В докладе поговорим о том, что такое стратегия по данным, как она может помочь организации, как подступиться к ее созданию, о чем нужно подумать, чтобы получился хороший результат.

Рассказ о том, как мы в Купере пришли от состояния, в котором у нас не было ML-платформы и каждая ML-команда жила со своим набором инструментов к ее появлению и использованию всем ML департаментом. Почему не стали использовать готовые решения, через какие шаги мы прошли и чему научились в ходе этого путешествия.

ИИ должен работать с вашими данными. Без доступа к внутренней информации компании ИИ ограничен — как врач, который лечит не поставив диагноз. RAG и векторные базы данных превращают документы и бизнес-знания в рабочий контекст для ИИ. Покажем, как суверенная платформа искусственного интеллекта, работая локально, ускоряет процессы, повышает качество и снижает затраты — без риска утечки чувствительных данных.

• Графовая парадигма в машинном обучении: что это и зачем нужно?
• Классы задач, решаемые с применением графовых подходов
• Плюсы и минусы графовых подходов
• Промышленная архитектура использования графовых нейросетей в скоринге
• Перспективные направления развития

Рассказ будет построен на примерах задач телеком-оператора: лидогенерация, антифрод-скоринг, оценка склонности клиентов к услугам компании

Доклад посвящён практическому построению LLM-аналитики поверх SQL для оперативных и корректных ответов на типовые бизнес-вопросы. Обсудим основные проблемы при решении таких задач, ограничения, валидацию качества ответов. Поговорим об архитектуре данных и как готовить DWH для взаимодействия с LLM.

Вы продакт на сложном ML продукте и ваша задача не просто отскорить бэклог, а также оценить финансовый эффект от внедрения ML

В этом докладе мы расскажем про то:

• как проводить оценку 
• с какими трудностями столкнулись на пути
• как искали бенчмарки для оценки
• какие поправочные коэффициенты вводили
• и многое другое

Круглый стол 1: ​​Вайб-кодинг и ИИ в разработке: ускорение процесса или регресс профессии?

Модератор: Лиза Авсянник, ведущий специалист по работе с данными Группы машинного обучения и искусственного интеллекта, Альфа Банк

Как трансформируется профессии разработчика под влиянием ИИ. Обсудим, ускоряет ли это разработку, ведет ли к снижению качества, делает ли программирование более доступным и приведет ли к обесцениванию профессиональных навыков разработчиков.


Круглый стол 2: MLOps на практике: как довести ML-модель до продакшна

Модератор: Алексей Глотов, руководитель департамента машинного обучения и искусственного интеллекта, Т2 Мобайл

• Путь от эксперимента до продакшна: на каком этапе чаще всего «ломается» процесс?
• Что в первую очередь стоит автоматизировать, а что можно оставить ручным?
• Почему бизнесу стоит инвестировать в MLOps, даже если первые модели ещё не окупились?

Круглый стол 3: Рекомендательные системы: как построить то, что реально работает для бизнеса

Модератор: Екатерина Романова, начальник отдела управления продуктами и маркетинга роста, life:)

• Цели внедрения: рост конверсии, удержание, персонализация, снижение перегрузки выбора
• Как измеряете эффективность рекомендательной системы: какие метрики для бизнеса важнее всего?
• Где рекомендации «не взлетели» и почему?
• С какими проблемами в рекомендательных системах вы сталкиваетесь и как их решаете?

Круглый стол 4: Запуск data-driven процессов: опыт и ошибки

Модератор: определяется

• Какие шаги у вас стали «точкой старта» (создание витрины данных, внедрение BI, выделение команды)?
• С какими первыми проблемами столкнулись (качество данных, доступы, отсутствие экспертов) и как их решали?
• Что оказалось must-have на первых этапах, а что можно было отложить?
• Как убедить руководство и коллег в ценности data-driven подхода?