Разработчики рекомендательных систем стали заменять каскады специализированных алгоритмов едиными ИИ-моделями. Такой подход может ускорить разработку рекомендаций и упростить их использование в разных сервисах, рассказали эксперты.

По словам директора по машинному обучению и исследованию данных MTS Web Services Никиты Зелинского, в рекомендательных системах уже можно говорить о начале своего «LLM-момента». Речь идет не о превращении рекомендаций в языковые модели, а об изменении их архитектуры.

«Вместо каскада из множества специализированных моделей появляется один большой Transformer-backbone, обученный на длинной истории поведения пользователя и переиспользуемый для разных задач», — пояснил он.

По словам Зелинского, подобные модели доказывают «законы масштабирования» — показывают рост качества по мере увеличения размера, объема данных и вычислительных ресурсов. В этом направлении работают в том числе Meta (признана экстремистской и запрещена в РФ), USTC и Huawei. MTS Web Services также создает собственную единую Transformer-модель для рекомендаций.

Практическим примером нового подхода стала генеративная модель Sona, которую c нуля обучил «Яндекс». ИИ-модель способна заменить десятки рекомендательных алгоритмов — она полностью берет на себя подготовку рекомендаций, от подбора вариантов до их ранжирования. Это первая в мире модель, которая заменяет целый каскад алгоритмов, не требует ручного подбора признаков и показывает высокие результаты на практике, комментируют в пресс-службе. Модель протестировали в умных колонках с «Алисой». По данным компании, в тестовой группе время прослушивания рекомендованных треков увеличилось на 6,3%, количество просьб повторить композицию — почти на 18%, а аудитория активных слушателей выросла на 4,5%.

Переход к единой модели может сократить время разработки. Как пояснил Зелинский, командам не придется для каждого нового сценария обучать отдельную модель с нуля и поддерживать большое количество алгоритмов. «В результате команде проще запускать новые сценарии: вместо построения отдельной рекомендательной системы под каждый продукт можно переиспользовать общую модель и адаптировать ее под новую поверхность или цель. Это сокращает цикл от гипотезы до продакшена и делает эксперименты дешевле и быстрее», — подчеркнул эксперт.

Советник генерального директора по искусственному интеллекту Ассоциации ФинТех Алексей Сидорюк обратил внимание на практическую ценность такого подхода. «Для бизнеса это означает возможность быстрее развивать рекомендательные сервисы, проще переносить их на новые продукты и эффективнее работать с огромными каталогами контента и товаров. Особенно приятно, что такая разработка появилась в России, подтверждена экспериментом на реальных пользователях и опубликована в виде научной статьи», — отметил он.

Директор Института общественных наук Президентской академии Павел Голосов назвал SONA примером «зрелой суверенной разработки в ИИ» и указал, что результат получен российской инженерной командой на собственной инфраструктуре и данных, но при этом интегрирован в глобальный научный контекст.

«Рекомендательные системы — одна из самых наукоемких и закрытых областей прикладного ИИ: архитектуры, лежащие в основе лент и рекомендаций крупных платформ, годами считались прерогативой западных компаний, а детали их устройства редко публикуются открыто», — резюмировал Голосов.