матрицы совместной встречаемости. Программа, реализующая этот алгоритм, используется для оптимизации поиска в LeadScanner – платформе, которая ищет сообщения с заданным содержанием в социальных сетях. Также рассмотрим и друге методы извлечения ключевых слов и словосочетаний – статистические и лингвистические.

Оптимизация поиска интента/
в системе LeadScanner /
Варвара Красавина/

Варвара
Красавина,

computa2onal
linguist
@LeadScanr

кафедра
компьютерной
лингвистики
СПбГУ

@varvarakras

Наша
задача/
•  Найти
как
можно
больше
сообщений

•  Сократить
количество
нерелевантных
сообщений

Автоматическое
извлечение

ключевых
слов
и
словосочетаний/
•  Автоматическая
обработка
больших
объемов
текстов

•  Легок
в
реализации

•  Дает
хорошие
результаты

Популярные
методы/
•  TF-‐IDF

•  Log-‐Likelihood

•  Co-‐occurrence
Matrix
&
Xi-‐Square

•  …

Отличие
от
других
методов/
•  Понимание
терминов
«текст»
/
«корпус»

•  TF-‐IDF
–
кластеризация
(противопоставляем
один

текст
корпуса
всем
остальным)

•  У
нас
–
однородная
группа

В
чем
суть
метода/
•  Задача:
извлечь
словосочетания,
которые
лучше

всего
характеризовали
бы
текст.

•  Гипотеза:
если
какие-‐либо
два
слова
часто

встречаются
вместе
(в
одном
предложении)
и
редко

по
отдельности
(с
другими
словами),
то
между
ними

существует
семантическая
связь.

•  Следовательно,
эти
два
слова
характеризуют
этот

текст
лучше,
чем
остальные
пары

Метод:
шаги/
•  В
тексте
N
слов.

•  Считаем
частоту
каждого
слова
в
тексте.

•  Выбираем
из
них
K
наиболее
частотных
–
они

составляют
множество
G.

•  Строим
матрицу
K*N.

•  В
матрицу
записываем
частоту
совместной

встречаемости.

•  Оцениваем
значимость
слова
по
критерию
Xi-‐Square.

Как
это
работает
у
нас/
Отрасль:
недвижимость

•  Прогнали
метод
по
тематическим
группам
VK

•  Тестировали
на
нерелевантных
лидах

Спорные
вопросы/
•  Стоп-‐слова
и
Text
Preprocessing

•  Источники

•  Лемматизация

•  Machine
Learning

Text
Preprocessing/
•  Удаление стоп−слов

•  text.Split();

•  Что
считать
стоп-‐словами?

•  Как
составить
список
стоп-‐слов?

•  Split
по
предложениям
или
по
абзацам?

Источники/
•  Тематические
группы

•  Форумы

Machine
Learning/
Ручной
контроль
качества

•  Большие
объемы
подтвержденных
сообщений

•  Большие
объемы
удаленных
сообщений

Cпасибо,
ваши
вопросы!

Варвара
Красавина,

skype:
opavshie_listya

varvara.krasavina@youscan.ru

@varvarakras

We’re hiring! :)/

1. Задачи по объединению текстов в группы. 1.1 Что такое кластеризация текстов, где она полезна, какие задачи решает. 1.2 Что такое классификация применительно к текстам, примеры использования. 2. Тематическое моделирование. 2.1. Генеративные языковые модели. 2.2. Вероятностные латентно-семантические модели (pLSA). 2.3. Латентное размещение Дирихле (LDA). 2.4. Обзор инструментов для тематического моделирования. 3. Решение задач кластеризации и рубрикации на потоке новостных текстов.

Извлечение перевожных эквивалентов из параллельных корпусов

Спецсеминар "Искусственный Интеллект" кафедры АЯ ВМК МГУ

TopRater.com Машинное понимание миллионов отзывов / Павел Велихов (TopRater)

Ontico

Мы строим сервис TopRater.com, который должен агрегировать в себе все мнения из Интернета относительно массы объектов e-commerce. Для этого мы "прочитали" миллионы отзывов и научились выделять из них сущности, аспекты, тональности и факты. При этом, хотя объемы данных кажутся маленькими для специалистов Big Data (всего несколько терабайт) — почти во всех задачах нам пришлось использовать технологии Big Data — сотни серверов на Google Cloud, Apache Spark, MPP Базы данных. В докладе в форме "галопом по Европам" будет рассказано о гибридных подходах к NLP и машинному обучению, будут всякие интересные простые решения (некоторые широко известные, но, как показывает практика, часто забытые), ну и, конечно, немного про Deep Learning, а также про наш кластер и как там все организовано.

Современные средства NLP в поисковых задач - Стачка 2017

Nikita Zhiltsov

Доклад посвящен современным средствам обработки текстов на основе машинного обучения, применяемым для некоторых задач поиска в проектах Rambler&Co (портал, ЖЖ). Докладчик делится опытом разработки решений на основе векторного представления word2vec и нейронных сетей, обучаемых на реальных данных. Будут рассмотрены примеры использования библиотек fastText, Keras и Tensorflow. Подписывайтесь на мой Telegram-канал: http://t.me/ai_review

AI&BigData Lab 2016. Сергей Шельпук: Методология Data Science проектов

GeeksLab Odessa

4.6.16 AI&BigData Lab Upcoming events: goo.gl/I2gJ4H Проекты в области анализа данных - вызов не только для инженеров, но и для менеджеров. Доклад будет посвящён особенностям таких проектов по сравнению с обычной разработкой, ролям в команде и построению взаимодействия с заказчиком в условиях неопределённости R&D.

Ukraine: The Rise of a Technology Nation

Yevgen Sysoyev

Смирнова. Методы исправления ошибок в текстах, написанных иностранцами.

Спецсеминар "Искусственный Интеллект" кафедры АЯ ВМК МГУ

Russir 2010 finalyaevents

РИТ++ 2017, секция ML + IoT + ИБ Зал Белу-Оризонти, 5 июня, 16:00 Тезисы: http://ritfest.ru/2017/abstracts/2532.html Простыми словами расскажем о популярных, эффективных и используемых в нашей компании техниках применения машинного обучения для привлечения и удержания клиентов: - кластеризации товарного каталога, - классификации клиентов (готовых перейти на платный тариф, готовых уйти, способных принести прибыль), - повышении релевантности e-mail-рассылок. Особое внимание уделим технике использования популярных платформ и библиотек: - Apache Spark, - Spark MLlib, - Hadoop, - Amazon Kinesns. Отдельно остановимся на особенностях обработки "больших данных", выборе и разработке параллельных алгоритмов.

FOSS Sea 2014_Текстовый анализ на R: подбор рекомендаций для книжного магазина

GeeksLab Odessa

Кластеризация русскоязычных текстов на основе латентно-семантического анализа

Спецсеминар "Искусственный Интеллект" кафедры АЯ ВМК МГУ

Юрий Цыганенко, QA как услуга

SQADays_2009_Piter

Особенности заработка в нише Essay

Дмитрий Петренко

Pedalim vacancy IT HR

IT-HR Club

Системы аннотирования и реферированияArtem Lukanin

разработка бизнес приложений (7)

Alexander Gornik

разработка бизнес приложений (6)

Alexander Gornik

Освоение новых тематик в научно-технических переводах с привлечением специали...

Eugene Bartov

Карта граблей на поле сбора и доставки логов. Lazada-way.

Yury Bushmelev

Карта граблей на поле сбора и доставки логов. Lazada-way / Юрий Бушмелев (Laz...

Ontico

HighLoad++ 2017 Зал «Пекин+Шанхай», 7 ноября, 17:00 Тезисы: http://www.highload.ru/2017/abstracts/3036.html Логи — важная часть системы, позволяющая понять, что она работает (либо не работает), как ожидается. В условиях микросервисной архитектуры работа с логами становится отдельной дисциплиной специальной олимпиады. Нужно решить сразу кучу вопросов: - как писать логи из приложения; - куда писать логи; - как доставлять логи для хранения и обработки; - как обрабатывать и хранить логи. ...

CV2011 Lecture 10. Image retrievalAnton Konushin

DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...

GeeksLab Odessa

DataScience Lab, 13 мая 2017 Коррекция геометрических искажений оптических спутниковых снимков Алексей Кравченко (Senior Data Scientist at Zoral Labs) Мы рассмотрим разнообразие существующих спутниковых данных и способов их применения в сельском и лесном хозяйстве, картографировании земной поверхности. Далее сфокусируемся на задаче геометрической коррекции снимков как первом шаге процесса обработки спутниковых данных, включая геопривязку снимков, регистрацию изображений, субпиксельную идентификацию контрольных точек, совмещение каналов. Также расскажем о некоторых интересных и неожиданных подходах к определению ориентации и jitter спутников и построению маски облачности. Все материалы: http://datascience.in.ua/report2017

DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...

GeeksLab Odessa

DataScience Lab, 13 мая 2017 Kappa Architecture: How to implement a real-time streaming data analytics engine Juantomás García (Data Solutions Manager at OpenSistemas, Madrid, Spain) We will have an introduction of what is the kappa architecture vs lambda architecture. We will see how kappa architecture is a good solution to implement solutions in (almost) real time when we need to analyze data in streaming. We will show in a case of real use: how architecture is designed, how pipelines are organized and how data scientists use it. We will review the most used technologies to implement it from apache Kafka + spark using Scala to new tools like apache beam / google dataflow. Все материалы: http://datascience.in.ua/report2017

Similar to AI&BigData Lab. Варвара Красавина "Оптимизация поиска в системе LeadScanner с помощью автоматического выделения ключевых слов и словосочетаний"

Query expansionNLPseminar

Машинное обучение (Открытый семинар по средам)Pavel Egorov

Никулин Павел. Machine learning для текстового анализа

Дмитрий Шахов

20120226 information retrieval raskovalov_lecture03-04Computer Science Club

Реализация метода автоматического разрешения лексической многозначности

Спецсеминар "Искусственный Интеллект" кафедры АЯ ВМК МГУ

20111001 information retrieval raskovalov_lecture2Computer Science Club

Methods for building dialog agents and the technologies we used

Grid Dynamics

Машинное обучение в электронной коммерции - практика использования и подводны...

Ontico

FOSS Sea 2014_Текстовый анализ на R: подбор рекомендаций для книжного магазина

GeeksLab Odessa

Кластеризация русскоязычных текстов на основе латентно-семантического анализа

Спецсеминар "Искусственный Интеллект" кафедры АЯ ВМК МГУ

Юрий Цыганенко, QA как услуга

SQADays_2009_Piter

Особенности заработка в нише Essay

Дмитрий Петренко

Pedalim vacancy IT HR

IT-HR Club

Системы аннотирования и реферированияArtem Lukanin

разработка бизнес приложений (7)

Alexander Gornik

разработка бизнес приложений (6)

Alexander Gornik

Освоение новых тематик в научно-технических переводах с привлечением специали...

Eugene Bartov

Карта граблей на поле сбора и доставки логов. Lazada-way.

Yury Bushmelev

Карта граблей на поле сбора и доставки логов. Lazada-way / Юрий Бушмелев (Laz...

Ontico

CV2011 Lecture 10. Image retrievalAnton Konushin

Similar to AI&BigData Lab. Варвара Красавина "Оптимизация поиска в системе LeadScanner с помощью автоматического выделения ключевых слов и словосочетаний" (20)

Query expansion

Машинное обучение (Открытый семинар по средам)

Никулин Павел. Machine learning для текстового анализа

20120226 information retrieval raskovalov_lecture03-04

Реализация метода автоматического разрешения лексической многозначности

20111001 information retrieval raskovalov_lecture2

Methods for building dialog agents and the technologies we used

Машинное обучение в электронной коммерции - практика использования и подводны...

FOSS Sea 2014_Текстовый анализ на R: подбор рекомендаций для книжного магазина

Кластеризация русскоязычных текстов на основе латентно-семантического анализа

Юрий Цыганенко, QA как услуга

Особенности заработка в нише Essay

Pedalim vacancy IT HR

Системы аннотирования и реферирования

разработка бизнес приложений (7)

разработка бизнес приложений (6)

Освоение новых тематик в научно-технических переводах с привлечением специали...

Карта граблей на поле сбора и доставки логов. Lazada-way.

Карта граблей на поле сбора и доставки логов. Lazada-way / Юрий Бушмелев (Laz...

CV2011 Lecture 10. Image retrieval

More from GeeksLab Odessa

DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...

GeeksLab Odessa

DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...

GeeksLab Odessa

DataScience Lab 2017_Блиц-доклад_Турский Виктор

GeeksLab Odessa

DataScience Lab 2017_Обзор методов детекции лиц на изображение

GeeksLab Odessa

DataScience Lab, 13 мая 2017 Обзор методов детекции лиц на изображение Юрий Пащенко ( Research Engineer, Ring Labs) В данном докладе мы предлагаем обзор наиболее новых и популярных методов обнаружения лиц, таких как Viola-Jones, Faster-RCNN, MTCCN и прочих. Мы обсудим основные критерии оценки качества алгоритма а также базы, включая FDDB, WIDER, IJB-A. Все материалы: http://datascience.in.ua/report2017

DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...

GeeksLab Odessa

DataScience Lab, 13 мая 2017 Сходство пациентов: вычистка дубликатов и предсказание пропущенных диагнозов Виктор Сарапин (CEO at V.I.Tech) Как эффективно определять дубликаты на десятках миллионов пациентов, и как определять пропущенные диагнозы и лечебные действия. Все материалы доступны по ссылке: http://datascience.in.ua/report2017

DataScienceLab2017_Блиц-доклад

GeeksLab Odessa

DataScience Lab, 13 мая 2017 Recent deep learning approaches for speech generation Дмитрий Белевцов (Techlead at IBDI) В последние пол года появилось несколько важных моделей на базе глубоких нейронных сетей, способных успешно синтезировать человеческую речь на уровне отдельных сэмплов. Это позволило обойти многие недостатки классических спектральных подходов. В этом докладе я сделаю небольшой обзор архитектур наиболее популярных сетей, таких как Wavenet и SampleRNN. Все материалы доступны по ссылке: http://datascience.in.ua/report2017

DataScienceLab2017_Блиц-доклад

GeeksLab Odessa

DataScience Lab, 13 мая 2017 Распределенные вычисления: использование BOINC в Data Science Виталий Кошура (Software Developer at Lohika) BOINC - это открытое программное обеспечение для распределенных вычислений. Данный доклад освещает использование приложения BOINC в различных областях науки, которые связаны с обработкой огромных массивов данных, на примере текущих активных исследовательских проектов. Все материалы доступны по ссылке: http://datascience.in.ua/report2017

DataScienceLab2017_Блиц-доклад

GeeksLab Odessa

DataScience Lab, 13 мая 2017 Магистерская программа "Data Science" в УКУ Орест Купин(Master's Student at UCU) В этом докладе я расскажу вам о магистерской программе со специализацией в анализе данных в Украинском Католическом Университете. Я расскажу про структуру программы, основные курсы, а также опишу свой опыт как студента УКУ и поговорю об вызовах с которыми мы столкнулись в этом году. Все материалы доступны по ссылке: http://datascience.in.ua/report2017

DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...

GeeksLab Odessa

DataScience Lab, 13 мая 2017 Cервинг моделей, построенных на больших данных с помощью Apache Spark Степан Пушкарев (GM (Kazan) at Provectus / CTO at Hydrosphere.io) После подготовки данных и обучения моделей на больших данных с использованием Apache Spark встает вопрос о том, как использовать обученные модели в реальных приложениях. Помимо модели важно не забывать про весь пайплайн пре-процессинга данных, который должен попасть в продакшн в том виде, в котором его спроектировал и реализовал дата саентист. Такие решения, как PMML/PFA, основанные на экспорте/импорте модели и алгоритма имеют очевидные недостатки и ограничения. В данном докладе мы предложим альтернативное решение, которое упрощает процесс использования моделей и пайплайнов в реальных боевых приложениях. Все материалы доступны по ссылке: http://datascience.in.ua/report2017

DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...

GeeksLab Odessa

DataScience Lab, 13 мая 2017 BioVec: Word2Vec в задачах анализа геномных данных и биоинформатики Дмитрий Новицкий (Старший научный сотрудник в ИПММС НАНУ) Этот доклад посвящен bioVec: применению технологии word2vec в задачах биоинфоматики. Сначала мы напомним как работает Word2vec и аналогичные ему методы Word Embedding. Затем расскажем об особенностях Word2vec в применении к геномным последовательностям-- основному виду данных в биоинформатике. Как обучать bioVec, и применять эту технологию к задачам классификации белков, предсказания их функции и др. В заключении мы продемонстрируем примеры кода для обучения и использования bioVec. Все материалы доступны по ссылке: http://datascience.in.ua/report2017

DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко

GeeksLab Odessa

DataScience Lab, 13 мая 2017 Data Sciences и Big Data в Телекоме Александр Саенко (Software Engineer at SoftServe/CISCO) Александр расскажет о некоторых интересных примерах использования Big Data и Data Science в Телекоме: оптимизация сотовой сети, улучшение клиентского опыта, модели прогнозирования местоположения мобильных устройств, предотвращения оттока абонентов, обнаружение фрода и других. Рассмотрит основные современные подходы к их решению на основе алгоритмов машинного обучения. Все материалы доступны по ссылке: http://datascience.in.ua/report2017

DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...

GeeksLab Odessa

DataScience Lab, 13 мая 2017 Высокопроизводительные вычислительные возможности для систем анализа данных Михаил Федосеев ( Архитектор инфраструктурных решений, LanTec) В докладе мы поговорим о hardware стороне систем анализа данных для случаев построения приватных облаков или локальных высокопроизводительных вычислительных кластеров. Рассмотрим какие технологии и комплексные решения от компании Hewlett Packard Enterprise позволяют ускорить процесс анализа данных. Это не только зарекомендовавшие в своей области лучшие в своем сегменте сервера линейки HPE Apollo, а так же высокоскоростные сетевые коммутаторы HPE, но и дополнительные вспомогательные элементы решения, такие как мощные графические карты NVIDIA и хост-процессоры Xeon Phi. Так же будет рассмотрен стек HPE Core HPC Software Stack, который позволяет администраторам контролировать использование ресурсов системы. Все материалы доступны по ссылке: http://datascience.in.ua/report2017

DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...

GeeksLab Odessa

DataScience Lab, 13 мая 2017 Мониторинг модных трендов с помощью глубокого обучения и TensorFlow, Ольга Романюк (Data Scientist at Eleks) В течении последних 8 месяцев мы в Eleks работали над системой отслеживания модных трендов, основанной на глубинной остаточной нейронной сети с тождественным отображением. При тренировке сети мы использовали онлайн увеличение объема данных, а также распараллеливание данных по двум картам GPU. Мы создали эту систему с нуля при помощи TensorFlow. В презентации я расскажу о практической стороне проекта, нюансах реализации и подводных камнях, с которыми мы столкнулись во время работы. Все материалы: http://datascience.in.ua/report2017

DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...

GeeksLab Odessa

DataScience Lab, 13 мая 2017 Кто здесь? Автоматическая разметка спикеров на телефонных разговорах Юрий Гуц (Machine Learning Engineer, DataRobot) Автоматическая аннотация спикеров — интересная задача в обработке мультимедиа-данных. Нам нужно ответить на вопрос "Кто говорит когда?", не зная ничего о количестве и личности спикеров, присутствующих на записи. В этом докладе мы рассмотрим работающие методы для аннотации спикеров на телефонных разговорах. Все материалы: http://datascience.in.ua/report2017

DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...

GeeksLab Odessa

From bag of texts to bag of clusters Терпиль Евгений / Павел Худан (Data Scientists / NLP Engineer at YouScan) Мы рассмотрим современные подходы к кластеризации текстов и их визуализации. Начиная от классического K-means на TF-IDF и заканчивая Deep Learning репрезентациями текстов. В качестве практического примера, мы проанализируем набор сообщений из соц. сетей и попробуем найти основные темы обсуждения. Все материалы: http://datascience.in.ua/report2017

DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...

GeeksLab Odessa

Графические вероятностные модели для принятия решений в проектном управлении Ольга Татаринцева (Data Scientist at Eleks) Как часто вам приходится принимать решения, используя знания в определенной предметной области? На сколько хороши такие решения? А теперь представьте, что вы собрали знания лучших экспертов в предметной области. Похоже, что ваши решения, основанные на этих знаниях, будут куда более взвешенными, не так ли? Мы будем говорить о системе ProjectHealth, которая была построена на основе опыта лучших экспертов в проектном управлении в компании Eleks. Для реализации поставленной задачи была использована графовая вероятностная модель, а именно байесовская сеть, имплементированная на Python. За время работы над проектом мы прошли шаги от извлечения требований, поиска данных и построения модели с нуля до реализации BI дашборда с возможностью углубиться в детали, доходя до сырых данных. Сейчас ProjectHealth экономит большое количество времени для топ менеджмента и ресурсов компании, так как мониторит состояние бизнеса в малейших деталях ежедневно и делает это как настоящий эксперт. Все материалы: http://datascience.in.ua/report2017

DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...

GeeksLab Odessa

DataScienceLab, 13 мая 2017 Оптимизация гиперпараметров машинного обучения при помощи Байесовской оптимизации Максим Бевза (Research Engineer at Grammarly) Все алгоритмы машинного обучения нуждаются в настройке (тьюнинге). Часто мы используем Grid Search или Randomized Search или нашу интуицию для подбора гиперпараметров. Байесовская оптимизация поможет нам направить Randomized Search в те места, которые наиболее перспективны, так, чтобы тот же (или лучший) результат мы получили за меньшее количество итераций. Все материалы: http://datascience.in.ua/report2017

DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот

GeeksLab Odessa

DataScienceLab, 13 мая 2017 Как знать всё о покупателях (или почти всё)? Дарина Перемот (ML Engineer at SynergyOne) Раскроем собственный ответ на вопрос "Чего же хочет покупатель?". Поделимся результатами исследований транзакций и расскажем, есть ли у вас домашний питомец. А так же, продемонстрируем, как машинное обучение уже сейчас помогает узнавать вас ближе. Все материалы: http://datascience.in.ua/report2017

JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...

GeeksLab Odessa

JS Lab 2017, 25 марта Mapbox GL: как работают современные интерактивные карты Владимир Агафонкин (Lead JavaScript Engineer at MapBox) Mapbox GL JS — открытая JS-библиотека для создания современных интерактивных карт на основе WebGL. В разработке более трех лет, она сочетает в себе множество удивительных технологий, сложных алгоритмов и идей для достижения плавной отрисовки тысяч векторных объектов с миллионами точек в реальном времени. В этом докладе вы узнаете, как работает библиотека внутри, и с какими сложностями сталкиваются разработчики современных WebGL-приложений. В докладе: отрисовка шрифтов, триангуляция линий и полигонов, пространственные индексы, определение коллизий, расстановка надписей, кластеризация точек, обрезка фигур, упрощение линий, упаковка спрайтов, компактные бинарные форматы, параллельная обработка данных в браузере, тестирование отрисовки и другие сложности. Все материалы: http://jslab.in.ua/2017

JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js

GeeksLab Odessa

JS Lab2017, 25 марта, Одесса Под микроскопом: блеск и нищета микросервисов на node.js Илья Климов (CEO at Javascript.Ninja) "- Что это? - Микросервис! - И что он делает? - Микропадает". Про микросервисы сейчас не рассуждает только ленивый. Все рассказывают про то, как микросервисы спасают от сложности разработки, снижают время развертывание и повышают общую надежность систем. Этот доклад - про подводные камни, которые ждут оседлавших волну этого хайпа с Node.JS. Мы поговорим про ошибки, которые стоили мне и моей компании бессонных ночей, потерянной прибыли и, временами, веры в могущество микросервисной архитектуры. Все материалы: http://jslab.in.ua/ Организаторы: http://geekslab.org.ua/

More from GeeksLab Odessa (20)