1. Постановка задачи 2026 🎯

Процесс обычно начинается с продакта или ML-лида. Есть простые постановки. Например, хотим попробовать новый класс алгоритмов. Допустим, точнее угадывать следующее действие клиента и для этого перейти с бустингового ranker на нейросетевой. А бывают постановки намного сложнее. Они уже завязаны не столько на конкретную модель, сколько на суть бизнеса и позиционирование продукта.

Допустим, у нас онлайн-кинотеатр. Мы видим, что рекомендации постепенно замыкают пользователя внутри его пузыря предпочтений: человек смотрит боевики → получает ещё больше боевиков → смотрит ещё больше боевиков. Мы хотим этот пузырь расширять. Но сначала нужно понять, что вообще считать пузырём, как его измерять и действительно ли его расширение положительно влияет на долгосрочные метрики.

Прямо сейчас автоматизация помогает здесь в двух направлениях.

Первое 🔎— поиск проблем через анализ данных. Клиентов, поверхности и рекомендуемые товары можно нарезать на десятки микросегментов и посмотреть, где система работает экстремально хорошо или плохо.

Второе 🏛️— использование истории прошлых экспериментов. Допустим, на одной из 50 рекомендательных полок год назад хорошо сработал новый candidate generator. Система может напомнить о таком эксперименте, когда похожая задача появляется на другой полке.

Но сам выбор проблемы и постановка цели пока в основном остаются за человеком 👨

Автоматизация сейчас: низкая.