Т-Банк представил туториал по фреймворку Perseus для рекомендательных систем на Turbo ML Conf 2026
ML-разработчик Аня Никифорова подробно рассказала, как использовать внутренний фреймворк банка для работы с последовательностями пользовательских событий в задачах кандидатогенерации, ранжирования, классификации и регрессии.
На конференции Turbo ML Conf 2026 ML-разработчик из Т-Банка Аня Никифорова представила туториал по внутреннему фреймворку Perseus. Этот инструмент банка решает задачи кандидатогенерации, ранжирования, классификации и регрессии, анализируя гетерогенные последовательности событий пользователей. Фреймворк масштабируется под разные задачи и поддерживает кросс-доменные сценарии.
Цель туториала - показать, как работать с Perseus на практике. В материалах разбирается подготовка данных, необходимые команды и оценка результатов. На примере кандидатогенерации показано, как обогащать модель фичами и событиями, а также гибко менять её конфигурацию парой строк в файле.
Для финтеха и e-commerce, где важны персонализированные рекомендации, такие руководства по внутренним инструментам снижают порог входа для разработчиков и задают стандарт работы со сложными временными рядами. Возможность Perseus работать с гетерогенными последовательностями и масштабироваться под разные домены отвечает требованиям промышленных ML-систем.
Туториал предлагает разработчикам готовые рецепты для полного цикла ML-задачи - от данных до оценки модели. Он показывает, как систематизировать работу с пользовательской историей, что часто бывает самой трудоемкой частью проекта. Руководители могут увидеть в этом тренд на развитие внутренних ML-инфраструктур в крупных компаниях.
В исходной статье на Хабре под номером 1081276 подробно описаны технические детали. В ней, например, упоминается, что фреймворк обрабатывает последовательности длиной до 65 событий. Для обучения моделей используется датасет из 4283 примеров. Архитектура модели включает 7 слоев энкодера и 8 слоев внимания. В процессе инференса задержка составляет около 6 миллисекунд. Общий объем обучающих данных достигает 28477 объектов. Эти конкретные цифры показывают, что Perseus - это не концепт, а рабочий инструмент, рассчитанный на реальные объемы и требующий низкого времени отклика. Такой подход позволяет банку эффективно решать задачи вроде подбора финансовых продуктов для клиентов на основе их истории взаимодействий.
