Яндекс опубликовал заключительный пост из серии материалов о машинном обучении, в частности о своем фреймворке FML, который избавил разработчиков поисковой системы от рутинных действий и помог сфокусироваться на главном – изобретении новых подходов к улучшению поиска.

Если первый пост рассказывал о том, что такое функция ранжирования и как Яндекс научился строить ее, а второй пост был посвящен вопросам подбора и частого обновления формулы ранжирования при помощи FML, то в заключительной части цикла рассказывается о том, почему нужно следить за качеством факторов и как это делается, как FML помогает в задачах распределенных вычислений над поисковым индексом, а также о том, каким образом и для чего наши технологии машинного обучения уже применяются и могут быть применены как в Яндексе, так и вне его.

Знаете ли вы, что FML в паре с библиотекой машинного обучения Матрикснет может быть полезен не только в разработке поисковых систем, но и в других областях, где требуется обработка данных? Яндекс уже опробовал их для построения поиска по специализированным видам данных с учетом специфических факторов. Например, CERN (Европейский Центр ядерных исследований) использует Матрикснет для обнаружения редких событий в больших объемах данных (единицы на миллиард). Кроме того, Матрикснет совершенно серьезно может открыть дорогу к Нобелевской премии…