Ha szeretnéd megérteni, hogyan lesz egy machine learning modellből valóban használható üzleti döntéstámogató eszköz, ez az előadás konkrét, tanulságos példát ad. Kisistók Judit, PhD egy valós fashion tech esettanulmányon keresztül mutatja meg, hogyan lehet historikus adatok nélkül is megalapozottan előrejelezni egy még meg sem jelent ruhadarab várható keresletét, miközben a döntéseket hónapokkal korábban kell meghozni. Megismered a cold start probléma gyakorlati kezelését, a hasonlóság-alapú modellezés és a feature engineering megoldásait, valamint azt a szemléletet, hogyan érdemes olyan ML rendszert építeni, amelyet a szakértők értenek, elfogadnak és ténylegesen használnak a döntéseikhez.
Milyen főbb témákról van szó az előadásban?
- Kereslet-előrejelzés a divatiparban: miért más ez, mint a klasszikus forecasting, és milyen tényezők mozgatják a keresletet (ár, időjárás, trendek, gazdasági helyzet) úgy, hogy a gyakorlatban gyakran csak az eladás (sales) mérhető.
- NOOS vs. NPI termékek: miért működnek jól a time series megközelítések az alaptermékeknél, és miért ütközünk cold start problémába az új, szezonális daraboknál.
- Feature engineering a valóságban: hogyan lehet a termékadatokból (szín, ár, kategória, fit, szöveges/metaadatok, termékfotó) használható reprezentációt építeni, többnyelvű adatokkal is.
- Hasonlóság-alapú modellezés és architektúra: approximate nearest neighbours (Annoy), több „modalitás” külön kezelése, majd súlyozott kombinálása és ensemble-szerű összerakása.
- Explainability és bizalom: hogyan lesz a modellből olyan rendszer, amit a tervezők ténylegesen használnak, és miért nem opcionális a transzparencia, ha nagy tétű üzleti döntéseket támogatunk.
