2. Поиск ML-решения 2026 Допустим, проблему нашли. Теперь начинается, на мой взгляд, самая творческая часть процесса — нужно придумать, что именно попробовать с точки зрения ML. Хороший ML-инженер обычно смотрит прошлые эксперименты, изучает текущую архитектуру, читает статьи и материалы конференций, разговаривает с коллегами и копается в данных. 💡

Допустим, хотим улучшить рекомендации корзины. Можно добавить текущий состав корзины в ranker. Можно учитывать последние клики. Можно поменять retrieval. Можно изменить target модели. А можно вообще попробовать другую архитектуру. 🏠 =>🏰

На этом этапе наша задача именно выбрать направление. Что вообще стоит проверить? Какой класс решений может сработать? Какие идеи мы ещё не пробовали? И вот здесь классическая ML-автоматизация пока помогает довольно слабо. Она хорошо умеет искать лучший вариант внутри уже заданного пространства, но само пространство обычно задаёт человек. 👷

Автоматизация сейчас: низкая.