Т-Банк выпустил руководство по четырём типам задач в Perseus

Т-Банк 11 сентября опубликовал практическое руководство по Perseus — фреймворку для моделирования разнородных последовательностей пользовательских событий. Материал адресован ML-разработчикам и охватывает четыре постановки: генерацию кандидатов, ранжирование, классификацию и регрессию. Сам Perseus компания представила ранее, летом на Turbo ML Conf 2026; новым событием стала публикация подробного руководства с кодом.

Perseus собирает историю клиента из Event Hub — единого хранилища событий с временными метками и идентификаторами пользователей. События могут иметь разные схемы и дополнительные атрибуты, например товар, бренд или тип действия. Признаки из событий, контекста и артефактов преобразуются в эмбеддинги, после чего бэкбон формирует общее представление пользователя, а специализированная голова выдаёт прогноз.

По описанию Т-Банка, разработчик отвечает за загрузку событий, подготовку обучающих объектов, создание YAML-конфигурации и запуск команд обучения либо инференса. Сбор истории, подготовка внутренних данных, расчёт функции потерь и сохранение результатов выполняет фреймворк. Для агрегирования последовательности доступны modern_bert по умолчанию, bert, ligr, danet, hstu и mamba.

Руководство построено на малой версии набора T‑ECD и домене Marketplace с событиями view, click, like и clickout. Эксперименты также используют данные Retail и Offers. Компания сообщает, что полный последовательный прогон четырёх типов задач на одной NVIDIA H100 занимает около восьми часов; этот показатель относится к описанной экспериментальной конфигурации, а не к гарантированной производительности в других средах.

В приведённом опыте генерации кандидатов Perseus только с item_id превзошёл базовый список популярных товаров по Recall@100, NDCG@100 и Coverage@100. Добавление признаков дополнительно повысило все три показателя. Это результаты Т-Банка на выбранной версии T‑ECD, а не независимое сравнение фреймворков или гарантия аналогичного эффекта на корпоративных данных.

При оценке есть важное ограничение: Perseus выдаёт прогноз лишь для объекта, у которого до заданной временной метки имеется хотя бы одно событие. Авторы поэтому рассчитывали базовую модель на полном наборе и заполняли ею отсутствующие прогнозы Perseus. Кроме того, встроенные метрики вычисляются во время обучения на тестовой части; оценка инференса и сравнение с базовым методом остаются задачей разработчика.

Практический контекст: Практически Perseus ориентирован на команды, которым нужно повторно использовать общую историю действий пользователя в нескольких моделях, не создавая отдельный событийный конвейер для каждой задачи. Однако корректность результата по-прежнему зависит от временного разделения данных, доступности признаков во время инференса и учёта задержек поступления производственных событий.

Источники

1. T-Bank Tech

Дата события: 2026-09-11. Дата первоисточника: 2026-09-11.