Громкий заголовок, но у меня есть пруфы. Все началось с персонального наблюдения. Я ML research engineer и, как многие из вас, активно использую AI не только для кодинга, но и для широкого спектра других задач: ищу релевантные статьи, анализирую open source-репозитории, составляю планы и так далее. Для разработки я выбираю Claude Code, а для анализа и сравнения статей часто прибегаю к GPT-5.4 Pro — спасибо оплаченной корпоративной подписке. С чатом я общаюсь на русском: так банально быстрее и точнее формулировки. Иногда проскальзывают «я-высказывания», например: «я уже попробовала такой и вот такой подход, их не надо включать в анализ». Поначалу я не видела в этом проблемы, но постепенно стала замечать, что в таких чатах ответы модели становятся как будто менее точными и детальными. Может, мне просто показалось? Но ощущение не исчезало, и в конце концов я решила провести небольшой ресерч.

Весь код выложен на GitHub, буду рада, если кто-то воспользуется им и продолжит исследование. Весь код тут, разбит на несколько Jupyter Notebook-ов.

Привет! Меня зовут Екатерина Ванская, и я занимаюсь data science в компании Prequel. В этой статье я продолжу обзор рекомендательных алгоритмов, которым мы начали в предыдущем моем материале

(вот ссылка на первую часть).

Область рекомендаций усложняется по мере расширения сферы ее применения, с каждым новым вызовом и нюансом использования. По мере увеличения объемов данных и усложнения задач появлялись новые подходы, отличные от рассмотренных ранее простых коллаборативных моделей.

Привет! Я хочу рассказать вам о рекомендательных алгоритмах. Мы в Prequel создаем фильтры и эффекты для редактирования фото и видео. Создаем давно, и постепенно этих эффектов стало очень много. А с ними и пользовательского контента. Мы захотели помочь с выбором из этого многообразия, для чего нам и понадобилась система рекомендаций. Если масштабы вашей системы такие, что пользователям сложно в ней ориентироваться, возможно, что рекомендации могут помочь и вам.

Задуманный систем оказался слишком объемным для одной статьи, поэтому мы разбили его на две части. Перед вами первая, она посвящена постановке задачи и базовым методам решения. В этой части мы разберем коллаборативные модели от матричного разложения (на примере ALS) до neural collaborative filtering. Кроме того, будет небольшой обзор метрик и техник борьбы с проблемой холодного старта.