Команда Т-Технологий (Т-Банк) выложила на GitHub open source-библиотеку Scikit-ranki, которая упрощает внедрение нейросетевых моделей ранжирования в прикладных ML-задачах. Библиотека даёт scikit-learn-совместимый интерфейсi с привычными методами fit и predict, беря на себя препроцессинг, кодирование признаков, обучение и инференс — раньше переход с градиентного бустинга (LightGBM, CatBoost) на нейросети требовал отдельно настраивать обработку численных и категориальных признаков, а хорошего гайдлайна по внедрению нейроранкеров не было.
Разработка важна тем, что убирает главный барьер перехода рексистем на нейросети — долгое и ресурсоёмкое внедрение. Статью о Scikit-rank приняли на международную конференцию по рекомендательным системам ACM RecSys 2026, проходящую в США.