Специалисты Сбера и Сколтеха создали работающую в непрерывном времени нейросеть

Ученые Центра практического искусственного интеллекта Сбербанка совместно с исследователями Сколтеха (входит в группу ВЭБ.РФ) создали инструмент, который меняет подход к работе нейросетей с событийными данными. Об этом сообщила пресс-служба Сбера.

Уточняется, что архитектура COTIC (Continuous-Time Convolutional, многослойная непрерывная свертка) позволяет нейросетям учитывать реальные временные промежутки между действиями пользователя, а не просто их порядок.

В результате рекомендательные системы, финансовые сервисы и другие платформы, где важно поведение клиента, станут точнее понимать привычки и предпочтения потребителя.

Уточняется, что классические сверточные нейросети (CNN) хорошо решают задачи с равномерными сетками – например, по обработке изображений. Но при работе с последовательностями событий с разными интервалами, к примеру, кликами пользователя, покупками или визитами в приложение, для использования CNN данные ранее приходилось дискретизировать, искусственно разбивать на равные промежутки, теряя при этом критически важную информацию о том, сколько времени прошло между действиями.

Российские ученые данную задачу: разработанная ими архитектура представляет собой полноценную сверточную нейросеть, работающую в непрерывном времени. Модель обучается на сырых данных, улавливает длинные зависимости между событиями без использования рекурсивных механизмов и формирует универсальные эмбеддинги. Затем их можно применять для прогнозирования, классификации или поиска аномалий.

Результаты экспериментальных испытаний уже подтвердили эффективность подхода. COTIC превзошла существующие рекуррентные, трансформерные и классические сверточные методы на нескольких общепринятых датасетах (RMTPP, Neural Hawkes, ODETPP, THP, THP2SAHP, Attentive NHP, WaveNet, CCNN) в задачах предсказания времени и типа следующего события.

"Для человека пауза в пять секунд и пять дней - принципиально разные паттерны поведения. Разработанный нашими учеными метод впервые позволяет модели "чувствовать" эту разницу нативно. Мы не просто улучшили метрики на датасетах, но дали индустрии универсальный инструмент, который можно применять везде, где важна временная структура событий", - отметил директор по AI-трансформации Сбербанка Сергей Рябов.