Наш студент — призер Хакатона по машинному обучению и анализу данных!

24 мая в Высшей школе экономики  состоялись защиты и церемония награждения Хакатона по машинному обучению и анализу данных для ритейла, организованного MAGNIT TECH и факультетом компьютерных наук НИУ ВШЭ.

В течение четырех дней команды работали над индустриальными кейсами технологичного драйвера крупнейшего ритейлера страны — компании «Магнит». Участники анализировали данные, обучали модели, проверяли гипотезы и защищали свои решения перед экспертами компании, чтобы в итоге не только добиться высокого качества моделей, но и предложить подходы для использования в реальном бизнесе.

В хакатоне приняли участие 370 студентов технических специальностей, объединенных в 111 команд. Решения участников оценивали эксперты и руководители направлений MAGNIT TECH и НИУ ВШЭ, а также специалисты в области машинного обучения и аналитики данных, среди которых Вячеслав Кубаев, директор по цифровым технологиям MAGNIT TECH, Александр Бульдяев, руководитель продуктовой трансформации MAGNIT TECH, Евгений Соколов, руководитель департамента больших данных и информационного поиска ФКН НИУ ВШЭ.

«Прогнозирование продаж с учетом изменения тенденций» — один из кейсов, над которыми работали команды. Для ритейла критически важно точно прогнозировать продажи новых магазинов и оценивать перспективность локаций. Однако со временем меняется поведение покупателей, конкурентная среда и внешние факторы, из-за этого даже точные модели постепенно теряют качество прогнозирования. Участникам предстояло разработать подход, который позволяет учитывать изменение распределения данных и сохранять стабильную точность прогноза между переобучениями модели.

Почетное третье место в этом треке заняла команда Андрея Кузьменко из группы ИБО-23 Технологического университета имени А.А. Леонова — филиала МИИГАиК с сокомандниками из МГТУ имени Н.Э. Баумана. Студенты предложили устойчивый пайплайн прогнозирования продаж новых магазинов с учетом изменения распределения данных между переобучениями модели. В решении использовались ансамбли CatBoost и логистической регрессии, калибровка прогнозов и усреднение нескольких сидов для повышения стабильности качества. Решение показало высокий уровень проработки ML-пайплайна — от feature engineering и fine-tuning до калибровки и подготовки модели к использованию.

Поздравляем Андрея Кузьменко и его команду с отличным результатом и желаем дальнейшего развития в этом направлении и блестящих побед