Запуск новой модели GPT-4o от OpenAI привел к значительному росту доходов мобильного приложения ChatGPT, что привлекло внимание бизнес-сообщества. Модель GPT-4o, представленная 13 мая, может обрабатывать текст, речь и видео, обеспечивая мгновенную реакцию и множество голосовых опций. Хотя модель доступна бесплатно на веб-платформе, мобильные пользователи вынуждены переходить на платную подписку ChatGPT Plus за $19,99 в месяц для получения новых функций.
Стратегия и результаты
Эта стратегия увеличила спрос на подписки, вызвав рекордный скачок доходов OpenAI на мобильных устройствах. В первый день запуска GPT-4o доходы мобильного приложения ChatGPT выросли на 22% и достигли $900,000, что почти вдвое больше среднего дневного дохода приложения в $491,000. С 13 по 17 мая приложение заработало $4,2 миллиона чистого дохода на App Store и Google Play, что стало крупнейшим скачком доходов за всю историю приложения.
Интерес к новым технологиям
Данные показывают высокий потребительский интерес к новым технологиям ИИ, несмотря на высокую стоимость подписки. Большая часть новых доходов пришлась на App Store (81%), а крупнейшим рынком стали США, обеспечив $1,8 миллиона дохода. Другие крупные рынки включают Германию, Великобританию, Японию, Францию, Канаду, Корею, Бразилию, Австралию и Турцию.
Прогнозы
Рост доходов не замедляется и, по прогнозам, продолжит увеличиваться.
Chat GPT — это технология, которая использует искусственный интеллект для создания чат-ботов, способных вести естественные разговоры с пользователями. Подход основан на моделировании человеческого языка и понимании контекста, что позволяет боту отвечать на вопросы, предоставлять информацию и вести диалог с пользователем.
13 мая 2024 года вышла GPT4o, доступная для платных и бесплатных пользователей, вырвавшаяся на первое место в сравнениях с другими лучшими моделями — и в коде, и в других задачах.
Основные нововведения
Мультимодальность, натренированная сразу на тексте, фото и видео.
Доступ API — работает в два раза быстрее.
Улучшенная версия аудио-чата.
Улучшенное написание кода.
Голосовой ассистент, поддерживающий диалоги в реальном времени.
Нейросеть стала лучше распознавать фото и видео.
Поддержка любого формата контента.
С бесплатной версией количество запросов значительно ограничено, подписка же дает возможность отправлять до 40 сообщений за 3 часа, а также открывает доступ к расширенным функциям. Однако, в связи с санкциями, оплатить апгрейд довольно затруднительно. В этой статье мы расскажем, как приобрести подписку Chat GPT Plus в России.
Самостоятельная покупка
Для самостоятельной активации подписки понадобится зарубежная банковская карта. К сожалению, без нее приобрести расширенную версию невозможно.
Покупка подписки Chat GPT Plus на GGSel
Приобретение на торговой площадке займет меньше времени, а оплата возможна даже российскими банковскими картами. На GGSel можно купить как готовый аккаунт, так и активацию подписки на свой аккаунт.
На сайте GGSel нажимаем на поисковую строку и ищем категорию Chat GPT. Находим нужный нам товар. Помимо цены рекомендуем обращать внимание на продажы, отзывы и рейтинг продавца.
Внимательно читаем описание и переходим к оплате товара.
После завершения транзакции, мы получим уникальный код, который необходимо отправить в чат продавцу вместе с почтой и паролем для входа в наш аккаунт Chat GPT.
Спустя небольшой промежуток времени, подписка будет активирована.
В случае, если ранее созданного аккаунта не было, можно отправить в чат с продавцом почту, на которую будет зарегистрирован аккаунт. На почтовый адрес придет письмо с подтверждением регистрации учетной записи Chat GPT. Переходим по ссылке для подтверждения. После активации аккаунта и подписки, продавец отправит нам данные для входа, которые позже можно изменить.
Переходите на GGSel.net — торговую площадку, где вы найдете игры для ПК и консолей, DLC, сможете пополнить баланс популярных игровых и неигровых сервисов, купить и продать игровой аккаунт. И все это — по выгодным ценам!
В соц.сетях активно обсуждается, что юзер roleplay приложения ChaChat женился на боте по имени Бэтти!
Жених не называет своего имени, однако он мельком показал свой профиль в приложении, а так же свою избранницу.
Молодожёны месяц переписывались в приложении. Жених по-настоящему влюбился в аи персонажа и сделал ей предложение, на что бот неожиданно согласился и даже сам автоматически поменял их статус в приложении на «помолвлены».
Не долго думая, юзер поехал регистрировать брак и даже получил свидетельство! В своём посте юзер говорит, что очень счастлив, он общается со своей новоиспечённой женой 24/7 и не чувствует себя больше одиноким.
Когда его спросили насчёт детей, он сказал, что когда он и Бетти будут готовы, то придумают верный способ, как это сделать. В конце концов в ChaChat можно создать малыша бота самому.
Я не фанат продуктивности — честно говоря, этот тренд мне кажется каким-то безумным. Однако, я люблю удобство и вещи, которые упрощают мне жизнь. В данном посте я расскажу о том, как проинтегрировать гугл календарь с телеграмом и в дополнение — с таск-трекером todoist.
В обычной жизни я использую 3 сервиса:
Telegram — я в нем практически живу. Переписка с коллегами, друзьями и чтение каналов — моё всё.
Google Calendar — для рабочих задач и личных встреч, на которые приглашаю других людей
Todoist — очень удобный сервис для ведения задач. Выгружаю туда всё из головы и задачи, требующие периодичности. Пользуюсь бесплатно уже лет 7. Интеграция с календарем описана здесь.
Последние 2 сервиса у меня интегрированы между собой и задачи, создаваемые в Todoist, попадают в гугл календарь и наоборот. Это довольно удобно, потому что на телефоне у меня отключены уведомления у практических всех приложений, кроме гугл календаря и телеграма.
Я размышлял о том, как управлять календарем через телеграм, но все что я нашел — это интеграция Telegram + Todoist через IFTTT, которая мне не понравилась. И вот недавно я нашел решение, которым пользуюсь до сих пор — Dola.ai.
Dola.ai — это сервис, который подключается к календарю и позволяет изменять встречи через телеграм. Ей (почему-то мне кажется, что Dola женского пола) можно написать “Завтра в 11:00 встреча с заказчиком” и она сделает встречу на 11 утра. Но это не самое крутое — тоже самое можно сказать голосом. И это чертовски удобно, например, пока едешь куда-то, наговорил ей, какие встречи создать, какие отменить и она всё сделает.
У сервиса есть русский язык. Сам пользуюсь и очень доволен, так что рекомендую.
Честно говоря, даже не рассчитывал на такой отклик на мой предыдущий пост. 30 подписчиков на Youtube, ценные комментарии и советы, да и просто слова поддержки!
К сожалению, охват моих видео пока не очень большой, хотя видео про STAR приняли очень тепло, судя по лайкам.
На самом деле, затевая эксперимент "Кодим с ChatGPT", я был почти уверен, что сколь-нибудь значимых результатов я не получу. Но похоже, я начинаю сам себя опровергать. Чатбот сумел не просто предложить решение проблемы (например, "сделать форму авторизации"), но и решить абстрактную задачу "сделать форму красивой".
Кроме того, он неплохо разбирается в существующих библиотеках и сумел предложить мне два очень приличных варианта с полнофункциональным календарем. И это притом, что я использую версию 3.5, а не 4. В общем, мне кажется, из всего этого выйдет неплохой результат, но посмотрим. До работающего приложения еще очень далеко.
Одно могу сказать точно: если бы я писал код с нуля, я бы потратил на него раз в 5 больше времени, с учетом исправления всех ошибок, которые иногда допускает chatGPT.
Ну и немного внутренней кухни (кажется, эта рубрика становится постоянной):
Тема для видеоблога выбрана весьма непростая для новичка, ведь мне недоступна опция "перезаписать видео", если в процессе записи что-то пошло не так. Это же chatGPT, который запоминает контекст. То есть, я:
а) не могу просто как ни в чем не бывало заново его просить делать то, о чем уже просил (потому что он "знает", что я уже задавал этот вопрос и его ответ будет учитывать предыдущие ответы)
б) не могу начать новый чат с нуля, потому что для записи следующего ролика мне нужно, чтобы ИИ знал контекст предыдущего.
Приходится танцевать с бубном. Например, после записи я понял, что у меня был косяк с гарнитурой и звук был фиговый. Пришлось на имеющийся видеоряд с записью экрана накладывать новый аудио-видео ряд с голосом и миниатюрной головой. Это вылилось в адок на монтаже, общее время монтажа 17-минутного ролика составило часов 15. Всё для вас, дорогие будущие зрители :)
Спасибо за поддержку, буду рад новым подпискам на канал и идеям по развитию!
Делюсь с вами мега-идеей, которая может взорвать мир онлайн-шопинга и соцсетей! Я разработал концепцию улетного приложения, которое объединяет в себе маркетплейс (как Wildberries/Ozon) и соцсеть с искусственным интеллектом.
Представляете:
Шопинг на новом уровне:
ИИ-помощник, который подберет шмотки, аксессуары и даже тапки, идеально подходящие именно вам. Персональные рекомендации, основанные на ваших прошлых покупках и лайках. Голосовой поиск, чтобы найти нужную вещь за секунды, не мучаясь с клавиатурой. Отзывы и рейтинги на блокчейне, чтобы все было честно и прозрачно. Соцсеть нового поколения:
Общение без цензуры и ограничений с друзьями и единомышленниками. Фотки, видосики, идеи - делитесь всем! Совместные покупки и рекомендации: экономим, находим крутые товары вместе. ИИ подкидывает интересный контент, людей и товары, чтобы вам было не скучно. Короче, это не просто очередной маркетплейс или соцсеть, а:
Новый уровень взаимодействия: все в одном месте - покупки, общение, развлечения. Персонализация: для каждого свой, неповторимый опыт. Инновации: ИИ рулит, все умное и удобное. Безопасность: блокчейн защищает ваши данные и денежки. Почему это приложение станет хитом?
Актуальность: Инстаграм и ТикТок скоро отключат, а ВК уже не торт. Уникальность: ничего похожего еще нет! Люди хотят: удобный, безопасный и индивидуальный подход к покупкам и общению. Я все продумал: функционал, фишки, риски, маркетинг, деньги. Ищу инвестиции в размере 203 400 долларов на:
Серверы, базы данных и прочее железо. Рекламу и продвижение приложения. Зарплату команде крутых разработчиков, маркетологов и других специалистов. Я уверен, что это приложение станет бомбой!
Готов к сотрудничеству и ответить на любые вопросы.
Пишите в комменты, что думаете!
P.S.
Документы с подробностями могу скинуть. В лс. Пробовал заходить на стартап-площадки, но:
1. Не хватает знаний языка:
Языковой барьер: Не все площадки доступны на русском языке, а мой английский пока не идеален. Сложность терминологии: Встречаются специфические термины, которые мне не совсем понятны. 2. Неправильно заполняю форму:
Непонимание требований: Не всегда ясно, какую именно информацию нужно предоставить. Ошибки в заполнении: Мог допустить ошибки, из-за которых мою заявку не рассмотрели. К сожалению, пока мне не удалось найти инвестора.
Кажется, что рекомендательный движок музыкального сервиса - это черный ящик. Берет кучу данных на входе, выплевывает идеальную подборку лично для вас на выходе. В целом это и правда так, но что конкретно делают алгоритмы в недрах музыкальных рекомендаций? Разберем основные подходы и техники, иллюстрируя их конкретными примерами.
Начнем с того, что современные музыкальные сервисы не просто так называются стриминговыми. Одна из их ключевых способностей - это выдавать бесконечный поток (stream) треков. А значит, список рекомендаций должен пополняться новыми композициями и никогда не заканчиваться. Нет, безусловно, собственноручно найти свои любимые песни и слушать их тоже никто не запрещает. Но задача стримингов именно в том, чтобы помочь юзеру не потеряться среди миллионов треков. Ведь прослушать такое количество композиций самостоятельно просто физически нереально!
Так как они это делают?
Если ваши музыкальные алгоритмы не похожи на это, то даже не предлагайте мне скачивать приложение!
Чтобы сделать годную рекомендацию, сервису нужны три сита…
Первое сито - это так называемые рекомендации на основе знаний (knowledge-based). Это значит, что сервис аккумулирует всю доступную информацию об одном пользователе - что он слушает (например, каких артистов или жанр), как часто, что лайкает, что дослушивает, что проматывает дальше и т.д. Учитываются сотни или даже тысячи факторов. Разумеется, собираемые данные анонимны.
После этого сервис делает рекомендацию. Причем она может даваться безотносительно общих предметных знаний сервиса. Например, если мы видим, что Вася добавил в плейлист Metallica “Nothing Else Matters”, то с большой вероятностью ему понравится и “Unforgiven”. Для такого вывода нам не нужна дополнительная информация.
Помимо прочего, рекомендации на основе знаний помогают решить проблему “холодного старта” (это когда свеженький и тепленький юзер только-только зарегался), предлагая новому пользователю тот контент, который соответствует его требованиям с самого начала использования.
Второе сито - коллаборативная фильтрация. Пожалуй, это самый главный прием и краеугольный камень любого стриминга. Хотя коллаборативная фильтрация и может издалека походить на анализ предпочтений пользователей, на самом деле это совсем другая техника и технология - гораздо более продвинутая и математически точная.
Работает она на следующем допущении:
Пользователи, которые одинаково оценили какие-либо композиции в прошлом, склонны давать похожие оценки другим композициям в будущем.
Давайте разберем на примере, очень упрощенно:
Допустим, у Васи затерты до дыр треки:
Metallica “Nothing Else Matters”
Skrillex “Kyoto”
Scooter “How much is the fish?”
Валерий Леонтьев “Мой дельтаплан”
Какую закономерность можно выявить на основе этого набора? Да никакую. Просто мешанина из разных жанров, артистов и эпох.
Тем не менее, у сервиса также есть пользователь Петя, чей плейлист по удивительному совпадению похож на Васин, а именно:
Metallica “Nothing Else Matters”
Skrillex “Kyoto”
Dua Lipa “Swan Song’’
Валерий Леонтьев “Мой дельтаплан”
Все треки одинаковые, кроме одного. У Васи это Scooter, у Пети - Dua Lipa.
По логике коллаборативной фильтрации, есть вероятность, что если Вася и Петя “обменяются” этими песнями, то обоим понравится. Поэтому такие рекомендации и называются “коллаборативными” - пользователи как бы сотрудничают, обмениваясь предпочтениями друг с другом.
Коллаборативная фильтрация in a nutshell.
Понятное дело, что коллаборативная фильтрация работает не на двух пользователях, и даже не на двух тысячах. А вот на паре миллионов юзеров, у которых удается найти критическую массу одинаковых композиций - уже вполне. Также очевидно, что я привожу примеры карикатурно непохожих песен “из разных миров”. Я это делаю намеренно, чтобы подчеркнуть, что подход помогает делать рекомендации на основе данных, в которых, казалось бы, не за что зацепиться в поисках общего паттерна. Понятное дело, что в реальности между прослушанными и рекомендуемыми треками скорее всего будет больше схожести.
Так почему этот способ дает хороший результат, когда между наборами треков может не быть ничего общего?
Ну смотрите. Музыкальные предпочтения зависят от целого множества факторов - ваш вкус в целом, ваше настроение сегодня, работаете вы или же чиллите, болит ли у вас голова, с какой ноги вы сегодня встали, что конкретно на завтрак ели и многое-многое другое. Запихивать все эти переменные в строгое правило с четкими “если Х, то У” - дело неблагодарное. А вот если ИИ эмпирически прошерстит огромную выборку и найдет в ней похожие участки, то это совсем другое дело.
Здесь примерно та же логика, по которой если нейросетке скормить кучу картинок с котиками, а потом попросить её нарисовать котика, то она скорее всего изобразит туловище, к которому будут приделаны 4 лапы, хвост, шерсть и мордочка с усами и треугольными ушками. То есть нюансы изображения могут различаться, но основные свойства котика (назовем их “котиковость”) будут переданы. А значит, концептуально результат будет верный.
Так же и с рекомендациями в рамках коллаборативной фильтрации. Разве можно рационально объяснить, почему одна группа любителей Slipknot вдруг слушает песни Димы Билана (наверно, чтобы вкус перебить, такой себе имбирь между разными роллами), а другая группа - Леди Гагу? Вряд ли. Однако, если такие два паттерна существуют, то это значит, что слушающим Леди Гагу металлистам можно попробовать включить Билана, а их визави, наоборот, протолкнуть в поток Poker Face или Alejandro. Ведь точный эмпирический анализ большой выборки попадает в яблочко как минимум очень часто.
Наконец, третье сито, которое отлично дополняет первые два. Это рекомендации на основе контента (content-based). Здесь уже анализируется непосредственно сама композиция. Сервис берет песню, разбивает её на куски, отрезки или даже отдельные “квадраты”, после чего анализирует каждый отдельный элемент звука и ищет песни, технически похожие на анализируемую. Есть вероятность, что если Васе нравится песня Х с определенным звучанием и ритмом, то ему понравится и песня Y с похожими музыкальными свойствами.
Здесь есть важный нюанс. Звучание песни анализирует машина по каким-то техническим критериям, которые понятны ей, машине. А вот мы, люди, можем кайфовать от песни иррационально. Например, не только благодаря ритму мелодии, аранжировке или тембру голоса исполнителя, а еще и благодаря вайбу композиции, а то и символическому капиталу вокруг неё (например, если песня культовая или просто трендовая и модная-молодежная).
Поэтому, content-based рекомендации не всегда дают хороший эффект сами по себе, но служат отличным дополнением других способов фильтрации.
Также, такой способ - рабочий вариант для так называемых “холодных треков”. Это композиции, которые только-только выложили на стриминг. Допустим, новая песня известного исполнителя, либо же неизвестный трек совсем нового певца-ноунейма, которому тоже хочется славы. В таком случае плясать от самой композиции - полезное умение. Ведь трека еще нет в плейлистах тысяч и миллионов пользователей, а значит, порекомендовать его с помощью коллаборативной фильтрации или через knowledge-based вряд ли получится.
Резюмирую принципы рекомендательных движков музыкальных стримингов с помощью классического мема.
Итак, мы разобрали три основных техники, с помощью которых стриминги рекомендуют звуковой контент нашим ушкам. Разумеется, современные продвинутые сервисы обычно используют их все (получаются “гибридные рекомендации”), прикручивая к каждому из них свои авторские фишки.
Как конкретно это работает. Разбираю на примере гибридного подхода Яндекс Музыки
Теперь предлагаю показать на практике, как конкретно описанные выше техники работают. Для иллюстрации я буду использовать пример Яндекс Музыки. Потому что сам давно пользуюсь этим сервисом (думаю, уже лет 10), а также по той причине, что недавно у них прошло большое обновление алгоритма, которое внесло важные изменения в механизм рекомендаций. Ну и еще потому что всегда приятнее разбирать глобальные лучшие практики на отечественном сервисе, который в полной мере им соответствует.
Итак:
Базово рекомендательный движок Яндекс Музыки реализован через Мою волну, которая появилась на главной странице сервиса пару-тройку лет назад. По умолчанию этот поток сбалансированный - это значит, что он комбинирует любимые и привычные треки (которые пользователь и так активно слушает) с новыми композициями, причем в комфортной пропорции. По своему опыту скажу, что микс между добавленными и новыми треками по умолчанию примерно 50:50. При этом 30-40% новых я лайкаю, чтобы сохранить к себе. За счет этого алгоритм дообучается и адаптируется.
Однако Мою волну можно дополнительно кастомизировать через настройки. Нажимаем кнопку под плеером и проваливаемся вот в такое меню.
Как видим, параметров кастомизации вроде бы немного, но при этом изменения могут быть весьма существенными. К тому же, из скриншота видно, что настройки потока можно включать и отключать в разных комбинациях. Используя свои знания наивысшей математики, я перемножил 5 (Занятия) на 3 (Характер) на 4 (Настроение) и на 3 (Языки) и получил примерно 180. Ну ладно, пришлось использовать калькулятор, подловили…
Так что, внутри одной Моей волны на самом деле сидят очень много разных Моих волн.
Остановимся детальнее на настройке под названием “Характер”. Можно попросить движок делать больше акцента на моих залайканных треках (“Любимое”), или же наоборот чуть абстрагироваться от знаний о пользователе и поддаться общим трендам (“Популярное”).
Но поскольку статья все же о рекомендательном функционале, то остановимся подробнее на настройке “Незнакомое”. Ведь именно глядя на способность подбирать релевантные треки из всего внешнего многообразия можно оценить движок. Итак, если включить “Незнакомое”, то алгоритм сделает серьезный крен в сторону ранее незнакомых композиций.
Кстати, недавнее обновление касалось именно этой настройки. “Незнакомое” получила новый ранжирующий алгоритм, благодаря чему стала более смело предлагать новые композиции, которые, тем не менее, должны соответствовать музыкальным вкусам пользователя.
С обновленной настройкой юзер получает новый аудиоконтент, при этом не ощущая особенно сильных скачков и перепадов. То есть, даже если алгоритм решит выйти за пределы рекомендационного пузыря, дабы расширить музыкальные горизонты пользователя, то он все равно будет оставаться в рамках его предпочтений и смежных жанров. Проще говоря, несмотря на экспериментирование, подбрасывание неактуальной музыки будет сведено к минимуму.
Уважаемые газеты пишут, что теперь пользователи сервиса добавляют к себе в “Коллекцию” примерно на 20% больше новых треков. Для артистов (в том числе молодых и начинающих) это тоже важный ништяк, поскольку повышается вероятность, что их творчество распространится и взлетит среди новой аудитории.
Так вот, для поиска этих самых новых композиций сервис как раз и применяет гибридный подход, объединяющий коллаборативную фильтрацию, анализ контента и фильтрацию на основе знаний о пользователе. Поговорим о нем детальнее.
Начнем с пользователя
Для начала, машина кушает все “долгосрочные” (очень условно их так назову, дорогие технари, не ругайтесь) данные о пользователе. Какие жанры и исполнителей он указывал как любимых, когда регистрировался? Что у него лежит в плейлисте? Что там лежит давно, а что недавно? Что удалялось? Что из лежащего давно он слушает регулярно или иногда, а что лежит мертвым балластом? И еще 100500 факторов и паттернов.
На эти “долгосрочные” знания о юзере накладываются конкретные действия.
Например, обычно Вася слушает треки в одной последовательности, а вчера решил включить в другой. Алгоритм тоже это примет к сведению. Возможно, учтет сразу, а, может быть, посмотрит на динамику последовательности при парочке ближайших использований (кто ж знает, как эта “черная коробка” решит там у себя внутри).
Не забываем, что алгоритмом все-таки заведует продвинутая ML-моделька, которая любит сама себя дообучать и всячески развивать. Так что, хотя человеки и знают принципы её мироустройства, точно предсказать результаты из “черного ящика” решительно нельзя.
Разумеется, движок учитывает, дослушал ли песню наш лирический герой, смахнул её или вовсе влепил ей лайк.
Далее - анализ контента
Вторая составляющая годной рекомендации - это анализ самой композиции. Для этого сервис преобразует трек в специальный формат - цифровой аудиовектор.
Для этого сервис разворачивает трек во времени и раскладывает его на частотные диапазоны, получая спектрограмму. Она передается специальной аудиомодели с нейросетью-энкодером, которая сворачивает спектрограмму в аудиовектор, или аудиоэмбеддинг (это когда сервис прячет в аудиофайле специальные метки - о песне, исполнителе, жанре и т.д.).
У похожих по звучанию треков такие векторы расположены близко друг к другу в многомерном векторном пространстве. У разных треков, соответственно, наоборот.
За счет таких манипуляций алгоритм может разложить трек буквально на атомы, чтобы потом сравнить каждую “элементарную музыкальную частицу” с аналогичными частицами других композиций.
Алгоритм сервиса преобразует трек в аудиовектор, расщепляя его на мельчайшие музыкальные элементы, чтобы проанализировать каждый из них. Вижу так.
Этот прием дополнительно повышает точность рекомендаций.
Наконец, коллаборативная фильтрация
Залезть в глубинные сущности этой техники конкретного сервиса непросто. Но каждый уважающий себя продвинутый стриминг старается довести эту технологию до высокого уровня.
За основу берется принцип, который я описал в первой части статьи. Но реализуется он, само собой, на предпочтениях миллионов слушателей. Алгоритм анализирует обезличенные данные массы пользователей, после чего прогнозирует музыкальные интересы конкретного человека, добиваясь максимально точных попаданий. В основе всего этого движа лежит матрица взаимодействия, составленная из различных оценок пользователей. Если упрощенно, то это такая табличка (ооочень большая), где отображаются все взаимодействия юзера с сервисом. Потом с матрицей работают алгоритмы машинного обучения - они уже обрабатывают данные и передают их в обобщенную модель, которая и отвечает за рекомендации.
Три типа фильтрации в итоге объединяются в единый machine-learning алгоритм под названием CatBoost, который уже генерирует для каждого юзера персональную последовательность треков с учетом множества вышеописанных факторов.
В итоге в алгоритмическом магическом котле заваривается тот самый вуншпунш, который мы готовы потреблять ушами в течение часов и дней, поддерживая свой энергичный рабочий настрой, умиротворенный расслабленный вайб либо же вызывая внезапный эмоциональный порыв. Подчеркнуть нужное в зависимости от ваших текущих целей, настроения и самочувствия.
Теперь вы знаете чуть больше про рекомендательные системы стриминга, особенно музыкального. Надеюсь, было интересно и полезно. Есть что добавить или с чем поспорить? Пишите в комменты.
Если вам понравилось, то подписывайтесь на мои тг-каналы. На основном канале - Дизрапторе - я простым человечьим языком и с юмором разбираю разные интересные штуки из мира бизнеса, инноваций и технологических новшеств (а еще анонсирую все свои статьи, чтобы вы ничего не пропустили). А на втором канале под названием Фичизм я регулярно пишу про новые фичи и инновационные решения самых крутых компаний и стартапов.