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.

• Библиотека работает с данными в форматах numpy, pandas и polars, модели обучаются как на CPU, так и на GPU
• Внутри доступны архитектуры DCN v2, FinalNet, FinalMLP, Destine и TabM
• Для обучения можно выбрать функции потерь BPR, LambdaRanki, ListMLE или CORAL
• На внутренних данных Т-Банка нейросетевые модели улучшили офлайн-метрики на 3-7%, а в онлайн-тесте против градиентного бустинга дали прирост 4-7% по бизнес-метрикам
• Тестирование проводилось на открытых бенчмарках и трёх внутренних задачах Т-Банка
• По данным источника «Борис опять», библиотека полезна и для ИИ-агентов: если попросить агента с нуля реализовать DCN v2, он будет писать архитектуру с нуля и допускать больше неточностей, а с Scikit-rank агент читает README и использует готовую реализацию — это требует меньше токенов и снижает вероятность ошибок
• Код библиотеки опубликован на GitHub, статья о ней доступна на Habr (habr.com/ru/companies/tbank/articles/1088224)