Всем привет! Меня зовут Андрей и я работаю в IT.
Почему сразу не про конкретную роль и компанию? Потому что для меня важно было найти канал, в котром я могу рассказывать не только строго профессиональные вещи или, наоборот, постить фоточки из путешествий. Моя цель - создать канал и про профессиональную деятельность и про себя живого, человека с мыслями, рефлексией и интересными историями.
Почему я могу быть интересен с точки зрения айти? Сейчас я работаю в роли CDO в компании Dodo Brands, но так было не всегда. Только в этой компании я прошел путь из разработчика в менеджеры через слдеующие роли:
— Senor Software Developer 1 год и 2 месяца, вливался в культуру компании и происходящее. Пропитывался классными инженерными практиками: TDD, DDD, XP, и еще куча важных подходов в качественной разработке;
— Team Leader 1 год и 7 месяцев, это как разработчик, только лидируешь команду и большой кусок времени отнимает не написание кода, а встречи и около менеджерские темы. Моя основная цель на тот период была построить классную команду, готовую справляться с любыми задачами;
— Machine Learning Engineer 2 года и 6 месяцев, для меня это был путь резкого погружения и в сильно техническую часть и в управление проектами, работа с аутсорсом и обяснение неоходимости инвестирования в новое для компании направление. Кажется, это был самый эмоционально напряженный период, в который пришлось научиться быть по-настоящему стрессоустойчивым с вызовами, провалами и успехами;
— Chief Data Officer с октября 2020, для меня самая сложная и в то же время интересная роль. Постараюсь расскрыть ее в дальнейшем глубже, но если кратко это смесь менеджерских и технических скиллов. Так происходит потому что надо изменять процессы во всей компании, работать с командой и большим количетством людей вокруг, понимать в данных и их использовании, но главное, повышать культуру работы с данными и укоренять data-driven подход.
Почему сразу не про конкретную роль и компанию? Потому что для меня важно было найти канал, в котром я могу рассказывать не только строго профессиональные вещи или, наоборот, постить фоточки из путешествий. Моя цель - создать канал и про профессиональную деятельность и про себя живого, человека с мыслями, рефлексией и интересными историями.
Почему я могу быть интересен с точки зрения айти? Сейчас я работаю в роли CDO в компании Dodo Brands, но так было не всегда. Только в этой компании я прошел путь из разработчика в менеджеры через слдеующие роли:
— Senor Software Developer 1 год и 2 месяца, вливался в культуру компании и происходящее. Пропитывался классными инженерными практиками: TDD, DDD, XP, и еще куча важных подходов в качественной разработке;
— Team Leader 1 год и 7 месяцев, это как разработчик, только лидируешь команду и большой кусок времени отнимает не написание кода, а встречи и около менеджерские темы. Моя основная цель на тот период была построить классную команду, готовую справляться с любыми задачами;
— Machine Learning Engineer 2 года и 6 месяцев, для меня это был путь резкого погружения и в сильно техническую часть и в управление проектами, работа с аутсорсом и обяснение неоходимости инвестирования в новое для компании направление. Кажется, это был самый эмоционально напряженный период, в который пришлось научиться быть по-настоящему стрессоустойчивым с вызовами, провалами и успехами;
— Chief Data Officer с октября 2020, для меня самая сложная и в то же время интересная роль. Постараюсь расскрыть ее в дальнейшем глубже, но если кратко это смесь менеджерских и технических скиллов. Так происходит потому что надо изменять процессы во всей компании, работать с командой и большим количетством людей вокруг, понимать в данных и их использовании, но главное, повышать культуру работы с данными и укоренять data-driven подход.
👍2
Остался месяц до Velocity Data and Analytics Summit в Дубае, куда меня пригласили как спикера. Это будет новый для меня формат, без презентации и подготовленного текста. Панельная дисскуссия с несколькими участниками на сцене на тему Data-Driven Resilience: Utilising Advanced Analytics to Build a More Resilient Economy.
Для меня это возможность познакомиться с высокого уровня специалистами из очень разных бизнесов. В списке компаний можно найти McDonald's (food service), Zalando (online retailer of shoes, fashion and beauty), HSBC (banking and financial services), Pearson (education publishing and assessment service), и другие. Уровень участников Chief Data Officer, Director of ... или Head of ..., вместо троеточия направление, связанное с аналитикой и данными. Еще один раз показывает и подтверждает, чтобы быть лидирующей компанией в любой сфере бизнеса, надо инвестировать в развитие новых технологий.
ссылка на конференцию
See you in Dubai Marina!
Для меня это возможность познакомиться с высокого уровня специалистами из очень разных бизнесов. В списке компаний можно найти McDonald's (food service), Zalando (online retailer of shoes, fashion and beauty), HSBC (banking and financial services), Pearson (education publishing and assessment service), и другие. Уровень участников Chief Data Officer, Director of ... или Head of ..., вместо троеточия направление, связанное с аналитикой и данными. Еще один раз показывает и подтверждает, чтобы быть лидирующей компанией в любой сфере бизнеса, надо инвестировать в развитие новых технологий.
ссылка на конференцию
See you in Dubai Marina!
👍1
Как в Dodo Brands AI используют
В ходе подготовки к конференции организаторы публикуют интверью с участниками. В конце будет ссылка на полную версию.
Начну с того, что AI это не какая-то мистика, а данные, алгоритмы и правильное их встраивание в бизнес-процессы компании. В Додо есть разные варианты применения технологий, от распознавания качества продукта по фотографии, до оптимизации логистических цепочек. В интервью я поделился кейсом, когда технологии позволяют создать win-win ситуацию для компании и для ее клиентов.
Речь про динамическое образование цен. Мы можем использовать два противоположных подхода, чтобы справиться с проблемой высокой нагрузки в пиковые часы. Первый и часто встречающийся - увеличение цены, как это происходит в приложениях вызова такси, вызывающее отрицательную реакцию и снижающее лояльность. Последний раз, опаздывая на встречу, вызвал такси от метро и заплатил 600 рублей за 5 минут езды, даже водитель был удивлен.
В Dodo Brands мы решили не повышать цены на нашу продукцию, чтобы решить ту же проблему. Вместо этого мы использовали различные алгоритмы машинного обучения для определения часов пиковой нагрузки и предоставления скидок клиентам, которые делают заказ до наступления часов пиковой нагрузки. Например, если клиент заказывает пиццу немного раньше, он может воспользоваться дополнительной скидкой на продукт. Такой подход сокращает количество заказов в часы пик, тем самым снижая нагрузку на точку продаж и позволяя нам поддерживать высокий уровень качества обслуживания в часы пик.
Лояльность растет, компания не теряет клиентов и заказы, это и есть win-win.
Полная статья
В ходе подготовки к конференции организаторы публикуют интверью с участниками. В конце будет ссылка на полную версию.
Начну с того, что AI это не какая-то мистика, а данные, алгоритмы и правильное их встраивание в бизнес-процессы компании. В Додо есть разные варианты применения технологий, от распознавания качества продукта по фотографии, до оптимизации логистических цепочек. В интервью я поделился кейсом, когда технологии позволяют создать win-win ситуацию для компании и для ее клиентов.
Речь про динамическое образование цен. Мы можем использовать два противоположных подхода, чтобы справиться с проблемой высокой нагрузки в пиковые часы. Первый и часто встречающийся - увеличение цены, как это происходит в приложениях вызова такси, вызывающее отрицательную реакцию и снижающее лояльность. Последний раз, опаздывая на встречу, вызвал такси от метро и заплатил 600 рублей за 5 минут езды, даже водитель был удивлен.
В Dodo Brands мы решили не повышать цены на нашу продукцию, чтобы решить ту же проблему. Вместо этого мы использовали различные алгоритмы машинного обучения для определения часов пиковой нагрузки и предоставления скидок клиентам, которые делают заказ до наступления часов пиковой нагрузки. Например, если клиент заказывает пиццу немного раньше, он может воспользоваться дополнительной скидкой на продукт. Такой подход сокращает количество заказов в часы пик, тем самым снижая нагрузку на точку продаж и позволяя нам поддерживать высокий уровень качества обслуживания в часы пик.
Лояльность растет, компания не теряет клиентов и заказы, это и есть win-win.
Полная статья
Datatechvibe
Deep-dish Data Science: How Dodo Brands Uses AI for Dynamic Pricing
Andrey Filipyev, Chief Data Officer at Dodo Brands was able to balance peak hour rush with a strategy that used machine learning algorithms to offer
👍1🔥1
Как я в ML катился
Одним из самых сложных изменений в карьере, на которое ушло много сил и времени, был переход из роли Team Lead в Machine Learning Engineer.
Все началось с образования. Получив первый диплом, имея опыт нескольких лет работы программистом, задался целью поступить в Высшую Школу Экономики. Дальше было проваленное собеседование в магистратуру, год подготовительного отделения, поступление и 2 года магистратуры на направлении Системы больших данных.
К моменту окончания ВШЭ уже работал в компании Dodo Pizza и лидировал команду разработки. Неотвеченным остался только один вопрос, как мне использовать прошедшие 3 года и новые знания? На самом деле с темой машинного обучения за два года магистратуры мы прошли только по касательной, без серьезного погружения в прикладное использование. Это проблема не только конкретного университета или направления, часто знания, даваемые в университете, оторваны от реальности применения в частных компаниях.
Но что могу сказать с уверенностью, потраченные время и силы не давали мне покоя. Пришлось дальше искать возможности для реализации себя в новой сфере. Можно было найти новую компанию с позицией Junior ML инженера, но выбрал другой путь. В Dodo Pizza с самого начала истории компании разрабатывается собственная информационная система, которая генерирует большое количество данных о заказах и всем, что происходит внутри пиццерии. Я брал уже имеющиеся данные и искал какую пользу можно принести используя алгоритмы машинного обучения.
Много месяцев ушло на разные задачи типа кластеризации клиентов, которые делал помимо основных задач своей роли тим лида. Главное, что удалось - наглядно показать, что нам уже пора начинать историю развития ML изнутри нашей компании, так как они могут принести много пользы и сделать сервис для клиентов еще лучше. Встал вопрос, оставаться на уже ставшим комфортным местом в роли тим лида, или полностью перейти в новую ML инженера и нести всю отстветственность за новое направление.
Одним из самых сложных изменений в карьере, на которое ушло много сил и времени, был переход из роли Team Lead в Machine Learning Engineer.
Все началось с образования. Получив первый диплом, имея опыт нескольких лет работы программистом, задался целью поступить в Высшую Школу Экономики. Дальше было проваленное собеседование в магистратуру, год подготовительного отделения, поступление и 2 года магистратуры на направлении Системы больших данных.
К моменту окончания ВШЭ уже работал в компании Dodo Pizza и лидировал команду разработки. Неотвеченным остался только один вопрос, как мне использовать прошедшие 3 года и новые знания? На самом деле с темой машинного обучения за два года магистратуры мы прошли только по касательной, без серьезного погружения в прикладное использование. Это проблема не только конкретного университета или направления, часто знания, даваемые в университете, оторваны от реальности применения в частных компаниях.
Но что могу сказать с уверенностью, потраченные время и силы не давали мне покоя. Пришлось дальше искать возможности для реализации себя в новой сфере. Можно было найти новую компанию с позицией Junior ML инженера, но выбрал другой путь. В Dodo Pizza с самого начала истории компании разрабатывается собственная информационная система, которая генерирует большое количество данных о заказах и всем, что происходит внутри пиццерии. Я брал уже имеющиеся данные и искал какую пользу можно принести используя алгоритмы машинного обучения.
Много месяцев ушло на разные задачи типа кластеризации клиентов, которые делал помимо основных задач своей роли тим лида. Главное, что удалось - наглядно показать, что нам уже пора начинать историю развития ML изнутри нашей компании, так как они могут принести много пользы и сделать сервис для клиентов еще лучше. Встал вопрос, оставаться на уже ставшим комфортным местом в роли тим лида, или полностью перейти в новую ML инженера и нести всю отстветственность за новое направление.
👍1
Подготовка к конференции Data & Analytics Summit Dubai
До конференции остается меньше месяца. В отличии от предущих публичных выступлений, в июне буду участовать в панельной дискуссии. Это когда на сцену выходят 4-5 экспертов и обсуждают определенную тему. Напомню, что мы будем говорить про роль продвинутой аналитики в построении усточивой экономики. Язык конференции и всех дискуссий, естественно, английский.
Хоть и изучаю иностранный больше 6 лет регулярно, еще есть куда расти дальше. Решил подтянуть общение с носителями языка. Добавил двух учителей к регулярным занятиям. С первым развиваю уровень понимания разных акцентов, так как он из Шотландии. А второй правит мой акцент, так как специализируется на этом.
За месяц не ожидаю кардинальный изменений, но самые простые ошибки произношения подправлю.
До конференции остается меньше месяца. В отличии от предущих публичных выступлений, в июне буду участовать в панельной дискуссии. Это когда на сцену выходят 4-5 экспертов и обсуждают определенную тему. Напомню, что мы будем говорить про роль продвинутой аналитики в построении усточивой экономики. Язык конференции и всех дискуссий, естественно, английский.
Хоть и изучаю иностранный больше 6 лет регулярно, еще есть куда расти дальше. Решил подтянуть общение с носителями языка. Добавил двух учителей к регулярным занятиям. С первым развиваю уровень понимания разных акцентов, так как он из Шотландии. А второй правит мой акцент, так как специализируется на этом.
За месяц не ожидаю кардинальный изменений, но самые простые ошибки произношения подправлю.
👍2🐳2
AI & DS MEETUP at Coders HQ, Dubai
Совместно с министерством AI в Дубае организуем митап на площадке Coders HQ, Emirates Towers: https://lnkd.in/dbYdZcip
Дата проведения: 8 июня 2023, 17:00-19:00
Основная тема: How to Build Robust AI Development Processes
Разработка модели машинного обучения это только первый шаг в использовании искусственного интеллекта. Успех каждого такого проекта зависит от последующих изменений в бизнес-процессах. На нашей встрече мы рассмотрим как эффективно организовать жизненный цикл разработки AI-проектов. Обсудим примеры неудач и успехов из реальной жизни.
Количество мест ограничено, ссылка для регистрации: https://lnkd.in/dsVd5ZvA
Совместно с министерством AI в Дубае организуем митап на площадке Coders HQ, Emirates Towers: https://lnkd.in/dbYdZcip
Дата проведения: 8 июня 2023, 17:00-19:00
Основная тема: How to Build Robust AI Development Processes
Разработка модели машинного обучения это только первый шаг в использовании искусственного интеллекта. Успех каждого такого проекта зависит от последующих изменений в бизнес-процессах. На нашей встрече мы рассмотрим как эффективно организовать жизненный цикл разработки AI-проектов. Обсудим примеры неудач и успехов из реальной жизни.
Количество мест ограничено, ссылка для регистрации: https://lnkd.in/dsVd5ZvA
🔥1
Новая команда и новая вакансия Head of ML
Додо меняется и развивается, и моя команда, в том числе. Мы организуем полноценный Data Office с 3 направлениями: Data Engineering, Analytics и ML.Core.
Первые два уже есть и давно работают в компании. А третье мы только собираем.
ML.Core - это команда для внедрения инноваций во всей компании. В Додо уже есть решения, под капотом которых работают модели машинного обучения: прогнозирование спроса, компьютерное зрение в контроле качества продукта, uplift модели в маркетинге.
И эти все решения были реализованы ML инженерами в разных продуктовых командах. Но, чтобы ускорить внедрение инноваций по всей компании, мы решили, что не хватает единой сервисной команды. Которая смогла бы самостоятельно решать, где можно улучшить бизнес-процессы используя данные и алгоритмы.
Перед нами стоит большое количество вызовов: от использования простых моделей до внедрения Deep Learing и State-of-the-Art. Поверьте, диапазон задач и их вес сложности впечатлят! Например, вы когда-нибудь определяли качество приготовленного латте по количеству пузыриков на пенке с помощью ML модели? А разворачивали такую модель на всю сеть? А на 20 стран запустить слабо?
Кого я хотел бы найти: амбициозного и мечтающего лидера команды. Кто не побоится предлагать самые разные идеи. Тот, кто будет видеть бизнес-процессы, начиная от производства продуктов на кухне до улучшения мобильных приложений.
В моей голове такая картина идеального кандидата: человек с когда-то техническим бэкграундом и разработкой ML моделей. В какой-то момент погрузившийся в менеджмент и внедрение изменений.
Если ты чувствуешь, что подходишь под наше видение лидера команды ML.Core и готов к новому и интересному, откликайся на вакансию: https://dodobrands.notion.site/Head-of-ML-97a1351271e94e869ab216ab488d8c3e
P.S.: Следующим постом опубликую свой список обязательных вопросов, которые задаю на всех интервью: от Junior до Senior дата сайнтистов. Забирайте, он очень прост, но понимать и разбираться в этих понятиях обязательно 😉
Додо меняется и развивается, и моя команда, в том числе. Мы организуем полноценный Data Office с 3 направлениями: Data Engineering, Analytics и ML.Core.
Первые два уже есть и давно работают в компании. А третье мы только собираем.
ML.Core - это команда для внедрения инноваций во всей компании. В Додо уже есть решения, под капотом которых работают модели машинного обучения: прогнозирование спроса, компьютерное зрение в контроле качества продукта, uplift модели в маркетинге.
И эти все решения были реализованы ML инженерами в разных продуктовых командах. Но, чтобы ускорить внедрение инноваций по всей компании, мы решили, что не хватает единой сервисной команды. Которая смогла бы самостоятельно решать, где можно улучшить бизнес-процессы используя данные и алгоритмы.
Перед нами стоит большое количество вызовов: от использования простых моделей до внедрения Deep Learing и State-of-the-Art. Поверьте, диапазон задач и их вес сложности впечатлят! Например, вы когда-нибудь определяли качество приготовленного латте по количеству пузыриков на пенке с помощью ML модели? А разворачивали такую модель на всю сеть? А на 20 стран запустить слабо?
Кого я хотел бы найти: амбициозного и мечтающего лидера команды. Кто не побоится предлагать самые разные идеи. Тот, кто будет видеть бизнес-процессы, начиная от производства продуктов на кухне до улучшения мобильных приложений.
В моей голове такая картина идеального кандидата: человек с когда-то техническим бэкграундом и разработкой ML моделей. В какой-то момент погрузившийся в менеджмент и внедрение изменений.
Если ты чувствуешь, что подходишь под наше видение лидера команды ML.Core и готов к новому и интересному, откликайся на вакансию: https://dodobrands.notion.site/Head-of-ML-97a1351271e94e869ab216ab488d8c3e
P.S.: Следующим постом опубликую свой список обязательных вопросов, которые задаю на всех интервью: от Junior до Senior дата сайнтистов. Забирайте, он очень прост, но понимать и разбираться в этих понятиях обязательно 😉
👍4😁1
Базовые понятия, которые обязательно знать аналитику или ML инженеру
Делюсь своей подборкой вопросов, которые обязательно задаю на интервью аналитиков и ML инженеров. Важно не просто знать понятие, но понимать как применять их в реальных задачах. Если у вас еще и будут примеры на эти пункты, объяснение проблем и как их решали - это топ!
Первые 13 это самая база, дальше идет посложнее:
1. [Случайная величина](https://www.countbayesie.com/blog/2015/2/20/random-variables-and-expectation)
2. Мат. ожидание (статья выше)
3. Закон больших чисел (прочитать на википедии)
4. Распределение
5. Нормальное распределение
6. Центральные предельные теоремы и причем тут нормальное распределение
7. Квантили (перцентили)
8. Доверительный интервал. Конкретные задачи.
9. Оценка стат. значимости
10. p-value
11. [Смещение и дисперсия (bias and variance)](https://towardsdatascience.com/understanding-the-bias-variance-tradeoff-165e6942b229)
12. [A Deeper look at Mean Squared Error — Count Bayesie](https://www.countbayesie.com/blog/2019/1/30/a-deeper-look-at-mean-squared-error)
13. [Нормализация и стандартизация](https://towardsdatascience.com/normalization-vs-standardization-quantitative-analysis-a91e8a79cebf)
14. Линейная регрессия
15. Гиперплоскость
16. Задачи линейной регрессии
17. Логистическая регрессия
18. Задачи логистической регрессии
19. Какие задачи не решаются логистической регрессией
20. [Why, How and When to Scale your Features](https://towardsdatascience.com/normalization-vs-standardization-quantitative-analysis-a91e8a79cebf)
21. [Normalization vs Standardization — Quantitative analysis](https://towardsdatascience.com/normalization-vs-standardization-quantitative-analysis-a91e8a79cebf)
Если вы проверяете корреляцию между двумя случайными величинами, обратите внимание, что ее отсутствие или наличие может ни о чем не говорить, если между ними нет линейной зависимости:
1. [Why does zero correlation not imply independence?](https://math.stackexchange.com/questions/444408/why-does-zero-correlation-not-imply-independence)
2. [Interpretation of correlation (coefficient)](https://math.stackexchange.com/questions/1804362/interpretation-of-correlation-coefficient)
Делюсь своей подборкой вопросов, которые обязательно задаю на интервью аналитиков и ML инженеров. Важно не просто знать понятие, но понимать как применять их в реальных задачах. Если у вас еще и будут примеры на эти пункты, объяснение проблем и как их решали - это топ!
Первые 13 это самая база, дальше идет посложнее:
1. [Случайная величина](https://www.countbayesie.com/blog/2015/2/20/random-variables-and-expectation)
2. Мат. ожидание (статья выше)
3. Закон больших чисел (прочитать на википедии)
4. Распределение
5. Нормальное распределение
6. Центральные предельные теоремы и причем тут нормальное распределение
7. Квантили (перцентили)
8. Доверительный интервал. Конкретные задачи.
9. Оценка стат. значимости
10. p-value
11. [Смещение и дисперсия (bias and variance)](https://towardsdatascience.com/understanding-the-bias-variance-tradeoff-165e6942b229)
12. [A Deeper look at Mean Squared Error — Count Bayesie](https://www.countbayesie.com/blog/2019/1/30/a-deeper-look-at-mean-squared-error)
13. [Нормализация и стандартизация](https://towardsdatascience.com/normalization-vs-standardization-quantitative-analysis-a91e8a79cebf)
14. Линейная регрессия
15. Гиперплоскость
16. Задачи линейной регрессии
17. Логистическая регрессия
18. Задачи логистической регрессии
19. Какие задачи не решаются логистической регрессией
20. [Why, How and When to Scale your Features](https://towardsdatascience.com/normalization-vs-standardization-quantitative-analysis-a91e8a79cebf)
21. [Normalization vs Standardization — Quantitative analysis](https://towardsdatascience.com/normalization-vs-standardization-quantitative-analysis-a91e8a79cebf)
Если вы проверяете корреляцию между двумя случайными величинами, обратите внимание, что ее отсутствие или наличие может ни о чем не говорить, если между ними нет линейной зависимости:
1. [Why does zero correlation not imply independence?](https://math.stackexchange.com/questions/444408/why-does-zero-correlation-not-imply-independence)
2. [Interpretation of correlation (coefficient)](https://math.stackexchange.com/questions/1804362/interpretation-of-correlation-coefficient)
🔥11❤1
Data Maturity: 18+
Подготовили интересную активность в рамках конференции SmartData 2023. Поговорим про одну из методологий оценки зрелости Data-Driven культуры в компании с коллегами из Тинькофф, Яндекса и Одноклассников.
А от меня промокод на скидку 25% на билет: AFilipev2023JRGpc
В Питере с 4 по 8 сентября, можем организовать еще какое-нибудь мероприятие, пишите)
Data Maturity: 18+ — SmartData 2023. Конференция по инженерии данных
Подготовили интересную активность в рамках конференции SmartData 2023. Поговорим про одну из методологий оценки зрелости Data-Driven культуры в компании с коллегами из Тинькофф, Яндекса и Одноклассников.
А от меня промокод на скидку 25% на билет: AFilipev2023JRGpc
В Питере с 4 по 8 сентября, можем организовать еще какое-нибудь мероприятие, пишите)
Data Maturity: 18+ — SmartData 2023. Конференция по инженерии данных
SmartData 2023. Конференция по инженерии данных
Data Maturity: 18+ — SmartData 2023. Конференция по инженерии данных
Насколько зрелая ваша компания с точки зрения работы с данными? Насколько прозрачны ваши процессы и взаимодействие с дата-командой? Познакомимся с методологией определения Data Maturity компаний, поговорим о состоятельности данной методики и обсудим, позволяет…
🔥5
Маленькими шагами к большому AI
Сегодня впервые запустили в продакшене модель машинного обучения для оффлайн-процесса. То есть компьютерное зрение для автоматического освобождения ячейки на выдаче заказов Drinkit.
Какую проблему решаем?
На первом видео стол выдачи заказов в малопроходимой кофейне в непиковые часы:
1. Клиенты уже забрали заказы, но половина ячеек остается в состоянии "занята"
2. Чтобы ячейка освободилась, бариста надо следить за этим и вручную "освобождать" ячейки
Когда клиентов много бариста не успевает следить за выданными заказами и процесс ломается.
Что сделали?
Разработали ML-модель, определяющую по изображению с камеры состояние ячейки. Когда клиент забирает заказ ячейка автоматически освобождается для следующего заказа (видео 2).
В чем крутость?
Для Dodo Brands это первый полноценный запуск связки Dodo IS (наша внутренняя система) + Computer Vision ML Model + Raspberry + оффлайн-процесс в точке продаж (работа под капотом на видео 3). Всю эту связку как раз и можно назвать AI-решением, когда технологии улучшают процесс, чтобы человек фокусировался на приготовлении продукта и общении с клиентом.
И да, мы словили ошибки в логике алгоритма, поняли что улучшить, чтобы масштабировать решение на все кофейни Drinkit. Но, этот шаг открывает двери в построение фундамента, с помощью которого мы сможем легко и быстро запускать AI-решения на стыке онлайна и оффлайна во всех странах!
Зачем нам свой инфраструктурный велосипед?
Сейчас запуск от идеи до машстабирования на все страны занимает 4-6 месяцев, имея нужню инфраструктуру можно сократить время до 2-4 недель. А это потенциал на проверку 13-26 проектов в год, вместо 2-3.
В такой ситуации не страшно ошибиться и сделать неудачные запуски, открывается возможность для самых смелых идей. Вот и профит!
Сегодня впервые запустили в продакшене модель машинного обучения для оффлайн-процесса. То есть компьютерное зрение для автоматического освобождения ячейки на выдаче заказов Drinkit.
Какую проблему решаем?
На первом видео стол выдачи заказов в малопроходимой кофейне в непиковые часы:
1. Клиенты уже забрали заказы, но половина ячеек остается в состоянии "занята"
2. Чтобы ячейка освободилась, бариста надо следить за этим и вручную "освобождать" ячейки
Когда клиентов много бариста не успевает следить за выданными заказами и процесс ломается.
Что сделали?
Разработали ML-модель, определяющую по изображению с камеры состояние ячейки. Когда клиент забирает заказ ячейка автоматически освобождается для следующего заказа (видео 2).
В чем крутость?
Для Dodo Brands это первый полноценный запуск связки Dodo IS (наша внутренняя система) + Computer Vision ML Model + Raspberry + оффлайн-процесс в точке продаж (работа под капотом на видео 3). Всю эту связку как раз и можно назвать AI-решением, когда технологии улучшают процесс, чтобы человек фокусировался на приготовлении продукта и общении с клиентом.
И да, мы словили ошибки в логике алгоритма, поняли что улучшить, чтобы масштабировать решение на все кофейни Drinkit. Но, этот шаг открывает двери в построение фундамента, с помощью которого мы сможем легко и быстро запускать AI-решения на стыке онлайна и оффлайна во всех странах!
Зачем нам свой инфраструктурный велосипед?
Сейчас запуск от идеи до машстабирования на все страны занимает 4-6 месяцев, имея нужню инфраструктуру можно сократить время до 2-4 недель. А это потенциал на проверку 13-26 проектов в год, вместо 2-3.
В такой ситуации не страшно ошибиться и сделать неудачные запуски, открывается возможность для самых смелых идей. Вот и профит!
❤9🔥1
Forwarded from Dodo Engineering
Всем доброе утро!
В среду, 20-го декабря в 15-00 по Москве, будем подводить итоги года.
Назвали встречу Big Demo💻
Что будет? Онлайн трансляция, на которую позвали продуктовых лидеров наших ИТ направлений. Верим, что время перед Новым Годом – лучшее время, когда нужно подвести итоги года, посмотреть на свои достижения и победы, вспомнить главные уроки и немного помечтать о том, какое будущее нас ждет впереди!
Встреча октрытая, будем транслировать в YouTube. Приходите! =)
▶️ https://youtube.com/live/7J6307bXU_w?feature=share
В среду, 20-го декабря в 15-00 по Москве, будем подводить итоги года.
Назвали встречу Big Demo
Что будет? Онлайн трансляция, на которую позвали продуктовых лидеров наших ИТ направлений. Верим, что время перед Новым Годом – лучшее время, когда нужно подвести итоги года, посмотреть на свои достижения и победы, вспомнить главные уроки и немного помечтать о том, какое будущее нас ждет впереди!
Встреча октрытая, будем транслировать в YouTube. Приходите! =)
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2