Комментарии 2
"...у этого эвристического подхода есть еще ряд недостатков:
- не использует сложные свойства данных;
- не оптимизирует понятным образом бизнес-метрику;
- непредсказуемо себя ведет при любом небольшом изменении
не оч понял из статьи как переход на ML решил эти три недостатка. Особенно про предсказуемость.
Переход на ML позволяет работать нам с величиной одного масштаба на
выходе (скором модели) и проводить изменения в рамках ml-модели, не
меняя целиком конфигурацию.
- не использует сложные свойства данных;
Внутри ML алгоритмов выявляются более сложные и не очевидные зависимости, чем мы можем придумать сами. Но как раз-таки логику исходя из здравого смысла мы все еще можем задать с помощью построения признаков, в этой части у нас даже больше свободы, потому что мы не боимся непредсказуемого изменения предсказаний модели.
- не оптимизирует понятным образом бизнес-метрику;
- непредсказуемо себя ведет при любом небольшом изменении
То есть мы придумали рабочий вариант эвристики, которая хорошо приближает нашу бизнес-метрику, но мы не знаем как она себя поведет при каких-либо изменениях в формуле. ML как раз хорошо решает эту проблему. В нашем подходе мы заменили первую компоненту формулы и все дальнейшие изменения происходят на уровне ML модели. А в перспективе можно вообще отказаться от формулы и добиться того же через модификацию таргета модели.
Бустим топ: внедрение ML в ранжирование каталога