📱 Revisiting BPR: A Replicability Study of a Common Recommender System Baseline

💾 Скачать исследование – ссылка

Ученые из лаборатории искусственного интеллекта T-Bank AI Research представили новый алгоритм, который с помощью ИИ увеличивает точность онлайн-рекомендаций до 50% в некоторых случаях. Разработчики взяли за основу и улучшили популярный алгоритм для предсказания предпочтений пользователей Bayesian Personalized Ranking, который считается одним из мировых стандартов в рекомендательных системах. Поиск наиболее эффективного варианта алгоритма занял более 200 000 GPU-часов и 15 000 экспериментов на внутренних данных Т-Банка с различными комбинациями параметров модели. Отмечается также, что новая разработка оказалась на 10% точнее алгоритма Mult-VAE, которую ранее опубликовали разработчиками из Netflix.

Новый алгоритм позволит компаниям улучшать свои метрики, в том числе конверсию в покупку, средний чек и выручку. Покупатели при этом смогут быстрее находить нужные товары на маркетплейсах, а зрители — получать более персонализированные рекомендации фильмов и сериалов.

Открытие ученых было признано мировым научным сообществом и представлено на главной международной конференции по рекомендательным системам ACM RecSys.

#ИИ #AI #искусственный_интеллект #science #алгоритмы

💡 Physics.Math.Code // @physics_lib

⛵️ Самый точный в мире метод распознавания неизвестных объектов на фото с помощью ИИ разработали ученые из T-Bank AI Research

💾 Скачать исследование

Ранее в области компьютерного зрения (CV) для распознавания объектов на фото применялись методы машинного обучения. Однако они сталкивались с проблемой однородности ансамблей, иначе говоря, они были слишком похожи друг на друга, что приводило к снижению качества и разнообразия их оценок.

Ученые из T-Bank AI Research разработали метод Saliency-Diversified Deep Ensembles, решающий эту проблему. В нем используются карты внимания, фокусирующиеся на разных аспектах данных. “Глубокие ансамбли”, которые объединяют несколько нейронных сетей для решения задачи применялись и ранее для компьютерного зрения, но при применении SDDE каждая модель обращается к разным аспектам данных, например отдельно захватывается фон изображения. Компиляция таких разных данных и привела к повышению точности анализа объектов на изображениях. Так ученым удалось уменьшить схожесть моделей, что способствует более надежной и диверсифицированной идентификации объектов.

Использование метода SDDE позволяет модели на 20% меньше ошибаться при обработке и анализе фото. При этом она учитывает не только наборы данных, знакомые ей из обучения, но и неизвестную ранее информацию. В перспективе метод SDDE будут использовать в сферах, требующих высокой точности анализа, например, в медицинской диагностике, где важно различать неопознанные элементы и графические артефакты, а также в сфере беспилотных транспортных средств.

Для проверки метода и оценки его эффективности ученые провели испытания на популярных базах данных: CIFAR10, CIFAR100 и ImageNet-1K. Результаты метода SDDE превзошли результаты других схожих алгоритмов, например, Negative Correlation Learning и Adaptive Diversity Promoting.

На Международной конференции по обработке изображений (IEEE ICIP) в Абу-Даби открытие ученых было признано мировым научным сообществом.

#ИИ #AI #искусственный_интеллект #science #алгоритмы #math #математика

💡 Physics.Math.Code // @physics_lib