Analytics Party

Чтобы высадить водителя из автономного транспорта, мало просто сказать «Автопилот едет хорошо» — это нужно доказать статистически. Но как проверить безопасность системы, если нужный накат измеряется десятками миллионов километров, а симулятору тоже нельзя доверять безоговорочно? В докладе расскажу, как мы сокращаем объём симуляций за счёт дедупликации сцен и как объединяем реальные и синтетические данные, чтобы получать доверительные выводы о безопасности.

Что делать, когда «Эконом» стоит дорого из-за высокого спроса, а в «Комфорте» в это же время водители скучают? Раньше наши алгоритмы смотрели на маркетплейс каждого тарифа как на отдельную вселенную, что при жёстком порядке цен допускало такую неэффективность. На митапе расскажу, как мы научили «Эконом» заглядывать к соседу — тарифу «Комфорт» — и, видя общую картину, назначать более справедливую цену. Это первый шаг к согласованному ценообразованию, который уже растит эффективность и конверсию в поездку в крупных городах России.

Мы живём в эпоху стремительных изменений и всё чаще используем ИИ для решения рабочих задач. Но на практике это не всегда просто: длинные промпты, галлюцинации моделей и бесконечные попытки добиться идеального SQL-запроса могут отнимать слишком много времени и энергии. В докладе расскажу, как мне удалось собрать команду ИИ-агентов, которая эффективно помогает в повседневной работе: от формулировки запросов до проверки результатов. Покажу реальные примеры и объясню, как вы можете собрать похожую систему под свои задачи.

A/B-тесты считаются золотым стандартом проверки гипотез, однако на практике часто возникают ограничения, не позволяющие провести честную рандомизацию. В докладе я расскажу про статистический метод Propensity Score Matching, который можно использовать как альтернативный подход для оценки эффектов. Особое внимание в рассказе уделю вопросам проверки корректности применения метода и валидации полученных результатов.