m2_tech

➕почему классическое дерево метрик не подошло для задач маркетинга;
➕как мы трижды пересобирали модель и где ломалась логика;
➕почему в дерево обязательно пришлось добавить расходы маркетинга;
➕как разделили KPI на объём, качество и экономическую эффективность;
➕как проверили подход на PMM и начали масштабировать его на другие направления;
➕и почему дерево пока не получается одинаково хорошо применить к SEO и бренд-маркетингу.

➕как мы провели аудит и нашли основные разрывы в процессе;
➕почему начали не с регламентов, а с пилотной Discovery-команды;
➕как сформировали гайдлайн из 5 основных этапов;
➕как адаптировали процесс под команды с разным уровнем зрелости;
➕что пришлось добавить помимо самого гайда: обучение, практикумы, акселераторы и комьюнити;
➕и какие ограничения и ошибки обнаружили уже в процессе внедрения.

➕Объясняет, как устроен базовый RAG-пайплайн и какую роль в нём играют эмбеддинги.

➕Показывает, зачем собирать собственный тестовый набор и отдельно измерять качество извлечения и генерации.

➕Разбирает, как выбор модели эмбеддингов и контекст внутри чанков повлияли на recall@5 в его системе.

➕Рассказывает о подходах, которые не дали заметного прироста на его корпусе: гибридном поиске и реранкинге.

➕Объясняет, как тестировать отказ от ответа и не давать модели уверенно галлюцинировать, когда нужной информации нет.

➕Делится минимальным стеком для TypeScript-разработчика: PostgreSQL, pgvector, API эмбеддингов и LLM — без отдельной векторной БД и AI-фреймворка.