VK и Яндекс повысили точность рекомендаций на 60% и 7% за счет анализа намерений
Рынок рекомендательных систем перешел от простого подбора по ключевым словам к глубокому анализу намерений и визуального ряда, что уже сокращает время найма в два раза и повышает точность видео-рекомендаций на 60%.
От поиска вакансий до музыки: как ИИ меняет правила подбора контента
В конце 2025 года глобальный рынок рекомендательных систем перешел от простого подбора по ключевым словам к глубокому пониманию контекста и намерений пользователя. LinkedIn⋆⋆ запустила новую систему на базе языковых моделей, которая анализирует цели соискателей, а не просто их резюме. Вместо механического сопоставления навыков алгоритм предлагает роли, соответствующие профессиональным амбициям, например, в сфере охраны океанов. Ежемесячно это перенаправляет около 2 млн заявок в сторону более подходящих позиций, повышая эффективность поиска для рекрутеров и кандидатов.
Важный нюанс: Сдвиг от ключевых слов к анализу намерений позволяет сократить время найда в два раза, превращая рекомендательную систему из каталога в навигатора карьеры.
Параллельно в России VK внедрила технологии Discovery, объединившие мультимодальные языковые модели и системы распознавания лиц. Алгоритмы анализируют видеоряд с частотой один кадр в секунду, выделяя героев и связывая контент по смыслу. Результат стал ощутимым: точность рекомендаций видео выросла на 60%, а количество позитивных реакций пользователей увеличилось на 7%. Это подтверждает, что способность системы «видеть» и понимать визуальный ряд становится критическим фактором удержания аудитории.
Стоит учесть: Рост точности рекомендаций на 60% демонстрирует, что пользователи готовы тратить больше времени на платформы, которые понимают их интересы без явных запросов.
В музыкальной индустрии ИИ достиг уровня, когда слушатели перестают различать человеческое творчество и машинную генерацию. Исследования в восьми странах показали, что большинство опрошенных не смогли определить происхождение треков, а 46% признали, что алгоритмы помогают находить музыку по душе. Однако 51% респондентов выразили обеспокоенность возможным наводнением рынка шаблонным контентом. Стриминговые сервисы, такие как Spotify и Deezer, уже используют эти данные для формирования плейлистов, что меняет экономику потребления музыки.
Прозрачность алгоритмов и новые данные для бизнеса
Крупные игроки рынка стремятся объяснить принципы работы своих систем, чтобы сохранить доверие пользователей. Адам Моссери, руководитель Instagram⋆⋆, разъяснил, что персонализированная реклама формируется на основе истории активности внутри и вне платформы Meta⋆⋆, а не через запись звука микрофоном. Алгоритмы учитывают нажатия, поисковые запросы и поведение друзей, добавляя элемент случайности для разнообразия контента. Такой подход позволяет таргетировать рекламу, избегая мифов о скрытом прослушивании.
Meta⋆⋆ планирует расширить базу данных для своих алгоритмов. С 16 декабря компания начнет использовать информацию о взаимодействиях пользователей с ИИ-продуктами, включая чат-боты. Это позволит системе точнее сопоставлять интересы людей и предлагать релевантную рекламу. Для бизнеса это сигнал о том, что диалог с ИИ становится таким же ценным источником данных, как и классическое поведение в браузере.
На фоне этого: Включение диалогов с чат-ботами в рекламные алгоритмы создает новый канал сбора данных о предпочтениях, который ранее оставался «слепой зоной» для маркетологов.
В России «Яндекс» представил метод LogQ, который устраняет искажения в обучении моделей. Новая формула учитывает разницу между явными действиями пользователя и случайно отобранными примерами, что снижает смещения в оценках. Внутренние тесты подтвердили рост точности рекомендаций на 7% по ключевым метрикам. Технология применима в различных сервисах, включая «Яндекс.Маркет», и демонстрирует важность качественной подготовки обучающих данных.
Инфраструктура для быстрого внедрения
Для компаний, желающих внедрить подобные решения, появляются готовые инструменты. K2 Cloud и «К2 НейроТех» запустили платформу для автоматизации жизненного цикла моделей машинного обучения. Она объединяет этапы подготовки данных, тестирования и развертывания, сокращая время запуска проектов до 20 минут. Платформа обеспечивает командную работу и масштабируемость, позволяя бизнесу быстро внедрять ИИ в операционные процессы.
Рекомендательные системы, созданные на этой базе, помогают прогнозировать поведение клиентов с точностью до 95% и оптимизировать услуги. Это снижает затраты на операционные процессы и повышает эффективность взаимодействия с пользователями. Рынок движется от экспериментов к массовому внедрению готовых решений, где скорость развертывания становится ключевым конкурентным преимуществом.
Важно: Сокращение времени запуска ИИ-проектов до 20 минут делает технологии доступными не только для IT-гигантов, но и для среднего бизнеса, ускоряя цифровую трансформацию отрасли.
Глобальный тренд очевиден: рекомендательные системы эволюционируют от пассивного фильтрации контента к активному пониманию контекста и намерений. Компании, которые инвестируют в мультимодальные модели и качественную подготовку данных, получают прямую выгоду в виде роста вовлеченности и прибыли. Для российского рынка это означает необходимость адаптации собственных алгоритмов под новые стандарты точности и скорости, чтобы оставаться конкурентоспособными в условиях меняющихся потребительских ожиданий.
🤖 Сводка сформирована нейросетью на основе фактов из Календаря. Мы обновляем аналитический дайджест при необходимости — факты и хронология всегда доступны в Календаре ниже для проверки и изучения.
📅 Последнее обновление сводки: 8 мая 2026.
