Алгоритм оптимизации шагов обучения показал улучшение точности рекомендаций на маркетплейсах
Российские ученые представили инновационный подход к оптимизации обучения систем искусственного интеллекта (ИИ), основанный на классических алгоритмах машинного обучения, что позволит существенно повысить точность рекомендаций в онлайн-сервисах и маркетплейсах. Как сообщили в пресс-службе «Сбера», методика решает проблему чрезмерного или недостаточного числа шагов обучения в современных моделях, что часто снижает их точность.
Исследование, проведенное научным сотрудником Института искусственного интеллекта AIRI Булатом Ибрагимовым и директором Sber AI Lab Глебом Гусевым, показало, что адаптивный подход к обучению алгоритмов градиентного спуска может улучшить работу рекомендательных систем. Исследователи предположили, что текущие методики обучения не учитывают сложность и структуру разных поднаборов данных, что снижает качество рекомендаций.
Чтобы преодолеть эти ограничения, российские специалисты разработали алгоритм, который разделяет данные на блоки по уровню сложности и находит оптимальные параметры обучения для каждого блока. Этот подход был протестирован на двух популярных алгоритмах — LightGBM и CatBoost, которые широко применяются в рекомендательных системах.
Результаты тестирования показали, что адаптивный метод обучения повышает точность рекомендаций на 2% по сравнению с традиционными методами, при этом незначительно увеличивая затраты времени и ресурсов на процесс обучения. Такой подход может существенно улучшить качество рекомендаций в различных онлайн-сервисах и маркетплейсах, отмечают исследователи.
Читать материалы по теме:
Искусственный интеллект научили подбирать недвижимость россиянам
ИИ вместо купидона: Российские программисты представили Aura