Сбор гостей, активности и нетворкинг

Рекомендательная платформа в эпоху AI

За кулисами рекомендаций: от геоданных до RAG-диалога

Мы расскажем, как рекомендательная система ВТБ подбирает для каждого пользователя персональные предложения в приложении. От геоданных и поведенческих интентов до реранкинга и RAG-диалога — покажем всю цепочку, которая превращает сырые данные в полезные рекомендации.

Корректное проведение экспериментов в последовательных рекомендациях

В докладе расскажу о правильном проведении экспериментов в рекомендательных системах на последовательностях. Также представлю инструмент для проверки качества и поиска проблем в датасетах. В завершении расскажу про применение подходов последовательных рекомендаций для рекомендаций банковских продуктов

Открытый микрофон с Data science лидерами

От запросов к плейлистам: LLM-архитектура для семантического поиска музыки в масштабе

Расскажу о том, как мы обучаем модели для подбора треков под свободное описание на естественном языке в духе «музыка для разговора по душам с собакой». Все это для того, чтобы пользователь мог просто описать своими словами, что ему хочется послушать, а не искал по заготовленным плейлистам.

Как мы в Wildberries научили модель отличать ИИ от реальности

Как в Wildberries построили и вывели в прод deepfake-детектор, отличающий ИИ-фото от настоящих. Без теории: какие подходы сработали, почему точность на бенчмарке ≠ точность на потоке, как жить в гонке с новыми генераторами и держать антифрод актуальным.

Маленькие и большие языковые модели в Антиспаме

Доклад посвящен разработке классификатора входящих СМС. Мы рассмотрим разницу между мошенничеством (фродом), рекламным спамом и обычными СМС. А еще представим методы выявления обфускации текста и результаты экспериментов с файнтюном BERT-энкодеров и Qwen3.
 

Тренды развития ИИ в индустрии и бизнесе на 2026-2027г

Эволюция пользовательских эмбеддингов: от TimeMAE и OPQ-квантования до кросс-доменного Alignment

Доклад посвящен эволюции ML-архитектуры — от жесткой оптимизации хранилища до кросс-доменного слияния (fusion) смыслов.
О чем поговорим:

• Инфраструктурное спасение (OPQ): как мы перешли к единой таблице и сжали векторное хранилище в 11 раз с потерей всего 0.0005 ROC-AUC с помощью Optimized Product Quantization и обучаемых кодбуков.
• Alignment & Fusion: зачем независимым векторам «общаться» и как идеи из Vision-Language моделей (CLIP, BLIP) перекладываются на событийные данные.
• Битва архитектур: Early Fusion (One-tower Transformer) против Late Fusion (Three-leg с graph fusion network) для генерации единого мультидоменного профиля клиента.

Однажды приходит заказчик… Что было дальше?

Разгоняем реальные кейсы про применение ML в бизнесе
в формате известного шоу

Афтепати