Олеся Булгакова

Наша команда, состоит из трех ML-разработчиков, дата-инженера и аналитика. Моя зона ответственности — разработка и внедрение RecSys.

Для создания эффективных ML моделей использую Python, библиотеки Pandas, Numpy, Scikit-learn, SciPy, CatBoost и RecTools для анализа данных и создания моделей. Работаю с большими данными, используя PySpark. Для эффективного внедрения и мониторинга ML моделей в производственные системы применяю MLOps-подходы, чтобы выбирать наиболее эффективные решения провожу A/B-тесты. Для автоматизации процессов использую Airflow, а для оптимизации и тестирования моделей — Optuna и PyTest.

Книжный сервис «Строки»:

• Разработала и внедрила систему персональных рекомендаций аудиокниг.  Увеличила среднее количество взаимодействий с рекомендациями на 30% по сравнению с моделью популярных рекомендаций.
• Разработала и внедрила систему персональных рекомендаций комиксов. Повысила среднее время чтения комиксов на 57% по сравнению с редакторской подборкой.
• Кластерная модель для холодных пользователей:
• Разработала и внедрила кластерную модель для частично персонализированных рекомендаций текстового и аудио контента.
• Достигла увеличения конверсии в потребление контента из полки рекомендаций на 15%, кликов на карточки контента на 5% и времени потребления контента на 37%.
• Рекомендательная система для детского раздела:
• Разработала и внедрила кластерную модель для частично персонализированных рекомендаций текстового и аудио контента.
• Увеличила метрику "добавление в отложенное" на 6.29%.

Рекомендательная платформа:

• Провела рефакторинг кода существующих моделей в сервисе. Обеспечила удобное использование решений на других продуктах экосистемы МТС.
• Участвовала в разработке DVC (Data Version Control) пайплайнов. Создавала воспроизводимые и масштабируемые пайплайны машинного обучения, которые упрощают процесс разработки моделей и ускоряют их внедрение.

Библиотека RecTools:

• Двухуровневая модель рекомендаций: Реализовала функционал запуска ранжирующих моделей и написала подробный туториал для быстрого запуска двухэтапной модели из библиотеки RecTools.

Школа Аналитиков Данных МТС:

• Делюсь знаниями и опытом в области построения рекомендательных систем.

Рекомендательная система для онлайн-кинотеатра «КИОН»:

• Реализовала функционал «Любимые полки» с персонализированным контентом, увеличив конверсию в просмотры в 1.48 раза и среднее время просмотра контента в 2.71 раза.
• Разрабатывала u2i (user-to-item) и i2i (item-to-item) алгоритмы рекомендаций для разделов приложения, повышая вовлечённость пользователей.