Графовое ML: GNN для графов связей, рекомендаций и антифрода

Беру задачи, в которых главное — не сами объекты, а сеть отношений между ними. Если у вас есть данные, где важно, кто с кем связан — клиенты и их контакты, платежи между счетами, товары и совместные покупки, устройства и сессии, — обычные табличные модели теряют этот пласт информации. Я работаю с графовыми нейросетями, которые учатся прямо на структуре связей: узел получает признаки не только из себя, но и из своего окружения по графу, и именно это часто даёт тот прирост качества, ради которого всё затевается.

Работаю от начала и до конца. Первый этап — превратить ваши данные в граф: определить, что считать узлом, какие рёбра между ними имеют смысл, как их типизировать и взвешивать, как обрабатывать время и динамику связей. Дальше — обучение: предсказание свойств узлов и наличия рёбер, построение эмбеддингов, подбор архитектуры под конкретную задачу (message passing, свёртки на графах, внимание, гетерогенные и динамические графы). Отдельно слежу за корректностью замеров — разбиения без утечек через связи, временная валидация, сравнение с простыми базлайнами, чтобы было видно реальный вклад графа.

Довожу до рабочего сервиса. Настраиваю сэмплирование соседей для больших графов, готовлю инференс в пакетном или онлайн-режиме, оформляю код и документацию так, чтобы вы могли переобучать модель без меня. Из практики это выливается в рекомендации, учитывающие общий контекст пользователей, в антифрод, который видит связки и схемы целиком, и в обогащение ваших текущих моделей графовыми признаками. Есть связанные данные и гипотеза, что ответ спрятан в связях — помогу её проверить и запустить в дело.