ainews
GameCombiner: как находить игры через векторную математику без LLM и почему это круче чатботов
Разработчик Eli создал GameCombiner — инструмент, который превращает 146,288 игр в 1024-мерные векторы на основе жанров, тегов и описаний, позволяя находить новые игры через математическое комбинирование. Без LLM, без генерации — только реальные игры из каталога, детерминированный результат.
Показывает, что для многих задач AI не нужны дорогие LLM — достаточно правильно закодировать данные и применить простую математику. Открывает глаза на альтернативные подходы к рекомендательным системам.
Разработчик Eli запустил GameCombiner — инструмент для поиска игр, построенный на векторных эмбеддингах без использования LLM. Суть проста: 146,288 игр превращены в 1024-мерные векторы на основе жанров, пользовательских тегов и описаний из магазинов, не включая названия. Когда пользователь выбирает две игры, система находит математическую середину между их векторами и возвращает ближайшую реальную игру из каталога.
Никакой генерации контента, никакого выбора через LLM — только математика. Один и тот же набор всегда даёт один результат. Комбинирование бесплатное. Разработчик активно собирает фидбек, насколько результаты выглядят логичными.
Почему это не очередная обёртка над ChatGPT: здесь нет промпт-инжиниринга, галлюцинаций или случайности. Это классический косинусный поиск по эмбеддингам — технология, которую используют рекомендательные системы, но применённая к играм.
Подход показывает, что для многих задач не нужны дорогие LLM. Достаточно правильно закодировать данные в векторы и применить простую математику.
Автор: Анна Мельникова · Источник: reddit.com
Разработчикам. Живой пример того, как векторные эмбеддинги решают задачу рекомендаций без LLM. Можно применить тот же подход к книгам, фильмам, музыке, товарам — закодировать атрибуты в векторы, построить индекс и давать детерминированные рекомендации через косинусное расстояние. Дёшево, быстро, без галлюцинаций.
Бизнесу. Показывает, что пользователю часто нужна не болталка, а конкретный инструмент поиска. Векторный подход позволяет строить рекомендательные движки без затрат на API LLM, с предсказуемым качеством. Можно монетизировать через партнёрские ссылки на магазины игр или премиум-фичи типа расширенных фильтров.
Инвесторам. Напоминание, что не всё в AI — про генерацию. Векторный поиск и эмбеддинги — зрелая технология, которую можно применять в e-commerce, контентных платформах, образовании. Дешёвые в эксплуатации, легко масштабируются, не зависят от API провайдеров.
- Сделать аналог для книг, фильмов, музыки, подкастов — берёшь каталог, эмбеддишь атрибуты, даёшь пользователю комбинировать и монетизируешь через партнёрки Amazon, Spotify, Apple
- Построить B2B-инструмент для e-commerce: векторный движок рекомендаций товаров, который работает без дорогих LLM API — продавать готовым магазинам как плагин
- Запустить API векторного поиска для разработчиков — предзагруженные эмбеддинги популярных каталогов (игры, фильмы, товары) с простым REST интерфейсом
- Добавить объяснения рекомендаций через визуализацию векторного пространства — как TensorFlow Projector, но для игр — образовательный контент и вирусность
- Партнёрство со Steam, Epic, GOG — встроить виджет комбинирования игр прямо в магазины как нативный инструмент поиска
- Качество рекомендаций зависит от качества тегов и описаний — мусор на входе = мусор на выходе, без LLM нечем сгладить
- Детерминированность может надоесть — пользователи захотят сюрпризы и разнообразие, а здесь одна и та же пара всегда даёт один результат
- Без монетизации это просто демка технологии — нужны партнёрские ссылки или премиум-функции, иначе проект не окупит даже хостинг
- Конкуренция с готовыми рекомендательными системами Steam, Netflix, Spotify — они используют поведенческие данные и колаборативную фильтрацию, что мощнее простого векторного поиска
GameCombiner — это анти-хайп. В мире, где все городят обёртки над ChatGPT, кто-то делает инструмент на векторных эмбеддингах, которые появились задолго до GPT-4 и работают дёшево и предсказуемо. Да, это не sexy, но это честно: никакой магии, никаких промптов — чистая математика и реальные результаты. Для многих задач это лучше, чем LLM.
Но есть вопросы. Во-первых, насколько интересно пользователям комбинировать игры, если результат всегда один? Во-вторых, как монетизировать — партнёрки Steam очевидны, но конкуренция с их родным движком рекомендаций жёсткая. В-третьих, качество сильно зависит от качества метаданных, а теги в Steam часто мемные или спамные. Проект крутой как демка технологии, но чтобы стать продуктом, нужны фичи для удержания и монетизации.
Комментарии