Беспилотные автомобили, продвинутые голосовые ассистенты, рекомендательные системы – это только малая часть тех классных продуктов, которые создаются с помощью инженеров по машинному обучению и, думаю, не для кого не секрет, что за кулисами сего чуда стоит математика. Именно она играет главную роль в понимании алгоритмов машинного и глубокого обучения.

Машинное обучение держится на трёх основных столпах:

В жизни наши желания часто расходятся с нашими возможностями. Приходится искать компромисс. Так происходит и при интеграции интернет-магазинов с 1С. Хочется реалтайма, интеграции с программой лояльности, полного отсутствия коллизий и омниканальности (простите).

Мы решили опубликовать многосерийный Tutorial про все виды обменов интернет-магазинов с 1С: Управление торговлей и других редакций.

Сегодня первая статья — когда «надо с чего-то начинать», и это — так называемый «стандартный обмен».

Широкое распространение машинного обучения помогло стимулировать инновации, которые всё труднее предсказать и создавать на их основе интеллектуальный опыт для продуктов и услуг бизнеса. Чтобы решить эту задачу, важно применять передовые методы. Сергей Десяк, ведущий эксперт центра компетенций DevOps компании Neoflex, делится опытом использования Seldon Core для машинного обучения, в частности, для «выкатки» моделей.

В статье приводится практический кейс моделирования бизнес-процесса опробования и клеймения ювелирных изделий реально существовавшего, но в дальнейшем реорганизованного, федерального казенного учреждения (далее – госинспекция) Восточно-Сибирская государственная инспекция пробирного надзора. В целях неразделения статьи на несколько частей изложение сокращено до минимально необходимого.

1. Описание деятельности госинспекции

Сферой деятельности является осуществление федерального пробирного надзора (контроль за обращением драгоценных металлов). В соответствии с возложенными задачами осуществляет следующие функции:

• осуществляет опробование, анализ и клеймение государственным пробирным клеймом всех ювелирных и других бытовых изделий из драгоценных металлов отечественного производства, а также указанных изделий, ввезенных на территорию Российской Федерации для продажи;

• проводит экспертизу оттисков государственных пробирных клейм, контрольные анализы и техническую экспертизу драгоценных металлов и продукции из них, а также лома и отходов драгоценных металлов, экспертизу и диагностику драгоценных камней, экспертизу по постановлениям органов дознания, следователя, прокурора, суда и арбитражного суда;

• проводит экспертизу музейных и архивных предметов, изготовленных из драгоценных металлов и драгоценных камней, а также контроль за обесценением сохранности указанных предметов;

• обеспечивает постоянный государственный контроль за производством, извлечением, переработкой, использованием, хранением и учетом драгоценных металлов и драгоценных камней в организациях

• Готовность Начать
• Готовность Завершить
• Готовность Выпустить

Недавно я натолкнулся на вопрос на Stackoverflow, как восстанавливать исходные слова из сокращений: например, из wtrbtl получать water bottle, а из bsktball — basketball. В вопросе было дополнительное усложнение: полного словаря всех возможных исходных слов нет, т.е. алгоритм должен быть в состоянии придумывать новые слова.

Вопрос меня заинтриговал, и я полез разбираться, какие алгоритмы и математика лежат в основе современных опечаточников (spell-checkers). Оказалось, что хороший опечаточник можно собрать из n-граммной языковой модели, модели вероятности искажений слов, и жадного алгоритма поиска по лучу (beam search). Вся конструкция вместе называется модель зашумлённого канала (noisy channel).

Вооружившись этими знаниями и Питоном, я за вечер создал с нуля модельку, способную, обучившись на тексте "Властелина колец" (!), распознавать сокращения вполне современных спортивных терминов.