Ululygyň peselmegi

1) Näme üçin iGaming-platforma ululygyny azaltmak üçin

ML tizligi we durnuklylygy: az alamatlar → has çalt fit/serve, gaýtadan taýýarlamak töwekgelçiligi pes.
Wizualizasiýa: segmentleri, süýşmeleri we anomaliýalary ýüze çykarmak üçin 2D/3D proýeksiýalar.
Ses → signal: umumylaşdyrylan faktorlar (özüni alyp baryş/töleg) zyňyndylara has çydamly.
Bahasy: internetde az piç → saklamak/daşamak/tizlemek arzan.
Gizlinlik: başlangyç duýgur alamatlary jemlenen faktorlar bilen çalyşmak.

2) "Saýlama" vs "Gurluş" alamatlary

Saýlama (feature selection): süzgüçler/örtükler/modeliň agramy - başlangyç şekilleriň kiçi toparyny saklaýarys.
Gurluş (feature extraction): täze faktorlary (proýeksiýalary/embeddingleri) hasaplaýarys.
Birleşdirýäris: ilki esasy saýlama (leakage, konstantlar, özara maglumatlar), soň - faktorlary gurmak.

3) Usullar: Gysga kartoçka

3. 1 Çyzykly

PCA/SVD: ortogonal komponentler, düşündirilen dispersiýany ýokarlandyrýar. Çalt, düşündirilýän (loadings).
Faktor Analysis (FA): gizlin faktorlar + aýratyn ýalňyşlyklar; özüni alyp baryş "şkalalary" üçin gowy.
NMF: negatiw däl goşmaça bölekler (tölegleriň/oýunlaryň "temalary "/" sebäpleri "); ≥ 0-da düşündirilýär.

3. 2 Çyzykly däl

t-SNE: lokal gurluşy we 2D/3D klaster; diňe wizualizasiýa üçin (serwing üçin däl).
UMAP: global gurluşyň ýerli bölegini saklaýar, t-SNE-den has çalt; klasterleşdirmegiň deslapky prosessingine laýyk gelýär.
Autoencoders (AE/VAE): kodlaýjyny öwredýäris → gizlin wektor; onlaýn/inkremental edip bolýar.
Isomap/LE: az duş gelýär (ýollar we kaprizler).

3. 3 Kategoriýa/garyşyk

Kategoriýalaryň embeddingleri (oýun/üpjün ediji/kanal/enjam) + embedding-matritsanyň üstünde PCA/UMAP.
Gauer aralygy → MDS/UMAP garyşyk görnüşler üçin.

4) Pipline (standart)

1. Data hygiene: PII maskalary, tokenizasiýa, boşluklary doldurmak, guýruklary winsorizing.
2. Skeyling: Standard/Robust scaler; hasaplaýjylar üçin - log-transform.
3. Saýlama: remove near-zero variance, corr> 0. 95 (leave-one), mutual info.
4. Peseltmek usuly: PCA/UMAP/AE; random seed we belleýäris.
5. Baha bermek: metrika (aşakda), durnuklylyk, wizualizasiýa.
6. Serve: transformatlary seriýallaşdyrýarys (ONNX/PMML/registry ammary), gaýtadan işlemek üçin wagt-syýahat.
7. Gözegçilik: gizlin faktorlaryň süýşmegi, PSI, kNN-topologiýa howpsuzlygy.

5) Hil ölçegleri

Explained Variance (PCA): k bosagasy bilen saýlaýarys (mysal üçin 90-95%).
Reconstruction error (AE/NMF): MSE/Poisson, şekiller üçin SSIM (CV bolsa).
Trustworthiness/Continuity (UMAP/t-SNE): 0-dan 1-e çenli - ýerli goňşularyň näderejede saklanýandygy.
kNN-preservation: proýeksiýadan öň/soň umumy goňşularyň paýy.
Downstream-impact: transform (F1/AUC, silhouette).
Durnuklylyk: Täzeden başlamagyň arasynda Rand/NMI, seed/hyperparams duýgurlygy.

6) Wezipeler boýunça amaly reseptler

6. 1 Oýunçylary toplamak

UMAP → HDBSCAN: "live/social", "bonus-hunters", "crash-risk" segmentlerini gowy açýar.
Çalt düşündiriş üçin PCA-baseline (loadings "nyrhlar/min", "üýtgewsizlik", "agşam patterni" görkezýär).

6. 2 Antifrod we tölegler

Matrisadaky NMF (oýunçy × töleg usuly) marşrutlaryň "sebäplerini" kesgitleýär; soňra k-means/GMM.
Depozitleriň/netijeleriň özüni alyp barşynda AE - anomaliýalaryň modeline gizlin wektor (IForest/OC-SVM).

6. 3 Maslahat beriş ulgamlary

SVD/ALS-embeddingi (oýunçy oýun/üpjün ediji) + PCA/UMAP ses süzgüçleri we skoring meňzeşligi üçin.

6. 4 Tekstler/synlar

Sentence-embeddings → UMAP: negatiwiň mowzuklaryny we ýokarlanmalaryny wizuallaşdyrmak ("Sentiment-analiz" serediň).
NMF TF-IDF-de: düşündirilýän şikaýatlaryň "temalary" (netijeler, KYC, laglar).

7) Onlaýn, inkrementlik we süýşmek

IncrementalPCA/Streaming AE: komponentleri doly gaýtadan taýýarlamazdan täzeleýäris.
Warm-start UMAP: täze batçlarda täzelenme (globikanyň ýoýulmagyna seresaplylyk bilen).
Drift: faktorlar boýunça PSI/KC gözegçilik, kNN topologiýasynyň drift; → canary/rollback bosagalary.
Wersiýa: 'projection @MAJOR. MINOR. PATCH`; MAJOR - deňeşdirip bolmaýar, dual-serve saklamak.

8) Gizlinlik we gabat gelmek

Girelgede Zero-PII; peseldilen faktorlar gelip çykyşdan aýratyn saklanylýar.
penjireleriň k-anonimligi (her kesişde iň az N obýekt).
Differens. gizlinlik (goşmaça) PCA/AE-de: gradientlerde/koordinatalarda ses.
DSAR: subýektiň goşantyny arassalamak ukyby (setirleri aýyrmak, indiki batçada faktorlary sanamak).

9) Faktorlaryň düşündirilmegi

Loadings (PCA/FA): top-fih komponentleri → adam-okalýan atlar ("jedelleriň intensiwligi", "gijeki işjeňlik", "bonuslara duýgurlyk").
NMF-bölekler: oňyn agramly surat toplumlary → "tölegleriň/oýunlaryň motiwi".
AE: nokadyň töweregindäki çyzykly ýakynlaşma (Jacobian) + ýerli düşündiriş üçin surrogate modeli.

10) Integrasiýa

Toplama: UMAP/PCA-giňişlik → HDBSCAN/k-means.
Anomaliýalar: AE-rekonstruksiýa/Latent distance → alertler.
Teklipler: meňzeşlik we ANN-gözleg üçin ykjam embeddingler.
API analitikleri: "çig" duýgur şekilleriň ýerine agregatlary we faktorlary berýäris.

11) Şablonlar (ulanmaga taýýar)

11. 1 PCA

yaml projection:
method: "pca"
n_components: "auto_0. 95" # cumulative variance ≥95%
scaler: "robust"
random_state: 42 serve:
format: "onnx"
p95_latency_ms: 5 monitoring:
drift_psi_max: 0. 2 privacy:
pii_in: false

11. 2 UMAP → HDBSCAN

yaml umap:
n_neighbors: 30 min_dist: 0. 05 metric: "cosine"
random_state: 42 cluster:
method: "hdbscan"
min_cluster_size: 120 min_samples: 15 evaluate:
metrics: ["silhouette","trustworthiness","knn_preservation"]

11. 3 AE (serwing)

yaml autoencoder:
encoder: [256,128,64]
latent_dim: 16 activation: "gelu"
dropout: 0. 1 optimizer: "adamw"
loss: "mse"
early_stop_patience: 10 serve:
route: "light    heavy" # router by latent complexity cache_embeddings: true

11. 4 Proýeksiýa pasporty (BI)

yaml version: "proj_pca_1. 3. 0"
explained_variance_cum: 0. 932 top_components:
- id: pc1, name: "rate intensity," top_features: ["bets _ per _ min, ""volatility,"" session _ len"]
- id: pc2, name: "night activity," top_features: ["evening _ share, ""dow _ weekend,"" live _ share"]
usage:
downstream: ["clusters_v4","fraud_iforest_v2","reco_ann_v3"]

12) Durmuşa geçirmegiň ýol kartasy

0-30 gün (MVP)

1. Arassaçylyk fiç (skeyling, paslar, korrelýasiýa), Zero-PII.
2. 95% dispersiýa bosagasy bolan PCA; segmentleri seljermek üçin 2D UMAP wizualizasiýasy.
3. Метрики: explained variance, trustworthiness, downstream uplift.
4. Registriýada transformany hasaba almak; faktorlaryň süýşmegi.

30-90 gün

1. AE tölegler/özüňi alyp barmak üçin; Synlar üçin NMF.
2. Inkremental täzelenmeler (IncrementalPCA/AE); wersiýasyny üýtgedeniňizde.
3. Klaster/antifrod/maslahat beriji bilen integrasiýa; alertler kNN-topology drift.

3-6 aý

1. Geo-/tenant-spesifik proýeksiýalar; budget-aware serving (INT8/FP16).
2. Azyk toparlary üçin faktorlary düşündirmegiň hasabatlary.
3. Düzgünleşdiriji duýgur bazarlar üçin DP wariantlary.

13) Anti-patternler

Prod-serwing üçin t-SNE ulanmak (durnuksyz we uçuşlaryň arasynda deňeşdirip bolmaýar).
PII faktorlar bilen garyşdyrmak; Maskasyz asyl çyzgylary ýazmak.
Skeyling/geçişlere üns bermezlik → "galp" komponentler.
Dispersiýa/metrik egri we downstream-walidasiýa bolmazdan k "göz bilen" saýla.
Proýeksiýany wersiýa we dual-serve → zynjyryň üstünde "döwülen" modeller bolmazdan täzeden düzüň.
UMAP suratyny durnuklylygy barlamazdan "ground truth" diýip düşündiriň.

14) RACI

Data Platform (R): paýlaýynlar, registry, dreýf gözegçiligi.
Data Science (R): usullary saýlamak/sazlamak, faktorlary düşündirmek.
Product/CRM (A): segmentasiýa/offerlerde faktorlary ulanmak.
Töwekgelçilik/RG (C): faktorlary ulanmagyň düzgünleri, "agressiw" nyşana alynmakdan goramak.
Howpsuzlyk/DPO (A/R): Gizlinlik, k-anonimlik, DSAR.

15) Baglanyşykly bölümler

Maglumatlary toparlaşdyrmak, Maslahat beriş ulgamlary, Anomaliýalary we baglanyşyklary seljermek, Synlaryň sentimenti-derňewi, NLP we tekstleri gaýtadan işlemek, DataOps-praktikalar, MLOps: modelleri ulanmak, Maglumatlaryň etikasy we aç-açanlygy.

Jemi

Ululygyň peselmegi diňe bir "owadan nokat bulutlary" däl-de, önümçilik ML guralydyr: berk arassaçylyk, gurluşyň saklanyş metrikleri, durnukly we wersiýalaşýan üýtgeşmeler. "iGaming" -de şeýle proýeksiýalar okuwy we hyzmaty çaltlaşdyrýar, bölünişigi we anomaliýalary ýüze çykarmagy gowulandyrýar, býudjeti tygşytlaýar we gizlinligi saklamaga kömek edýär.