В различных направлениях теоретической информатики под искусственным интеллектом часто подразумевают очень разные и контрастные между собой определения. Искусственного интеллекта не существует в его бытовом понимании, тем не менее мы можем говорить о создании интеллектуальных агентов или интеллектуальных систем, которые помогают человеку изучать, анализировать и посредством этого — созидать. Имитация когнитивных функций человека вторична, интеллектуальная система имеет свою узкую предметную область и является помощником человеку при создании сервисов качественно нового уровня.

Первая часть доклада посвящена возможной классификации интеллектуальных агентов и предметных областей, в которых их использование целесообразно. Интеллектуальный агент в общем смысле можно воспринимать как "демона", который, по некоторым входным данным, способен предоставить данные для цифрового актуатора с целью воздействия на объекты предметной области. Это кажется неочевидным, но в авторизованной зоне, когда у объекта есть жесткий идентификатор, и в неавторизованной зоне, когда у объекта нет жесткого идентификатора (или он слишком неустойчив или вариативен (например, файлы cookies)), приходится использовать разные подходы к разработке интеллектуальных агентов. В авторизованной зоне, например, финансового приложения, вы можете заранее подготовить рекомендации для клиента и впоследствии просто показать их с учетом онлайн-контекста или без. В неавторизованной зоне вам даже сложно понять, что пользователь является вашим клиентом, и вы не можете эффективно предрассчитать какие-либо рекомендуемые действия; в случае вариативного идентификатора вам потребуется обработать условный миллиард идентификаторов пользователей, из которых только на несущественный процент сможет подействовать цифровой актуатор.

Во второй части доклада мы рассмотрим используемые подходы к разработке и внедрению интеллектуальных агентов в авторизованной зоне, а в третьей части, заключительной — как сделать то же самое только для неавторизованной зоны. Кажется, что если мы работаем в предметной области с жестким идентификатором объекта, то логика интеллектуального агента может быть в большей части экспертной или рекомендованной некоторой экспертной системой. В неавторизованной зоне же мы можем говорить о частично персонализированном подходе, когда не сам объект, но его известные свойства позволяют интеллектуальному агенту оптимизировать какой-либо показатель качества своей работы.

С практической точки зрения, из доклада вы узнаете о нашем опыте внедрения графовых баз данных, которые позволяют нам предрассчитывать как в режиме оффлайн, так и онлайн, рекомендации для Историй в мобильном банке и контентных рекомендательных лент на journal.tinkoff.ru. Как мы проводим A/B-тестирование рекомендательных алгоритмов, и как здесь могут помочь многорукие бандиты?

Отдельная часть доклада посвящена проектам Vowpall Wabbit и CatBoost, почему мы не видим каких-либо альтернатив. Мы покажем, как просто поднять "демона" с интеллектуальным агентом и начать его использовать. Отдельно поговорим и про метрики качества, кажется, что диаграмма надежности — это то, что может убедить каждого в полезности внедренного агента.

Внедрение передовых разработок математиков и инженеров XXI века проходит красной линией во всех задачах, связанных с разработкой в Tinkoff. Однако кажущееся простым в разработке совершенно не означает простое при внедрении, а интерпретируемость поведения интеллектуальных агентов особенно важна.