Телеграм превратился в гигантскую платформу, где можно найти буквально всё. Раньше ВК пытался занять ту же нишу, объединяя общение, поиск друзей, контент и новости. Самым популярным пабликом (после самого @ VK ) был «Леонардо Дайвинчик». Это был первый массовый опыт взаимодействия с ботами. Вклад проекта огромен, и именно его успех заложил основу для современной реализации ботов в Телеграм.
Тема дейтинг-ботов сейчас бурно развивается, их функционал стал значительно обширнее. Если раньше у «Дайвинчика» не было конкурентов, то сейчас их масса. Конкуренция всегда на руку пользователям, как это было с ботами по типу гб.
Каждый запрос технически стоит копейки, базы данных не требуют огромных затрат. Поэтому раньше боты были не такими дорогими да и даже мы почти не брали плату (в разумных пределах). Сейчас же цена формируется не столько из-за себестоимости запросов, сколько из-за рисков и содержания приватных баз.
Подписки на дейтинг-сервисы (многие, но не все) стоят дороже, чем доступ к Шерлоку или другим аналогичным инструментам. Некоторые тарифы достигают 1500₽ в месяц. Высокая цена не всегда говорит о плохом; проблема в том, что владельцам ботов невыгодно, чтобы вы реально нашли пару. Зачастую у таких проектов даже нет базовых рекомендаций.
Внедрение рекомендаций в дейтинг это непомерно сложная задача. Главная проблема так называемые «шлюхаботы» (аккаунты, продающие доступ к приваткам или пиарящие каналы с 🔞+ контентом). Пользователи, особенно мужчины, часто останавливаются на таких анкетах из-за вызывающих фото или описаний и это ломает рекомендации.
И это общеотраслевая проблема, встречающаяся в TikTok и других соцсетях. Без борьбы с этим платформы превратились бы в аналоги OnlyFans или Pornhub. Есть ещё один нюанс: если пользователь не обладает классической внешностью, система рекомендаций может просто не показывать его анкету из-за отсутствия положительных реакций. Можно ли считать это минусом? С одной стороны, алгоритмы работают корректно, фильтруя контент, с другой это снижает динамику матчей, так как лента заполняется только «красивыми» фото.
На Kaggle доступны открытые датасеты дейтинговых приложений, помогающие новым проектам настраивать рекомендации. Однако существует проблема «холодного старта» (cold start), решений для которой пока немного. Пример решения в Яндекс.Музыке используют векторные представления треков. ИИ-модель анализирует трек, определяет его сходство с другими, и на этом строятся рекомендации до накопления пользовательских реакций.
В дейтинге такой подход тоже возможен, но специализированных моделей пока нет, так как для обучения требуются уже готовые данные да и много мощностей. Надеюсь, такие системы появятся в ближайшее время.
Так как все проекты telecore связаны с поиском и доведения его до SOTA. Даже на примере телеграм пока никто не сделал что то примерно такое же как мы. Про сам проект и его дальнейшее развитие мы расскажем позже.
Наша задача давать пользователям то что они хотят.
Тема дейтинг-ботов сейчас бурно развивается, их функционал стал значительно обширнее. Если раньше у «Дайвинчика» не было конкурентов, то сейчас их масса. Конкуренция всегда на руку пользователям, как это было с ботами по типу гб.
Каждый запрос технически стоит копейки, базы данных не требуют огромных затрат. Поэтому раньше боты были не такими дорогими да и даже мы почти не брали плату (в разумных пределах). Сейчас же цена формируется не столько из-за себестоимости запросов, сколько из-за рисков и содержания приватных баз.
Подписки на дейтинг-сервисы (многие, но не все) стоят дороже, чем доступ к Шерлоку или другим аналогичным инструментам. Некоторые тарифы достигают 1500₽ в месяц. Высокая цена не всегда говорит о плохом; проблема в том, что владельцам ботов невыгодно, чтобы вы реально нашли пару. Зачастую у таких проектов даже нет базовых рекомендаций.
Внедрение рекомендаций в дейтинг это непомерно сложная задача. Главная проблема так называемые «шлюхаботы» (аккаунты, продающие доступ к приваткам или пиарящие каналы с 🔞+ контентом). Пользователи, особенно мужчины, часто останавливаются на таких анкетах из-за вызывающих фото или описаний и это ломает рекомендации.
И это общеотраслевая проблема, встречающаяся в TikTok и других соцсетях. Без борьбы с этим платформы превратились бы в аналоги OnlyFans или Pornhub. Есть ещё один нюанс: если пользователь не обладает классической внешностью, система рекомендаций может просто не показывать его анкету из-за отсутствия положительных реакций. Можно ли считать это минусом? С одной стороны, алгоритмы работают корректно, фильтруя контент, с другой это снижает динамику матчей, так как лента заполняется только «красивыми» фото.
На Kaggle доступны открытые датасеты дейтинговых приложений, помогающие новым проектам настраивать рекомендации. Однако существует проблема «холодного старта» (cold start), решений для которой пока немного. Пример решения в Яндекс.Музыке используют векторные представления треков. ИИ-модель анализирует трек, определяет его сходство с другими, и на этом строятся рекомендации до накопления пользовательских реакций.
В дейтинге такой подход тоже возможен, но специализированных моделей пока нет, так как для обучения требуются уже готовые данные да и много мощностей. Надеюсь, такие системы появятся в ближайшее время.
Так как все проекты telecore связаны с поиском и доведения его до SOTA. Даже на примере телеграм пока никто не сделал что то примерно такое же как мы. Про сам проект и его дальнейшее развитие мы расскажем позже.
Наша задача давать пользователям то что они хотят.