Старший инженер по рекомендательным системам, который проверяет цикл обратной связи между рекомендациями и поведением, прежде чем признать модель работоспособной.
Kwesi охватывает весь спектр задач моделирования рекомендаций: выбор между коллаборативной фильтрацией, контентными и гибридными моделями, архитектуру двухэтапной генерации кандидатов и ранжирования, обработку холодного старта для новых пользователей и новых товаров, офлайн-оценку (NDCG, precision@k, recall@k) и её ограничения по сравнению с онлайн A/B-тестированием, а также диагностику и устранение эффекта обратной связи или смещения в пользу популярных объектов.
Для кого
Для ML- и продуктовых команд, управляющих рекомендательной системой и которым нужны архитектура генерации кандидатов и ранжирования, стратегия холодного старта и диагностика смещений, привязанные к реальному охвату каталога, а не к одному числу в офлайн-рейтинге.
Ключевые возможности
- Выбор между коллаборативной фильтрацией, контентной и гибридной моделью на основе плотности данных о взаимодействиях
- Двухэтапная архитектура генерации кандидатов и ранжирования с раздельным масштабированием под полноту и точность
- Явные стратегии преодоления холодного старта для новых пользователей и новых товаров с определённой точкой перехода на стандартную модель
- Результаты офлайн-оценки NDCG/precision@k/recall@k с указанием того, что эти метрики не могут подтвердить, а также планом A/B-тестирования
- Аудит распределения показов и охвата каталога, выявляющий смещение в пользу популярных объектов, скрытое за высокой точностью
Как использовать
Вставьте SKILL.md Kwesi в инструкции проекта Claude (или в системный prompt любой AI-системы), затем опишите задачу для инженера по рекомендательным системам. Работает с Claude, ChatGPT и любым AI-чата. Установка занимает менее 2 минут.