Команда AI VK опубликовала на Хабре отчёт о развитии Discovery-платформы — единого инфраструктурного слоя для рекомендаций, поиска и рекламы во всех продуктах VK. За полугодие платформа сменила саму модель работы: новые рекомендательные сервисы настраиваются конфигурацией, а нейросетевое ранжирование переведено на GPU с задержками в миллисекунды. Параллельно зафиксирован заметный рост вовлечённости в VK Видео, ленте ВКонтакте и музыке, который команда напрямую связывает с обновлённым ранжированием.
Что произошло
29 октября 2026 года блог AI VK на Хабре опубликовал инженерный отчёт о масштабировании Discovery-платформы. За полугодие на ней запущено 15 новых рекомендательных вертикалей, запуск нового рекомендера сократился до одного дня, а около 90% задач ранжирования теперь решаются правкой конфигурации без написания нового кода. Цикл проверки гипотез сокращён в пять раз. Появился Discovery Portal — единая точка управления конфигурациями с валидацией, поэтапной раскаткой и автоматическим откатом при ухудшении метрик. В онлайн-ранжирование внедрён GPU-инференс трансформерных моделей: динамический батчинг, запасной CPU-путь и совместное использование GPU вместе со сквозной оптимизацией рантайма высвободили 70 000 CPU-ядер. Продуктовые результаты: +20% времени просмотра на главной VK Видео, +11% времени в ленте ВКонтакте, +35% добавлений треков из рекомендаций в VK Микс, а в VK Клипах просмотров стало на 5,5% больше при росте лайков на 3% и шеров на 15%, плюс рост метрики TVT на главной VK Видео на 10%.
Контекст
Discovery-платформа — это общий рантайм, на котором работают рекомендации, поиск и реклама всех продуктов VK, с единым слоем признаков для обучения и инференса моделей. Кейс относится к жанру платформизации: рекомендательная инфраструктура перестаёт быть продуктом отдельной команды и превращается в общий слой, где запуск новой вертикали или модели сводится к настройке, а безопасная раскатка оформлена в отдельный инструмент, а не во внутренний процесс со словесным описанием. С научной точки зрения в материале нет новой архитектуры или метода обучения — такие приёмы давно известны из индустриальных докладов. Редкость в другом: практики конфигурационных запусков, контроля перцентилей задержек и отката по метрикам показаны как подтверждённый производственный контур экосистемы масштаба VK, а не как отдельный эксперимент.
Почему это важно для индустрии
Кейс фиксирует смену планки для всех, кто строит рекомендательные системы: перевод ранжирования на конфигурации, управляемая раскатка через единый портал и GPU-инференс в онлайн-контуре — это уже гигиена крупных платформ, а не эксперимент отдельной команды. Ключевой экономический механизм — общий рантайм: одна оптимизация горячего пути, будь то кэширование кандидатов, переиспользование признаков или перенос на GPU, высвобождает ресурсы всех продуктов сразу, а не одного сервиса, что и объясняет порядок заявленной экономики в десятки тысяч ядер. Если цифры устойчивы, командам придётся объяснять бизнесу, почему запуск модели у них занимает недели, а не дни; вероятен и рост спроса на tooling для валидации, поэтапной раскатки и автоотката моделей — ниша, которую пока редко занимают внешние продукты. Для основателя стартапа вывод жёстче: если продукт держится на стандартной инженерии рекомендаций, преимущество скорее иллюзорно, а ценность смещается к проприетарным данным, дистрибуции и вертикальному продукту.
Почему это важно для пользователей
Читателям публикация даёт промышленный референс, по которому можно аудитировать собственные процессы запуска ML-фич: сколько времени занимает запуск рекомендера, какая доля задач решается конфигурацией, как устроен откат при падении метрик. Особенно полезны описанные паттерны: динамический батчинг GPU-запросов, контроль хвостов задержек по верхним перцентилям вместо среднего, деградация качества вместо падения сервиса при отказе модели и единый слой признаков для обучения и инференса. Конечным пользователям VK это оборачивается более точными рекомендациями в видео, ленте и музыке. Построить что-то поверх платформы нельзя: открытого кода, API и тарифов в материале нет, поэтому ценность для внешнего читателя учебная и методологическая.
Что пока неизвестно / ограничения
Все ключевые цифры самозадекларированы командой VK: в публикации нет базовых уровней для сравнения, длительности A/B-тестов и доверительных интервалов, поэтому причинность и величина эффектов остаются вне независимой проверки. Операционные величины — запуск рекомендера за день, около 90% конфигурационных задач, пятикратное сокращение цикла гипотез — даны без определений базового уровня и границ измерения, включая критерий того, что считается новым рекомендером. Продуктовые метрики приведены агрегированно, без разбивки по экспериментам и контрольным группам.
Источники
Автор
Look at AI, редакция