Нам удалось повысить точность онлайн-рекомендаций: рост до 50% Спойлер: силами и умами наших исследователей из команды Research. Ребятам удалось переработать существующий алгоритм, улучшить его и совершить небольшую революцию в мире рекомендательных систем. Как им это удалось — спросили у одного из исследователей Research Саши: — Саш, привет! Рассказывай подробности Привет! Если быть совсем кратким, то мы создали алгоритм, который улучшил мировой стандарт в рекомендательных системах. Он существенно увеличивает точность онлайн-рекомендаций на основе искусственного интеллекта, в некоторых случаях — на 50%. То есть, например, покупатель сможет быстрее найти нужный ему товар или зрители онлайн-кинотеатров будут получать персонализированный контент на основе своих интересов. Нам понадобилось более 200 000 GPU-часов и 15 000 экспериментов внутри Т-Банка с различными комбинациями параметров модели. Для чего? Чтобы сделать мир чуточку персональнее. — Звучит масштабно! А как все проходило? В рекомендательных системах существует глобальная проблема, с которой часто сталкиваются разработчики: одна модель может иметь множество различных вариантов. Это дает некие сложности. Мы взяли за основу всемирно известный алгоритм BPR и доработали его. Создали буквально дубль, а затем, проанализировав влияние различных компонентов на конечный результат, смогли выбрать оптимальные значения для каждого из них. — И какой эффект вы получили? Наша модель значительно превзошла находящиеся в открытом доступе варианты по качеству рекомендаций. В некоторых случаях улучшенная нами версия была на 50% точнее других моделей, в частности, модели из популярной опенсорс-библиотеки для обучения рекомендательных систем RecBole! Почитать подробнее про наш вариант можно в статье и найти исходный код на GitHub по ссылкам ниже: https://l.tbank.ru/article_tbank https://l.tbank.ru/github_tbank