Российские учёные представили новый метод оптимизации нейросетей на базе алгоритмов машинного обучения, который позволит повысить качество рекомендаций в разных онлайн-сервиса. О перспективной разработке рассказали специалисты компании Сбера.
«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», — говорится в сообщении.
Идея разработки нового метода появилась в ходе работ по изучению того, как различные протоколы обучения влияют на точность рекомендаций для конечных пользователей. Российские учёные предположили, что качество рекомендательных алгоритмов может снижаться из-за того, что методы их обучения не являются адаптивными, так как чаще всего не учитываются различия в структуре и сложности разных поднаборов данных.
Метод, разработанный российскими специалистами, разбивает данные для обучения на несколько блоков со схожим уровнем сложности и подбирает оптимальные параметры для «тренировки» искусственного интеллекта при работе с каждым блоком. Метод опробовали на двух популярных моделях с открытым исходным кодом — LightGBM и CatBoost. Эти нейросети часто используются для подбора рекомендаций.
Авторы разработки отметили, их метод позволил повысить точность рекомендаций на 2%, и в первом, и во втором случаях, при этом время на обучение практически не изменилось. Разница приводится по сравнению с существующими методами обучения рекомендательных ИИ. В обозримом будущем, новый метод может быть задействован для сетей на самых разных ресурсах.
