Конец эпохи слепого поиска: ученые ВШЭ научились выбирать идеальный ИИ для рекомендаций
Исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ разработали подход, который помогает эффективнее подбирать рекомендательные алгоритмы. В нем разные методы попарно соревнуются, а по результатам всех поединков составляется общий рейтинг. Это помогает сократить число алгоритмов, которые нужно проверять при разработке новых сервисов, и сэкономить денежные и временные ресурсы. Исследование было представлено на 32-й конференции ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026).
Ежедневно миллионы людей полагаются на алгоритмы рекомендаций: от выбора фильма на вечер до покупки товара на маркетплейсе. Но за удобством пользователя скрывается колоссальная боль ИТ-гигантов. Как понять, какая из сотен нейросетей лучше всего подойдет именно для твоих данных? Ответ на этот вопрос нашли исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ. Их разработка позволяет не гадать, а точно прогнозировать успех алгоритма до начала дорогих тестов.
Турнир алгоритмов: кто сильнее на вашем поле?
Главное открытие команды ВШЭ заключается в том, что «золотого сечения» в мире машинного обучения не существует. Универсального алгоритма, который одинаково хорошо рекомендует товары, музыку или новости, нет.
Чтобы доказать это и создать инструмент выбора, ученые адаптировали модель Брэдли – Терри. Изначально она использовалась в спорте для оценки относительной силы игроков попарных соревнований. Исследователи ВШЭ превратили 14 популярных рекомендательных алгоритмов в условных «спортсменов» и устроили для них турнир.
Результаты подтвердили гипотезу: лидеры меняются в зависимости от «правил игры». Например, SASRec и GASATF безоговорочно побеждают на последовательных данных, где важен порядок действий пользователя. А вот там, где четкой последовательности нет, лидировали LightGCN и ALS.
Предсказание вместо перебора данных
Самая ценная часть исследования – прикладная. Обычно компаниям приходится обучать десятки моделей, сжигая гигантские вычислительные ресурсы, а затем проводить затратные A/B-тесты на реальных пользователях.
Методика ВШЭ позволяет заглянуть в будущее. Система анализирует характеристики нового набора данных и заранее выдает рейтинг подходящих алгоритмов. Эксперименты показали феноменальную точность: алгоритм, который система поставила на первое место, в 78% случаев действительно входил в тройку лидеров по итогам полноценного тестирования. Для сравнения: классический подход с усреднением показателей дает точность лишь в 16%. Это означает, что бизнес сможет отсекать заведомо слабые варианты на старте, радикально снижая издержки.
Запрос индустрии: от Сбера до VK
Разработка ученых ВШЭ идеально совпадает с трендами российской ИТ-отрасли последних лет. Еще в 2023 году эксперты «Яндекс Образования» отмечали проблему корректного выбора методов под конкретные задачи. В 2024 году на кафедре «Сбера» в ВШЭ прямо заявляли: научно успешная модель далеко не всегда улучшает бизнес-показатели в Prometheus, поэтому индустрии нужны способы заранее сравнивать алгоритмы.
Масштаб проблемы лучше всего иллюстрируют цифры. В 2025 году ВК запустила соревнование VK RecSysChallenge, предоставив разработчикам датасет из 40 миллиардов пользовательских взаимодействий. Обрабатывать такие объемы вслепую – непозволительная роскошь. Методика ВШЭ становится тем самым фильтром, который позволяет работать с большими данными осмысленно. Она критически важна для e-commerce, финтеха, стриминговых сервисов и социальных сетей.
Российский метод на мировой арене
Фундаментальность и прикладная ценность работы подтверждены на международном уровне. Исследование представлено на конференции ACM SIGKDD KDD 2026 – одной из самых престижных мировых площадок в сфере науки о данных (DataScience). И это уже не просто очередная научная статья, а готовая методология, которая не привязана к специфике российского рынка. Проблема выбора модели универсальна. Следовательно, экспортный потенциал разработки лежит в плоскости технологического лидерства: зарубежные разработчики рекомендательных систем теперь могут опираться на труд российских ученых.
Исследование ВШЭ знаменует собой важный этап. Мы переходим от бесконечной гонки «кто создаст более сложную нейросеть» к эре рационального инжиниринга. Для конечного пользователя это означает, что ленты соцсетей, подборки банковских продуктов и рекомендации онлайн-кинотеатров (а ими, по данным ИСИЭЗ ВШЭ, регулярно пользуются 60% российских интернет-пользователей) станут более точными. Для бизнеса это шанс перестать сжигать бюджеты на тестирование вслепую и начать строить ИИ-сервисы быстро, дешево и рационально.
