Российские ученые создали алгоритм, который повысил точность ИИ-рекомендаций на 7% без потери ресурсов

Умные рекомендации для умных решений

Российские исследователи нашли способ повысить точность работы систем искусственного интеллекта, которые используются для формирования персональных рекомендаций для пользователей. Благодаря скорректированному ими методу обучения нейронных сетей, этот показатель может в среднем увеличиться примерно на 7%, при этом позволяя экономить ресурсы без снижения качества. Об этом ТАСС Наука сообщает со ссылкой на пресс-службу компании Яндекс.

Внутреннее тестирование подтвердило, что новый подход показал свою эффективность.

"Внутреннее тестирование показало, что новый подход позволяет повысить точность рекомендаций моделей в среднем на 7% по показателям качества ранжирования. Яндекс планирует использовать метод при обучении рекомендательных моделей собственных сервисов, а также метод будет полезен и другим компаниям и независимым разработчикам, работающим с рекомендательными системами", - говорится в сообщении.

Для ускорения процесса обучения и разработки рекомендательных систем искусственного интеллекта инженеры часто используют алгоритм выборочного сэмплирования. Этот метод предполагает создание двух наборов примеров, демонстрирующих положительное и отрицательное поведение пользователей, которые затем применяются для тренировки ИИ.

К положительным примерам относятся действия, такие как добавление товара в корзину или отметка медиаресурса лайком. Негативными примерами, напротив, служат страницы или товары, не вызвавшие интереса у пользователя. Метод выборочного сэмплирования позволяет существенно сократить число отрицательных примеров, необходимых для обучения ИИ.

Однако данный метод не лишен недостатков. В частности, он не всегда корректно учитывает, как популярность определенного товара влияет на частоту его появления в наборах положительных или отрицательных примеров. Разработчики ИИ пытаются устранить эту проблему, применяя специальные корректирующие формулы.

Российские ученые обнаружили, что одна из популярных формул такого типа, LogQ, не учитывала различий между положительными и отрицательными примерами и ошибочно предполагала их случайный выбор из общих наборов данных, что в действительности не соответствует принципам работы.

Исследователи приняли во внимание эту особенность и скорректировали формулу LogQ таким образом, чтобы она адекватно применялась к различным категориям примеров в процессе тренировки системы искусственного интеллекта. Последующие проверки на известных наборах данных показали, что новый подход позволяет улучшить качество рекомендаций, созданных ИИ, в среднем на 7%, что является значительным прогрессом для данной области информационных технологий.

В перспективе это усовершенствование может существенно повысить эффективность работы видеохостингов, онлайн-магазинов и других платформ, где пользователи активно пользуются рекомендациями при выборе товаров или медиаконтента.

Как сообщалось ранее, 26 августа 2025 года российские специалисты Сбера создали метод выявлять так называемые галлюцинации в работе систем искусственного интеллекта. Этот подход позволяет увеличить точность обнаружения таких сбоев примерно на 30%, используя при этом минимальное количество обучающих примеров. Директор Центра практического искусственного интеллекта Сбербанка Глеб Гусев отметил, что разработка, использующая метамодели и умное понижение размерности, не просто улучшает технологии, но и существенно снижает риски дезинформации, что критично для доверия к современным моделям ИИ.