Упоминания платформы "Яндекс"

🗺 В Яндекс Картах появилось новое поколение персональных рекомендаций — они находятся прямо на главном экране приложения в виде ленты и фотометок. Новая система рекомендаций работает на базе нейросети, помогающей лучше узнать предпочтения пользователей. Вот как это работает.

Как устроены новые рекомендации в Картах?

В Яндекс Картах есть тысячи разных локаций, например рестораны и кофейни, парки и музеи. Алгоритмы Карт изучают их и предлагают пользователю те, которые ему подойдут с большей вероятностью. Теперь с этим помогают нейросети.

Что изменилось?

Раньше алгоритмы анализировали поведение пользователя по набору фиксированных признаков. На основании построенных маршрутов, просмотров карточек организаций, отзывов Карты давали пользователю рекомендации. Теперь анализировать интересы пользователя помогает нейросеть-трансформер.

Она учитывает не только сами события, но и их последовательность, за счёт чего может находить связи между ними. Для этого действия пользователя представляют в виде эмбедингов — числовых векторов — и анализируют нейросетью. Это помогает выявлять неочевидные закономерности и учитывать их в рекомендациях.

Можно пример?

Представим, что в один из дней пользователь занимается английским, после чего идёт в бар с одногруппниками, а в другой — гуляет с ребёнком в парке, а потом ведёт его в кино. Старая модель будет случайным образом рекомендовать этому пользователю аналогичные локации. Трансформер же учтёт контекст и поймёт, что бары стоит рекомендовать после языковой школы, а кинотеатры — после парка.

Что в итоге?

Теперь, благодаря нейросетям, Карты лучше адаптируются к изменению интересов пользователей, анализируют их действия и точнее подбирают локации.

⭐️ Если у вас оформлен Telegram Premium, поддержите наш канал по ссылке

Подписывайтесь 👉 @techno_yandex

🤖 Технодайджест недели

↗️ Nintendo представила приставку Switch 2

↗️ Яндекс запустил сервис Нейроэксперт для поиска информации в файлах и ссылках

↗️ Учёные создали нейроимплант для синтеза речи в реальном времени

↗️ Tinder запустил тренажёр для отработки флирта

Подписывайтесь 👉 @techno_yandex

Почему в такси мы платим и за минуты, и за километры? — Яндекс доходчиво объяснил, почему в стоимость поездки включена оплата и за минуты, и за километры.

Всё не так просто, как кажется 👍

🤖🧠 Яндекс запустил бета-версию Нейроэксперта — сервиса для работы с пользовательскими данными. В него можно загрузить ссылки из интернета, документы, PDF, аудио- и видеофайлы, а нейросеть создаст из них базу знаний и поможет найти в ней ответ. А ещё Нейроэксперт умеет пересказывать, делать выводы, сравнивать и писать тексты на основе загруженных данных — и всё это благодаря методу RAG. Вот как он работает.

Что такое RAG?

Языковые модели отвечают, исходя из данных, на которых их обучали. Чтобы модель использовала другую информацию, её можно дообучить, но проще использовать RAG (Retrieval Augmented Generation) — генерацию с внешними знаниями. Этот метод позволяет дополнить ответы данными, которые не были заложены при обучении.

Что это за данные?

🔸 Специализированные материалы — документация проекта, база знаний компании, учебные материалы и тому подобное.

🔸 Актуальная информация из интернета. Например, RAG используется в Поиске с Нейро для генерации ответа нейросетью с опорой на источники из интернета.

Как это работает?

Подключённые к RAG-системе данные разбивают на небольшие фрагменты — чанки (англ. chunk — кусок). Каждый чанк превращают в эмбеддинг — векторное представление, сохраняющее смысл данных. Пользовательский запрос тоже превращают в эмбеддинг, и система ищет в базе данных подходящие по смыслу фрагменты. Затем они вместе с запросом подаются в нейросеть, которая генерирует финальный ответ.

Пользовательский запрос → преобразование запроса в вектор → поиск релевантных данных в базе знаний → объединение найденной информации с запросом → генерация итогового ответа языковой моделью.

Что даёт RAG в сравнении с другими методами?

Метод позволяет обновлять знания языковой модели без её дообучения. А ещё RAG снижает вероятность галлюцинаций по сравнению с генерацией «из головы», то есть без доступа к внешним данным.

Ещё один способ снизить частоту галлюцинаций — загрузить в модель все данные вместе с запросом пользователя. Но для этого она должна уметь обрабатывать длинные тексты, а искать нужную информацию в большом объёме данных будет непросто. RAG же даёт модели только релевантные фрагменты, не перегружая её лишней информацией — получается быстрее и дешевле.

Подписывайтесь 👉 @techno_yandex

🟣 Сможете по съёмке с самолёта отличить пластик от рыболовной сети? А эта нейросеть сможет. Рассказываем о новом экологическом проекте, созданном ML-разработчиками Школы анализа данных вместе с Yandex B2B Tech и Дальневосточным федеральным университетом.

↗️ Это не первый экологический проект, в котором участвовали студенты Школы анализа данных Яндекса. В прошлом году они помогли разработать нейросеть, которая прогнозирует, в какую сторону после извержения двинется облако вулканического пепла.

Подписывайтесь 〰️ @yandex