Как проходит тихая революция в рекомендательных системах — 2 октября 2026 г. в 08:14:05.800
Как проходит тихая революция в рекомендательных системах Рекомендации повторяют путь поиска: индустрия уходит от ручных признаков и каскадов моделей к большим генеративным системам. TikTok, Netflix и китайские e-commerce-компании публикуют работы о generative recommenders — моделях, которые не просто ранжируют кандидатов, а предсказывают следующий объект примерно так же, как языковая модель предсказывает следующий токен. Эту эволюцию показал Алексей Гусаков, CTO бизнес-группы поисковых сервисов и ИИ в Яндексе, в выступлении на Deep Tech Night. Около десяти лет назад рекомендательная система представляла собой пятиступенчатый конвейер: сотни вручную созданных признаков, десятки генераторов кандидатов, преранк — предварительный отбор, основное ранжирование и постранк — финальная корректировка выдачи. Каждая стадия означала отдельную модель, а часто и отдельную команду. Масштабировать такую конструкцию было трудно. Первый большой сдвиг произошёл в 2019 году, когда в поиске начали применять трансформеры — нейросетевую архитектуру для обработки последовательностей. Одним из главных примеров стал BERT. В 2023 году эта архитектура дошла до рекомендаций. По данным выступления, BERT за год поднял ключевую метрику компании с 0,56 до 0,84 — намного сильнее, чем многолетние точечные улучшения прежнего каскада. После появления ChatGPT в область пришли LLM — большие языковые модели. Идея передать почти весь процесс одной модели быстро захватила индустрию, но столкнулась со сложной инфраструктурой и высокой стоимостью вычислений. В 2025 году Яндекс представил Argus — свою первую модель, рассчитанную на масштабирование данными и вычислительными ресурсами по принципу scaling laws. Метрика выросла более чем вдвое, до 1,93. Однако дорогой инференс — выполнение уже обученной модели — сначала позволял применять Argus лишь точечно на стадии преранка, а не во всём конвейере. Следующий шаг — end-to-end-система: история пользователя поступает в единую модель, которая формирует рекомендации напрямую, без промежуточных каскадов и ручной разработки признаков. Несколько недель назад Яндекс выпустил Sona — одну из первых рекомендательных систем компании, построенных по этому принципу. Разбор технического отчёта описывает её архитектуру подробнее. Сначала трек проходит через замороженную мультимодальную LLM: она работает с разными типами данных, но её параметры на этом этапе не меняются. Затем дообучаемый трансформер сжимает трек в компактные semantic ID — условные словарные токены музыкальных композиций. Модель предсказывает эти идентификаторы по истории пользователя и передаёт результат модулю ранжирования. Метрика Sona достигла 4,53 — почти в 2,5 раза выше результата Argus. По словам автора исходного материала, это крупнейший скачок качества рекомендательных систем в истории компании. Тренд не ограничивается Яндексом: рекомендации вслед за поиском и компьютерным зрением движутся от ручных признаков и десятков моделей к единой системе, которая масштабируется данными и вычислениями. Пока переход дорог, не всегда стабилен и требует перестройки инфраструктуры, крупных затрат на инференс и эксперименты. Но прирост качества уже измеряется не отдельными процентами, а разами. выступлении на Deep Tech Night: https://www.youtube.com/watch?v=OKrc1CRS7Bo Разбор технического отчёта: https://t.me/data_secrets/9714. Источник: https://t.me/data_secrets/10081 #RealVibe #AI #AI_ДляБизнеса