Гибкость определения новых функций с помощью простого кода вместо написания правил позволяет легко добавлять дополнительные параметры без изменения других частей, которые уже хорошо работают! Также нет необходимости использовать дорогие библиотеки, такие как Apache Beam или Spark, когда у вас не слишком много данных; все расчеты могут выполняться локально, что обеспечивает лучшую масштабируемость по сравнению с распределенными платформами (такими как Cloud Dataflow). Мне не нравится, как медленно все становится, когда мы начинаем добавлять много разных полей/функций вместе — что-то становится медленнее каждый раз, когда добавляется дополнительное поле. Если поначалу так мало вариантов кажется плохим, теперь представьте, если бы они были в 10 раз хуже!! Судя по моему опыту, это определенно не будет работать очень гладко :) Мы решаем проблемы, связанные в основном с системами персонализации и рекомендаций, где поведение пользователей варьируется в зависимости от их потребностей/интересов и т. д., но также стараемся улучшить показатели удержания, ориентируясь на конкретные группы в каждом профиле пользователя, которые в противном случае могли бы перестать отслеживаться через некоторое время. Самое приятное в использовании epic было то, что он дал нам простой способ реализовать нашу собственную модель машинного обучения без какого-либо опыта программирования! Я очень рекомендую это программное обеспечение, если вы хотите реализовать свой первый алгоритм машинного обучения или только начинаете!