В эпоху цифровых технологий объем данных, генерируемый различными компаниями, экспоненциально увеличивается. От клиентов, социальных медиа, устройств IoT и других платформ поступает колоссальное количество информации, создавая возможность для обнаружения ценных сведений и принятия взвешенных решений. Однако, чтобы в полной мере воспользоваться потенциалом этого океана данных, требуются действенные инструменты и методики управления данными и аналитической работы.

• Как большие языковые модели (LLM) и генеративные модели трансформируют бизнес сегодня? В каких задачах/подразделениях эти модели смогли увеличить продуктивность работы, рассказать о конкретных кейсах.
• Как бизнес видит будущую структуру Data Science департаментов - в связи с обширным внедрением больших языковых моделей не ожидается ли сокращение числа ML разработчиков в пользу бизнес-аналитиков? Возможно, эффективнее наращивать команды бизнес-аналитиков, умеющих эффективно работать с LLM, вместо развития команд ML-разработчиков?
• С ростом бизнеса компании наращивают количество доменов знаний о своих потребителях/пользователях. Но часто разные источники данных слабо пересекаются и не всегда можно строго идентифицировать одного и того же пользователя в разных базах данных. Какие алгоритмы и подходы сейчас использует бизнес, чтобы решать эту проблему?
• Сейчас, чтобы удержать пользователей в контуре своего бизнеса, будь то банк, маркетплейс или цифровая экосистема, важно развивать рекомендательные сервисы, которые будут предлагать пользователю релевантные продукты, не надоедая частыми push-up’ами и сообщениями. Какие алгоритмы вам кажутся наиболее перспективными для решения этой задачи? Насколько хорошо показывают себя графовые нейронные сети? Есть ли успешные кейсы запуска рекомендательных систем с применением LLM?