applied ml

aufgetragen-ml

Kuratierte Artikel, Artikel und Blogs zu Datenwissenschaft und maschinellem Lernen in der Produktion .

Finden Sie heraus, wie Sie Ihr ML-Projekt umsetzen können? Erfahren Sie, wie andere Organisationen es gemacht haben:

• Wie wird das Problem formuliert? (z. B. Personalisierung als Recsys vs. Suche vs. Sequenzen)
• Welche Techniken des maschinellen Lernens funktionierten ✅ (und manchmal, welche nicht)
• Warum es funktioniert, die Wissenschaft dahinter mit Forschung, Literatur und Referenzen
• Welche realen Ergebnisse wurden erzielt (damit Sie den ROI besser einschätzen können ⏰??)

PS: Möchten Sie eine Zusammenfassung der ML-Fortschritte? ml-surveys

PPS, Suchen Sie nach Leitfäden und Interviews zur Anwendung von ML? applyingML

Inhaltsverzeichnis

1. Datenqualität
2. Datentechnik
3. Datenermittlung
4. Feature-Stores
5. Einstufung
6. Rückschritt
7. Prognose
8. Empfehlung
9. Suche & Ranking
10. Einbettungen
11. Verarbeitung natürlicher Sprache
12. Sequenzmodellierung
13. Computer Vision
14. Verstärkungslernen
15. Anomalieerkennung
16. Graph
17. Optimierung
18. Informationsextraktion
19. Schwache Aufsicht
20. Generation
21. Audio
22. Datenschutzschonendes maschinelles Lernen
23. Validierung und A/B-Tests
24. Modellmanagement
25. Effizienz
26. Ethik
27. Infrarot
28. MLOps-Plattformen
29. Praktiken
30. Teamstruktur
31. Scheitert

Datenqualität

1. Zuverlässige und skalierbare Datenerfassung bei Airbnb Airbnb 2016
2. Überwachung der Datenqualität im großen Maßstab mit statistischer Modellierung Uber 2017
3. Datenmanagement-Herausforderungen beim maschinellen Lernen in der Produktion (Papier) Google 2017
4. Automatisierung groß angelegter Datenqualitätsüberprüfungen (Papier) Amazon 2018
5. Lernen Sie Hodor kennen – Gojeks Upstream-Datenqualitätstool Gojek 2019
6. Datenvalidierung für maschinelles Lernen (Papier) Google 2019
7. Ein Ansatz zur Datenqualität für Netflix-Personalisierungssysteme Netflix 2020
8. Verbesserung der Genauigkeit durch sichere Schätzung menschlicher Entscheidungen, Etiketten und Bewerter (Papier) Facebook 2020

Datentechnik

1. Zipline: Airbnbs Plattform für maschinelles Lernen und Datenmanagement Airbnb 2018
2. Sputnik: Airbnbs Apache Spark Framework für Data Engineering Airbnb 2020
3. Entbündelung von Data Science-Workflows mit Metaflow und AWS Step Functions Netflix 2020
4. Wie DoorDash seine Datenplattform skaliert, um Kunden zu begeistern und der wachsenden Nachfrage gerecht zu werden DoorDash 2020
5. Revolutionierung von Geldbewegungen im großen Maßstab mit starker Datenkonsistenz Uber 2020
6. Zipline – Ein deklaratives Feature-Engineering-Framework Airbnb 2020
7. Automatisierung des Datenschutzes im großen Maßstab, Teil 1 (Teil 2) Airbnb 2021
8. Echtzeit-Dateninfrastruktur bei Uber Uber 2021
9. Wir stellen vor: Fabricator: Ein deklaratives Feature-Engineering-Framework DoorDash 2022
10. Funktionen und DAGs: Einführung von Hamilton, einem Mikroframework für die Datenrahmengenerierung Stitch Fix 2021
11. Optimieren des Datenerfassungsstapels von Pinterest: Erkenntnisse und Erkenntnisse Pinterest 2022
12. Lehren aus der Ausführung von Apache Airflow im großen Stil Shopify 2022
13. Grundlegendes zur Datenspeicherung und -aufnahme für umfangreiches Deep-Empfehlungsmodell-Training Meta 2022
14. Data Mesh – Eine Plattform zur Datenbewegung und -verarbeitung bei Netflix Netflix 2022
15. Aufbau einer skalierbaren Echtzeit-Ereignisverarbeitung mit Kafka und Flink DoorDash 2022

Datenermittlung

1. Apache Atlas: Data Governance und Metadaten-Framework für Hadoop (Code) Apache
2. Sammeln, aggregieren und visualisieren Sie die Metadaten (Code) eines Datenökosystems WeWork
3. Entdeckung und Nutzung von Analysedaten bei Twitter Twitter 2016
4. Demokratisierung von Daten bei Airbnb Airbnb 2017
5. Datenbuch: Big Data mit Metadaten in Wissen umwandeln bei Uber Uber 2018
6. Metacat: Big Data auffindbar und aussagekräftig machen bei Netflix (Code) Netflix 2018
7. Amundsen – Lyfts Data Discovery & Metadata Engine Lyft 2019
8. Open Sourcing Amundsen: Eine Datenermittlungs- und Metadatenplattform (Code) Lyft 2019
9. DataHub: Ein verallgemeinertes Such- und Erkennungstool für Metadaten (Code) LinkedIn 2019
10. Amundsen: Ein Jahr später Lyft 2020
11. Verwendung von Amundsen zur Unterstützung des Benutzerschutzes durch Metadatenerfassung bei Square Square 2020
12. Metadaten in Erkenntnisse umwandeln mit Databook Uber 2020
13. DataHub: Beliebte Metadatenarchitekturen erklärt LinkedIn 2020
14. Wie wir die Datenermittlung für Datenwissenschaftler bei Spotify Spotify 2020 verbessert haben
15. Wie wir bei Shopify Shopify 2020 Herausforderungen bei der Datenermittlung lösen
16. Nemo: Datenentdeckung bei Facebook Facebook 2020
17. Exploring Data @ Netflix (Code) Netflix 2021

Feature-Stores

1. Verteilte Zeitreisen für die Feature-Generierung Netflix 2016
2. Erstellen des Aktivitätsdiagramms, Teil 2 (Abschnitt „Funktionsspeicherung“) LinkedIn 2017
3. Fact Store im großen Maßstab für Netflix-Empfehlungen Netflix 2018
4. Zipline: Airbnbs Plattform für maschinelles Lernen und Datenmanagement Airbnb 2018
5. Feature Store: Die fehlende Datenschicht für Pipelines für maschinelles Lernen? Hopsworks 2018
6. Wir stellen vor: Feast: Ein Open-Source-Feature-Store für maschinelles Lernen (Code) Gojek 2019
7. Michelangelo Palette: Eine Feature-Engineering-Plattform bei Uber Uber 2019
8. Die Architektur, die den Feature Store von Twitter antreibt Twitter 2019
9. Beschleunigen Sie maschinelles Lernen mit dem Feature Store Service Condé Nast 2019
10. Fest: Brücke zwischen ML-Modellen und Daten Gojek 2020
11. Aufbau eines skalierbaren ML-Feature-Stores mit Redis, binärer Serialisierung und Komprimierung DoorDash 2020
12. Schnelles Experimentieren durch Standardisierung: Typisierte KI-Funktionen für LinkedIns Feed LinkedIn 2020
13. Aufbau eines Feature Store Monzo Bank 2020
14. Butterfree: Ein Spark-basiertes Framework für den Feature Store Building (Code) QuintoAndar 2020
15. Building Riviera: Ein deklaratives Echtzeit-Feature-Engineering-Framework DoorDash 2021
16. Optimale Funktionserkennung: Bessere, schlankere Modelle für maschinelles Lernen durch Informationstheorie Uber 2021
17. ML Feature Serving Infrastructure bei Lyft Lyft 2021
18. Nahezu-Echtzeit-Funktionen für nahezu Echtzeit-Personalisierung LinkedIn 2022
19. Aufbau des Modells hinter DoorDashs umfangreicher Händlerauswahl DoorDash 2022
20. Open Sourcing Feathr – LinkedIns Feature-Store für produktives maschinelles Lernen LinkedIn 2022
21. Entwicklung von ML Fact Store Netflix 2022
22. Entwicklung skalierbarer Feature-Engineering-DAGs Metaflow + Hamilton über Outerbounds 2022
23. Feature Store Design bei Constructor Constructor.io 2023

Einstufung

1. Vorhersage der Abwanderung von Werbetreibenden für Google AdWords (Paper) Google 2010
2. Hochpräzise Phrasen-basierte Dokumentenklassifizierung im modernen Maßstab (Papier) LinkedIn 2011
3. Chimera: Groß angelegte Klassifizierung mithilfe von maschinellem Lernen, Regeln und Crowdsourcing (Papier) Walmart 2014
4. Groß angelegte Artikelkategorisierung im E-Commerce mithilfe mehrerer wiederkehrender neuronaler Netze (Papier) NAVER 2016
5. Lernen, mit LSTM Recurrent Neural Networks zu diagnostizieren (Papier) Google 2017
6. Entdecken und Klassifizieren der In-App-Nachrichtenabsicht bei Airbnb Airbnb 2019
7. Maschinen beibringen, Firefox-Bugs zu selektieren Mozilla 2019
8. Kategorisieren von Produkten im Maßstab Shopify 2020
9. Wie wir das Good First Issues Feature GitHub 2020 erstellt haben
10. Effizienteres Testen von Firefox mit maschinellem Lernen Mozilla 2020
11. Verwendung von ML zur Subtypisierung von Patienten, die digitale Interventionen zur psychischen Gesundheit erhalten (Papier) Microsoft 2020
12. Skalierbare Datenklassifizierung für Sicherheit und Datenschutz (Papier) Facebook 2020
13. Entdecken Sie Best Practices für Online-Liefermenüs mit maschinellem Lernen DoorDash 2020
14. Verwendung eines Human-in-the-Loop zur Überwindung des Kaltstartproblems bei der Kennzeichnung von Menüelementen in DoorDash 2020
15. Deep Learning: Produktkategorisierung und Regalaufstellung Walmart 2021
16. Groß angelegte Artikelkategorisierung für E-Commerce (Papier) DianPing , eBay 2012
17. Semantische Etikettendarstellung mit einer Anwendung zur multimodalen Produktkategorisierung Walmart 2022
18. Erstellen von Airbnb-Kategorien mit ML und Human-in-the-Loop Airbnb 2022

Rückschritt

1. Mithilfe von maschinellem Lernen den Wert von Häusern auf Airbnb vorhersagen Airbnb 2017
2. Mithilfe von maschinellem Lernen den Wert von Anzeigenanfragen vorhersagen Twitter 2020
3. Open-Sourcing Riskquant, eine Bibliothek zur Quantifizierung von Risiken (Code) Netflix 2020
4. Auflösen nach unbeobachteten Daten in einem Regressionsmodell mithilfe einer einfachen Datenanpassung DoorDash 2020

Prognose

1. Entwicklung von Extremereignisvorhersagen bei Uber mit RNN Uber 2017
2. Prognosen bei Uber: Eine Einführung Uber 2018
3. Transformieren Sie Finanzprognosen mit Datenwissenschaft und maschinellem Lernen bei Uber Uber 2018
4. Unter der Haube von Gojeks automatisiertem Prognosetool Gojek 2019
5. BusTr: Vorhersage der Busreisezeiten anhand des Echtzeitverkehrs (Papier, Video) Google 2020
6. Umschulung von Modellen für maschinelles Lernen im Zuge von COVID-19 DoorDash 2020
7. Automatische Prognose mit Prophet, Databricks, Delta Lake und MLflow (Paper, Code) Atlassian 2020
8. Wir stellen Orbit vor, ein Open-Source-Paket für Zeitreiheninferenz und -prognose (Papier, Video, Code) Uber 2021
9. Verwalten des Angebots- und Nachfragegleichgewichts durch maschinelles Lernen DoorDash 2021
10. Greykite: Eine flexible, intuitive und schnelle Prognosebibliothek LinkedIn 2021
11. Die Geschichte von Amazons Prognosealgorithmus Amazon 2021
12. DeepETA: Wie Uber mithilfe von Deep Learning Ankunftszeiten vorhersagt Uber 2022
13. Prognose des Grubhub-Auftragsvolumens im Maßstab Grubhub 2022
14. Kausalprognose bei Lyft (Teil 1) Lyft 2022

Empfehlung

1. Amazon.com-Empfehlungen: Item-to-Item Collaborative Filtering (Papier) Amazon 2003
2. Netflix-Empfehlungen: Jenseits der 5 Sterne (Teil 1 (Teil 2) Netflix 2012
3. Wie Musikempfehlung funktioniert – und nicht funktioniert Spotify 2012
4. Lernen, Empfehlungen mit dem k-Order Statistic Loss einzuordnen (Papier) Google 2013
5. Empfehlen Sie Musik auf Spotify mit Deep Learning Spotify 2014
6. Lernen Sie eine personalisierte Homepage Netflix 2015
7. Das Netflix-Empfehlungssystem: Algorithmen, Geschäftswert und Innovation (Papier) Netflix 2015
8. Sitzungsbasierte Empfehlungen mit wiederkehrenden neuronalen Netzen (Papier) Telefonica 2016
9. Deep Neural Networks für YouTube-Empfehlungen YouTube 2016
10. E-Commerce in Ihrem Posteingang: Produktempfehlungen im großen Maßstab (Papier) Yahoo 2016
11. Fortsetzung folgt: Wir helfen Ihnen dabei, Sendungen zu finden, die Sie weiterhin auf Netflix Netflix 2016 ansehen können
12. Personalisierte Empfehlungen in LinkedIn Learning LinkedIn 2016
13. Personalisierte Kanalempfehlungen in Slack Slack 2016
14. Empfehlung ergänzender Produkte in E-Commerce-Push-Benachrichtigungen (Papier) Alibaba 2017
15. Personalisierung von Kunstwerken bei Netflix Netflix 2017
16. Eine Meta-Learning-Perspektive zu Kaltstartempfehlungen für Artikel (Papier) Twitter 2017
17. Pixie: Ein System zur Empfehlung von mehr als 3 Milliarden Artikeln an mehr als 200 Millionen Nutzer in Echtzeit (Papier) Pinterest 2017
18. Unterstützende Suche und Empfehlungen bei DoorDash DoorDash 2017
19. Wie 20th Century Fox ML nutzt, um ein Kinopublikum vorherzusagen (Artikel) 20th Century Fox 2018
20. Kalibrierte Empfehlungen (Papier) Netflix 2018
21. Food Discovery mit Uber Eats: Empfehlungen für den Marktplatz Uber 2018
22. Entdecken, ausnutzen und erklären: Personalisieren erklärbarer Empfehlungen mit Bandits (Paper) Spotify 2018
23. Talentsuch- und Empfehlungssysteme bei LinkedIn: Praktische Herausforderungen und gewonnene Erkenntnisse (Aufsatz) LinkedIn 2018
24. Verhaltenssequenztransformator für E-Commerce-Empfehlung in Alibaba (Papier) Alibaba 2019
25. SDM: Sequential Deep Matching Model for Online Large-scale Recommender System (Papier) Alibaba 2019
26. Multi-Interest-Netzwerk mit dynamischem Routing zur Empfehlung bei Tmall (Paper) Alibaba 2019
27. Personalisierte Empfehlungen für Erlebnisse mit Deep Learning TripAdvisor 2019
28. Unterstützt durch KI: Instagrams Explore-Empfehlungssystem Facebook 2019
29. Marginal Posterior Sampling für Slate Bandits (Papier) Netflix 2019
30. Food Discovery mit Uber Eats: Nutzung von Graph Learning zur Unterstützung von Empfehlungen Uber 2019
31. Musikempfehlung bei Spotify Spotify 2019
32. Mithilfe von maschinellem Lernen vorhersagen, welche Datei Sie als Nächstes benötigen (Teil 1) Dropbox 2019
33. Mithilfe von maschinellem Lernen vorhersagen, welche Datei Sie als Nächstes benötigen (Teil 2) Dropbox 2019
34. Relevant sein lernen: Entwicklung eines Kursempfehlungssystems ( PAPIER ERFORDERLICH ) LinkedIn 2019
35. Zeitlich-kontextuelle Empfehlung in Echtzeit (Papier) Amazon 2020
36. P-Companion: Ein Rahmenwerk für diversifizierte Komplementärproduktempfehlungen (Papier) Amazon 2020
37. Großes Interesse am Hierarchical Attention Network für die Vorhersage der Klickrate (Papier) Alibaba 2020
38. TPG-DNN: Eine Methode zur Vorhersage der Benutzerabsicht mit Multi-Task-Lernen (Papier) Alibaba 2020
39. PURS: Personalisiertes unerwartetes Empfehlungssystem zur Verbesserung der Benutzerzufriedenheit (Papier) Alibaba 2020
40. Kontrollierbares Multi-Interest-Framework für Empfehlungen (Papier) Alibaba 2020
41. MiNet: Mixed Interest Network for Cross-Domain Click-Through-Rate Prediction (Papier) Alibaba 2020
42. ATBRG: Adaptive Target-Behavior Relational Graph Network for Effective Recommendation (Papier) Alibaba 2020
43. Nur für Ihre Ohren: Personalisierung von Spotify Home mit maschinellem Lernen Spotify 2020
44. Nach oben greifen: Wie Spotify in nur sechs Monaten Verknüpfungen erstellt hat Spotify 2020
45. Kontextuelle und sequentielle Benutzereinbettungen für groß angelegte Musikempfehlung (Papier) Spotify 2020
46. Die Evolution von Kit: Automatisierung des Marketings mithilfe von maschinellem Lernen Shopify 2020
47. Ein genauerer Blick auf die KI hinter Kursempfehlungen auf LinkedIn Learning (Teil 1) LinkedIn 2020
48. Ein genauerer Blick auf die KI hinter Kursempfehlungen auf LinkedIn Learning (Teil 2) LinkedIn 2020
49. Aufbau eines heterogenen Empfehlungssystems für soziale Netzwerke LinkedIn 2020
50. So empfiehlt TikTok Videos #ForYou ByteDance 2020
51. Zero-Shot Heterogeneous Transfer Learning von RecSys zum Cold-Start Search Retrieval (Papier) Google 2020
52. Verbessertes Deep & Cross Network für Feature Cross Learning in LTR-Systemen im Webmaßstab (Papier) Google 2020
53. Mixed Negative Sampling for Learning Two-Tower Neural Networks in Recommendations (Papier) Google 2020
54. Zukünftige Daten helfen beim Training: Modellierung zukünftiger Kontexte für sitzungsbasierte Empfehlungen (Papier) Tencent 2020
55. Eine Fallstudie zu sitzungsbasierten Empfehlungen im Bereich Heimwerkerbedarf (Papier) Home Depot 2020
56. Balance zwischen Relevanz und Entdeckung, um Kunden in der IKEA App (Paper) Ikea 2020 zu inspirieren
57. Wie wir AutoML, Multi-Task-Learning und Multi-Tower-Modelle für Pinterest Ads Pinterest 2020 verwenden
58. Multitasking-Lernen für verwandte Produktempfehlungen auf Pinterest Pinterest 2020
59. Verbesserung der Qualität empfohlener Pins mit Lightweight Ranking Pinterest 2020
60. Multitasking-Lernen und Kalibrierung für Utility-basiertes Home-Feed-Ranking Pinterest 2020
61. Personalisierter Küchenfilter basierend auf Kundenpräferenzen und lokaler Beliebtheit DoorDash 2020
62. Wie wir einen Matchmaking-Algorithmus zum Cross-Selling von Produkten entwickelt haben Gojek 2020
63. Gelernte Erkenntnisse zum Umgang mit Datensatzverzerrungen bei der modellbasierten Kandidatengenerierung (Papier) Twitter 2021
64. Selbstüberwachtes Lernen für umfangreiche Artikelempfehlungen (Papier) Google 2021
65. Deep Retrieval: Durchgängig erlernbares Strukturmodell für groß angelegte Empfehlungen (Papier) ByteDance 2021
66. Einsatz von KI zur Unterstützung von Gesundheitsexperten bei der Bewältigung der COVID-19-Pandemie Facebook 2021
67. Empfehlungssysteme für Werbetreibende bei Pinterest Pinterest 2021
68. Auf YouTubes Empfehlungssystem YouTube 2021
69. „Sind Sie sicher?“: Vorläufige Erkenntnisse aus der Skalierung von Produktvergleichen auf mehrere Shops Coveo 2021
70. Mozrt, ein Deep-Learning-Empfehlungssystem, das Walmart Store Associates Walmart 2021 unterstützt
71. Grundlegendes zur Datenspeicherung und -aufnahme für groß angelegte Deep-Empfehlungsmodell-Schulungen (Papier) Meta 2021
72. Der Conversational Recommender von Amazon Music trifft den richtigen Ton Amazon 2022
73. Personalisierte ergänzende Produktempfehlung (Paper) Amazon 2022
74. Aufbau eines auf Deep Learning basierenden Abrufsystems für personalisierte Empfehlungen eBay 2022
75. Wie wir gebaut haben: Ein frühes Modell für maschinelles Lernen für Empfehlungen Peloton 2022
76. Lehren aus dem Aufbau kontextsensitiver Empfehlungssysteme Peloton 2022
77. Jenseits der Matrixfaktorisierung: Verwendung hybrider Funktionen für Benutzer-Unternehmensempfehlungen Yelp 2022
78. Verbesserung des Job-Matchings mit maschinell erlernten Aktivitätsfunktionen LinkedIn 2022
79. Grundlegendes zur Datenspeicherung und -aufnahme für umfangreiches Deep-Empfehlungsmodell-Training Meta 2022
80. Blaupausen für Empfehlungssystemarchitekturen: 10-jährige Jubiläumsausgabe Xavier Amatriain 2022
81. Wie Pinterest Benutzeraktionen in Echtzeit für Empfehlungen nutzt, um das Homefeed-Engagement-Volumen zu steigern Pinterest 2022
82. RecSysOps: Best Practices für den Betrieb eines groß angelegten Empfehlungssystems Netflix 2022
83. Empfehlungs-API: Einheitliche End-to-End-Infrastruktur für maschinelles Lernen zur Generierung von Empfehlungen Slack 2022
84. Weiterentwicklung des DoorDash-Ersetzungsempfehlungsalgorithmus DoorDash 2022
85. Homepage-Empfehlung mit Exploitation and Exploration DoorDash 2022
86. GPU-beschleunigte ML-Inferenz auf Pinterest Pinterest 2022
87. Behebung verwirrender Funktionsprobleme für kausale Empfehlungen (Papier) Tencent 2022

Suche & Ranking

1. Amazon-Suche: Die Freude am Ranking von Produkten (Papier, Video, Code) Amazon 2016
2. Wie Lazada Produkte bewertet, um das Kundenerlebnis und die Conversion zu verbessern Lazada 2016
3. Ranking-Relevanz in der Yahoo-Suche (Papier) Yahoo 2016
4. Lernen, personalisierte Suchergebnisse in beruflichen Netzwerken zu bewerten (Papier) LinkedIn 2016
5. Einsatz von Deep Learning im großen Maßstab in den Timelines von Twitter Twitter 2017
6. Ein Ensemble-basierter Ansatz zur Vorhersage der Klickrate für gesponserte Einträge auf Etsy (Paper) Etsy 2017
7. Unterstützende Suche und Empfehlungen bei DoorDash DoorDash 2017
8. Anwendung von Deep Learning auf die Airbnb-Suche (Papier) Airbnb 2018
9. Personalisierung während der Sitzung für die Talentsuche (Papier) LinkedIn 2018
10. Talentsuch- und Empfehlungssysteme bei LinkedIn (Paper) LinkedIn 2018
11. Food Discovery mit Uber Eats: Aufbau einer Query Understanding Engine Uber 2018
12. Global optimiertes Ranking für das Bewusstsein für gegenseitige Beeinflussung in der E-Commerce-Suche (Papier) Alibaba 2018
13. Reinforcement Learning to Rank in E-Commerce Search Engine (Papier) Alibaba 2018
14. Semantische Produktsuche (Papier) Amazon 2019
15. Auf maschinellem Lernen basierendes Suchranking von Airbnb-Erlebnissen Airbnb 2019
16. Entity Personalized Talent Search Models with Tree Interaction Features (Papier) LinkedIn 2019
17. Die KI hinter LinkedIn Recruiter Such- und Empfehlungssystemen LinkedIn 2019
18. Einstellungspräferenzen lernen: Die KI hinter LinkedIn Jobs LinkedIn 2019
19. Das Geheimnis hinter der Suchpersonalisierung Gojek 2019
20. Neuronale Codesuche: ML-basierte Codesuche mit natürlichsprachlichen Abfragen Facebook 2019
21. Aggregieren von Suchergebnissen aus heterogenen Quellen über Reinforcement Learning (Papier) Alibaba 2019
22. Domainübergreifendes Aufmerksamkeitsnetzwerk mit Wasserstein-Regularisierern für die E-Commerce-Suche Alibaba 2019
23. Suchen besser verstehen als je zuvor (Papier) Google 2019
24. Wie wir die semantische Suche genutzt haben, um unsere Suche zehnmal intelligenter zu machen Tokopedia 2019
25. Query2vec: Suchanfragenerweiterung mit Abfrageeinbettungen GrubHub 2019
26. MOBIUS: Auf dem Weg zur nächsten Generation des Query-Ad-Matchings in Baidus gesponserter Suche Baidu 2019
27. Warum kaufen Menschen scheinbar irrelevante Artikel in der Sprachproduktsuche? (Papier) Amazon 2020
28. Diversität in der Airbnb-Suche managen (Papier) Airbnb 2020
29. Verbesserung des Deep Learning für die Airbnb-Suche (Papier) Airbnb 2020
30. Qualitätsübereinstimmungen über personalisierte KI für Einstellungen von Mietern und Suchenden LinkedIn 2020
31. Verstehen Sie die Verweildauer, um das LinkedIn-Feed-Ranking LinkedIn 2020 zu verbessern
32. Anzeigenzuordnung im Feed durch eingeschränkte Optimierung (Papier, Video) LinkedIn 2020
33. Verstehen Sie die Verweildauer, um das LinkedIn-Feed-Ranking LinkedIn 2020 zu verbessern
34. KI im Maßstab in Bing Microsoft 2020
35. Abfrageverständnis-Engine in Traveloka Universal Search Traveloka 2020
36. Bayesianisches Produktranking bei Wayfair Wayfair 2020
37. COLD: Auf dem Weg zur nächsten Generation des Pre-Ranking-Systems (Papier) Alibaba 2020
38. Shop The Look: Aufbau eines groß angelegten visuellen Shopping-Systems bei Pinterest (Papier, Video) Pinterest 2020
39. Shopping-Upsells durch Pinterest steigern Search Pinterest 2020
40. GDMix: Ein Deep-Ranking-Personalisierungs-Framework (Code) LinkedIn 2020
41. Einführung der personalisierten Suche auf Etsy Etsy 2020
42. Aufbau einer besseren Suchmaschine für den Semantikwissenschaftler Allen Institute for AI 2020
43. Abfrageverständnis für die Unternehmenssuche in natürlicher Sprache (Papier) Salesforce 2020
44. Dinge, keine Strings: Suchabsichten mit besserem Recall verstehen DoorDash 2020
45. Abfrageverständnis für die Aufdeckung unterversorgter Musikinhalte (Papier) Spotify 2020
46. Einbettungsbasierter Abruf in der Facebook-Suche (Papier) Facebook 2020
47. Auf dem Weg zu personalisiertem und semantischem Retrieval für die E-Commerce-Suche mittels Embedding Learning (Papier) JD 2020
48. KÖNIGIN: Umschreiben neuronaler Abfragen im E-Commerce (Papier) Amazon 2021
49. Mithilfe von Learning-to-Rank genau lokalisieren, wohin Pakete geliefert werden sollen (Papier) Amazon 2021
50. Saisonale Relevanz in der E-Commerce-Suche (Paper) Amazon 2021
51. Graph Intention Network for Click-through-Rate Prediction in Sponsored Search (Papier) Alibaba 2021
52. Wie wir ein kontextspezifisches Gebotssystem für Etsy Ads entwickelt haben Etsy 2021
53. Vorab trainiertes sprachmodellbasiertes Ranking in der Baidu-Suche (Papier) Baidu 2021
54. Zusammenfügen von Leerzeichen für abfragebasierte Empfehlungen Stitch Fix 2021
55. Deep Natural Language Processing für LinkedIn-Suchsysteme (Papier) LinkedIn 2021
56. Siamesisches BERT-basiertes Modell für das Relevanzranking der Websuche (Papier, Code) Seznam 2021
57. SearchSage: Lernen von Suchanfragendarstellungen auf Pinterest Pinterest 2021
58. Query2Prod2Vec: Bodenständige Worteinbettungen für E-Commerce Coveo 2021
59. 3 Änderungen zur Erweiterung der Produktsuche von DoorDash über die Lieferung hinaus DoorDash 2022
60. Lernen, Airbnb 2022 unterschiedlich zu bewerten
61. So optimieren Sie Rankings mit Cascade Bandits Expedia 2022
62. Ein Leitfaden zu den Google-Suchrankingsystemen Google 2022
63. Deep Learning für das Suchranking bei Etsy Etsy 2022
64. Suchen Sie bei Calm Calm 2022

Einbettungen

1. Vektordarstellung von Artikeln, Kunden und Einkaufswagen zum Aufbau eines Empfehlungssystems (Papier) Sears 2017
2. Milliardengroße Rohstoffeinbettung für E-Commerce-Empfehlung in Alibaba (Papier) Alibaba 2018
3. Einbettungen@Twitter Twitter 2018
4. Listing-Einbettungen im Suchranking (Papier) Airbnb 2018
5. Latent Style Stitch Fix 2018 verstehen
6. Towards Deep and Representation Learning for Talent Search bei LinkedIn (Paper) LinkedIn 2018
7. Personalisierter Store-Feed mit Vector Embeddings DoorDash 2018
8. Sollten wir einbetten? Eine Studie zur Leistung von Einbettungen für Echtzeitempfehlungen (Papier) Moshbit 2019
9. Maschinelles Lernen für ein besseres Entwicklererlebnis Netflix 2020
10. Ankündigung von ScaNN: Efficient Vector Similarity Search (Paper, Code) Google 2020
11. BERT geht einkaufen: Vergleich von Vertriebsmodellen für Produktdarstellungen Coveo 2021
12. Die Einbettungen, die aus der Kälte kamen: Verbesserung der Vektoren für neue und seltene Produkte mit inhaltsbasierter Inferenz Coveo 2022
13. Einbettungsbasierter Abruf bei Scribd Scribd 2021
14. Multiobjektive Hyperparameter-Optimierung verhaltensbezogener Song-Einbettungen (Papier) Apple 2022
15. Einbettungen im Spotify-Maßstab – Wie schwierig könnte das sein? Spotify 2023

Verarbeitung natürlicher Sprache

1. Erkennung missbräuchlicher Sprache in Online-Benutzerinhalten (Papier) Yahoo 2016
2. Smart Reply: Automatisierter Antwortvorschlag für E-Mail (Papier) Google 2016
3. Erstellen intelligenter Antworten für Mitgliedernachrichten LinkedIn 2017
4. Wie die Verarbeitung natürlicher Sprache LinkedIn-Mitgliedern dabei hilft, problemlos Unterstützung zu erhalten LinkedIn 2019
5. Gmail Smart Compose: Echtzeitunterstütztes Schreiben (Papier) Google 2019
6. Zielorientierte End-to-End-Konversationsmodelle mit Profilfunktionen in einer realen Umgebung (Papier) Amazon 2019
7. Gib mir Jeans, keine Schuhe: Wie BERT uns hilft, das zu liefern, was unsere Kunden wollen Stitch Fix 2019
8. DeText: Ein tiefes NLP-Framework für intelligentes Textverständnis (Code) LinkedIn 2020
9. SmartReply für YouTube-Ersteller Google 2020
10. Mithilfe neuronaler Netze Antworten in Tabellen finden (Papier) Google 2020
11. Ein skalierbarer Ansatz zur Reduzierung der geschlechtsspezifischen Voreingenommenheit in Google Translate Google 2020
12. Unterstützende KI erleichtert das Antworten Microsoft 2020
13. KI macht Fortschritte bei der besseren Erkennung von Hassreden Facebook 2020
14. Ein hochmoderner Open-Source-Chatbot (Papier) Facebook 2020
15. Ein hocheffizientes Echtzeit-Text-to-Speech-System, bereitgestellt auf CPUs Facebook 2020
16. Deep Learning zum Übersetzen zwischen Programmiersprachen (Papier, Code) Facebook 2020
17. Bereitstellung lebenslangen Open-Domain-Dialoglernens (Papier) Facebook 2020
18. Wir stellen vor: Dynabench: Überdenken Sie die Art und Weise, wie wir AI Facebook 2020 bewerten
19. Wie Gojek NLP nutzt, um Abholorte im Maßstab zu benennen Gojek 2020
20. Der hochmoderne Open-Domain-Chatbot auf Chinesisch und Englisch (Papier) Baidu 2020
21. PEGASUS: Ein hochmodernes Modell zur abstrakten Textzusammenfassung (Papier, Code) Google 2020
22. Photon: Ein robustes domänenübergreifendes Text-to-SQL-System (Papier) (Demo) Salesforce 2020
23. GeDi: Eine leistungsstarke neue Methode zur Steuerung von Sprachmodellen (Papier, Code) Salesforce 2020
24. Anwenden von Themenmodellierung zur Verbesserung des Callcenter-Betriebs RICOH 2020
25. WIDeText: Ein multimodales Deep-Learning-Framework Airbnb 2020
26. Dynaboard: Über die Genauigkeit hinaus hin zur ganzheitlichen Modellbewertung in NLP (Code) Facebook 2021
27. Wie wir unsere Textähnlichkeitslaufzeit um 99,96 % reduziert haben Microsoft 2021
28. Textloses NLP: Ausdrucksstarke Sprache aus Rohaudio generieren (Teil 1) (Teil 2) (Teil 3) (Code und vorab trainierte Modelle) Facebook 2021
29. Grammatikkorrektur während der Eingabe, auf Pixel 6 Google 2021
30. Automatisch generierte Zusammenfassungen in Google Docs Google 2022
31. ML-erweiterte Code-Vervollständigung verbessert die Entwicklerproduktivität Google 2022
32. Wörter ganz nach unten – Konversations-Sentiment-Analyse PayPal 2022

Sequenzmodellierung

1. Doctor AI: Predicting Clinical Events via Recurrent Neural Networks (Papier) Sutter Health 2015
2. Deep Learning zum Verständnis von Verbrauchergeschichten (Papier) Zalando 2016
3. Verwendung rekurrenter neuronaler Netzwerkmodelle zur Früherkennung des Beginns einer Herzinsuffizienz (Aufsatz) Sutter Health 2016
4. Kontinuierliche Vorhersage der Anwesenheit von Benachrichtigungen bei klassischen und tiefen Netzwerken (Papier) Telefonica 2017
5. Deep Learning für elektronische Gesundheitsakten (Papier) Google 2018
6. Übung zur Modellierung des langen sequentiellen Benutzerverhaltens zur Vorhersage der Klickrate (Aufsatz) Alibaba 2019
7. Suchbasierte Benutzerinteressenmodellierung mit sequentiellen Verhaltensdaten für die CTR-Vorhersage (Papier) Alibaba 2020
8. Wie Duolingo KI in jedem Teil seiner App Duolingo 2020 nutzt
9. Nutzung sozialer Online-Interaktionen zur Verbesserung der Integrität bei Facebook (Papier, Video) Facebook 2020
10. Mithilfe von Deep Learning missbräuchliche Sequenzen von Mitgliederaktivitäten erkennen (Video) LinkedIn 2021

Computer Vision

1. Erstellen einer modernen OCR-Pipeline mit Computer Vision und Deep Learning Dropbox 2017
2. Kategorisieren von Eintragsfotos bei Airbnb Airbnb 2018
3. Ausstattungserkennung und darüber hinaus – Neue Grenzen der Computer Vision bei Airbnb Airbnb 2019
4. Wie wir die Computer-Vision-Metriken um mehr als 5 % verbessert haben, allein durch die Bereinigung von Beschriftungsfehlern Deepomatic
5. Maschinen dazu bringen, Gespräche in Besprechungen mithilfe von Audio und Video zu erkennen und zu transkribieren Microsoft 2019
6. Unterstützt durch KI: Produktverständnis fördern und neue Einkaufserlebnisse schaffen Facebook 2020
7. Ein neuronales Wettermodell für die achtstündige Niederschlagsvorhersage (Papier) Google 2020
8. Auf maschinellem Lernen basierende Schadensbewertung für die Katastrophenhilfe (Papier) Google 2020
9. RepNet: Wiederholungen in Videos zählen (Papier) Google 2020
10. Konvertieren von Text in Bilder zur Produkterkennung (Papier) Amazon 2020
11. Wie Disney PyTorch für die Erkennung animierter Charaktere verwendet Disney 2020
12. Bildunterschrift als unterstützende Technologie (Video) IBM 2020
13. KI für AG: Produktionsmaschinelles Lernen für die Landwirtschaft Blue River 2020
14. KI für vollautomatisches Fahren bei Tesla Tesla 2020
15. Produkterkennung im Supermarkt auf dem Gerät Google 2020
16. Verwendung von maschinellem Lernen zur Erkennung mangelhafter Abdeckung bei Koloskopie-Screenings (Papier) Google 2020
17. Shop The Look: Aufbau eines groß angelegten visuellen Shopping-Systems bei Pinterest (Papier, Video) Pinterest 2020
18. Entwicklung einer automatischen Gebärdenspracherkennung in Echtzeit für Videokonferenzen (Papier) Google 2020
19. Visionsbasierter Preisvorschlag für Online-Gebrauchtartikel (Papier) Alibaba 2020
20. Neue KI-Forschung soll helfen, den Ressourcenbedarf von COVID-19 anhand von Röntgenstrahlen vorherzusagen (Papier, Modell) Facebook 2021
21. Ein effizienter Trainingsansatz für die Gesichtserkennung in sehr großem Maßstab (Papier) Alibaba 2021
22. Identifizieren von Dokumenttypen bei Scribd Scribd 2021
23. Halbüberwachtes visuelles Repräsentationslernen für Modekompatibilität (Papier) Walmart 2021
24. Erkennen von Personen auf Fotos durch privates maschinelles Lernen auf dem Gerät Apple 2021
25. DeepFusion: Lidar-Kamera Deep Fusion für multimodale 3D-Objekterkennung Google 2022
26. Kontrastives Sprach- und Visionslernen allgemeiner Modekonzepte (Aufsatz) Coveo 2022
27. Nutzung von Computer Vision für das Suchranking BazaarVoice 2023

Verstärkungslernen

1. Deep Reinforcement Learning für Sponsored Search Real-time Bidding (Papier) Alibaba 2018
2. Budgetbeschränktes Bieten durch modellfreies Reinforcement Learning in der Display-Werbung (Papier) Alibaba 2018
3. Verstärkungslernen für On-Demand-Logistik DoorDash 2018
4. Reinforcement Learning to Rank in E-Commerce Search Engine (Papier) Alibaba 2018
5. Dynamische Preisgestaltung auf der E-Commerce-Plattform mit Deep Reinforcement Learning (Papier) Alibaba 2019
6. Produktion von Deep Reinforcement Learning mit Spark und MLflow Zynga 2020
7. Deep Reinforcement Learning in der Produktion Teil 1 Teil 2 Zynga 2020
8. Aufbau von KI-Handelssystemen Denny Britz 2020
9. Verlagerung des Konsums hin zu vielfältigen Inhalten durch Reinforcement Learning (Papier) Spotify 2022
10. Banditen für die Online-Kalibrierung: Eine Anwendung zur Inhaltsmoderation auf Social-Media-Plattformen Meta 2022
11. So optimieren Sie Rankings mit Cascade Bandits Expedia 2022
12. Auswahl des besten Bildes für jeden Händler mithilfe von Exploration und maschinellem Lernen DoorDash 2023

Anomalieerkennung

1. Erkennen von Leistungsanomalien bei externen Firmware-Bereitstellungen Netflix 2019
2. Erkennen und Verhindern von Missbrauch auf LinkedIn mithilfe von Isolation Forests (Code) LinkedIn 2019
3. Erkennung tiefer Anomalien mit Spark und Tensorflow (Hopsworks-Video) Swedbank , Hopsworks 2019
4. Verhinderung von Missbrauch durch unbeaufsichtigtes Lernen LinkedIn 2020
5. Die Technologie hinter der Bekämpfung von Belästigung auf LinkedIn LinkedIn 2020
6. Aufdecken einer Verschwörung zum Versicherungsbetrug mit Network Learning (Papier) Ant Financial 2020
7. Wie funktioniert der Spam-Schutz bei Stack Exchange? Stack Exchange 2020
8. Automatische Content-Moderation im C2C-E-Commerce Mercari 2020
9. Blockieren von Slack-Einladungs-Spam mit Machine Learning Slack 2020
10. Cloudflare Bot Management: Maschinelles Lernen und mehr Cloudflare 2020
11. Anomalien bei Öltemperaturschwankungen in einer Tunnelbohrmaschine SENER 2020
12. Verwendung der Anomalieerkennung zur Überwachung von Bankkunden mit geringem Risiko Rabobank 2020
13. Betrugsbekämpfung mit Triplet Loss OLX Group 2020
14. Facebook nutzt jetzt KI, um Inhalte für eine schnellere Moderation zu sortieren (Alternative) Facebook 2020
15. Wie KI Hassreden besser erkennen kann Teil 1, Teil 2, Teil 3, Teil 4 Facebook 2020
16. Mithilfe von Deep Learning missbräuchliche Sequenzen von Mitgliederaktivitäten erkennen (Video) LinkedIn 2021
17. Projekt RADAR: Intelligentes Betrugsfrüherkennungssystem mit Menschen im Überblick Uber 2022
18. Diagramm für Fraud Detection Grab 2022
19. Banditen für die Online-Kalibrierung: Eine Anwendung zur Inhaltsmoderation auf Social-Media-Plattformen Meta 2022
20. Wir entwickeln unser maschinelles Lernen weiter, um mobile Bots zu stoppen. Cloudflare 2022
21. Verbesserung der Genauigkeit unserer WAF für maschinelles Lernen durch Datenerweiterung und Sampling Cloudflare 2022
22. Maschinelles Lernen zur Betrugserkennung bei Streaming-Diensten Netflix 2022
23. Preise bei Lyft Lyft 2022

Graph

1. Aufbau des LinkedIn Knowledge Graph LinkedIn 2016
2. Skalierung des Wissenszugangs und -abrufs bei Airbnb Airbnb 2018
3. Graph Convolutional Neural Networks for Web-Scale Recommender Systems (Papier) Pinterest 2018
4. Food Discovery mit Uber Eats: Nutzung von Graph Learning zur Unterstützung von Empfehlungen Uber 2019
5. AliGraph: Eine umfassende graphische neuronale Netzwerkplattform (Papier) Alibaba 2019
6. Kontextualisierung von Airbnb durch den Aufbau von Knowledge Graph Airbnb 2019
7. Retail Graph – Walmarts Produktwissensgraph Walmart 2020
8. Verkehrsvorhersage mit Advanced Graph Neural Networks DeepMind 2020
9. SimCluster: Community-basierte Darstellungen für Empfehlungen (Papier, Video) Twitter 2020
10. Metapaths leiteten das Neighbors Aggregated Network for Heterogeneous Graph Reasoning (Papier) Alibaba 2021
11. Graph Intention Network for Click-through-Rate Prediction in Sponsored Search (Papier) Alibaba 2021
12. JEL: Anwendung der End-to-End-Verknüpfung neuronaler Entitäten in JPMorgan Chase (Papier) JPMorgan Chase 2021
13. Wie AWS graphische neuronale Netze nutzt, um Kundenanforderungen zu erfüllen Amazon 2022
14. Diagramm für Fraud Detection Grab 2022

Optimierung

1. Matchmaking in Lyft Line (Teil 1) (Teil 2) (Teil 3) Lyft 2016
2. Die Daten und die Wissenschaft hinter GrabShare Carpooling (Teil 1) ( PAPIER ERFORDERLICH ) Grab 2017
3. Wie Fahrtinferenzen und maschinelles Lernen die Lieferzeiten bei Uber Eats Uber 2018 optimieren
4. Optimierung der nächsten Generation für Dasher Dispatch bei DoorDash DoorDash 2020
5. Optimierung von Passagieren Wartezeit in Aufzügen mit maschinellem Lernen Thyssen Krupp AG 2020
6. Denken Sie aus dem Paket: Empfehlen Sie Paketstypen für E-Commerce-Sendungen (Papier) Amazon 2020
7. Optimierung von Doordashs Marketingausgaben mit maschinellem Lernen DoorDash 2020
8. Verwenden Sie Lern-zu-Rang, um genau zu finden, wo Pakete (Papier) Amazon 2021 geliefert werden sollen

Informationsextraktion

1. Unüberwachte Extraktion von Attributen und ihrer Werte aus Produktbeschreibung (Papier) Rakuten 2013
2. Verwenden von maschinellem Lernen, um Text aus Milliarden von Bildern Dropbox 2018 zu indexieren
3. Extrahieren strukturierter Daten aus Templatic -Dokumenten (Papier) Google 2020
4. Autoknow: Selbstfahrende Wissenskollektion für Produkte von Tausenden von Typen (Papier, Video) Amazon 2020
5. One-Shot-Textkennzeichnung unter Verwendung von Aufmerksamkeits- und Glaubensausbreitung zur Informationsextraktion (Papier) Alibaba 2020
6. Informationsextraktion aus Quittungen mit Graph -Faltungsnetzwerken Nanonets 2021

Schwache Überwachung

1. Schnorchel Drybell: Eine Fallstudie zum Einsatz einer schwachen Überwachung in Industrial Scale (Papier) Google 2019
2. Osprey: Schwache Überwachung unausgeglichener Extraktionsprobleme ohne Code (Papier) Intel 2019
3. Overton: Ein Datensystem zur Überwachung und Verbesserung von maschinellen Produkten (Papier) Apple 2019
4. Bootstrapping -Konversationsmittel mit schwacher Überwachung (Papier) IBM 2019

Generation

1. Bessere Sprachmodelle und ihre Implikationen (Papier) OpenAI 2019
2. Bild GPT (Papier, Code) OpenAI 2019
3. Sprachmodelle sind nur wenige Shot-Lernende (Papier) (GPT-3-Blog-Beitrag) OpenAI 2020
4. Deep Learned Super Auflösung für Spielfilmproduktion (Papier) Pixar 2020
5. Einheitstestfallgenerierung mit Transformatoren Microsoft 2021

Audio

1. Verbesserung der Spracherkennung für das Gerät mit VoiceFilter-Lite (Papier) Google 2020
2. Das maschinelle Lernen hinter Hum, um Google 2020 zu durchsuchen

Privatsphäre vor maschinellem Lernen

1. Federated Learning: Kollaboratives maschinelles Lernen ohne zentrale Trainingsdaten (Papier) Google 2017
2. Federated Learning mit formalen Differential -Datenschutzgarantien (Papier) Google 2022
3. MPC-basiertes maschinelles Lernen: Erreichen von End-to-End-Privatsphäre des maschinellen Lernens (Papier) Facebook 2022

Validierung und A/B -Tests

1. Überlappende Experimentinfrastruktur: Mehr, bessere, schnellere Experimente (Papier) Google 2010
2. Der wiederverwendbare Holdout: Erhaltung der Gültigkeit in der adaptiven Datenanalyse (Papier) Google 2015
3. Twitter Experimentation: Technischer Überblick Twitter 2015
4. Es handelt sich alles um A/Kampf -Tests: Die Netflix Experimentation Platform Netflix 2016
5. Bauen Sie Pinterests A/B -Testplattform Pinterest 2016
6. Experimentieren zur Lösung von Twitter 2017
7. Aufbau einer intelligenten Experimentierplattform mit Uber Engineering Uber 2017
8. Skalierung von Airbnbs Experimentierplattform Airbnb 2017
9. Treffen Sie Wasabi, eine Open -Source -A/B -Testplattform (Code) Intuit 2017
10. Analysieren von Experimentergebnissen: Über die durchschnittlichen Behandlungseffekte Uber 2018 hinaus
11. Unter der Motorhaube der Experimentierplattform von Uber Uber 2018
12. Begrenzte Bayesianische Optimierung mit lauten Experimenten (Papier) Facebook 2018
13. Zuverlässige und skalierbare Funktionen und A/B -Tests SDK bei Grab Grab 2018
14. Modellierung der Konvertierungsraten und Speichern von Millionen mit Kaplan-Meier und Gamma Distributions (Code) Better 2019
15. Erkennen von Interferenzen: Ein A/B -Test von A/B -Tests LinkedIn 2019
16. Ankündigung eines neuen Rahmens zum Entwerfen optimaler Experimente mit Pyro (Papier) (Papier) Uber 2020
17. Aktivieren Sie 10x weitere Experimente mit Traveloka Experiment Platform Traveloka 2020
18. Experimente in großem Maßstab bei Stitch Fix (Papier) Stitch Fix 2020
19. Mehr bewaffnete Banditen und die Stitch Fix Experimentation Platform Stitch Fix 2020
20. Experimentieren mit Ressourcenbeschränkungen Stitch Fix 2020
21. Rechenkausaler Inferenz bei Netflix (Papier) Netflix 2020
22. Wichtige Herausforderungen mit Quasi -Experimenten bei Netflix Netflix 2020
23. Machen Sie das LinkedIn Experimentation Motor 20x schneller LinkedIn 2020
24. Unsere Entwicklung in Richtung T-Rex: Die Vorgeschichte der Experimentinfrastruktur bei LinkedIn LinkedIn 2020
25. So verwenden Sie Quasi-Experimente und Kontrafakte zum Bau von großartigen Produkten Shopify 2020
26. Verbesserung der experimentellen Leistung durch Kontrolle unter Verwendung von Vorhersagen als kovariate DoorDash 2020
27. Unterstützung der schnellen Produkt -Iteration mit einer Experimentationsanalyse -Plattform DoorDash 2020
28. Verbesserung der Online -Experimentkapazität durch 4x mit Parallelisierung und erhöhter Empfindlichkeit DoorDash 2020
29. Nutzung der kausalen Modellierung, um mehr Wert aus flachen Experiment -Ergebnissen DoorDash 2020 zu erhalten
30. Iterierende Echtzeit-Zuweisungsalgorithmen durch Experimentieren DoorDash 2020
31. Die neue Experimentierplattform von Spotify (Teil 1) (Teil 2) Spotify 2020
32. Interpretation von A/B -Testergebnissen: Fehlalarme und statistische Signifikanz Netflix 2021
33. Interpretieren von A/B -Testergebnissen: Falsch Negative und Power Netflix 2021
34. Ausführen von Experimenten mit Google AdWords für die Kampagnenoptimierung DoorDash 2021
35. Die 4 Prinzipien Doordash, die zur Erhöhung seiner Logistik -Experimentkapazität wurde um 1000% DoorDash 2021 erhöht
36. Experimentierplattform bei Zalando: Teil 1 - Evolution Zalando 2021
37. Entwerfen von Experimentieren Leitplanken Airbnb 2021
38. Wie Airbnb den zukünftigen Wert misst, um Kompromisse Airbnb 2021 zu standardisieren
39. Netzwerk Experimentieren in Skala (Papier] Facebook 2021
40. Universal Holdout -Gruppen bei Disney Streaming Disney 2021
41. Das Experimentieren ist ein wichtiger Schwerpunkt der Datenwissenschaft in Netflix Netflix 2022
42. Suchreise in Richtung besserer Experimentierpraktiken Spotify 2022
43. Künstliche kontrafaktische Schätzung: Kausaler Inferenz für maschinelles Lernen bei Airbnb Airbnb 2022
44. Über einen A/B -Test hinaus: Beschleunigen von Airbnb -Suchranking -Experimenten durch Verschärfen von Airbnb 2022
45. Herausforderungen im Experimentieren Lyft 2022
46. Übertretung und Triggeranalyse: Verringerung der Probengrößen und Steigerung der Booking 2022
47. DoorDash 2022
48. Vergleich von Quantilen im Maßstab im Online-A/B- Spotify 2022
49. Beschleunigen Sie unsere A/B -Experimente mit maschinellem Lernen Dropbox 2023
50. Aufladende A/B -Tests bei Uber Uber

Modellmanagement

1. Operationalisierung des maschinellen Lernens - Verwaltung der Provenienz von Rohdaten zu Vorhersagen Comcast 2018
2. Overton: Ein Datensystem zur Überwachung und Verbesserung von maschinellen Produkten (Papier) Apple 2019
3. Landebahn - Modelllebenszyklusmanagement bei Netflix Netflix 2020
4. Verwalten von ML -Modellen @ scale - ML Plattform Intuit 2020 von Intuit
5. ML -Modellüberwachung - 9 Spitzen aus den Gräben Nubank 2021
6. Umgang mit dem Zug-Serve-Versatz in Echtzeit-ML-Modellen: Eine kurze Guide Nubank 2023

Effizienz

1. GROKNET: Unified Computer Vision Model Trunk und Einbettung für Commerce (Papier) Facebook 2020
2. Wie wir Bert skaliert haben, um mehr als 1 Milliarden tägliche Anfragen zu CPUs Roblox 2020 zu erfüllen
3. Permute, Quantize und Fine-Tune: Effiziente Komprimierung neuronaler Netze (Papier) Uber 2021
4. GPU-beschleunigte ML-Inferenz bei Pinterest Pinterest 2022

Ethik

1. Bauen inklusive Produkte durch A/B -Test (Papier) LinkedIn 2020
2. Lift: Ein skalierbares Rahmen für die Messung der Fairness in ML -Anwendungen (Papier) LinkedIn 2020
3. Einführung in Twitters erste algorithmische Vorurteile Bounty Challenge Twitter 2021
4. Untersuchung der algorithmischen Verstärkung politischer Inhalte auf Twitter Twitter 2021
5. Ein genauerer Blick darauf, wie LinkedIn Fairness in seine KI -Produkte LinkedIn 2022 integriert

Infra

1. Reengineering Facebook AIs Deep Learning Platforms for Interoperability Facebook 2020
2. Elastisches verteiltes Training mit Xgboost auf Ray Uber 2021

MLOPS -Plattformen

1. Treffen Sie Michelangelo: Ubers maschinelles Lernen Plattform Uber 2017
2. Operationalisierung des maschinellen Lernens - Verwaltung der Provenienz von Rohdaten zu Vorhersagen Comcast 2018
3. Big Data Machine Learning Platform bei Pinterest Pinterest 2019
4. Kernmodellierung bei Instagram Instagram 2019
5. Open-Sourcing Metaflow-Ein von Menschen zentrierter Rahmen für Data Science Netflix 2019
6. Verwalten von ML -Modellen @ scale - ML Plattform Intuit 2020 von Intuit
7. Echtzeit-Inferenzplattform für maschinelles Lernen bei Zomato Zomato 2020
8. Einführung von Flyte: Cloud native maschinelle Lern- und Datenverarbeitungsplattform Lyft 2020
9. Bauen Sie ML -Modelle für flexible Ensemble mit einem Computergrafik DoorDash 2021
10. Lyftlearn: ML -Modelltrainingsinfrastruktur auf Kubernetes Lyft 2021
11. "Sie brauchen kein größeres Boot": Eine vollständige Datenpipeline mit Open-Source-Tools (Papier) Coveo 2021
12. MLOPS bei GreenSsteam: Versandmaschinenlernen GreenSteam 2021
13. Entwicklung von Reddits ML Model Deployment and Serving Architecture Reddit 2021
14. Neugestaltung von Etsy's maschinelles Lernplattform Etsy 2021 neu
15. Verständnis der Datenspeicherung und -aufnahme für groß angelegte Deep-Empfehlungsmodelltraining (Papier) Meta 2021
16. Erstellen einer Plattform zum Servieren von Empfehlungen bei Etsy Etsy 2022
17. Intelligente Automatisierungsplattform: Stärkung der Konversations -KI und darüber hinaus bei Airbnb Airbnb 2022
18. Darwin: Data Science and Artificial Intelligence Workbench bei LinkedIn LinkedIn 2022
19. The Magic of Merlin: Shopifys neuer maschinelles Lernplattform Shopify 2022
20. Zalandos maschinelles Lernen Plattform Zalando 2022
21. Die KI -Optimierungsplattform der Meta für Ingenieure im gesamten Unternehmen (Papier) Meta 2022
22. Monzos maschinelles Lernen Stack Monzo 2022
23. Entwicklung des ML Faktenspeichers Netflix 2022
24. Verwenden von Mlops zum Erstellen eines Echtzeit-End-to-End-Pipeline Binance 2022
25. Servieren von maschinellem Lernmodellen effizient im Maßstab bei Zillow Zillow 2022
26. Didact AI: Die Anatomie eines ML-betriebenen Aktienpickelmotors Didact AI 2022
27. KOSTENLOSE Bereitstellung kostenlos - eine Plattform für maschinelles Lernen für die Datenwissenschaftler von Stitch Fix Stitch Fix 2022
28. Operationen für maschinelles Lernen (MLOPS): Überblick, Definition und Architektur (Papier) IBM 2022

Übungen

1. Praktische Empfehlungen für die Gradientenausbildung von Deep Architectures (Papier) Yoshua Bengio 2012
2. Maschinelles Lernen: Die hochzinsliche Kreditkarte für technische Schulden (Papier) (Papier) Google 2014
3. Regeln des maschinellen Lernens: Best Practices für ML Engineering Google 2018
4. Zu Herausforderungen im Modellmanagement für maschinelles Lernen Amazon 2018
5. Maschinelles Lernen in Produktion: Der Booking.com -Ansatz Booking 2019
6. 150 erfolgreiche Modelle für maschinelles Lernen: 6 Lektionen bei Booking.com (Papier) Booking 2019 gelernt
7. Erfolge und Herausforderungen bei der Einführung maschinelles Lernens im Maßstab in einer globalen Bank Rabobank 2019
8. Herausforderungen bei der Bereitstellung maschineller Lernen: Eine Übersicht über Fallstudien (Papier) Cambridge 2020
9. Reengineering Facebook AIs Deep Learning Platforms for Interoperability Facebook 2020
10. Das Problem mit KI -Entwickler -Tools für Enterprises Databricks 2020
11. Kontinuierliche Integration und Bereitstellung für maschinelles Lernen Online -Servieren und Modelle Uber 2021
12. Tuning -Modellleistung Uber 2021
13. Aufrechterhaltung der Genauigkeit des maschinellen Lernens durch Überwachung DoorDash 2021
14. Aufbau skalierbarer und leistungsfähiger Marketing -ML -Systeme bei Wayfair Wayfair 2021
15. Unser Ansatz zum Aufbau transparenter und erklärbarer KI -Systeme LinkedIn 2021
16. 5 Schritte zum Erstellen von Modellen für maschinelles Lernen für Business Shopify 2021
17. Daten sind eine Kunst, nicht nur eine Wissenschaft - und das Geschichtenerzählen ist das Schlüssel Shopify 2022
18. Best Practices für maschinelles Lernen in Echtzeit: Alarming Nubank 2022 alarmieren
19. Automatische Umschulung für maschinelle Lernmodelle: Tipps und Erkenntnisse gelernt Nubank 2022
20. Recsysops: Best Practices für den Betrieb eines groß angelegten Empfehlungssystems Netflix 2022
21. ML Ausbildung bei Uber: Rahmenbedingungen, die von Ingenieurprinzipien Uber 2022 inspiriert sind
22. Bauen und Wartung interner Werkzeuge für DS/ML -Teams: Lektionen gelernt Nubank 2024

Teamstruktur

1. Was ist der effektivste Weg, um ein Data Science -Team zu strukturieren? Udemy 2017
2. Ingenieure sollten nicht ETL schreiben: Ein Leitfaden zum Aufbau einer hochwertigen Data Science Department Stitch Fix 2016
3. Aufbau des Analytics -Teams bei Wish Wish 2018
4. Achten Sie auf die Data Science Pin Factory: Die Kraft des Full-Stack Data Science Generalist Stitch Fix 2019
5. Kultivieren von Algorithmen: Wie wir die Datenwissenschaft bei Stitch Fix Stitch Fix anbauen
6. Analytics bei Netflix: Wer wir sind und was wir tun Netflix 2020
7. Erstellen eines Datenteams bei einem Startup mittelstage: Eine Kurzgeschichte Erikbern 2021
8. Ein Hinter-den-Kulissen 2021 Postman
9. Datenwissenschaftler X maschinelles Lerningenieurrollen: Wie unterscheiden sie sich? Wie sind sie gleich? Nubank 2022

Scheitert

1. Wenn es um Gorillas geht, bleibt Googlefotos blind Google 2018 blind
2. 160k+ Highschool -Schüler werden nur ihren Abschluss machen, wenn ein Modell es ihnen ermöglicht, International Baccalaureate 2020
3. Ein Algorithmus, der die Kriminalität „ 2020 “ Harrisburg University die auf einem Gesicht basiert
4. Es ist schwer, neuronalen Text von GPT-3 über Muslime OpenAI 2020 zu erzeugen
5. Ein britisches KI -Instrument zur Vorhersage von Gewaltverbrechen ist zu fehlerhaft, um United Kingdom 2020 zu verwenden
6. Mehr in schrecklicher Ai
7. AI Incident Database Partnership on AI 2022

PS, möchten Sie eine Zusammenfassung der ML -Fortschritte? Erhöhen Sie sich mit Umfragepapieren ml-surveys dem neuesten Stand