Российские разработчики нашли способ улучшить машинное обучение ИИ, составляющего рекомендации

Российские учёные предложили новый метод улучшения обучения систем искусственного интеллекта, который может повысить качество рекомендаций на онлайн-сервисах и маркетплейсах. В Сбере сообщили, что этот подход поможет эффективнее настраивать модели, избегая излишней или, наоборот, недостаточной подготовки, что напрямую влияет на точность алгоритмов.

Научный сотрудник AIRI Булат Ибрагимов и директор лаборатории Sber AI Lab Глеб Гусев выяснили, что традиционные протоколы машинного обучения не учитывают разницу в сложности данных, из-за чего рекомендательные системы ИИ иногда работают менее точно. Специалисты предположили, что алгоритмы могут показывать лучшие результаты, если обучать их на отдельных блоках данных, сгруппированных по сложности, что и стало основой их подхода.

Этот метод они протестировали на популярных алгоритмах LightGBM и CatBoost, которые часто применяются для создания рекомендаций. Результаты показали, что новый алгоритм повысил точность рекомендаций на 2% по сравнению с прежними способами, при этом расходы ресурсов на обучение почти не изменились.