Scikit-rank — open-source-библиотека для нейросетевого ранжирования

В сфере искусственного интеллекта произошло заметное событие. Nemexur 31 минуту назад Scikit-rank — open-source-библиотека для нейросетевого ранжирования Средний 6 мин 602 Блог компании Т-Банк Искусственный интеллект Машинное обучение * Open source * Программирование * Обзор Всем привет! На связи Александр Милоградский, отвечаю за R&D в направлении рекомендательных технологий Т-Банка. Расскажу о нашем новом вкладе в open source — библиотеке для нейросетевого ранжирования scikit-rank.

Сейчас scikit-rank — обертка нескольких нейросетевых моделей в формат scikit-learn-моделей, которую мы сделали для удобства адаптации нейросетевых моделей в прикладных задачах и командах. А еще scikit-rank приняли на основную международную конференцию по рекомендательным системам ACM RecSys 2026 в США в Demo track. Но обо всем по порядку.

Технические детали

Как мы пришли к scikit-rankВ рекомендательных системах классически пока еще есть две основные фазы. Первая: отобрать сотни-тысячи объектов кандидатов для рекомендаций какой-то легкой моделью. Вторая часть называется ранжированием и часто выполняется с помощью обычного градиентного бустинга (Lightgbm или CatBoost).

В некоторых задачах зачастую RecSys-инженеры только и занимаются обучением градиентных бустингов, что в некотором виде может даже не сильно отличаться от классического ML на табличных данных. Пару лет назад я узнал про новомодное направление по замене бустингов на нейросети по докладам и постам Кирилла Хрыльченко. Кирилл рассказывал про DCN v2.

Звучало очень привлекательно: качество растет при масштабировании по данным, можно более гибко моделировать признаки через эмбеддинги и даже в каких-то реальных тестах DCN v2 выигрывало градиентный бустинг. Мы попробовали в одной прикладной RecSys-задаче воспроизвести DCN v2 и протестировать ее против продакшен-алгоритма, но на имплементацию понадобилось много времени. В первом A/B-тесте мы проиграли продовой модели, что нас немного обескуражило.

Отраслевые последствия

Подсобравшись, во второй раз мы добавили дополнительные признаки в виде векторных представлений и получили серый тест. На этом наша вера закончилась, и мы вернулись к другим продуктовым задачам. Позже у меня неоднократно возникало желание попробовать нейросетевые модели ранжирования как для прикладных задач, так и для соревнований.

Задача на интеграцию нейромодели была для меня из разряда «high effort, low confidence, questionable impact». Много усилий уходило, чтобы переписать процессинг численных фичей, обработку категориальных фичей, цикл обучения нейросети, инференс самой модели. Обычно это все надо было делать с нуля при уже работающем пайплайне с градиентным бустингом, где многое из этого делается под капотом метода fit.

Низкая уверенность в успехе нейросетевых моделей была связана с тем, что их внедрение требует больше вложений разработку и эксперименты, чем использование классических подходов на основе бустингов.

Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.