Представьте, что вам необходимо внедрить ML в систему, однако для этого требуется большая доработка, и вы не уверены, что результат будет оправдан. Можно потратить много времени на дизайн и добавление нового функционала, чтобы потом узнать, что использование ML неоправданно. Или можно сделать быстрое, но немасштабируемое решение, и столкнуться с техническими сложностями при выкатке ML в продакшн.

Мы рассмотрим решение данной проблемы на примере внедрения ML в алгоритмы прогнозирования времени экспресс-доставки, спроектируем целевую архитектуру, а также поймем, на какие вещи важно посмотреть:
1. как ее поэтапно внедрить, минимизировав риски;
2. как вовремя замечать узкие места и ускорить time to market;
3. когда начинать оптимизировать и как потом остановиться.