Разметка против реальности: как фрод выявляет слабые места датасета
Доклад принят в программу конференции
Целевая аудитория
Специалисты, работающие с ML-системами и данными в продакшене, где важны разметка, качество данных и их изменение со временем.
Тезисы
В задачах с пользовательскими данными датасет быстро теряет актуальность: появляются новые сценарии, фрод и неоднозначные кейсы, с которыми разметка не всегда справляется. На примере фотоконтроля курьеров покажу, как выстраивается процесс разметки и дообогащения данных и почему датасет становится ключевой частью ML-системы.
Магистр прикладной математики, тимлид команды ML/AI, ментор и автор/ведущий вебинаров ML.
Видео
Другие доклады секции
Сбор Dataset
