🤖 AI / ML

Deep Learning

Deep Learning / Глубокое обучение · Глубокое обучение · DL · Neural Networks

Определение

«Глубина» нейронной сети — количество скрытых слоёв. Каждый слой извлекает всё более абстрактные признаки: первый слой — края и текстуры (для изображений), последний — высокоуровневые концепции. Глубокие сети требуют больших объёмов данных и вычислительных ресурсов (GPU), но превосходят классические ML-методы на сложных задачах.

Архитектура нейронной сети

Входной слой      Скрытые слои (Deep)        Выходной слой
──────────        ────────────────────       ─────────────
User features  →  Слой 1: базовые            Рекомендация
Item features  →  паттерны              →    товаров
Context        →  Слой 2: комбинации    →    (вероятность
               →  Слой N: высокоур.    →    клика/покупки)
                  концепции

Deep Learning в e-commerce: применения

Задача	Архитектура	Пример
Рекомендации	Two-Tower, NCF, DLRM	«С этим покупают»
Семантический поиск	BERT, bi-encoder	«Зелёное платье на вечер»
AI Shopping Assistant	LLM + RAG	Ответы на вопросы о товарах
Визуальный поиск	CNN, Vision Transformer	Поиск по фото товара
Churn Prediction	LSTM, Transformer	Предсказание оттока по последовательности событий

Deep Learning vs классический ML

Параметр	Classical ML	Deep Learning
Feature Engineering	Ручное	Автоматическое
Объём данных	Работает на малых	Требует большого объёма
Интерпретируемость	Высокая	Низкая («чёрный ящик»)
Скорость обучения	Быстрое	Медленное (нужен GPU)
Инференс (предсказание)	Быстрый	Зависит от размера модели
Когда предпочтительнее	Табличные данные, малый объём	Текст, изображения, большой объём

Two-Tower архитектура для рекомендаций

Самая популярная DL-архитектура для рекомендательных систем в production:

User Tower: User_ID, история покупок, аффинити → User Embedding (128-dim)
Item Tower: Item_ID, категория, атрибуты, цена  → Item Embedding (128-dim)

Score = dot_product(User_Emb, Item_Emb)
Top-K товаров с наибольшим Score → рекомендации

Преимущество: Item Tower предвычисляется офлайн, поиск Top-K — за миллисекунды через ANN-индекс (FAISS, ScaNN).

Частые вопросы

Чем Deep Learning отличается от классического Machine Learning?

Классические ML-алгоритмы (Random Forest, XGBoost) требуют ручного Feature Engineering: эксперт создаёт признаки из данных. Deep Learning извлекает признаки автоматически через слои нейронной сети. DL превосходит классические методы на неструктурированных данных (текст, изображения, аудио), но требует больше данных и вычислений.

Как Deep Learning используется в рекомендательных системах?

Deep Learning позволяет: (1) строить эмбеддинги пользователей и товаров в едином векторном пространстве для поиска похожих; (2) моделировать сложные нелинейные зависимости между поведением и предпочтениями; (3) обрабатывать последовательности событий (Transformer-based модели) для предсказания следующей покупки.

Что такое нейронные рекомендации vs классическая матричная факторизация?

Matrix Factorization (ALS, SVD) — линейная модель: разложение матрицы взаимодействий на латентные факторы. Нейронные рекомендации (NCF, DLRM, Two-Tower) — нелинейные модели: захватывают сложные взаимодействия признаков. На практике: нейронные модели точнее на больших данных, но требуют GPU-инфраструктуры и более сложного обслуживания.

Gravity Field

Персонализация для e-commerce — на одной платформе

Gravity Field помогает онлайн-ритейлерам растить конверсию, средний чек и удержание за счёт персонализации на всех этапах пути покупателя — без перегрузки IT.

✦Товарные рекомендации и merchandising-правила

✦A/B-тесты с байесовской статистикой и автопилотом (MAB)

✦Персонализация контента, PLP и сегментация аудитории

✦AI Shopping Assistant с доказанным ростом выручки на визит

Запросить демо →