Как перестать пересылать Jupyter-ноутбуки по почте

Расскажем, какие политики написания кода в ML-проектах мы выработали в команде и в компании в целом. Покажем на примерах широко используемых ML-библиотек Hugging Face Transformers и scikit-learn, как писать не надо и почему, а на примерах сообщений младших коллег и стажеров (а иногда и не только) — почему каждому ML-специалисту важно знать основы безопасности в Python.

Посоветуем to-go решения, которые позволят сделать код читаемым, эксперименты — воспроизводимыми, а время на написание и рефакторинг своего и чужого кода — минимальным.

Доклад вдохновлен книгой «Effective Python» (с набором советов по написанию эффективного чистого кода) и направлен на то, чтобы сделать чистый продакшен-реди код новой нормой среди ML-комьюнити. Будет интересно всем, кто пишет ML-код для продакшен-решений.