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
🕐 Скачайте 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
🔒 Підтекст (Insider)
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
Навчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiupskill.live