Т-Технологии опублікували детальний туториал по Perseus — опенсорсному фреймворку для навчання моделей персоналізації на основі історії подій користувачів
Т-Технологии опублікували туториал по Perseus — опенсорсному фреймворку для навчання моделей персоналізації на основі історії подій користувачів. У чотирьох сценаріях рекомендаційних систем Perseus показав кращі результати за базою, дозволяючи легко додавати нові ознаки через YAML-конфіг без повного перенавчання.
📊 Прагматичний інструмент для SMB. Зменшує працю на підтримку рекомендаційних систем — для тих, хто вже працює з даними користувачів і хоче уникнути перенавчання при додаванні нових джерел.
Що це означає для вас
Оцініть, чи може Perseus скоротити час на оновлення рекомендаційних блоків у ваших кампаніях
Перший крокСкачайте tutorial.ipynb з GitHub і запустіть один з чотирьох сценаріїв на тестовому підмножині даних (20 хв)
Інструмент: Perseus
Пропустіть, якщо: якщо ваша команда не працює з рекомендаційними системами або не має доступу до історичних подій користувачів
Перевірте, чи витрачаєте ви більше 5 годин на місяць на оновлення рекомендаційних блоків через нові джерела даних
Отримати карту AI-можливостей →🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секундTL;DR
- •Perseus — опенсорсний фреймворк для навчання моделей персоналізації на основі історії подій користувачів
- •Опубліковано детальний туториал на Хабрі з кодом на GitHub (2026-09-14)
- •Визначено чотири сценарії застосування: прогноз кліків, ранжування, класифікація, регресія
- •Додавання нових ознак або доменів вимагає лише змін у YAML-конфігу, без повного перенавчання
- •Всі експерименти показали кращу продуктивність за базовими рішеннями
Як це змінить ваш ринок?
Маркетологи та продукт-менеджери в eCommerce та ритейлі зможуть швидше адаптувати рекомендаційні системи до нових продуктових ліній або поведінкових даних без затримок на перенавчання моделей. Це знімає технічний блокер, який часто відкладає тестування гіпотез про вплив нових ознак на конверсію.
Визначення: Персоналізація на основі історії подій — метод прогнозування дій користувача (клік, покупка, активність) на основі послідовності його попередніх дій у системі (перегляди, додавання в кошик, пошуки).
Для кого це і за яких умов (ОБОВ'ЯЗКОВО: мін. обладнання/бюджет, потрібна команда чи ні, мін. масштаб, час на впровадження.
- •Потрібний доступ до історичних дій користувачів (мінімум 10K подій для тестування)
- •Потрібна базова знання Python і роботи з YAML-конфігами
- •Розмір команди: 1+ люди (може робити один аналітик або ML-інженер)
- •Масштаб даних: від 10K до 1M+ подій для реального використання
- •Час на впровадження: 2-4 години для запуску туторіалу та адаптації під власні дані
Альтернативи
| Продукт | Ціна | Де працює | Мін. вимоги | Ключова різниця |
|---|---|---|---|---|
| Perseus | безкоштовно (MIT ліцензія) | Локально, хмара, Kubernetes | Python 3.8+, доступ до дій користувачів | Налаштування через YAML без кодування, фокус на історії подій |
| TensorFlow Recommendations | безкоштовно | Google Cloud, локально | TensorFlow, складна конфігурація | Понадто універсальний, вимагає глибоких знань ML для простих задач |
| Amazon Personalize | ~$0.0005 за гарантований прогноз | AWS only | AWS-акаунт, потокові дані | Комерційний сервіс, залежить від AWS, менша гнучкість у кастомізації |
💬 Часті запитання
Чи потрібний GPU для запуску Perseus?
Ні, для tutorial-сценариїв на малому датасеті T‑ECD достатньо CPU. Для реальних обсягів даних (100K+ подій) рекомендується GPU з 8GB+ пам’яті для пришвидшення навчання.
Чи можна використовувати Perseus для генеративних задач типу LLM?
Ні, фреймворк спеціалізований на задачах прогнозування та ранжування в рекомендаційних системах. Для генеративних моделей потрібні інші інструменти (наприклад, Hugging Face Transformers).
Чи є комерційна підтримка для Perseus?
Ні, це чистий опенсорс-проєкт без офіційної підтримки. Однак код доступний на GitHub з ліцензією MIT, що дозволяє свободне використання та модифікацію.
Чи потрібна маркування даних для використання Perseus?
Так, для сценаріїв класифікації та регресії потрібна мітка (наприклад, чи здійснив користувач покупку, сума чеку). Для кандидатогенерації та ранжування достатньо неозначених дій (перегляди, кліки).
Чи працює Perseus з реальним часом даних?
Фреймворк сам по собі не забезпечує реального часу, але може бути інтегрований у потокові конвеєри (наприклад, з Apache Kafka або AWS Kinesis) для періодичного оновлення моделей (наприклад, щогодини або раз на день).
Підтекст
Т-Технологии не продають Perseus — це чистий опенсорс без комерційної підтримки. Ціль — показати експертизу в ML та залучити розробників до екосистеми T-Bank, а не продати продукт.
Такий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
AI Advisory Board
Навчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiadvisoryboard.me