Nova arquitetura Sona aumenta tempo de consumo em recomendações musicais da Yandex

A arquitetura de sistemas de recomendação da Yandex transitou de um modelo de cascata para uma estrutura unificada denominada Sona. Anteriormente, o sistema operava através de um pipeline sequencial onde diferentes algoritmos eram responsáveis por etapas distintas: primeiro a seleção de candidatos e, posteriormente, o ranqueamento desses itens. A Sona substitui esse fluxo por um modelo único capaz de analisar simultaneamente o histórico de escolhas e as rejeições do usuário para gerar a entrega final.

Photo: Pravda.ru by Marina Lebedeva is licensed under Все права защищены

Исследователь анализирует схему памяти большой языковой модели

Remoção de gargalo técnico e simplificação de treinamento

A limitação central do modelo anterior residia na dependência de treinamentos segregados para cada algoritmo da cadeia. Cada etapa exigia a seleção de atributos específicos e ajustes manuais; qualquer tentativa de melhorar a qualidade da recomendação demandava a reconfiguração e a sincronização de todos os elos do sistema. Essa fragmentação elevava o consumo de recursos computacionais e prolongava o tempo de desenvolvimento. A unificação em modelo único remove esse gargalo, eliminando a necessidade de ajustes manuais coordenados entre múltiplas etapas.

Configuração do aparato e métricas de desempenho

A Sona foi implementada sob uma arquitetura encoder-decoder. Foram testadas três variantes do modelo, com a quantidade de parâmetros variando entre 264 milhões e 659 milhões. Para a otimização do desempenho, utilizou-se um modelo-professor (teacher model) de 600 milhões de parâmetros durante a fase de treinamento. Este componente não atua na entrega final ao usuário, permitindo que o sistema incorpore o conhecimento processado sem aumentar a carga computacional durante a operação em tempo real.

Condições de teste e resultados medidos

A capacidade do sistema foi validada em um ambiente operacional real: as recomendações musicais de smart speakers equipados com a assistente Alice. Durante o período de uma semana, a Sona substituiu um conjunto composto por dezenas de algoritmos. Os dados medidos no grupo de teste indicaram:

• Aumento de 6,3% no tempo de consumo de conteúdo recomendado;
• Crescimento de quase 18% na frequência de solicitações de repetição de faixas;
• Elevação de 4,5% no número de ouvintes ativos (resultado 2,4 vezes superior à última atualização do sistema anterior).

Evolução técnica e limites da implementação

A implementação da Sona sucede a introdução do sistema ARGUS (baseado em transformers, 2025) e a arquitetura Gryphon (2026), que já havia iniciado a consolidação parcial das etapas de seleção. Embora a demonstração em serviços de música tenha sido bem-sucedida, a transição de um protótipo de modelo unificado para a escala total de todos os serviços de recomendação da companhia permanece como a etapa seguinte, visto que os testes reportados no arXiv. org focaram em um subsistema específico de conteúdo musical.