В Lаmoda Tech мы внедряем ML, чтобы сделать онлайн-шоппинг для миллионов пользователей комфортным, увлекательным и вдохновляющим.
Поиск
Ранжирование
Персонализация
Ценообразование
ML Ops
На встрече поделимся, как использовать большие данные для того, чтобы сделать шопинг ещё более приятным и улучшить UX. Расскажем, как поднимаем метрики поиска по самым нестандартным запросам, персонализируем рекомендации на примере главной страницы, а также создаём облако тегов и разметку отзывов для более точного выбора товаров.
Приглашаем встретиться в офисе, чтобы послушать доклады и понетворкать с коллегами, дополнив это вкусными закусками, напитками, настольным теннисом и кикером.
Место встречи:
15 апреля
19:00 - 22:00
В офисе Lamoda: г. Москва, ул. Крылатская, 15
офлайн
+
онлайн
Количество мест ограничено, поэтому успей зарегистрироваться
Программа
18:30 – 19:00
Регистрация, сбор гостей
19:05 – 19:40
Рекомендации с нуля: как мы в Lamoda превратили главную страницу в ключевую точку входа для персонализированного шоппинга
Данил Комаров
Data Scientist, Lamoda Tech
Год назад главная страница Lamoda состояла из подборок, баннеров и плейсментов, не адаптированных под пользователя. Мы приняли решение создать ленту с персональными рекомендациями товаров и подборок на основе интересов наших клиентов.
• Как мы начали с простого виджета, протестировали идею и менее чем за полгода полностью обновили главную страницу ?
• Как проходило масштабирование системы и добавление новых уровней?
• Какие особенности есть у рекомендаций в fashion, и как их учитывать на модельном и бизнес-уровне?
• Переход на онлайн решение: почему это было необходимо?
• Какие метрики помогли оценить качество рекомендаций, и как они повлияли на бизнес?
Доклад будет полезен всем, кто работает с рекомендациями и хочет сделать их более персональными.
• Как мы начали с простого виджета, протестировали идею и менее чем за полгода полностью обновили главную страницу ?
• Как проходило масштабирование системы и добавление новых уровней?
• Какие особенности есть у рекомендаций в fashion, и как их учитывать на модельном и бизнес-уровне?
• Переход на онлайн решение: почему это было необходимо?
• Какие метрики помогли оценить качество рекомендаций, и как они повлияли на бизнес?
Доклад будет полезен всем, кто работает с рекомендациями и хочет сделать их более персональными.
19:40 – 20:15
От ручной разметки к LLM: как мы создавали облако тегов в Lamoda
Ангелова Анастасия
Data Scientist, Lamoda Tech
Осенью прошлого года в Lamoda Tech появилась задача разделять отзывы клиентов по осмысленным категориям (тегам). Перед нами стоял вызов: получить большие объёмы качественно размеченных данных для обучения нейросети, не имея готовых решений и аналогов на рынке. Я расскажу о полном цикле создания подобного решения, уделив особое внимание следующим пунктам:
• Почему первоначальный подход с ручной разметкой и краудсорсингом оказался недостаточно эффективным для масштабного решения задачи?
• Как мы тестировали опенсорс и некоторые проприетарные LLM для разметки, и что повлияло на итоговый выбор?
• Как выбирались подходящие теги и формировался финальный набор данных для обучения модели?
• Какие модели мы рассматривали и на какой остановились?
• Какие результаты мы получили и какие планы по дальнейшему развитию проекта?
Этот доклад будет интересен всем, кто работает с NLP, построением DS-пайплайнов, применением LLM и решает задачи разметки больших массивов пользовательских текстов.
• Почему первоначальный подход с ручной разметкой и краудсорсингом оказался недостаточно эффективным для масштабного решения задачи?
• Как мы тестировали опенсорс и некоторые проприетарные LLM для разметки, и что повлияло на итоговый выбор?
• Как выбирались подходящие теги и формировался финальный набор данных для обучения модели?
• Какие модели мы рассматривали и на какой остановились?
• Какие результаты мы получили и какие планы по дальнейшему развитию проекта?
Этот доклад будет интересен всем, кто работает с NLP, построением DS-пайплайнов, применением LLM и решает задачи разметки больших массивов пользовательских текстов.
20:15 – 20:25
Перерыв
20:25 – 21:00
Стильный код: натуральный поиск редких атрибутов по картинке
Юлия Антохина
Data Scientist, Lamoda Tech
Платье зебра, малиновые чиносы, джинсы клеш от колена — каждый день мы ищем товары по модным запросам, а fast fashion создает новые тренды быстрее, чем мы заполняем карточки товаров. Я расскажу про сетку, которая читает наши картинки в продакшне как глянцевый журнал — выбирает главное и помогает добавить в корзину.
• История модели с XVIII века до 2025: предпосылки и А/B-тесты
• Субъективная мода: собрать разметку не так-то просто
• Минимализм в проде: используем legacy-механизм для выкатки
• Группировка вещей по цветотипу обеспечит вам восхищенные взгляды
• Солнечное затмение: каким знакам зодиака не стоит катить код в прод в это время
Этот доклад будет полезен фанатам новых цветов Pantone и дубайского шоколада, а также серьезным инженерам, которые хотят поднять метрики поиска. Как свежий выпуск Vogue, только с кодом вместо глянца.
• История модели с XVIII века до 2025: предпосылки и А/B-тесты
• Субъективная мода: собрать разметку не так-то просто
• Минимализм в проде: используем legacy-механизм для выкатки
• Группировка вещей по цветотипу обеспечит вам восхищенные взгляды
• Солнечное затмение: каким знакам зодиака не стоит катить код в прод в это время
Этот доклад будет полезен фанатам новых цветов Pantone и дубайского шоколада, а также серьезным инженерам, которые хотят поднять метрики поиска. Как свежий выпуск Vogue, только с кодом вместо глянца.
21:00 – 22:00
Игры и общение, напитки и пицца
Подписывайся на telegram-канал Lamoda Tech, куда мы выкладываем материалы со всех митапов.
Ⓒ Lamoda Tech, 2025
Подписывайтесь
на наши соцсети
