Вродемодель в А/В показала себя хорошо, но после выкатки в продпредлагает то 10 млн сырков заказать, то кредит выдать всем подряд, то считает, что рекомендовать всем скотч - гениальная идея

Знакомо? Это все следствия маленьких коварных сдвигов в данных: данных для обучения vs инференс, новые значения признаков появляются со временем, да и фродеры не спят

Хотите стабильную модель - придется это все учитывать

6 октября (пн) в 19:00 по мск будет бесплатный крок «Minority drift: от методов детекции до стабильного прода»

2 часа вместе с Team Lead Yandex на практике узнаете виды Minority Drift, как делать модели устойчивыми к дрейфу, оценивать деградацию и финансовые риски. От PSI и KL-дивергенции до Fairness Metrics.

Что будет на уроке:

1️⃣Виды Minority Drift в продакшен данных: Class-wise, Conditional, Subpopulation, Hidden Drift

2️⃣Оценка деградации моделей и финансовых потерь на практике

3️⃣Методы стабилизации признаков и моделей: PSI и KL-дивергенция

4️⃣Контроль качества — построение Fairness Metrics

Преподает Дмитрий Сафонов, Data Science Team Lead в Яндекс.

Урок для Data Scientists, Classic ML и NLP-инженеров. Нужны базовые знания основ ML, математики и программирования.

➡️ Записаться на урок, все бесплатно