Яндекс заменил десятки алгоритмов рекомендаций одной моделью Sona: +6,3% времени прослушивания

Любой, кто строил рекомендательную систему, знает эту боль. Сначала отдельная модель отбирает кандидатов из миллионов объектов, потом другая их ранжирует, третья добавляет разнообразие, четвёртая учитывает контекст. Каждая обучается отдельно, у каждой свои метрики, и чинить это хозяйство всё дороже. Яндекс показал, что цепочку можно заменить одной моделью.

Что сделали

Команда R&D вместе с инженерами Алисы и Яндекс Музыки разработала Sona — генеративную нейросеть. Она смотрит на действия пользователя и сама определяет, что порекомендовать и в каком порядке. Архитектура собственная, обучение шло с нуля на данных Яндекса, без дообучения чужих весов.

В A/B-тесте на умных колонках с Алисой Sona заменила систему из десятков алгоритмов. Результат по сравнению с контрольной группой: общее время прослушивания выросло на 6,30%, число лайков — на 11,42%. Это заметные цифры для сервиса, где рекомендации уже годами оптимизировались вручную.

Как это устроено на простом примере

Представьте, что пользователь вечером говорит колонке «включи что-нибудь». Классическая система сначала сужает каталог до сотен кандидатов, затем сортирует их разными моделями. Sona работает иначе: она генерирует рекомендацию как последовательность, будто пишет плейлист трек за треком. Каждый следующий трек учитывает предыдущие и реакцию слушателя.

Чтобы не перебирать весь каталог из миллионов треков, модель находит нужные объекты напрямую. Это принципиально для скорости: полный перебор на таком масштабе был бы слишком дорогим.

Есть и «учитель». По описанию авторов, он нужен, чтобы направлять обучение модели. Подробности Яндекс раскрывает в полной статье на Habr, и к деталям стоит присмотреться отдельно. Ещё одна важная часть — дообучение на свежих действиях слушателей. Вкусы меняются быстро, и модель не должна жить на вчерашних данных.

Что это значит на практике

Для продактов главный вывод в простоте. Один модельный контур вместо десятков означает меньше точек отказа, единые метрики и проще эксперименты. Команда не синхронизирует обновления между пятью моделями, а улучшает одну.

Для разработчиков это тренд, который уже видно у крупных игроков: генеративные подходы вытесняют многоступенчатые пайплайны рекомендаций. Если вы поддерживаете свою рекомендательную систему, стоит прикинуть, какие этапы можно склеить.

Ограничения

Самих авторов осторожность не обходит: перед широким внедрением ещё многое предстоит проверить. Тест проводился в одном сценарии — музыка на колонках с Алисой. Неизвестно, как Sona поведёт себя в видео, магазине или поиске, где цели другие. Также пока нет данных о стоимости инференса и обучения по сравнению со старой системой. Для небольших команд без объёма данных уровня Яндекса повторить такой подход будет сложно: обучение с нуля требует и данных, и вычислений.

Итог: это не революция на все случаи, а сильный сигнал. Если большая рекомендательная система выигрывает от замены связки алгоритмов одной моделью, значит, вопрос консолидации стоит задать и вашему стеку.