Рекомендации на новом уровне. ИИ улучшит работу онлайн-сервисов и маркетплейсов

Российские учёные представили инновационный подход для оптимизации обучения систем искусственного интеллекта, который позволяет значительно повысить качество рекомендаций в онлайн-сервисах и маркетплейсах. Используя новый метод адаптивного обучения, разработка помогает находить оптимальные параметры для обработки данных, что повышает точность рекомендаций без увеличения затрат ресурсов.

Научный сотрудник Института искусственного интеллекта AIRI Булат Ибрагимов и директор лаборатории Sber AI Lab Глеб Гусев проанализировали, как существующие алгоритмы машинного обучения, такие как градиентный спуск, влияют на точность рекомендаций. Исследователи выявили, что современные методы часто не адаптируются под различия в сложности поднаборов данных, что приводит к недостаточной точности работы ИИ в рекомендательных системах.

«Современные модели машинного обучения часто используют слишком много или, наоборот, недостаточно шагов обучения, что снижает их точность. Новый способ, который открыли российские ученые, позволит автоматически найти баланс, улучшить качество модели и сделать ее более эффективной»

— Пресс-служба Сбера

Для решения этой проблемы российские исследователи разработали адаптивный алгоритм, разбивающий данные на блоки с разными уровнями сложности и подбирающий оптимальные параметры для их обработки. Протестировав этот метод на популярных алгоритмах LightGBM и CatBoost, они показали, что точность рекомендаций увеличилась на 2% по сравнению с традиционными подходами, без существенного роста затрат на обучение и обработку данных.

Новый метод адаптивного обучения поможет повысить качество рекомендаций, делая рекомендательные системы ИИ более гибкими и эффективными.

Источник: пресс-служба Сбера