Открывая онлайн-кинотеатр, сервис для прослушивания музыки или аудиокниг, пользователи редко задумываются о том, почему перед ними оказываются именно эти фильмы, треки или книги. Между тем рекомендательные системы переживают крупную трансформацию: если раньше их задача сводилась к поиску похожих пользователей или товаров, то сегодня алгоритмы всё чаще предугадывают намерения человека. Развитие больших языковых моделей значительно ускорило этот процесс, но одновременно породило новые вызовы, связанные с задержками и стоимостью вычислений. Эти вопросы стали центральными на конференции «Урбан ML», организованной МТС True Tech и ВТБ, которая собрала инженеров, исследователей и разработчиков для обсуждения практических аспектов машинного обучения в реальных сервисах. Мероприятие прошло в Loft Hall (ЗИЛ) в Москве и включало обсуждение применения LLM, разработки ML-платформ, инфраструктуры и генеративного ИИ, при этом рекомендательным системам был посвящён отдельный блок выступлений.

В рамках этого блока эксперты MWS представили ключевые инсайты о смене парадигмы. Данил Бугриенко, ведущий инженер по машинному обучению, и Сергей Кузнецов, руководитель разработки платформы рекомендаций и поиска, рассказали, что вместо определения того, что нравится пользователю, системы теперь оценивают вероятность конкретного действия — открытия карточки, перехода к описанию, запуска фильма или добавления товара в корзину. Такой подход позволяет строить более гибкие модели, которые объединяют локальные прогнозы для оптимизации бизнес-показателей, таких как удержание аудитории и вовлечённость. Если раньше алгоритмы опирались на коллаборативную фильтрацию и анализ истории взаимодействий, то теперь они учитывают множество факторов: контекст, устройство, время суток и другие. Переход от поиска похожих пользователей к прогнозированию поведения требует пересмотра архитектуры и методов обработки данных, что и стало одной из главных тем обсуждения.

Одной из самых обсуждаемых тем стала проблема холодного старта, которая остаётся актуальной уже более двадцати лет. Сложность заключается в том, что новый пользователь или новый товар не имеют истории взаимодействий, и системе сложно подобрать релевантные рекомендации. Данил Бугриенко отметил, что универсального решения этой проблемы не существует, но одним из наиболее эффективных подходов становится формирование рекомендаций в реальном времени на основе первых действий пользователя. Если человек открыл приложение и начал просматривать карточки, система уже анализирует, на какие объекты он обратил внимание, а какие проигнорировал, и корректирует выдачу. Например, если пользователь не кликнул на определённые объекты, система может показывать их реже. Дополнительным источником информации служит поведение всей аудитории: даже при отсутствии данных о конкретном пользователе алгоритм может использовать статистику миллионов других взаимодействий для первоначальных предположений. Именно поэтому современные платформы всё чаще переходят от периодического пересчёта моделей к обработке событий в режиме реального времени, что позволяет минимизировать влияние холодного старта.

Внедрение больших языковых моделей стало одним из самых заметных событий для всей области машинного обучения, и рекомендательные системы не стали исключением. Однако, как подчеркнул Сергей Кузнецов, LLM — это новый инструмент, который нужно использовать с умом, чётко понимая его ограничения. Главное ограничение — задержки: рекомендательные системы привыкли отвечать за 200–300 миллисекунд, тогда как LLM требуют несколько секунд на генерацию ответа. Кузнецов привёл пример исследования Amazon, согласно которому каждые лишние 100 миллисекунд отнимают 1% прибыли, что критично для коммерческих сервисов. Второе ограничение — стоимость: использование LLM в каждом запросе может быть экономически нецелесообразным, поэтому разработчики ищут гибридные подходы, сочетающие быстрые классические алгоритмы с возможностями генеративных моделей для более сложных сценариев, таких как объяснение рекомендаций или обработка неструктурированных данных. Эти вызовы заставляют отрасль искать баланс между качеством и производительностью.

Для российского рынка эти изменения особенно значимы, поскольку локальные сервисы сталкиваются с дополнительными ограничениями, связанными с инфраструктурой и доступностью вычислительных ресурсов. Тем не менее, конференция «Урбан ML» показала, что отечественные компании активно исследуют и внедряют передовые методы, адаптируя их под свои реалии. Участники отметили, что переход к прогнозированию действий открывает новые возможности для персонализации, но требует значительных инвестиций в инфраструктуру и кадры. Пока нерешёнными остаются вопросы стандартизации подходов к оценке качества рекомендаций и баланса между персонализацией и приватностью пользователей. В ближайшей перспективе можно ожидать дальнейшего развития гибридных архитектур, где LLM будут использоваться точечно, а также появления новых методов борьбы с холодным стартом на основе генеративных моделей. Эти направления обсуждались в кулуарах конференции, и многие эксперты сходятся во мнении, что будущее за комбинированными решениями.

Пока отрасль движется в сторону более динамичных и адаптивных систем, эксперты предупреждают о необходимости сохранять фокус на конечной цели — удовлетворённости пользователя. Технологии машинного обучения продолжают эволюционировать, и то, что сегодня кажется прорывом, завтра может стать стандартом. Вопрос о том, смогут ли рекомендательные системы полностью отказаться от анализа истории и перейти к чистому прогнозированию намерений, остаётся открытым. Однако уже сейчас ясно, что будущее за гибридными моделями, которые сочетают в себе скорость классических алгоритмов и глубину понимания контекста, обеспечиваемую большими языковыми моделями. Конференция «Урбан ML» стала площадкой, где эти идеи были озвучены и обсуждены, что позволяет надеяться на появление новых практических решений в ближайшее время. Следующие шаги отрасли будут зависеть от того, насколько быстро компании смогут преодолеть технические и экономические барьеры, связанные с внедрением LLM в рекомендательные конвейеры, а также от готовности инвестировать в исследования и разработки.