Т-Банк представил open source-библиотеку scikit-rank для ранжирования
Б@boris_againAI-инженер
3 недТ-Банк выпустил библиотеку scikit-rank, которая упрощает интеграцию нейросетевых моделей ранжирования, оборачивая их в интерфейс scikit-learn.
Новый инструмент упрощает внедрение сложных нейросетей в бизнес-процессы.
- Библиотека позволяет разработчикам использовать нейросети через стандартные инструменты машинного обучения.
- Снижается количество ошибок при реализации сложных архитектур, таких как DCN v2.
- Инструмент уже показал измеримый прирост бизнес-показателей в задачах ранжирования.
Команда Т-Банка хотела тестировать нейросетевые модели для ранжирования, но на их внедрение уходило слишком много времени. Поэтому сделали open source-библиотеку scikit-rank.
Она оборачивает нейросетевые модели в формат scikit-learn-моделей с привычными методами fit и predict, а переписывать всю обработку данных и обучение больше не нужно. Почему это важно – посмотрим на примере ИИ-агентов. Если попросить агента с нуля реализовать DCN v2, он будет с нуля писать архитектуру и, скорее всего, допускать больше неточностей. А если дать задачу завести DCN v2 из Scikit-Rank, агент прочитает README репозитория и использует готовую реализацию, что потребует меньше токенов и снизит вероятность ошибок.
На внутренних задачах модели дали прирост 3-7% по офлайн-метрикам и 4-7% по бизнес-метрикам. Работу о библиотеке представили на конференции ACM RecSys 2026.
https://habr.com/ru/companies/tbank/articles/1088224/
Кратко (AI)
Команда Т-Банка разработала open source-библиотеку scikit-rank, позволяющую использовать нейросетевые модели ранжирования через привычный интерфейс scikit-learn. Решение упрощает процесс обучения и интеграции моделей, а также повышает эффективность работы ИИ-агентов за счет использования готовых реализаций архитектур. Разработка показала прирост бизнес-метрик на 4-7% и была представлена на конференции ACM RecSys 2026.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖