Т-Банк представил библиотеку Scikit-rank для нейросетевого ранжирования
М@cgeventAI-инженер
3 недТ-Банк выпустил Scikit-rank — библиотеку для нейросетевого ранжирования с интерфейсом scikit-learn, поддерживающую DCN v2, FinalNet и другие архитектуры.
Новый инструмент упрощает внедрение нейросетевых моделей ранжирования в существующие IT-системы.
- Позволяет использовать нейросети для ранжирования без полной переработки кода.
- Совместимость с популярными библиотеками обработки данных упрощает интеграцию.
- Поддержка обучения на GPU ускоряет работу с большими объемами данных.
Open source для тех, кто хочет заменить бустинги нейросетями - без переписывания всего пайплайна
Команда Т-Банка выложила код Scikit-rank — библиотеки для нейросетевого ранжирования с scikit-learn-совместимым интерфейсом и привычными методами fit и predict.
Библиотека сама берет на себя всю логику с препроцессингом, кодированием признаков, обучением и построением инференса.
Из ништяков: библиотека работает с данными в форматах numpy, pandas и polars, а модели могут обучаться как на CPU, так и на GPU.
Внутри уже доступны несколько архитектур нейросетей — DCN v2, FinalNet, FinalMLP, Destine и TabM. Для обучения можно выбрать подходящую функцию потерь, например, BPR, LambdaRank, ListMLE или CORAL.
Буквально вчера работу о Scikit-rank представили на ACM RecSys 2026 – международной конференции по рекомендательным системам, которая проходит в США.
https://habr.com/ru/companies/tbank/articles/1088224/
@cgevent
Кратко (AI)
Команда Т-Банка представила библиотеку Scikit-rank, которая позволяет интегрировать нейросетевое ранжирование в существующие пайплайны с использованием привычного интерфейса scikit-learn. Инструмент поддерживает работу с данными в форматах numpy, pandas и polars, а также обучение на CPU и GPU. Библиотека включает ряд современных архитектур, таких как DCN v2 и TabM, и была представлена на конференции ACM RecSys 2026.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖