3. Подготовка новой версии модели 2026 🤖=>🤖
Направление выбрали. Допустим, решили добавить текущую корзину пользователя в ranker. Теперь эту идею нужно превратить в работающую модель. 💪
И вот здесь задача уже совсем другая. Не придумать, что попробовать, а реализовать выбранное решение максимально эффективно. Ещё лет десять назад здесь было много ручной работы. ML-инженер проверял доступность данных, строил признаки, менял training pipeline, запускал обучение, исправлял ошибки и добавлял конфигурации.
Сейчас большая часть такой рутины уже автоматизирована. Датасеты собираются автоматически. Feature Store хранит готовые признаки. Training pipeline запускает обучение. Модели сохраняются в registry. Во многих случаях они автоматически переобучаются по расписанию.
Отдельная тема — поиск оптимальных параметров модели. Допустим, архитектура уже выбрана. Но остаётся learning rate, размер embeddings, глубина модели и ещё десяток параметров.
Здесь уже есть хороший инструментарий. Можно автоматически запустить десятки или сотни конфигураций и выбрать лучшие. То есть человек в основном задаёт пространство поиска, а дальше машина довольно хорошо перебирает варианты внутри него.🚣
Автоматизация сейчас: высокая.
