Оцени свой автомобиль яндекс

Бортовой
компьютер
Яндекс.Авто

Яндекс.Авто — бортовой компьютер, который встраивается в автомобиль. Навигатор, Музыка, Алиса, интернет и большой экран.

Разработан специально для водителей

Навигация без телефона

Яндекс.Навигатор строит оптимальные маршруты с учётом пробок, ежедневно обновляет карты, предупреждает о ремонтных работах, камерах и знаках.

Работает даже без интернета

Музыка под рукой

Яндекс.Музыка запоминает треки, которые вам нравятся, и подбирает похожие. Даёт доступ к новым альбомам, станциям разных жанров и эпох, а также предлагает музыкальные подборки

Голосовое управление

Алиса помогает управлять сервисами без рук. Скажите «Слушай, Алиса» и попросите ввести адрес, заехать на заправку, найти парковку или поискать что-нибудь в интернете

Всегда на связи

Интернет от МТС обеспечивает доступ сервисов к сети, а телефон позволяет разговаривать по громкой связи и не отвлекаться от дороги.

Построить маршрут в Яндекс.Навигаторе можно без интернета, если заранее загрузить нужные карты. Информация о дорожной ситуации доступна, если бортовой компьютер подключен к интернету. Чтобы слушать новые альбомы, нужна оплаченная подписка на Яндекс.Музыку. Все функции Алисы доступны, если Яндекс.Авто подключен к интернету. Мобильный интернет предоставляется в рамках оказания услуг связи ПАО «МТС» абоненту ООО «Коагент» (ОГРН:1177847210595) с использованием SIM-карты, установленной в устройство, в течение 6 месяцев с момента активации SIM-карты у партнеров-установщиков Яндекс.Авто. При использовании приложений Яндекс.Навигатор, Яндекс.Музыка, Яндекс.Погода, Алиса, установленных в Яндекс.Авто, обновления системы Яндекс.Авто объем трафика не ограничен; доступ к иным ресурсам ограничен квотой 1 Гб в месяц. Для активации SIM-карты необходимо предоставить документ, удостоверяющий личность. Условия предоставления мобильного интернета по истечении 6 месяцев, порядок переоформления SIM-карты уточняйте: 8-800-25-05-112.

Источник статьи: http://auto.yandex/

Оцените свою машину за 1 минуту

Сайт «Цена Авто» совместно с Аналитическим агентством «АВТОСТАТ» представляет вам простой, понятный и главное справедливый калькулятор для оценки вашего автомобиля.

Для его создания мы применили авторскую методику расчета стоимости, которая основывается на реальных предложениях о продаже аналогичного автомобиля дилерами и физическими лицами.

Узнайте стоимость Вашего автомобиля всего за 1 минуту.

Справедливая цена автомобиля с пробегом

Год выпуска: 2013

Тип кузова: седан

Уровень оснащения: максимальный

Объём двигателя: 2.4 л

Тип топлива: седан

Средний пробег** : 90 000 км

930 000

930 000

* Цена является ориентировочной, была рассчитана аналитическим агентством «АВТОСТАТ» на основании объявлений (Avito.ru, Auto.ru, Drom.ru) за текущий месяц и аналитики реальных дилерских сделок.

При оценке автомобиля были использованы следующие предположения:

• Автомобиль не был в серьёзном ДТП и находится в хорошем техническом состоянии;
• На автомобиле оригинальная краска, нет внешних повреждений и отсутствуют повреждения салона;
• Автомобиль никогда не сдавался в наём, не использовался для частного или коммерческого извоза.

Точная стоимость вашего автомобиля может быть определена исключительно после визуального осмотра автомобиля и проведения диагностики специалистами.

** Средний пробег по выборке автомобилей, взятых при оценке.

Источник статьи: http://cena-auto.ru/calculator/

Во сколько обходится личный автомобиль

Структура расходов за первые три года владения автомобилем

Учитывались только обязательные расходы или актуальные для большинства автомобилистов.

Актуальные для большинства автомобилистов статьи расходов определили с помощью сервиса опросов Яндекс.Взгляд.

Источник данных о стоимости машин, мощности двигателей и расходе топлива — объявления о продаже автомобилей в интернете.

Стоимость ОСАГО посчитана с учётом официальных коэффициентов. Каско — на основе усреднённых тарифов крупных страховых компаний.

Размер транспортного налога определён исходя из региональных ставок и мощности машины.

Цены на топливо получили от Яндекс.Заправок и Яндекс.Справочника. Информацию о среднем пробеге автомобилей в России — из исследования агентства «Автостат».

Стоимость техобслуживания — данные официальных дилеров.

Среднюю стоимость мойки кузова и сезонной смены шин посчитали по данным Яндекс.Справочника.

Для сравнения стоимости владения личным автомобилем с затратами на такси и каршеринг использовали данные Яндекс.Такси, Яндекс.Драйва и открытую информацию о тарифах других каршеринговых сервисов.

Структура расходов за первые три года владения автомобилем

Учитывались только обязательные расходы или актуальные для большинства автомобилистов.

Актуальные для большинства автомобилистов статьи расходов определили с помощью сервиса опросов Яндекс.Взгляд.

Источник данных о стоимости машин, мощности двигателей и расходе топлива — объявления о продаже автомобилей в интернете.

Стоимость ОСАГО посчитана с учётом официальных коэффициентов. Каско — на основе усреднённых тарифов крупных страховых компаний.

Размер транспортного налога определён исходя из региональных ставок и мощности машины.

Цены на топливо получили от Яндекс.Заправок и Яндекс.Справочника. Информацию о среднем пробеге автомобилей в России — из исследования агентства «Автостат».

Стоимость техобслуживания — данные официальных дилеров.

Среднюю стоимость мойки кузова и сезонной смены шин посчитали по данным Яндекс.Справочника.

Для сравнения стоимости владения личным автомобилем с затратами на такси и каршеринг использовали данные Яндекс.Такси, Яндекс.Драйва и открытую информацию о тарифах других каршеринговых сервисов.

Источник статьи: http://yandex.ru/company/researches/2020/auto-cost

Мультимедийная система Яндекс Авто

Связь с окружающим миром должна быть удобной и безопасной. Мультимедийная система Яндекс.Авто поможет водителю не отвлекаться от дороги и быстро настраивать нужные сервисы. Интерфейс адаптируется под стандарты конкретной марки машины и потребности водителя.

Многофункциональная мультимедийная система Яндекс.Авто делает управление современным автомобилем еще более комфортным. Это отличный способ решать множество задач без потерь времени и риска допустить фатальную ошибку из-за необходимости что-то настраивать вручную.

• Так, водитель сможет построить маршрут, в том числе нестандартный, из-за наличия пробок в городе.
• Если нужно найти заправку, парковку или техническую поддержку, умный помощник от Яндекса тоже придет на помощь. При этом достаточно обратиться к голосовому помощнику.
• С установкой мультимедиа удобнее слушать любимую музыку или узнавать прогноз погоды.

Первые отзывы показывают, что всё очень удобно, за исключением небольших недоработок, которые уже в процессе устранения. Предлагаем убедиться в этом из нашего обзора мультимедийной системы Яндекс.Авто.

Каталог авто, на которые устанавливают Яндекс Авто

Полный список авто 2019 года, на которые возможно купить бортовой компьютер:

Навигатор

Маршруты теперь можно строить не только путем ввода адреса или названия нужного объекта, но и с помощью голосового помощника. Для этого нужно произнести фразу “Слушай, Яндекс” и описать место, в которое вы хотите добраться.

Вот еще несколько примеров полезных функций:

• предлагается несколько вариантов проезда, начиная с самого короткого, причем сразу учитываются пробки и ремонтные работы;
• указываются необходимые на данном участке пути маневры;
• используется запоминание ваших поездок для того, чтобы делать подсказки в нужный момент.

Музыка

Удобство настройки музыки в Яндекс.Авто впечатляет. Вы можете не называть конкретные композиции, а просто выбрать нужный стиль по настроению (веселая или сентиментальная), жанру (электро, поп либо рок) или эпохе (1960-е, 2000-е). Из десятков радиостанций будет предложена наиболее подходящая к вашему запросу. А если вы решите оценивать конкретные треки, то в дальнейшем Яндекс.Музыка будет подстраиваться под ваш вкус и фильтровать песни, пропускаемые в эфир.

Погода

Яндекс.Авто подсказывает погоду в конкретном месте. Температуру, наличие/отсутствие осадков, уровень атмосферного давления или влажности воздуха можно узнать за считанные секунды. По умолчанию информация передается соответственно тому месту, где вы находитесь, но при необходимости можно ввести и другой нужный пункт.

Управление по технологии multi-touch

Сенсорный дисплей, разделенный на два блока, позволяет очень быстро следить за маршрутом и подбирать радиостанции. Скажем, слева может быть установлен Навигатор, а справа — Музыка. Легко меняйте один сервис на другой посредством главного меню или листайте отдельные блоки.

Управление голосом и голосовой помощник

Управление медийной системой удобнее всего строить посредством голосовых команд. Вот примеры. Если сказать “Слушай, Яндекс, найди заправку”, это будет сигналом для того, чтобы сразу предложить маршрут в сторону ближайшей АЗС. На вопрос “Какая погода в Москве?” также будет выдан оперативный ответ.

• построение простых диалогов с водителем;
• подсказки, с помощью которых можно узнать расстояние между населенными пунктами или цену на горючее;
• различная актуальная информация, например счет футбольного матча.

Ответы на вопросы о мультимедийной системе Яндекс.Авто

Что будет, если заранее войти в свой аккаунт на Яндексе? Это поможет сообщить информацию о ваших предыдущих действиях бортовому компьютеру. Например, избранные места, которые вы вносили в Яндекс.Навигатор, или любимые композиции из Яндекс.Музыки.

Сколько стоит мультимедиа? Цена зависит от марки машины. Подробности можно узнать на нашем сайте в разделе “каталог автомобилей”.

Где можно купить и установить Яндекс.Авто? Установить саму мультимедийную систему, можно в Москве, СПб и еще нескольких крупных городах (полный список установки Яндекс.Авто). Самостоятельно это делать нельзя. А купить Яндекс.Авто можно в любом месте России через интернет, используя сервисы Яндекс.Маркет или Беру.

Как самостоятельно скачать приложение? Яндекс.Авто подстраивается под конкретную марку автомобиля с его техническими характеристиками. Если действовать наугад и своими силами, стабильная работа не гарантируется.

Источник статьи: http://yauto.su/

Как с помощью компьютерного зрения оценить состояние автомобиля. Опыт Яндекс.Такси

Мы стремимся к тому, чтобы после заказа такси к пользователю приезжал чистый, исправный автомобиль той марки, того цвета и с тем номером, которые отображаются в приложении. И для этого мы используем дистанционный контроль качества (ДКК).

Сегодня я расскажу читателям Хабра о том, как с помощью машинного обучения снизить затраты на контроль качества в быстро растущем сервисе с сотнями тысяч машин и не выпустить на линию машину, которая не соответствует правилам сервиса.

Как был устроен ДКК до прихода машинного обучения

Схема процесса ДКК

В процессе ДКК мы проверяем фотографии автомобиля и принимаем решение о том, можно ли выполнять заказы на таком автомобиле или, например, перед этим его стоит помыть. Всё начинается с того, что через водительское приложение Таксометр мы вызываем водителя на ДКК. Обычно это происходит раз в 10 дней, но иногда реже или чаще – в зависимости от того, насколько успешно водитель проходил предыдущие проверки. Сразу после вызова на ДКК, водителю приходит сообщение с приглашением пройти фотоконтроль. Как только водитель принял приглашение, в том же приложении он фотографирует экстерьер и интерьер машины с разных ракурсов и отправляет фотографии Яндекс.Такси. Водитель может принимать заказы пока идёт ДКК.

Стартовый экран ДКК в приложении Таксометр

Экран фотографирования автомобиля в приложении Таксометр

Полученные фотографии попадают в Яндекс.Толоку — сервис, в котором с помощью краудсорсинга можно быстро выполнять простые, но большие по объёму задания. О том как устроена и зачем нужна Яндекс.Толока мы писали в нашем блоге.

В Яндекс.Толоке в процессе одной проверки как минимум три исполнителя отвечают на вопросы о состоянии автомобиля, и если исполнители пришли к единому мнению, на основе их ответов принимается решение о том, можно ли водителю принимать заказы. У проверки в Яндекс.Толоке два исхода:

• Если визуально с автомобилем всё в порядке, водитель продолжает принимать заказы.
• Если автомобиль грязный, повреждён, либо его марка, цвет или номер не соответствуют указанным в карточке водителя, Яндекс.Такси временно ограничивает возможность водителя принимать заказы.

Если исполнители не пришли к единому мнению, фотографии отправляют к сотрудникам Яндекс.Такси — асессорам, которые более тщательно проверяют автомобиль, а затем принимают финальное решение. Асессоры проходят специальную программу обучения и у них больше опыта.

Так видит ДКК исполнитель Яндекс.Толоки

Задача

C ростом Яндекс.Такси растёт и количество проверок ДКК, а это значит, что растут затраты на толокеров и асессоров. Кроме того, падает скорость проверки автомобиля. Пока идёт ДКК, можно как разрешать водителям принимать заказы, так и не разрешать. У обоих вариантов есть свои минусы: в первом случае недобросовестный водитель успеет принять несколько заказов на автомобиле, который не соответствует стандартам, во втором — все вызванные на фотоконтроль водители не смогут работать пока проверка не завершится. Поэтому важно проверять автомобили быстро, чтобы и пользователи, и водители не сталкивались с неудобствами.

Наблюдая за тем как графики затрат и среднего времени проверки растут, мы поняли, что хотим снизить затраты на Толоку, разгрузить асессоров и сократить среднее время проверки, иными словами, автоматизировать часть проверок. Естественно, мы не хотели жертвовать качеством сервиса и пропускать больше несоотвествующих стандартам качества автомобилей на линию, а также не хотели ограничивать принятие заказов добросовестными водителями. Нам нужно было автоматизировать ДКК и при этом не увеличить долю ошибок в общем потоке проверок.

Как мы внедряли машинное обучение в ДКК

Схема процесса ДКК с ML внутри

Для начала мы определились с постановкой задачи: автоматизировать как можно больше проверок, при этом не увеличив частоту ошибок в общем потоке.

Давайте разберёмся с тем, какими бывают ошибки в нашей задаче. Они бывают двух видов: false positive и false negative. В нашей терминологии negative — результат проверки, с которым водитель может продолжать работать, а positive — результат, который влечёт за собой временное ограничение на приём заказов. Тогда false negative — случай, в котором мы были вынуждены разрешить водителю с плохим автомобилем принимать заказы, а false positive — наоборот, когда мы не разрешили работать водителю, у которого с автомобилем всё хорошо. Выходит, что False Negative Rate (FNR) — доля водителей с «плохими» автомобилями, которым мы разрешили принимать заказы, а False Positive Rate (FPR) — доля водителей, которым мы не разрешили работать, хотя у них с автомобилями всё хорошо. Таким образом, от внедрения машинного обучения в систему мы хотели следующего: автоматизировать как можно больше проверок, при этом не увеличив FPR и FNR в сравнении с системой без машинного обучения.

Далее, необходимо было понять на какие метрики ориентироваться при выборе моделей и порогов для принятия решений на основе их предсказаний. Из условий задачи ясно, что нас интересуют три величины:

• Доля потока, на который модели машинного обучения могут дать ответ автоматически.
• FNR системы.
• FPR системы.

Мы максимизируем первую величину при соблюдении ограничений на вторую и третью.

Тут может возникнуть вопрос: почему бы не максимизировать экономию денег или минимизировать среднее время проверки напрямую, а не через долю автоматизированных проверок? Оптимизировать деньги — очень привлекательная идея, но, как правило, трудноосуществимая. В нашем случае экономия складывается из двух факторов: первый — экономия с каждой автоматизированной проверки, ведь каждая проверка у асессоров или в Яндекс.Толоке стоит денег; второй — экономия с уменьшения числа ошибок, ведь каждая ошибка стоит Яндекс.Такси денег. Объективно посчитать, во сколько нам обходятся ошибки, — очень сложная задача, поэтому мы ограничены расчётом экономии только по первому фактору. Такая величина монотонно возрастает по доле автоматизированных проверок, так что можно максимизировать эту долю вместо экономии. Такие же рассуждения применимы к среднему времени ДКК, оно так же монотонно убывает по доле автоматизированных проверок.

Выбор модели

Можно сказать, что проверка ДКК сводится к выбору вариантов ответов для ряда вопросов о состоянии автомобиля по его фотографиям, а это звучит как задача классификации изображений. Такие задачи решает компьютерное зрение, а в наше время – конкретный инструмент, свёрточные нейронные сети. Их мы и решили использовать для автоматизации ДКК.

Первый вариант решения или подход «всё и сразу»

Теперь, когда мы поняли, что оптимизировать и для чего, настало время собрать данные и обучить на них модели. Собрать данные было легко, потому что все проверки ДКК логируются и лежат в хранилище в удобном виде. В первом варианте решения в качестве признаков выступали фото экстерьера и интерьера машины с четырёх ракурсов, марка, модель и цвет машины, а также результаты 10 предыдущих проверок ДКК. Как целевые переменные мы взяли ответы на все вопросы проверки, например: «Повреждён ли автомобиль?» или «Соответствует ли цвет автомобиля указанному в карточке водителя?». Главной целевой переменной был ответ на главный вопрос: «Нужно ли ограничивать возможность водителя принимать заказы?». Мы учили одну большую модель, очень похожую на VGG с SENet attention, отвечать на все вопросы одновременно и в итоге столкнулись с несколькими проблемами.

Подход «всё и сразу»

Проблемы подхода «всё и сразу»:

1. Мы не могли ответить на вопрос о соответствии номера автомобиля на фото указанному в карточке водителя. Большая сеть для классификации изображений не справлялась с такой задачей, для этого нужна специальная модель Optical Character Recognition (OCR), заточенная распознавать номерные знаки.
2. Целевая переменная была неполной и зашумлённой. Находя во внешнем виде автомобиля серьёзный недочёт, которого было достаточно для принятия решения, асессоры зачастую забывали ответить на остальные вопросы. А значит, если автомобиль на фото был одновременно и грязным, и битым, то с высокой вероятностью мы наблюдали только одну из отметок: «грязный автомобиль» или «автомобиль с повреждениями», в то время как для нашей модели требовались обе.
3. Отсутствовала интерпретируемость решения модели. Модель могла с точностью выше случайной ответить на главный вопрос проверки, но этот ответ слабо коррелировал с ответами на остальные вопросы. Иными словами, если ответ был: «Стоит ограничить возможность принимать заказы», — мы почти никогда не видели причину такого решения в остальных ответах модели. В целом, точность ответов на все вопросы, кроме главного, была близка к случайной. Мы не могли объяснить водителю, что именно нужно исправить, чтобы снова принимать заказы, а значит, не могли ограничивать возможность водителя принимать заказы.
4. Количество ошибок false negative в ответе на вопрос: «Нужно ли ограничивать возможность водителя принимать заказы?» — было слишком велико, чтобы начать автоматически одобрять проверки. Мы не смогли обеспечить такой же FNR, как в системе, работающей без машинного обучения, а это было одним из требований в нашей задаче.

Вместе эти четыре причины не позволили нам применить первый вариант решения на практике, но мы не стали унывать и придумали второй вариант.

Второй вариант решения, или подход «всё, но постепенно»

Мы решили сосредоточиться на проверках экстерьера машины, ведь они составляют около 70% всего потока. Кроме того, мы решили разбить общую задачу на подзадачи и научиться отвечать на все вопросы ДКК по отдельности.

Подход «всё, но постепенно»

Когда-то давно наша служба уже занималась автоматизацией ДКК и успела внедрить модель, которая позволяет фильтровать тёмные и нерелевантные фотографии. Эту модель мы продолжили использовать и дальше, чтобы отвечать на вопрос: «Присутствуют ли следующие настоящие фотографии машины: перед, левый бок, правый бок, зад?».

Наша работа над вторым вариантом решения началась с того, что мы использовали модель службы компьютерного зрения Яндекс.Поиска (от тех самых людей, которые сделали DeepHD) для распознавания номерных знаков на автомобилях. Так мы смогли ответить на вопрос: «Соответствуют ли полностью номер и код региона автомобиля указанным в карточке водителя?» Если говорить об этом более подробно, мы сравнивали результат распознавания с указанным в карточке водителя номером и в зависимости от расстояния Левенштейна между ними выбирали один из вариантов ответа: «номер совпадает», «номер не совпадает» или «нельзя точно ответить на вопрос».

Далее мы обучили классификаторы автомобилей распознавать марки и модели, а также цвета. С этого момента мы могли отвечать на вопрос: «Соответствуют ли марка, модель и цвет автомобиля указанным в карточке водителя?»

В завершение мы обучили классификаторы находить повреждённые и грязные автомобили, это позволило закрыть вопросы: «Есть ли повреждения или дефекты на кузове автомобиля?» и «Насколько грязный кузов автомобиля?»

Подход «всё, но постепенно» позволил нам решить проблему проверки номера автомобиля. Также мы смогли избавиться от неполноты и зашумлённости целевой переменной, ведь теперь у нас была выборка, где объектами класса negative были полностью успешные проверки, а объектами класса positive — проверки, где асессор или все три исполнителя Яндекс.Толоки нашли определённый недочёт, например повреждения корпуса. После решения первых двух проблем наши модели стали интерпретируемыми, и мы могли объяснить водителю причину ограничения, чтобы к следующей проверке он исправил недочёты. Общее качество ответов на вопросы также сильно выросло, а FPR и FNR для некоторых комбинаций порогов уверенности моделей упали до уровня Яндекс.Толоки, что позволило внедрять модели в продакшн.

Внедрение в продакшн

Перед нами стоял выбор: запустить регулярный процесс, который будет применять модели к скопившимся в очереди проверкам, или сделать отдельный сервис, куда можно будет ходить по API и получать ответы моделей в реальном времени. Так как для нас важно быстро находить «плохие» автомобили, мы выбрали второй вариант. Как только основная часть сервиса была написана и он смог поддерживать необходимую функциональность, мы начали добавлять в него модели.

Чтобы полностью одобрить проверку, нужно уметь отвечать на все вопросы инструкции, но чтобы ограничить недобросовестному водителю доступ к сервису, в некоторых случаях достаточно уметь отвечать хотя бы на один вопрос. Поэтому мы решили не ждать, пока будут готовы все модели, а добавлять их по мере готовности. Обобщённо пайплайн добавления модели выглядит так:

1. Собрать выборку.
2. Обучить модель.
3. Измерить качество и подобрать пороги офлайн.
4. Добавить модель в сервис в фоновом режиме и измерить качество онлайн.
5. Включить модель в продакшн и начать принимать решения на основе её предсказаний.

Такой подход позволил нам не только моментально находить всё больше «плохих» автомобилей по мере внедрения новых моделей, но и без дополнительных временных затрат измерять качество онлайн, пока модели работали в фоновом режиме.

В конце концов наступил момент, когда мы добавили в сервис и протестировали последнюю модель. Теперь мы могли отвечать на все вопросы проверок, а значит автоматически их одобрять. Так как «хороших» автомобилей в Яндекс.Такси гораздо больше, чем «плохих», автоматическое одобрение проверок привело к резкому росту нашей основной метрики — части потока автоматизированных проверок. Нам оставалось только подобрать правильные пороги, которые бы максимизировали долю автоматизированных проверок, при этом сохраняя общие FPR и FNR всей системы на прежнем уровне. Для подбора порогов мы использовали выборку, которую независимо друг от друга размечали исполнители Яндекс.Толоки, асессоры и сотрудник Яндекс.Такси, обучавший асессоров проверять автомобили. Его разметку мы и использовали в качестве истинных значений целевой переменной.

Результаты

Как только мы включили модели в продакшн, нужно было измерить онлайн-качество решений, принятых на основе их ответов. И вот какие цифры мы увидели:

• 30% проверок экстерьера автомобиля теперь получали автоматический ответ.
• FNR остался на том же уровне, а FPR упал, и мы стали реже ограничивать доступ к сервису тем, кто этого не заслужил.
• На 14% снизилась нагрузка на асессоров, и они смогли больше времени уделять сложным проверкам, которые не смог взять на себя сервис машинного обучения.
• Время обнаружения автомобилей с серьёзными недочётами в ходе проверки сократилось с нескольких часов до нескольких секунд.

Таким образом, внедрение машинного обучения не только помогло сэкономить деньги, но и позволило сделать сервис более безопасным и комфортным для пользователей. Тем не менее, это ещё далеко не конец истории. Наша быстро растущая команда и дальше будет активно работать над тем, чтобы автоматизировать ещё больше проверок и сделать Яндекс.Такси ещё более удобным, комфортным и безопасным.

Мораль истории

В работе над автоматизацией ДКК в Яндекс.Такси мы столкнулись с множеством проблем, отыскали несколько успешных решений и сделали шесть важных выводов:

1. Не всегда можно решить задачу в лоб (даже если у вас есть Deep learning).
2. Модель настолько хороша, насколько хороши данные, на которых её обучили (звучит банально, но это так).
3. В решении любой задачи важно отталкиваться от реальных нужд бизнеса, а не от минимизации кросс-энтропии.
4. В решении некоторых задач люди по прежнему важны, несмотря на внедрение машинного обучения (привет, Яндекс.Толока!).
5. Решения на основе предсказаний моделей машинного обучения могут приниматься не во всех случаях, а только в той части, где модели очень уверены в своих ответах. В остальных случаях, вероятно, стоит принимать решения старым способом — с помощью людей.
6. Помимо выбора архитектуры и обучения модели, есть ещё множество стадий проекта, которые могут очень сильно повлиять на то, как хорошо будет решена задача бизнеса. Эти стадии: сбор данных, выбор метрик качества, варианта внедрения модели, продуктовой логики принятия решений на основе предсказаний моделей и многое другое.

Источник статьи: http://habr.com/ru/company/yandex/blog/433386/