Т-Технологии (Т-Банк) опубликовали на GitHub фреймворк Perseus — систему персонализации, которая объединяет действия пользователя во всех сервисах банковской экосистемы в единую хронологическую последовательность вместо отдельных рекомендательных систем для каждого продукта. Из этой последовательности строится единый эмбеддинг пользователя, который переиспользуется для разных задач — от рекомендаций товаров до оценки дохода по транзакциям.

Главная практическая проблема, которую решает Perseus — холодный стартi: когда пользователь впервые заходит в новый сервис экосистемы (например, магазин), модель может использовать его историю из других продуктов и сразу предлагать релевантные товары, не имея данных внутри самого сервиса.

• Про фреймворк рассказал Кирилл Ляхнович в докладе на конференции Turbo ML
• Архитектура: события каждого домена (транзакции, кэшбэки, шопинг, банковские продукты) обрабатываются своими обучаемыми энкодерами, затем последовательность эмбеддингов проходит через backbone-миксер (поддерживаются Transformer/BERT-like, ModernBERT-like, HSTUi, LiGR, DA-Net, Mamba-like и свои реализации), на выходе — единый эмбеддинг пользователя
• Товары в разных магазинах экосистемы с разными ID описываются текстовыми эмбеддингами, чтобы модель воспринимала одинаковые продукты как одно понятие
• К общему эмбеддингу пользователя прикручивается task head под конкретную задачу (retrieval, ranking, classification, regression) без переписывания пайплайна сбора и обработки данных
• Инженерно реализовано без утечек будущего при обучении и без пересчёта тяжёлых артефактов на инференсе
• Сейчас Perseus уже применяется в «Шопинге» (рекомендации товаров и партнёрских скидок), в персонализации повышенного кэшбэка и в предиктивной поддержке, которая заранее определяет тему обращения клиента
• Дальше команда планирует развивать онлайн-рекомендации и исследовать кросс-доменное предобучение моделей