VK ускорил разметку видеопоиска в десятки раз с помощью VLM‑асессора

Сервис VK Видео обслуживает более 500 млн видеороликов и ежедневно обрабатывает ≈10 млн пользовательских запросов. При этом система должна отвечать за 0,5 с и выдерживать нагрузку 1800 RPS. Для улучшения алгоритмов ранжирования требуется огромный объём качественной размеченной обучающей выборки, однако традиционная ручная разметка не справлялась с масштабом.

Команда VK ML разработала VLM‑асессор – специализированный Vision‑Language Model, обученный на внутреннем датасете с целью автоматической оценки релевантности видеоконтента к запросу. Асессор интегрирован в пайплайн разметки: сначала модель генерирует предварительные метки, затем человек‑оператор проверяет только «сомнительные» случаи. Такой подход позволил сократить человеческую часть работы в 30‑40 раз, а общую пропускную способность разметки увеличить до ≈12 000 объектов/час.

Ключевые результаты:

• Сокращение времени разметки: с нескольких дней до нескольких часов.
• Сохранение качества: метрика MAP снизилась менее чем на 0,3 % по сравнению с полностью ручной разметкой.
• Экономия ресурсов: снижение затрат на человеческий труд на ≈85 %.

Подробности публикации доступны на Habr ML: https://habr.com/ru/companies/vk/articles/1057830/. Статья также описывает процесс обучения VLM‑асессора, используемые архитектурные решения и планы дальнейшего масштабирования.

Эта работа демонстрирует, как современные VLM могут стать ядром автоматизации в высоконагруженных медиа‑сервисах, позволяя поддерживать качество при стремительном росте объёмов данных.