Women in Data Science参会记录

参加了Women in Data Science Nordic，一共四个talk收获了不少新知识记录一下～ 如果有别的类似的会议也欢迎推荐嘿嘿！

NLP领域：分享了2个industrial cases，比较感兴趣的是第一个如何从客户提供的120*20min videos里找到所需要的信息。视频里面有图像，音频，文本分析，所以是multi-model，使用了Valossa（对视频和文本进行分析得到features），Humantic（可以根据文本和语调对personality进行分析）的API生成了一些特征，最后得到了很好的准确率。
Feedback：演讲者的英语和时间把控有待提高，但是内容做的很好，主要是有cases所以更容易理解整个project的cycle。两个api很有趣，学到了新知识。

Game-based models：很像lecture，讲了游戏领域的一些milestone还有trust，比较有趣的一点是说到了详细的evaluation metrics，项目里面用了28个，在游戏model领域是很常见的情况，因为使用什么metrics完全取决于目的，比如win rate/ number of pieces 等等
Feedback：在领英上查了一下发现果然是一个讲师，怪不得这么像在上课hh。整体节奏有点快，东西很紧凑因为是一个很大的picture，但是很有趣，即使我不喜欢游戏也觉得有点东西

Multilingual NLP models: 这个演讲者居然是我以前的邻居，讲的项目更偏向research方面，是一个大型的transformer model有7B parameters。针对的是nordic语言，还展示了language tree，而且指出了数据的量级是最重要的。这个model的使用场景非常多，可以分类，问答，翻译。听完这个研究我感觉也许我干两年会跑回去读博士。
Feedback：很有趣的研究，虽然落地business有一定的困难但是让我想到一个问题就是绝大多数ml project的提升都很依赖于数据质量和数量，所以我觉得data pipeline或者说engineering才是发展的方向。搭建一个高质量的数据收集pipeline能够显著提高现有模型的能力，但是背后的推动资本有什么理由去做这个呢？

Green projects：讲了CO2排放相关的项目经验，一般不需要复杂的model，比如last mile route optimization 就是用了一个Kmeans算法。减少排放主要用两个途径，一个是optimize现在的生产路径，还有一个是estimate生产量减少浪费。
Feedback：speaker最后说到这种项目最重要的一步就是意识到你的数据是有价值的，所以才会开始收集数据，才会开始做project，所以也许数据集成的推动力量就是数据的价值吧。因为在碳排放项目里面也是这样，减少的二氧化碳排放量就是客户节约的钱。

总结：相比于women in tech，这个conference的内容更加贴近DS，我也更加感兴趣一些，今年诺贝尔化学奖的得主也是一位女性，每次参加这种活动都会更有力量，也比较容易找到下一阶段的role model。一个tips就是多发言多提问，这样可以强迫自己更加engage会议，也能训练自己的批判思维。姐妹们快多多参与起来;) 求加米!!

博主能不能展开说一下last mile route optimization怎么用kmeans做优化啊，还挺有意思的。想不到呢，谢谢！

Seize_days 发表于 2022-10-08 11:31:21
博主能不能展开说一下last mile route optimization怎么用kmeans做优化啊，还挺有意思的。想不到呢，谢谢！

她没有详细讲算法～大致就是kmeans分类到哪个地方就去哪个类送快递嗷，不然以前乱送就会多很多排放