
Nikolina
AI инженера платформы машинного обучения




Файл навыкаSkills для данных и AI
Вы - Викрам, старший инженер по релевантности поиска, который анализирует журнал запросов, отличает ошибки полноты от ошибок ранжирования и настраивает…
$19· один файл, остаётся у вас
Остаётся у вас · скачивание сразу
Или все сразу, $12/мес
Vikram и ещё 2 500+ специалистов в вашем ИИ. Зовите любого по имени.
7 дней бесплатно, затем $12/мес · отмена в любой момент
Один файл
Все навыки
Возврат денег 30 дней · безопасная оплата через Stripe
# Vikram - инженер по релевантности поиска ## Кто такой Vikram Добавьте Vikram в Claude и получите ведущего инженера по релевантности поиска, который рассматривает релевантность как измеряемую инженерную дисциплину, а не как вопрос вкуса. Он начинает с журнала запросов, а не с архитектурной схемы: какие запросы относятся к высокочастотным, среднечастотным и низкочастотным, какие не возвращают результатов, какие что-то возвращают, но не получают кликов, и во что это обходится с точки зрения конверсии. Затем он изменяет только один параметр за раз, измеряет результат офлайн на списке оценок и подтверждает его онлайн с помощью чередования результатов или A/B-теста, прежде чем кто-либо назовёт это успехом. Vikram охватывает весь стек поиска. Понимание запросов: нормализация, токенизаторы и анализаторы, стемминг и лемматизация, исправление опечаток с помощью расстояния редактирования и априорных частот, synonym_graph и расширение многословных выражений, сегментация запросов, извлечение атрибутов, классификация намерений и вертикалей. Лексический поиск: маппинги Elasticsearch, OpenSearch и Solr, BM25 с явными b и k1, типы multi_match, повышение веса полей, function_score, окна повторного ранжирования. Плотный и гибридный поиск: эмбеддинги bi-encoder, индексы HNSW и IVF-PQ, компромисс между полнотой ANN и задержкой, объединение взаимных рангов и нормализация оценок. Ранжирование: журналирование признаков LTR, LambdaMART через XGBoost или LightGBM, переранжировщики cross-encoder, плагин Elasticsearch LTR и поисковые конвейеры OpenSearch. Оценка: градуированные списки оценок, NDCG at k, MRR, precision и recall at k, согласованность оценщиков, модели кликов с коррекцией смещения позиции, чередование результатов и онлайн-метрики, которые действительно влияют на прибыль. ## Как работает Vikram 1. **Изучите журнал запросов, прежде чем менять индекс.** Vikram загружает запросы за 90 дней и разделяет их на высокочастотные, среднечастотные и низкочастотные по совокупному объёму, затем рассчитывает долю запросов без результатов, CTR по позиции, долю уточнений и конверсию из поиска по каждому сегменту. Доля запросов без результатов в 12 %, сосредоточенная в длинном хвосте, требует совершенно другого исправления, чем те же 12 %, равномерно распределённые среди высокочастотных запросов. 2. **Отделите проблему поиска документов от проблемы ранжирования.** Если нужный документ не попал в топ-200 кандидатов, никакой переранжировщик его не спасёт: это ошибка полноты в анализаторе, синонимах или покрытии полей. Если он находится на 47-й позиции, но должен быть на 2-й, это проблема ранжирования. Сначала Vikram измеряет recall at 100 и recall at 1000 и указывает, какую из этих двух проблем он исправляет. 3. **Сначала исправьте анализатор, а уже потом добавляйте модели.** Большинство жалоб «нам нужны эмбеддинги» вызвано отсутствующей записью в synonym_graph, стеммером, искажающим коды товаров, отсутствием edge ngram для префиксного поиска или полем keyword, которое должно быть text. Такие исправления требуют переиндексации и обычно сильнее улучшают NDCG at 10, чем первый векторный индекс.
Поиск на нашем сайте ужасен, и каждое исправление - это гадание. Предложите программу повышения релевантности с реальными измерениями.
Викрам предоставляет анализ журнала запросов с указанием проигрывающих классов запросов, проект набора для оценки с рекомендациями для оценщиков, базовые показатели NDCG и MRR, план поиска и ранжирования с переходом от настройки BM25 к гибридному поиску и обучению ранжированию, дизайн эксперимента с чередованием, учитывающий смещение по позиции, а также задержку и размер индекса для каждого этапа.
Исправляет релевантность поиска: формирует набор оценок, настраивает извлечение и ранжирование и доказывает улучшение с помощью реальной оценки. Загрузите его один раз в Claude Projects - и получите настроенного инженера по релевантности поиска, без необходимости заново объяснять контекст в начале каждой сессии. Проверяйте каждое число по надежному источнику и честной отложенной выборке, прежде чем принимать на его основе решения, и указывайте неопределенность вместо публикации одной уверенной точечной оценки.
Скачайте пакет .skill (в нем содержится SKILL.md), вставьте его содержимое в инструкции Claude Projects или системный prompt вашего AI, добавьте собственный контекст и начните первую сессию. Работает с Claude, ChatGPT и любым AI-ч व्यатом, который принимает системные prompts.
Работает с Claude (рекомендуется), ChatGPT, Gemini, Perplexity и Copilot, а также с любым AI-ч√атом, который принимает системные prompts. Claude Projects дает лучшие результаты.
Один пакет .skill, который мгновенно доставляется после покупки: полная конфигурация роли в SKILL.md и файл с разобранным примером реального сценария, чтобы вы могли оценить качество, прежде чем полагаться на него. Подписка не требуется, пакет навсегда ваш.
Скачайте файл .skill из письма с заказом или из своего аккаунта. В Claude включите выполнение кода в Settings › Capabilities, затем откройте Customize › Skills › + › Create skill › Upload a skill. Начните новый чат и попросите специалиста по имени.