Как обучение со слабым контролем помогло Точке тегировать клиентские обращения.А. Сосновиков, Точка https://peertube.lightnode.ru/videos/watch/f03ff36e-0e0b-4bfd-9334-6f40f480ad7a Как обучение со слабым контролем помогло Точке тегировать клиентские обращения Артур Сосновиков ML Teamlead, Точка Ручная разметка данных остаётся узким местом в ML-проектах — она дорога, медленна и плохо масштабируется. Вместо того чтобы использовать GPT напрямую для классификации (что требует затрат на inference и промпт-инжиниринг, а также даёт нестабильный результат), мы используем его для генерации и итеративного улучшения правил разметки на основе ошибок модели. Сформированные таким образом слабые метки агрегируются с помощью классических методов weak supervision и позволяют обучать точные модели даже в условиях острого дефицита размеченных данных. В отличие от статичных эвристик или одноразовых LLM-промптов, наш подход построен как замкнутый цикл обратной связи: модель → ошибки → обновлённые правила → новые метки. Мы применили этот метод на задаче классификации клиентских обращений в поддержку Точки и добились качества, превосходящего как zero-shot GPT-4, так и классические supervised-модели на размеченной выборке. Подход уже используется в продакшене и подходит для масштабирования NLP-моделей без затрат на полноценную аннотацию. Tue, 28 Jul 2026 20:02:54 GMT https://validator.w3.org/feed/docs/rss2.html PeerTube - https://peertube.lightnode.ru Как обучение со слабым контролем помогло Точке тегировать клиентские обращения.А. Сосновиков, Точка https://peertube.lightnode.ru/client/assets/images/icons/icon-96x96.png https://peertube.lightnode.ru/videos/watch/f03ff36e-0e0b-4bfd-9334-6f40f480ad7a All rights reserved, unless otherwise specified in the terms specified at https://peertube.lightnode.ru/about and potential licenses granted by each content's rightholder.