5 ошибок, из-за которых партнёры вас не рекомендуют 🔵 На прошлой неделе разбирал на эфире партнёрские карточки участников нашего челленджа. Это файл с инфой о себе для другого агентства, по ней мы подбираем каждому партнёров. Косяки в карточках во многом повторялись одни и те же, и на самом деле, точно так же агентства рассказывают о себе в переписке или на созвонах с потенциальными партнёрами. Другому человеку нужно за пару секунд понять, кто вы и кому вас рекомандовать. А чтобы рекомендовали, должны запомнить. И вот пять частых косяков, из-за которых агентство не запоминают и никому не советуют: 1. Слишком много ниш сразу Заводы, энергетика, медицина и кофе в одной карточке. Понимаю, почему так пишут: хочется впихнуть побольше, вдруг что-то запомнится. Но производство и медицина - это два разных мира, с разными бюджетами, людьми и запросами. Лучше рассказать по факту, что вы умеете работать с еб*чими динозаврами с производства, которые не понимают, что такое Битрикс и 1С, и вас сразу проще будет рекомендовать) Всегда в таких случаях вспоминаю кейс: было у нас в клубе агентство, которое делало всё под вебкам, от сайта до трафика, и его запомнили ВСЕ. 2. Кейсы из разных ниш В нише производство, а в кейсах кофейня и реклама новогодней иллюминации... Не надо так. Условно, если вы лучше всех прыгаете в высоту, покажите три видео, где прыгаете в высоту. Ниши нет - сделайте вид, что она у вас есть: мы для стройки и производства, и вот три кейса по стройке и производству за всё время. 3 точно найдутся. 3. Описание, которое партнёр не поймёт (и не запомнит) «Ведём продукт годами», «сложная разработка», просто «электроника», которую все прочитают как наушники, хотя речь про промышленные платы. Сложная разработка, кстати, сейчас у каждого второго, так вас не запомнят. Один разработчик на разборе прямо сказал, что они берут стартап и хреначат, пока тот не заработает на своих программистов. Так и надо про себя говорить! Чтобы людям было понятно. У другого участника описание явно дописывал клод, и я из него так и не понял, что за продукт у агентства, хотя он в итоге оказался классным. 4. Результат далеко от денег "Скорость загрузки сайта с 10 секунд до 2" - круто, только у клиента на это не встанет)) "Целевое количество лидов в согласованный период" - это вообще из серии "чтобы было хорошо и плохо не было". Правило простое: если в кейсе написано «лиды», значит, ничего лучше лидов вы не сделали, а если «охваты», значит, лучшее, что там было, - охваты. Поэтому доводите цифру как можно ближе к деньгам. Сейчас 2026-й, в 2027-м будет только хуже, и всё, что не приносит прибыли, клиенту нахер НЕ нужно. И указывайте год. Тех, кто растил клиентов в 2021-м, когда всем было весело, полно. Тех, кто делает деньги в 2025–2026, мало, и это выделяет. 5. Самое сильное спрятано в конце или не озвучено вообще У одного агентства в самом низу карточки скромно стояло, что оплату можно привязать к квалифицированным лидам. Звучит как "можем, если что, чуть-чуть, только никому не рассказывайте") До этой строчки они обычное трафик-агентство, а с ней сразу отличаются от большей части рынка. УТП вперёд. А одно из топовых агентств по трафику для онлайн-школ, у которого большие кейсы и куча известных клиентов, написало в карточке только, что делает таргет и школа получает нужное количество лидов. Мне даже обидно было читать. Чего так скромно? Катите свои яйца!) 🔵Короче, проверьте себя: если партнёр не может пересказать, чем вы занимаетесь, одним предложением, а лучше в три слова, советовать вас он не будет.

🌟 Sakana AI предложила метод рекомендаций, который ищет набор разных вариантов QD-Rec - метод подбора рекомендаций для решений, где человеку важно сравнить варианты, а не получить один ответ. Единица поиска здесь не сам кандидат, будь то компания, клиент или научная статья, а пара из кандидата и гипотезы, то есть написанного словами объяснения, чем он подходит и что с ним можно сделать. 🟡Механика В основе лежит идея качества и разнообразия из эволюционных алгоритмов. Система ведёт архив удачных пар и крутит один и тот же цикл из трёх шагов. Сначала кандидата выбирает алгоритм, который взвешивает прошлые оценки и добавляет бонус за непохожесть на то, что уже в архиве. Затем языковая модель пишет гипотезу, опираясь на три случайные записи архива как на родительские, и либо переносит их угол зрения на нового кандидата, либо скрещивает две идеи, либо предлагает что-то своё. Наконец новая пара проходит отбор. Если судья считает её довод реально новым, она занимает отдельную нишу, если нет, спорит один на один с ближайшим соседом по смыслу, и проигравший вылетает.

Общего рейтинга нет, поэтому непохожие идеи уживаются рядом.

🟡Тесты Проверяли на трёх задачах. В первой система искала среди 6300 американских компаний цели для поглощения покупателями Disney и JPMorgan. Во второй подбирала покупателей продукта среди 10 тысяч вымышленных профилей, в третьей советовала статьи из 17,5 тысячи работ с недавних конференций.

Гипотезы писали модели Claude, оценивала их GPT-5.6 Terra.

На поиске целей для Disney средняя оценка архива составила 2,91 против 2,40 у упрощённого варианта, который пишет каждую гипотезу с нуля и в архив не заглядывает, а сам архив вырос до 214 записей против 85. Для JPMorgan вышло 3,04 против 2,88, в маркетинге 7,05 против 6,81. На подборе статей разницы почти нет, 6,24 у всех вариантов. Выигрывает метод не везде. С моделью послабее на одной из задач он уступил упрощённому варианту и по оценке, и по размеру архива.

Оценки ставит языковая модель, а значит, система может научиться угождать судье вместо того, чтобы придумывать дельное, и авторы советуют подключать человека. Про это надо просто помнить.

Код проекта выложен на GitHub, модели подключаются через OpenRouter. 📌Лицензирование: Apache 2.0 🟡Блогпост 🟡Arxiv 🖥GitHub @ai_machinelearning_big_data #AI #ML #Recomendation #QDRec #SakanaAI

Я недавно писал о том, что меня просили дать рекомендацию парня , который у нас работал https://t.me/mflenov/4350. Я долго выбирал среди: - сказать честно, что он иногда заваливал проекты. Нормальный менеджер поймёт, что заваливать можно по разным причинам и если у меня у него были проблемы, то не значит, что у другого будет. Если парень удачно прошёл техническое, то можно дать шанс, даже если были проблемы в прошлом. Люди растут и развиваются. - соврать и не говорить о проблемах в прошлом. Если прям вообще не говорить о проблемах, то у меня наоборот такая рекомендация вызовет подозрения. Должны быть и плюсы и минусы, главное, чтобы человек развивался. - промолчать и не давать рекомендацию Я долго склонялся к третьему варианту. И всё же решил выбрать первый вариант и честно написал о том, что были проблемы. И парень получил офер. Мне кажется, что я бы наоборот навредил бы, если бы написал идеальное. Лично я не верю рекомендациям, где всё идеально. Так что возможно я даже помог парню. Могу пожелать ему только удачи и надеюсь, у него всё сложится. О чём я ему уже написал напрямую в Linkedin. Я пожелал ему развить экспертизу где-то, потому что без этого он будет снова заменим и снова может оказаться на улице. Ну и выложу перемазанную картинку, говорят так надо.

🕸 Как масштабировать GNN для рекомендательных систем Исследователи AI VK масштабировали графовую нейросеть (GNN) для рекомендаций друзей на социальный граф из 194 млн пользователей и 28 млрд связей. Результаты работы представлены в статье, принятой на конференцию CIKM 2026. В отличие от рекомендаций контента, где модели могут анализировать текст, изображения и видео, в рекомендациях друзей ключевую роль играют связи между пользователями. GNN учитывают социальное окружение человека и помогают предсказывать новые знакомства. Главная сложность — масштабирование на сотни миллионов пользователей. Для этого исследователи предложили два решения: • Multi-hash embeddings. Вместо отдельного вектора для каждого пользователя используются общие таблицы эмбеддингов и несколько хеш-функций. Это позволило сократить потребление видеопамяти с 203 до 2 ГБ — более чем в 100 раз. • Temporal neighbor sampling. Модель учитывает только связи, существовавшие на момент рекомендации, и не использует информацию из будущего. Оптимизация ускорила семплирование данных для обучения в 2,5 раза. 📈 Результаты A/B-теста: • +16% добавлений в друзья из рекомендаций. • +11,5% пользователей, добавивших хотя бы одного рекомендованного друга. • Без ухудшения задержек онлайн-ранкера. Практический вывод: графовые нейросети можно эффективно применять даже на социальных графах с десятками миллиардов связей, не увеличивая требования к памяти и скорости онлайн-рекомендаций. 📄 Исследование: Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling (CIKM 2026).

Вам не передают клиентов не потому что вы плохой Скорее всего, вас просто не запомнили. Когда знакомый просит посоветовать подрядчика, человек называет того, кто первым пришёл в голову, а первым приходит тот, про кого понятно, с какой задачей к нему идти. Например, у знакомого стоматология, и ему нужна реклама. Первым вспоминается агентство, которое делает маркетинг только для клиник и врачей. Агентство, которое делает SMM, трафик и сайты в целом в этот момент в голову не приходит, даже с отличными кейсами. С разработкой то же самое. Если студия берёт лендинги, SEO и сложные сайты у всех, кто готов платить, партнёру непонятно, в какой момент её советовать. А студию, которая делает, например, только сложную веб-разработку вспомнят, как только у клиента появится дорогой и сложный проект. 🔵Сформулируйте одной фразой, каких клиентов и какие проекты вам можно передавать, а что не возьмёте. Представьте себя на месте партнёра и проверьте, сможет ли он пересказать эту фразу своему клиенту. 🔵Напоминайте о себе. Советуют того, с кем общались не так давно, поэтому пишите партнёру хотя бы раз в пару месяцев: вопрос по делу, новость и т.д.

Врать в рекомендации?  В Канаде очень популярны рекомендации. Мне уже не первый раз приходят запросы от предыдущих сотрудников, которые просят порекомендовать их. Это когда звОнят или звонЯт с будущей компании и спрашивают различные вопросы и что делать, когда спрашивают такие вещи, как:  Может ли сотрудник закончить работу вовремя?  И я знаю, что не может. Поэтому сотрудник и был уволен. Врать, и подставить другую компанию или сказать им честно? В предыдущий раз я честно сказал, что может, но не всегда. Думаю, что ответить сейчас. В прошлый раз мне звонили голосом и просили рекомендации, а в этот раз нужно ответить на вопросник онлайн.  Если скажу честно, что парень не справляется (поэтому и уволили), то я продлю его статус безработного. По-человечески жалко, но ведь он вроде сам виноват, потому что пропускал митинги и проваливал дедлайны.  Ставим:  Кит - соврать и возможно подставить новую команду. Возможно не подставить, ведь всё может быть. Банан - сказать честно и скорей всего лишить шанса быть нанятым Я пока выбрал вариант: скотч (не отвечать). Жду результатов вашего голосования.

ML вообще работает? ч3 Начинается мое любимое: как померить ощущение «персональности» рекомендаций? Про учет пола, возраста и размера все и так в курсе, поэтому поговорим о чем-то более интересном Чаще всего смотрят смотрят на вау-метрики типа serendipity ~ высокий скор релевантности товара для юзера, но не популярный товар Но, если честно, я ни разу не видел, чтобы эта метрика кого-то убедила, что лента персональная. Имхо потому что: - метрика завязана на скор модели (модель оценивает сама себя) - метрика не очень интерпретируема Поэтому я бы заходил с другой стороны Учет базовых интересов из истории взаимодействий В широком смысле персонализация — учет истории взаимодействий пользователя с сервисом. Очевидно, но так давайте явно проверять, учитывает ли это наша система! Я бы мерил в терминах Defect rate долю показанных товаров, для которых есть взаимодействия с - Широкими категориями из истории (покупал спальник — рекомендуем ли товары для туризма?) - Любимыми брендами (купил футболку muted — показываем ли шорты/носки этого бренда?) Через такую метрику «у нас 60% рекомендаций из широких категорий юзера и 25% из любимых брендов» вполне можно убеждать бизнес (и себя!), что персонализация работает. Плюс, легко проверить для отдельно взятого юзера, работает ли персонализация конкретно для него Stay tuned

В X завирусился хоррор «Пустой человек» — фильм начинается с 22-минутной отдельной сцены, которая успевает напугать сильнее многих полноценных фильмов😳 Четверо туристов забираются в горы Бутана, где один из них проваливается в расщелину и находит нечто настолько жуткое, что дальше начинается крипота. И только через 22 минуты на экране впервые появляется название фильма. После этого история переносится на 25 лет вперёд и превращается в мрачный детектив об исчезновении подростка и загадочном культе. Сам пролог при этом ощущается как отдельная короткометражка. У ленты 6,2/10 на IMDb и 73% от критиков на Rotten Tomatoes. Фильм можно посмотреть в бесплатных кинотеатрах🤙🤙

✔️ ВКонтакте научила Ленту отличать интерес к контенту от намерения купить Инженеры AI VK построили отдельный контур товарных рекомендаций внутри Ленты ВКонтакте. Обычный рекомендер оптимизируется под релевантный показ, за которым обычно следует лайк, комментарий и другие реакции, но интерес к посту ещё не означает готовность купить товар. Поэтому для товарных публикаций сделали отдельную систему со своими кандидатами, логированием и моделью ранжирования. Она оценивает вероятность того, что конкретный товарный пост приведёт пользователя к заказу. На старте возник классический cold start: мало показов → мало переходов и заказов → мало данных → модель не на чем обучать. Команда подняла логирование товарного домена с 2% до 100%, увеличив обучающую выборку в 15 раз. А пока заказов было недостаточно, использовала более частые proxy-сигналы – например, раскрытие текста поста, которое коррелировало с дальнейшим переходом к партнёру. Для поиска кандидатов система использует два типа сигналов: товарное поведение и обычные контентные интересы. Например, если человек взаимодействует с постом про книги или рецептами, система может найти близкие по смыслу товарные публикации – книги, посуду или другие связанные товары. После этого ранкер решает, стоит ли показывать конкретный товар конкретному пользователю. Само ранжирование мультитаргетное: максимальный вес получает заказ, затем переход к партнёру и только потом более лёгкие действия вроде лайков и времени просмотра. То есть система оптимизируется не под CTR как таковой, а под всю воронку до покупки. За пять месяцев: 🟢сквозная конверсия из показа в созданный заказ выросла на 53%; 🟢число созданных заказов – в 43,2 раза; 🟢переходы к партнёру – в 55,3 раза; 🟢CTR перехода к партнёру – на 95,6%. Инфраструктурно всё работает на Discovery-платформе VK: она позволила настраивать отдельное логирование, быстрее запускать эксперименты и тестировать гипотезы без разработки отдельных сервисов под каждый новый сценарий. Подробно про архитектуру, cold start, proxy-таргеты и ранжирование – в статье на Хабре. @ai_machinelearning_big_data #news #ai #ml