"Продукты на базе рекомендательных систем должны как можно лучше учитывать интересы и поведение пользователей, поэтому мы считаем важным вкладываться в более продвинутые модели и инструменты для их разработки в RecSys R&D", - говорит Марина Ананьева, ML Head в финансовых В2С бизнес-линиях, AutoML и RecSys Tech в Т Банке.
Perseus улучшает подбор персональных предложений за счет учета полной истории действий пользователя из разных сервисов экосистемы, а Scikit-Rank позволяет применять нейросетевые модели в задачах предсказания показателя кликабельности и ранжирования предложений с минимальными вычислительными затратами и без потери качества.
"Чем точнее персонализация, тем больше продажи и тем конкурентоспособное компания. Любое решение, оптимизирующее предсказательную функцию, сегодня будет крайне востребованным. И в первую очередь в ритейле, у которого миллионы покупателей и которому, поэтому, персонализация необходима как воздух. И следующий вопрос о том, кто будет исполнять эти формируемые ИИ рекомендации. Безусловно это ИИ-агенты", - говорит Евгений Осадчук, руководитель направления "Искусственный интеллект" Фонда "Сколково".
Эксперт обратил особое внимание на сопряжение инструментов с ИИ-агентами, в первую очередь потому, что "наступает время торговли между агентами на супервысоких скоростях - то есть недостаточно качественное и быстрой аналитики. все системы должны быть быстрыми".
В Т-Технологиях пояснили "РГ", что система может использовать README или обходиться без него. "В сценарии без README агент не знает, что уже есть готовое. Он начинает с нуля: придумывает архитектуру, пишет код модели, отлаживает, переписывает. Это долго и дорого: на каждый шаг тратятся токены, а ещё легко наделать ошибок. В репозитории scikit-rank или perseus есть понятный README, ИИ-агент прочитает его и запустит готовые проверенные модели ранжирования, вместо того чтобы писать их с нуля. Это экономит токены и время, а качество результата не снижается: агент использует зрелые решения, а не собственные упрощённые реализации", - рассказал представитель компании.
В экспериментах Perseus сравнивали с популярными моделями рекомендаций на датасетах MovieLens (Университете Миннесоты), Douban-Movies (Douban Inc), Yambda (Яндекс) и двух доменах собственного датасета T-ECD Small. Perseus превзошел метрики качества рекомендательных систем и ранжирования, а в эксперименте на T-ECD показал улучшение качества рекомендаций с 16 до 39% в разных доменах при использовании истории пользователя из нескольких сервисов.
Библиотека Scikit-Rank совместима со стандартными инструментами библиотеки scikit-learn для построения пайплайнов, кросс-валидации и подбора гиперпараметров. Благодаря этому Scikit-Rank делает возможным подключение нейросетевых моделей ранжирования к текущим процессам с минимальными изменениями кода, позволяя разработчикам менять лишь модель и описание признаков.
ScaL³AE проверили на четырех категориях товаров из датасета Amazon Reviews - игры, игрушки, книги и электроника. Эксперименты показали, что ScaL³AE превзошел рекомендательные модели EASE и SANSA по качеству рекомендаций на всех протестированных датасетах, а на тех данных, где удалось запустить L³AE, он показал сопоставимые и более высокие результаты.
Особенность предлагаемых решений состоит в том, что они покрывают весь путь от сбора истории до ранжирования и позволяют подключить нейросети почти без переписывания кода, отмечает Данил Гусак - научный сотрудник группы Технологии персонализации Института AIRI.
"Такие работы решают задачу нехватки пользовательской истории, сложность внедрения нейросетевого ранжирования, проблемы с масштабированием на каталоги из миллионов товаров. Аналоги на рынке существуют и, как правило, закрывают более узкие этапы рекомендательного пайплайна", - рассказал Гусак "РГ".
В России исторически сильна научная школа рекомендательных систем и градиентного бустинга и очень хорошо, что она получила развитие в новых работах ученых из ТБанка, в том числе представлена альтернативная архитектура нейросети Deep & Cross Network - модель для моделирования связей между признаками, говорит Алексей Сидорюк, советник генерального директора по искусственному интеллекту Ассоциации Финтех, основатель ген ИИ.
"Эти решения представлены в Open Source и доступны для переиспользования другими компаниями, но требуют компетенций ML/DS на стороне заказчика для их применения. Судя по описанию, эти решения будут интересны для финтеха, телекомов, ритейлу, экосистем и игроков рынка с большой b2c-базой, которые ищут новые инструменты продаж. Реальную пользу мы увидим только после тестирования этих инструментов другими заказчиками", - отметил он.
